Universidade Estadual do Oeste do Paraná

Centro de Ciências Exatas e Tecnológicas

Curso de Licenciatura em Matemática

ROGÉRIO LUIS RIZZI

TÓPICOS EM ÁLGEBRA LINEAR APLICADA

Cascavel
2010
 Sumário

1 CADEIAS DE MARKOV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Probabilidades: Conceitos e Resultados Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3 Variáveis Aleatórias e Funções de Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.5 Cadeias de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.6 Transição para n Passos de Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.7 Referências para o Tópico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

i
 1

1 CADEIAS DE MARKOV

Freqüentemente objetiva-se elaborar uma descrição matemática apropriada de even-

tos naturais ou artificiais. Essa modelagem matemática geralmente fornece apenas uma apro-
ximação satisfatória do fenômeno, visto que certas premissas e detalhes são ignorados visando
tornar o modelo entendı́vel ou computável.

É fato que a legitimidade do modelo depende da validade dos pressupostos tomados

como verdadeiros na modelagem, bem como dos parâmetros e dados utilizados. Um modo de
verificar a qualidade do modelo elaborado é analisar se os dados experimentais corroboram os
obtidos pela simulação quando da utilização de tal modelo.

No caso especı́fico de um modelo não-determinı́stico (probabilı́stico ou estocástico),

que é aquele intrı́nseco de fenômenos aleatórios que não podem ser modelados deterministica-
mente, a mesma situação acontece. Um modelo estocástico fornece somente uma descrição
matemática aproximada de um fenômeno aleatório.

Não obstante essa situação muitas vezes é imprescindı́vel o emprego de processos

estocásticos nos estudos de determinados sistemas complexos, para muitos dos quais se mostra
que seus elementos fundamentais são os estados e os estados de transição.

Pode-se dizer que um sistema ocupa um estado, quando ele é completamente des-
crito pelos valores de variáveis que definem esse estado. Um sistema exerce um estado de
transição, quando as variáveis descrevem trocas de um valor especı́fico de um estado para um
valor especificado de outro estado, no estágio seguinte.

1.1 Introdução

Um sistema dinâmico discreto é um conjunto finito de variáveis cujos valores

mudam com o passar do tempo. O valor de uma variável num dado instante de tempo
é denominado o estado da variável naquele instante de tempo e o vetor formando pelos
estados é denominado o estado do sistema dinâmico naquele instante de tempo (ANTON,
BUSBY, 2008).

O objetivo desse estudo de caso é analisar a modelagem matemática via Álgebra

Linear de um particular sistema dinâmico que evolui temporalmente. Esses sistemas podem
ser modelados utilizando-se a cadeia de Markov.
 2

Pode-se dizer que um processo estocástico1 é um processo cujo comportamento

é não-determinı́stico, no sentido em que cada estado desse processo não determina comple-
tamente qual será o seu estado seguinte. Matematicamente um processo estocástico é uma
famı́lia de variáveis aleatórias indexadas por um conjunto indexador. Informalmente diz-se que
um processo estocástico é uma coleção de variáveis aleatórias X(t), que representam o estado
do sistema no parâmetro t, que geralmente é o tempo.

Quando a dinâmica do evento é regida por regras probabilı́sticas essas e outras

noções são relevantes para entendimento e emprego de modelos probabilı́sticos para a descri-
ção temporal desses eventos ou fenômenos. Os diferentes processos estocásticos podem ser
classificados de acordo com alguns critérios, mas antes de explicitar tais critérios é necessário
apresentar e discutir alguns conceitos e resultados preliminares.

1.2 Probabilidades: Conceitos e Resultados Básicos

Um experimento aleatório E é aquele que pode ser repetido indefinidamente sob

condições semelhantes e o resultado, em cada uma das repetições pode ser diferente, não se
sabendo qual será esse resultado a priori.

Suponha que um experimento seja realizado sob certas condições fixas. Seja S o
conjunto de resultados possı́veis, onde por resultados possı́veis, onde por resultado possı́vel
entende-se resultado elementar e indivisı́vel do experimento.

EXEMPLO 1: (JAMES, B. R., 1981) Considere o experimento de jogar um dado não vi-
ciado e observar o número da face superior. Então S = {1, 2, 3, 4, 5, 6}, pois esses resultados
são os únicos possı́veis. Obter um número par, por exemplo, não é um resultado elementar,
pois consiste dos três resultados {2, 4, 6}. S é chamado de espaço amostral do experimento.

Definição 1: Para cada experimento aleatório E define-se o espaço amostral S

como sendo o conjunto de todos os resultados elementares possı́veis do experimento E.

É frequente a designação de espaço amostral S como espaço de estados ou

espaço ou de resultados.

Muitas vezes o conjunto de resultados possı́veis não é tão fácil de ser especificado.
1
Estocástico significa em grego capaz de aproximar. Essa terminologia é empregada em qualquer situação
que é governada pelas leis de probabilidade, no sentido de que a probabilidade elabora previsões sobre a
ocorrência ou não do evento ou fenômeno
 3

Veja um exemplo (o experimento 2) dessa situação na página 1 de (JAMES, B. R., 1981). O

importante é que S contenha todo resultado possı́vel, por isso supõe-se que:

1. A todo resultado possı́vel corresponde um, e somente um, elemento ω ∈ S e,

2. Resultados distintos correspondem a elementos distintos em S, ou seja, ω não pode

representar mais de um resultado.

Assim, quando se realiza um experimento existem certos eventos que ocorrem ou

não. Com efeito, sendo S o espaço amostral e A um evento associado ao experimento E,
ou seja, um evento que seguramente irá ou não ocorrer sempre que for realizado o experimento.
Então S consiste exatamente nos resultados possı́veis do experimento, de modo que S não
contenha resultados impossı́veis.

Também suponha que ω seja um resultado de certo experimento. Se o evento A

ocorre, diz-se que ω é favorável ao evento A. Se A não ocorre diz-se que ω não é favorável
ao evento A (ou, ainda, que ω é favorável ao evento não A).

EXEMPLO 2: (JAMES, B. R., 1981) Considere o experimento de escolher, ao acaso, um

ponto do disco de raio 1 centrado na origem. Então S = {(x, y) ∈ R2 ; x2 + y 2 ≤ 1}. Alguns
exemplos de eventos para esse experimento são:

• A = A distância entre o ponto escolhido e a origem é menor ou igual a 1/2.

• B = A distância entre o ponto escolhido e a origem é maior ou igual a 15.

• C = A primeira coordenada do ponto escolhido é maior do que a segunda coordenada.

Então se ω = (x, y) for o resultado do experimento, ω será favorável ao evento A

se, e somente se, x2 + y 2 ≤ 1/4, donde A = {(x, y) ∈ S; x2 + y 2 ≤ 1/4}. Também será
favorável ao evento C se, e somente se, x > y, donde C = {(x, y) ∈ S; x > y}. E nenhum
resultado será favorável ao evento B, donde B = ∅.

Então, todo evento associado a este experimento pode se identificar com um sub-
conjunto do espaço amostral S. Reciprocamente, se A for um subconjunto qualquer de S, ou
seja, A ⊂ S, então é conveniente identificar A e o evento resultado do experimento pertence
a A. Tem-se a seguinte definição:

Definição 2: Seja S o espaço amostral do experimento. Todo subconjunto

A ⊂ S é chamando de evento. S é o evento certo e ∅ é o evento impossı́vel. Se ω ∈ S o
 4

evento {ω} é dito ser elementar ou simples.

É importante destacar que por abuso de notação tradicionalmente identifica-

se o evento {ω} =”resultado do experimento é ω” e o elemento ω, de modo que
se escreve ω em vez de {ω} (e P(ω) em vez de P({ω}) como veremos), etc.

Para efeitos de cálculo e análise de resultados de probabilidades é conveniente saber

traduzir a notação e linguagem de conjuntos para a linguagem de eventos. Por exemplo,
A ∩ B = ∅ significa que A e B são eventos mutuamente exclusivos ou incompatı́veis. A
cada evento A e B (quaisquer subconjuntos de S, o espaço amostral) pode ser associado um
número real não-negativo P(A) e um número real não-negativo P(B) tais que se dois eventos
A e B são mutuamente excludentes (A ∩ B = ∅) então P(A ∪ B) = P(A) + P(B). Vamos
detalhar de alguns desses conceitos. Uma definição importante é:

Definição 3: Seja E um experimento. Seja S um espaço amostrar associado

ao experimento E. A cada evento A associamos um número real representado por P(A) e
denominado probabilidade de A, que satisfaz às seguintes condições:

1. 0 ≤ P(A) ≤ 1.

2. P(S) = 1.

3. Se A e B forem eventos mutuamente excludentes então P(A ∪ B) = P(A) + P(B)

4. SeAi , . . . , A
n , . . . forem, dois a dois, eventos mutuamente excludentes então vale que
S∞
= ∞
P
P i=1 Ai i=1 P(Ai ).

Note que o espaço amostral pode ser infinito ou finito, e o número (quantidade) de
elementos de um conjunto tem grande importância. Se existe um número finito de elementos
no conjunto A, digamos, a1 , . . . , an diz-se que A é finito. Se existem um número infinito de
elementos em A, os quais podem ser postos em correspondência biunı́voca com os números
2
naturais, diz-se que A é infinito enumerável O conjunto A pode ter também um conjunto
infinito não enumerável de elementos.

Para um espaço amostral finito - nosso caso de estudo - pode-se caracterizar a

probabilidade de um evento A formado por um resultado elementar ou simples lembrando que
se ω ∈ S o evento {ω} é dito ser elementar ou simples. Nesse caso a cada evento simples
2
Na verdade um conjunto A diz-se enumerável quando é finito ou quando existe uma bijeção N −→ A.
Neste caso A diz-se infinito enumerável.
 5

ωi associa-se um número pi denominado a probabilidade de ωi , que satisfaz às seguintes

condições, coerentes com àquelas estabelecidas na definição 3:

1. pi ≥ 0, para i = 1, . . . , n.
Pn
2. i=1 pi = 1.

Suponha agora que um evento A seja constituı́do por k resultados, com 1 ≤ k ≤ n,

a saber A = {aj,1 , . . . , aj,k }. Consequentemente da propriedade 4 da definição 3 conclui-se
que P(A) = ki=1 pj,i . Ou seja, a probabilidade de um evento A constituı́do por k resultados,
P

é igual à soma das probabilidades dos vários resultados individuais que constituem o evento A,
desde que esses resultados sejam equiprováveis. Veja uma discussão na seção 2.2 de (MEYER,
1974).

Também relevante para o bom entendimento de algumas aplicações, o conceito de

probabilidade condicionada (ou probabilidade condicional), pois em determinados proble-
mas de probabilidade existe informação adicional que condiciona a situação de partida. Com
efeito, pode ocorrer, em certa experiência, que a probabilidade de ocorrência de determinados
acontecimentos na segunda fase da mesma experiência é condicionada pelo conhecimento do
resultado obtido na primeira fase da experiência.

Assim, para dois acontecimentos A e B de um espaço amostral S associados a uma

experiência aleatória E, sendo P(B) > 0, define-se a probabilidade condicionada de ocorrer
P(A∩B)
A sabendo que B ocorreu e representa-se por P(A |B ) como sendo P(A |B ) = P(B)
.

1.3 Variáveis Aleatórias e Funções de Distribuição

Pode acontecer que não se pode atribuir probabilidade a todo o evento, mas mostra-
se que geralmente na prática pode-se contornar esse tipo de problema. Um evento A a qual
se atribui uma probabilidade merece uma denominação. Tem-se, então:

Definição 4: Um evento A ao qual se pode atribuir uma probabilidade é chamado

de evento aleatório.

Vamos relacionar uma probabilidade com uma variável aleatória, que é um valor
numérico do resultado de um experimento.

EXEMPLO 3: (JAMES, B. R., 1981) Lançar uma moeda n vezes e observar a sequência de
caras C e de coroas K obtidas. Os resultados possı́veis neste exemplo são sequências de n de
 6

caras ou coroas e pode-se especificar que:

S = {(ω1 , . . . , ωn ); ωi = C ou ωi = K; i = 1, . . . , n} .

Por exemplo, o número de caras observadas nos n lançamentos é um valor numérico

da sequência de caras e coroas. Se especificarmos X = número de caras observadas, verifica-se
que o valor de X depende do resultado do experimento e pode-se especificar:

X(ω) = quantidades de C em ω = (ω1 , . . . , ωn )

= valor {i; ωi = C; 1 ≤ i ≤ n}

Ou seja, lançar uma moeda n vezes e observar a seqüência de caras e coroas obtidas
é um experimento, e o resultado deste experimento é uma sequência de caras e de coroas e
não é um número. Porém, o número de caras ou de coroas observadas nos n lançamentos é
um número, designado por variável aleatória.

Com efeito, o número de caras ou de coroas observadas nos n lançamentos é uma

variável aleatória já que é um valor numérico da seqüência de caras e coroas. Tem-se, portanto,
a variável aleatória X = número de caras (ou de coroas) observadas.

Note então que ao descrever o espaço amostrar de um experimento, não é necessário

que um resultado necessariamente seja um número. Por exemplo, pode-se empregar a catego-
ria “componente defeituoso” ou “componente não defeituoso” para descrever um componente
manufaturado. Contudo, em muitas situações experimentais estamos interessados na mensu-
ração de algum fato e no seu registro como um número.

Mesmo em situações cujas respostas são qualitativas podemos atribuir um número

a cada resultado não numérico do experimento de modo a fazer uma identificação quantita-
tiva. Com efeito, pode-se atribuir um número (real, inteiro, entre outros) a todo elemento do
espaço amostral S, de modo que se tem que x = X(ω) é o valor de uma função X do espaço
amostral no espaço do conjunto de números (real, inteiro, entre outros). Com isso se tem a
seguinte definição.

Definição 5: Sejam E um experimento e S um espaço amostral associado ao

experimento. Uma função X, que associe a cada elemento ω ∈ S um número, X(ω), é de-
nominada variável aleatória. Ou seja, uma variável aleatória X é uma função que atribui
um valor numérico X(ω) a cada evento elementar ω de um espaço amostral S.

Assim, quando o resultado de experimento for um número, o próprio resultado será

 7

o valor da uma variável aleatória, definida por X(ω) = ω. Mas precisamente diz-se que X(ω)
def
é variável aleatória se, e somente se, o evento {ω ∈ S; X(ω) ≤ x} ≡ [X ≤ x] for aleatório
para todo x enumerável ou não enumerável.

Mais uma vez destacamos que se deve distinguir uma variável aleatória X (que
é uma função) do número X (ω) que ela associa a um evento ω de um espaço amostral S.
Chama-se esse número de uma realização da variável aleatória X e enquanto uma realização
de uma variável aleatória é simplesmente um numero (ponto), um processo estocástico (sendo
uma coleção de variáveis aleatórias) tem como realização uma famı́lia de pontos (números)
ao longo do tempo.

Observe-se que quando especificaremos as expressões de processos ou cadeias de

Markov em termos de probabilidades, estamos escrevendo a notação de modo simplificado.
Em vez de escrever P deverı́amos escrever Fx (x) = P(X ≤ x) para indicar que é a função
distribuição acumulada, dada pela somatória das ocorrências, e que descreve completamente
a distribuição da probabilidade de uma variável aleatória X.

1.4 Processos Estocásticos

Definição 6: Pode-se dizer que um processo estocástico, com conjunto de

ı́ndices T é uma coleção {Xt ; t ∈ T } de variáveis aleatórias indexadas por T . Para muitas
situações o parâmetro t ∈ T é interpretado como o tempo fı́sico, que tem relevante signifi-
cado nessas diversas situações.

Veja uma apresentação formal da definição em, por exemplo, (ATENEODO, 2004)
ou em (MAIA, 2008). Decorrente da definição é possı́vel observar que existem diferentes
classes de processos estocásticos e as caracterı́sticas que permitem distinguir entre processos
estocásticos são a natureza do espaço de estados (espaço amostral de cada variável aleatória
X(t), com t ∈ T ), a natureza do conjunto de ı́ndices T e as relações de dependência entre as
variáveis aleatórias X(t), que se derivam das distribuições.

Com efeito, um processo estocástico pode ser caracterizado pelo seu espaço de
estados S, o conjunto de possı́veis valores das variáveis aleatórias Xt , pela natureza do seu
conjunto indicial T e pelas relações de dependência entre as variáveis aleatórias Xt . Os
diferentes processos estocásticos podem ser classificados como (MAIA, 2008):

1. Uma variável aleatória é classificada como discreta ou contı́nua, dependendo dos valores
que pode apresentar. Analogamente, se cada Xt apresentar valores em um conjunto
enumerável, diz-se que o processo é de estado discreto ou que ele é uma cadeia. Por
 8

outro lado, se S for um conjunto como não-enumerável diz-se que se trata de um

processo de estado contı́nuo. Neste caso, é usual utilizar notação X(t) ao invés de Xt .
Mas esse não será o caso destas notas de aulas. Utilizaremos a notação X(t)
para o estudo de situações discretas no tempo.

2. Então se X é uma variável aleatória e se a quantidade de valores possı́veis de X (ou

seja, seu contradomı́nio) for enumerável, diz-se que a variável aleatória é discreta.
Isto é, os valores possı́veis de X são finitos ou infinitos enumeráveis.

3. A interpretação do parâmetro t como o tempo fı́sico é tão onipresente no estudo dos

processos estocásticos que as expressões processo de tempo discreto e processo de tempo
contı́nuo são as usuais para classificar um processo cujo conjunto indicial T é discreto
como T = {0, 1, 2, . . .} ou contı́nuo como T = [0; ∞), respectivamente.

4. Dados o espaço de estados S e o conjunto indexador T , um processo estocástico é

completamente caracterizado pela distribuição de probabilidade conjunta de qualquer
famı́lia finita X = (Xt1 , . . . , Xtn ) de variáveis aleatórias do Processo.

Mais especificamente, os processos estocásticos podem ser classificados como:

• Em relação ao Estado:

– O Estado Discreto (cadeia): X(t) é definido sobre um conjunto enumerável (finito

ou infinito).
– O Estado Contı́nuo (seqüência): X(t) é definido sobre um conjunto não-enumerável.

• Em relação ao Tempo:

– Tempo Discreto: t é enumerável.

– Tempo Contı́nuo: t é não-enumerável.

EXEMPLO 4: Exemplos para essa classificação são:

• Número de usuários em uma fila de banco em um determinado instante: Estado Discreto

e Tempo Contı́nuo.

• Índice pluviométrico diário: Estado Contı́nuo e Tempo Discreto.

• Número de dias chuvosos: Estado Discreto e Tempo Discreto.

O critério 4 é muito geral (veja detalhes em (MAIA, 2008), página 13) e, então,
usualmente são considerados situações em que a dependência entre as variáveis aleatórias do
processo pode ser descrita de uma forma mais simples, como os processos de Markov.
 9

Dá-se o nome de processo de Markov a um dado fenômeno que possa ser classifi-
cado em estados finitos e discretos, e cuja probabilidade de transição entre tais estados, num
intervalo de tempo também discreto, dependa apenas do estado corrente e do estado seguinte.
À seqüência de estados seguindo este processo dá-se o nome de cadeia de Markov.

EXEMPLO 5: (SANTOS, 2006) Vamos supor que uma população está subdividida em três
classes (ou estados): renda alta, renda média e renda baixa, e que em cada unidade de tempo
a probabilidade de mudança de um estado para outro seja constante no tempo, somente
dependendo dos estados.

Mostraremos no exemplo 10 que se pi,j é a probabilidade de mudança do estado i

para o estado j em uma unidade de tempo (por exemplo, uma geração) e se T é a matriz
de probabilidades que especifica a transição entre essas classes, e se P (0) ≡ P0 denota a
distribuição de população inicial entre as três classes, então a distribuição da população no
próximo nı́vel de tempo P (1) ≡ P1 é dada por P1 = T P0 .

1.5 Cadeias de Markov

São várias as referências que tratam dessa interessante e importante temática. Algu-
mas delas que subsidiaram esse estudo de caso encontram-se no item referências para o tópico,
merecendoaquidestaque aos autores (CLARKE, DISNEY, 1979) e (MEYER, 1974) como refer-
ências introdutórias e clássicas (em lı́ngua portuguesa). O texto de (WEISS, YOSELOFF,
1978) é particularmente interessante, pois aborda cadeias de Markov sob o ponto de vista da
Álgebra Linear.

Formalmente, processos de Markov3 são aqueles em que, dado a variável aleatória

Xt , a distribuição de probabilidade de Xr , com r > t, não depende dos valores de Xu , com
u < t. Matematicamente escreve-se:

P (Xt ≤ x |Xt1 = x1 , . . . , Xtn = xn ) = P (Xt ≤ x |Xtn = xn ) (1.1)

sempre que t1 < t2 < . . . < tn < t, onde P(X ≤ x) é a função distribuição de probabilidade
da variável aleatória X.

Em outras palavras, dado o estado presente, as expectativas acerca do futuro in-

3
Andrei Andreyevich Markov, (Riazan, 14 de Junho de 1856 - São Petersburgo, 20 de Julho de 1922) foi
um matemático russo. Formou-se na universidade de St. Petersburgo em 1878 e veio a se tornar professor
na mesma em 1886. Seus primeiros trabalhos foram sobre limites de integrais e teoria da aproximação.
Depois de 1900 aplicou métodos de frações contı́nuas, que havia sido iniciada por Tchebychev na teoria da
probabilidade. Provou o teorema do limite central. Markov é lembrado pelo seu estudo de Cadeias de Markov.
Fonte: [Link].
 10

dependem do comportamento exibido no passado, significando que processos de Markov têm

“memória curta”.

Para os objetivos dos nossos estudos de caso não se aborda processos de Markov
em sua generalidade, mas apenas as designadas cadeias de Markov de tempo discreto, que
são aplicadas a uma grande variedade de problemas. Assim tem-se:

Definição 7: Um processo em que a probabilidade de transição do fenômeno de-

pende apenas do estado em que ele se encontra e do estado a seguir é dito ser um processo de
Markov. Uma seqüência de estados seguindo este processo é denominada cadeia de Markov.

Note-se que esta simplificação do processo talvez seja demasiada, visto que as pro-
babilidades podem se modificar com o tempo. Não obstante, este modelo já serve para elab-
orar, sob certas premissas, algumas previsões do comportamento de certos fenômenos como
genética, dinâmica populacional, previsão do tempo, entre outros fenômenos.

Para esses casos, as cadeias de Markov podem ser empregadas para determinar a
probabilidades de transição entre estados que evoluem de maneira estocástica, de modo a
prever os estados de um processo em andamento conhecendo-se apenas o estado atual e não
sua trajetória.

No caso discreto o conjunto de ı́ndices é T = {0, 1, 2, . . .} e é usual nessa situação

falar que a variável aleatória X(t) está no estado i se X(t) = i. E devido ao caráter Markoviano
do processo de Markov, expresso pela equação (1.1), pode-se caracteriza-lo apresentando
apenas a probabilidade de transição P(X(t) = j |X(t − 1) ) = i, o que equivale a caracterizar
a matriz T (t) = (pi,j (t)) em que (MAIA, 2008):
 
pi,j (t) = P X(t + 1) = j |X(t) = i (1.2)

Geralmente essa matriz depende do instante em que se considera a transição. O

uso iterado da definição de probabilidade condicional e da propriedade Markoviana revela que
a probabilidade de a cadeia estar no estado i no instante t é completamente determinada pela
matriz de transição e pela distribuição de probabilidade P (0) do estado inicial.

Mostra-se, como em (MAIA, 2008), página 20, que uma interpretação matricial
desses resultados, leva à seguinte expressão:

P (t) = T t P (0) (1.3)

onde T t é a t−ésima potência da matriz de transição T . Observa-se que em algumas situações

 11

o tempo ou o valor inicialmente válido é t = 1. Como conseqüência obtém-se expressões como

P (t) = T t−1 P (1), mas essa situação não altera nada os resultados.

Essa expressão somente é válida para cadeias de Markov cujas probabilidades de

transição de estados são constantes em relação ao tempo (ditas probabilidades de transição
estacionárias). A esse tipo de cadeia de Markov denomina-se cadeia de Markov homogênea e
a matriz de transição, que é uma matriz quadrada, é denominada matriz homogênea.

Uma cadeia de Markov homogênea de tempo discreto pode ser representada por
um diagrama de estados que é simplesmente um grafo em que os nodos são indexados
pelos possı́veis estados da cadeia de Markov e os arcos são indexados pelas correspondentes
probabilidades de transição entre os estados (MAIA, 2008).

Assim, o diagrama de estados ou de transição é uma representação compar-

timental de uma cadeia de Markov. Nesse diagrama são visualizados os estados, que são
representados por cı́rculos ou nodos, e as transições, que são representadas por arcos, e as
probabilidades das transições. Note que um diagrama de transição nada mais é que um grafo
direcionado com pesos nas arestas.

Assim, pode-se representar os estados e as probabilidades de transição, respectiva-

mente, por Si e pi,j , onde i e j são ı́ndices que identificam os vários estados possı́veis. Ou
seja, pi,j é a probabilidade de haver uma transição do estado Si para o estado Sj .

Talvez seja importante destacar mais uma vez que pi,j , que denota a probabilidade
de passar de i para j em uma fase ou perı́odo de tempo, representa a probabilidade condicional
de que, dado que o sistema esteja no estado i em certo momento, venha a estar no estado j
no intervalo de tempo seguinte.

Ou seja, se A designa um evento no qual o sistema está no estado i no tempo n e B

designa um outro evento no qual o sistema está no estado j no tempo n + 1 então, utilizando-
se a notação de probabilidade condicionada, pi,j = P(b |A ), que representa a probabilidade
condicional de B, dada que A tenha ocorrido. Esses números pi,j são as probabilidades de
transição da cadeia de Markov.

EXEMPLO 6: Veja a figura 1 para ilustrar um exemplo de matriz de transição T3×3 para um
processo de Markov em três estados, considerando-se que a matriz é especificada por:
 
p1,1 p1,2 p1,3
 
T =  p 2,1 p 2,2 p 2,3


p3,1 p3,2 p3,3
 12

Figura 1: Diagrama de Transição para a Matriz T .

EXEMPLO 7: (BOLDRINE e outros, 1984, seção 1.5) e (HAETINGER, DULLIUS, 2006)

Os registros meteorológicos de uma região especı́fica podem ser usados para estimar a proba-
bilidade de que vá chover (ou não) em certo perı́odo a partir da informação de que choveu
ou não no perı́odo anterior. A teoria das cadeias de Markov pode utilizar tais dados para
prever, com muita antecedência, a probabilidade de um dia ser chuvoso ou não nessa região.

Com efeito, para exemplificar essa afirmação, suponha que numa determinada região,
observou-se que se um ano for chuvoso, a probabilidade de o ano seguinte seja igualmente
chuvoso é 1/4, e a probabilidade de que faça seca é 3/4. Ainda, em ocorrendo estiagem num
ano, a probabilidade de que também ocorra à estiagem no seguinte é a mesma de que seja um
ano chuvoso, isto é 1/2.

Suponhamos (para simplificar, somente para termos um indicador de situação), que

as probabilidades não mudem com o decorrer do tempo. Os estados possı́veis para este pro-
cesso são: chuva (C) e seca (S) (ou estiagem). Visando um planejamento estratégico se quer
saber em que estado (chuva ou seca) estará esta região após um longo tempo.

SOLUÇÃO: A modelagem inicial do problema é realizada considerando-se as infor-

mações disponibilizadas. Pode-se, portanto, construir a árvore de probabilidades indicativa da
seqüência dos acontecimentos, como mostrado na figura 2.
(1) (1)
Nessa figura utiliza-se a notação pc ≡ pc (1) e ps ≡ ps (1), para denotar as
probabilidades de chuva e se seca, respectivamente, para o tempo t = 1.

Assim, por exemplo, supondo que no primeiro ano houve estiagem, a probabilidade
1 1
de que o terceiro ano seja chuvoso é: .
2 4
+ 12 . 21 = 38 . Então se pode observar que, conforme
o tempo passa, os cálculos se tornam mais trabalhosos. Portanto, para previsões a longo
prazo, precisaremos de um procedimento que torne mais efetivo os cálculos necessários. Esse
 13

Figura 2: Probabilidades de Transição do Fenômeno. Fonte: (BOLDRINI e outros, 1984)

procedimento advém dos conceitos de matriz das probabilidades de transição e de vetor

de probabilidades.

A matriz T das probabilidades de transição é obtida da tabela 1 de probabilidades,

onde o elemento na i−ésima linha e j−ésima coluna indica a probabilidade de transição do
j−ésimo para o i−ésimo estado, conforme a árvore de probabilidades indicativa da sequência
de acontecimentos.

Situação Chuva (C) Seca (S)

1 1
Chuva (C) 4 2
3 1
Seca (S) 4 2

Tabela 1: Probabilidades de Transição

Dessa tabela pode-se escrever a matriz das probabilidades de transição T como:

!
1 1
4 2
T = 3 1
4 2

O vetor de probabilidade dos estados possı́veis para a região é a matriz especifi-

 14

cada por: !
pc (n)
ps (n)
onde a primeira linha dá a probabilidade pc (n) que ocorra chuva no n−ésimo ano e a segunda
linha dá a probabilidade ps (n), de que ocorra seca no n−ésimo ano.

Note que pela árvore de probabilidades indicativa da seqüência dos acontecimentos,

como ilustrado na figura 2, tem-se para o tempo t = 2.
(
pc (2) = 41 pc (1) + 12 ps (1)
(1.4)
ps (2) = 34 pc (1) + 21 ps (1)

Pode-se observar que:

! ! !
1 1
pc (1) 4 2
pc (1)
T. = 3 1
.
ps (1) 4 2
ps (1)
!
1 1
p
4 c
(1) + p
2 s
(1)
= 3
p (1)
4 c
+ 12 ps (1)

de modo que se pode inferir de (1.4) que:

! !
pc (2) pc (1)
= T.
ps (2) ps (1)

Se repetirmos esse procedimento, o mesmo ocorrerá do segundo para o terceiro ano,

do terceiro para o quarto ano, e assim sucessivamente. Ou seja, tem-se que:
! !
pc (2) pc (1)
= T.
ps (2) ps (1)
! !
pc (3) pc (2)
= T.
ps (3) ps (2)
..
.
! !
pc (n − 1) pc (n − 2)
= T.
ps (n − 1) ps (n − 2)
! !
pc (n) pc (n − 1)
= T.
ps (n) ps (n − 1)
 15

Observando a recursividade dessas expressões matriciais pode-se escrever:

! !
pc (n) pc (n − 1)
= T
ps (n) ps (n − 1)
!
pc (n − 2)
= T.T
ps (n − 2)
.
= ..
!
p c (1)
= T n−1
ps (1)

Portanto, o comportamento do clima dessa região ao longo prazo (nesse caso n

designa um tempo suficientemente grande) poderá ser previsto se soubermos que os elementos
das matrizes T n , com n = 1, 2, ... se aproximam dos elementos de uma matriz fixa no tempo
P , com pc (n) −→ p1 e ps (n) −→ p2 , com:
! !
p1 pc (1)
= P.
p2 ps (1)

Tal previsão é importante para várias questões práticas, pois se chegarmos, por
exemplo, à conclusão que ps (n) −→ 1 quando n −→ ∞, a longo prazo a região se tornará
um deserto. Também note que se T n não se aproxima de uma matriz P , então não se pode
fazer nenhuma previsão a longo prazo, pois o processo se modificará bastante a cada passo de
tempo, de modo a inviabilizar uma previsão.

Assim, um dos problemas que se deve resolver é quais são as condições sobre a
matriz T das probabilidades de transição, para que suas potências se aproximem de uma de-
terminada matriz. Vamos inicialmente formalizar o procedimento realizado.

Definição 8: Um processo aleatório de Markov é um processo que pode assumir

estados de modo que a probabilidade de transição de um estado Si para outro estado Sj seja
pi,j , que é um número que só depende de Si e de Sj .

Definição 9: A matriz das probabilidades de transição (matriz estocástica) é

 16

especificada por:
 
p1,1 p1,2 ··· p1,r
 
 p
 2,1 p2,2 · · · p2,r 

 . .. ... ..
.

T =
 . . . 

 
 pr−1,1 pr−1,2 · · · pr−1,r 
 
pr,1 pr,1 · · · pr,r

onde cada pi,j ≥ 0 e onde a soma de cada coluna deve ser igual a 1, já que pi,j designa
probabilidades.

Não confundir r, a dimensão da matriz quadrada r × r com n (ou k), o nı́vel do

tempo utilizado nos estudos da dinâmica temporal. Também se tem:

Definição 10: O vetor de probabilidades é aquele cuja i−ésima linha dá a

probabilidade de ocorrência do estado Si após n transições, e é especificado por:
 
p1 (n)
 
 p (n) 
 2 

 .
..


 
 
 pr−1 (n) 
 
pr (n)

E seguindo o procedimento realizado anteriormente pode-se mostrar que se obtém:

   
p1 (n) p1 (1)
 . 
 ..  = T n−1  ... 
 
   
pr (n) pr (1)

Para se poder estabelecer previsões a longo prazo, a matriz T deve cumprir certas
condições. Com efeito, e uma das mais relevantes caracterı́sticas exibidas por muitas cadeias
de Markov é um comportamento de equilı́brio (ou rgularidade) a longo prazo (WEISS, N. A.,
YOSELOFF, 1978).

Ou seja, após um longo perı́odo a distribuição da cadeia de Markov permanece a

mesma, pelo menos aproximadamente. Isto significa que, a longo prazo, as probabilidades
de o sistema estar em cada um dos vários estados pouco ou nada viriam à medida que o
tempo passa. Veja um exemplo nas páginas 394 − 396 de (WEISS, N. A., YOSELOFF, 1978).
Precisamos de um nova definição.
 17

Definição 11: Uma matriz de probabilidades de transição é dita ser regular se

alguma de suas potências tem todos os elementos não nulos.

A relevância da matriz regular para as previsões a longo prazo é dada pelo teorema 1
a seguir enunciado. Ver sua prova nas referências indicadas, indicando-se o texto de (WEISS,
N. A., YOSELOFF, 1978) para uma série de exemplos e exercı́cios.

Teorema 1: (BOLDRINE e outros, página 18) Se a matriz Tr×r das probabilidades

de transição é regular, então valem as seguintes condições:

1. As potências T n aproximam-se de uma matriz P , no sentido de que cada elemento de

T n aproximam-se do elemento correspondente em P .

2. Todas as colunas de P são iguais, sendo determinadas por um vetor coluna V =

(p1 , · · · , pr )t , com p1 > 0, · · · , pr > 0.

3. Para qualquer vetor de probabilidades inicial V1 = (p1 (1) · · · pr (1))t , o vetor de proba-
bilidades T n V1 aproxima-se do vetor V especificado no item 2.

4. O vetor V é o único vetor que satisfaz a igualdade V = T V ,

O teorema 1 assegura que se a matriz de transição é regular, então é possı́vel fazer

uma previsão a longo prazo, e que esta previsão não depende das probabilidades iniciais V1 .
Além disso, o item 4 indica como calcular as probabilidades depois de um longo tempo.

Mostraremos na próxima seção que o processo empregado para se encontrar o vetor

final de probabilidades, usando o item 4, corresponde à procura de autovalores associado aos
autovetores da matriz T .

EXEMPLO 8: (BOLDRINE e outros, 1984, página 19) No exemplo 7, sobre a previsão de

clima obteve-se que a matriz de transição é dada por:
!
1 1
4 2
T = 3 1
4 2

que é regular, pois ela mesma (sua primeira potência) têm todos os elementos estritamente
positivos. Portanto, pelo item 4 do teorema 1 (O vetor V é o único vetor que satisfaz a
igualdade V = T V ), pode-se concluir que quaisquer que sejam as probabilidades iniciais, as
 18

probabilidades a longo prazo são especificadas por:

! ! !
1 1
pc 4 2
pc
= 3 1
.
ps 4 2
ps

de onde se obtém o sistema (

pc = 14 pc + 21 ps
ps = 34 pc + 12 ps
que resolvido fornece a solução ps = 3/2pc .

E como, probabilisticamente, deve-se ter que pc + ps = 1 tem-se de ps = 3/2pc que

pc + 3/2pc = 1, ou seja, pc = 2/5 e, então, ps = 3/5. Logo a probabilidade de um ano de
chuva é 2/5, enquanto a probabilidade de um ano de estiagem é de 3/5 e, portanto, a longo
prazo a região tenderá a uma ligeira aridez.

EXEMPLO 9: (BOLDRINE e outros, 1984, página 20) Suponha que em uma determinada
região, a cada ano três por cento da população rural migra para as cidades, enquanto ape-
nas um por cento da população urbana migra para o campo. Se todas as demais condições
permanecem estáveis e essas porcentagens de migração continuar as mesmas, qual deve se a
relação entre as populações urbana e rural dessa região a longo prazo?

SOLUÇÃO: Como 3 por cento da população rural migra para o meio urbano, a
probabilidade de migração do meio rural para o meio urbano é de 0, 03, enquanto que a
probabilidade de não migração é de 0, 97. Analogamente, como 1 por cento da população
urbana migra para o meio rural a probabilidade de migração do meio urbano para o meio rural
é de 0, 01 e a de não migração é de 0, 99. Denotando por U e por R os meios urbano e rural,
respectivamente, a tabela de transição 2 é especificada como:

Situação Rural (R) Urbano (U)

Rural (R) 0, 97 0, 01
Urbano (U) 0, 03 0, 99

Tabela 2: Probabilidades de Transição para a Migração

A matriz T das probabilidades de transição, obtida desta tabela de probabilidades,

escrita como: !
0, 97 0, 01
T =
0, 03 0, 99

Como a matriz é regular, pois sua primeira potência têm todos os elementos es-
 19

tritamente positivos, então pelo item 4 do teorema 1 pode-se concluir que a longo prazo as
probabilidades pR e pU , de viver no meio rural e no meio urbano, devem satisfazer a condição:
! ! !
pR 0, 97 0, 01 pR
= .
pU 0, 03 0, 99 pU

que resolvido fornece a solução pU = 3PR .

E como, probabilisticamente, deve-se ter que pR +pU = 1 tem-se que pR +3pR = 1,

ou seja, pR = 0, 25 e, então, pU = 0, 75. Ou seja, a longo prazo, e se não houver modificações
nas tendências de migração, teremos 25 por cento da população no meio rural e 75 por cento
da população vivendo no meio urbano.

1.6 Transição para n Passos de Tempo

Para estudar o comportamento da dinâmica da população considerando-se uma

abordagem semelhante àquela empregada na análise do comportamento assintótico do modelo
de Leslie vamos tomar um exemplo ilustrativo da situação.

Considere uma população subdividida em três estados, onde a cada unidade a pro-
babilidade de mudança de um estado para outro é constante no tempo, vamos trabalhar com
um exemplo ilustrativo da situação.

EXEMPLO 10: (SANTOS, 2006) Vamos novamente supor, como no exemplo 5, que uma
população é dividida em três estados: renda alta, renda média e renda baixa e que em cada
unidade de tempo a probabilidade de mudança de um estado para outro seja constante no
tempo.

Seja pi,j a probabilidade de mudanças do estado i para o estado j em uma unidade

de tempo (uma geração, por exemplo). A matriz de transição para esse exemplo é dada por
uma matriz quadrada 3 × 3 especificada por:
 
p1,1 p1,2 p1,3
 
T =  p2,1 p2,2 p2,3


p3,1 p3,2 p3,3

A distribuição da população inicial entre os três estados pode ser descrita pela
 20

matriz:
 
p1
 
P0 =  p
 2 

p3

sendo que p1 , p2 e p3 representam, respectivamente, os estados 1, 2 e 3 da população. A

matriz P0 caracteriza a distribuição inicial da população entre os três estados e é chamada
vetor de estado.

Após uma unidade de tempo a população estará dividida entre os três estados da
seguinte forma:
 
p1,1 p1 + p1,2 p2 + p1,3 p3
 
P1 = T P0 =  p
 2,1 1p + p p
2,2 2 + p p 
2,3 3 

p3,1 p1 + p3,2 p2 + p3,3 p3

onde p1,1 p1 + p1,2 p2 + p1,3 p3 , p2,1 p1 + p2,2 p2 + p2,3 p3 e p3,1 p1 + p3,2 p2 + p3,3 p3 estão, respecti-
vamente, nos estados 1, 2 e 3. Assim a matriz de estado após uma unidade de tempo é dada
pelo produto de matrizes P1 = T P0 , onde denotamos P (0) ≡ P0 e P (1) ≡ P1 .

Para estudar esse exemplo numericamente, considere a seguinte matriz de transição:

 
1 1
0
 2 4 
T = 1 1 1  (1.5)
 2 2 2 
0 14 21

e o vetor de estados inicial:

 
1
3
 
P (0) =  1  (1.6)
 3 
1
3

que representa uma população dividida de forma que um terço da população está em cada
estado (renda alta, renda média e renda baixa).

Após uma unidade de tempo a matriz de estado será dada por:

P (1) = T P (0)
   
1 1 1
2 4
0 3
   
=  1 1 1 . 1 
 2 2 2   3 
1 1 1
0 4 2 3
 21

 
1 1 1 1
2 3
+ 4 3
+ 0 13
 
=  1 1 1 1 1 1
 2 3
+ 2 3
+ 2 3


0 13 + 1
4
1
3
+ 1
2
1
3
 
1
4
 
=  1 
 2 
1
4

Como assumimos que em cada unidade de tempo a matriz de transição é a mesma

(a probabilidade de mudança de um estado para outro é constante no tempo), então após
k unidades de tempo a população estará dividida entre os três estados segundo a matriz de
estado:

P (k) = T P (k − 1)
= T T P (k − 2) = T 2 (k − 2)
.
= ..
= T k P (0)

e, assim, a matriz T k dá a transição entre k unidades de tempo.

Considerando a matriz de transição T especificada por (1.5), vamos descobrir qual

distribuição inicial da população entre os três estados é tal que, geração após geração, per-
manece inalterada.

Ou seja, se P denota a população então o produto de T por P deve ser igual a P .

Assim, deve-se determinar um vetor P tal que T P = P ou T P = IP , ou ainda, (T −I)P = 0.
Note assim, que:
     
1 1
2 4
0 1 0 0 p1
     
(T − I)P =  1 1 1  −  0 1 0  .  p2 
 2 2 2     
1 1
0 4 2
0 0 1 p3
 
0
 
= 
 0 

0

Realizando as operações algébricas pertinentes obtemos o seguinte sistema linear

homogêneo: 
1 1
 − 2 p1 + p
4 2
= 0


1 1 1
p
2 1
− p
2 2
+ p
2 3
= 0

1 1

 + p
4 2
− p
2 3
= 0
 22

que resolvido fornece como solução geral, para α ∈ R, o vetor:

   
p1 1
   
 p2  = α 2 
   
p3 1

Tomando a solução p1 + p2 + p3 = 1 obtém-se que se a população inicial for

distribuı́da de forma que p1 = 1/4 da população esteja no estado 1, de renda alta, que
p2 = 1/2 da população esteja no estado 2, de renda média e que p3 = 1/4 da população
esteja no estado 3, de renda baixa, então a distribuição permanecerá constante geração após
geração.

Já sabemos do estudo do modelo de Leslie que analisar o comportamento a longo

prazo desse tipo de problema recai num problema de autovalor. Para desenvolver as questões
pertinentes vamos lembrar que os passos necessários para determinar os autovalores e autove-
tores de uma matriz quadrada são: 1) Encontrar o polinômio caracterı́stico de T ; 2) Determinar
os autovalores de T através de sua equação caracterı́stica; 3) Encontrar para cada autovalor
T − λI que é o auto-subespaço associado ao autovalor λi , formado pelos autovetores de T e
4) Determinar uma base para cada auto-subespaço. Lembre que polinômio caracterı́stico de T
é o polinômio obtido pelo cálculo do det(T − λI) e a equação det(T − λI) = 0 é denominada
equação caracterı́stica de T . E, os autovalores da matriz T são precisamente as soluções λ da
equação caracterı́stica.

Considerando novamente a matriz de transição T especificada por (1.5), vamos

calcular potências k de T , para um k inteiro e positivo, já que a interpretação nesse problema
em estudo é que k denota o tempo fı́sico. Para iniciar vamos diagonalizar a matriz T , como:

1 1
2
−λ 4
0
det (T − λI) = 1 1 1
2 2
−λ 2
1 1
0 4 2
−λ
1
= −λ(λ − )(λ − 1)
2

Os autovalores de T são obtidos resolvendo a equação det (T − λI) = −λ(λ −

1
2
)(λ − 1) = 0. Assim, os autovalores de T são λ1 = 0, λ2 = 1/2 e λ3 = 1.

Para determinar os autovetores associados aos autovalores λ1 = 0, λ2 = 1/2 e

λ3 = 1 deve-se resolver os sistemas (T − λ1 I)X1 = 0, (T − λ2 I)X2 = 0 e (T − λ3 I)X3 = 0.
Ou, equivalentemente, devemos resolver os sistemas de equações T X = λ1 X, T X = λ2 X e
 t
1
T X = λ3 X, isto é, T X = 0, T X = 2 X e T X = X , para X = x1 x2 x3 .
 23

Assim para T X = 0 tem-se:

     
1 1
2 4
0 x1 0
     
 1 1 1  .  x2  =  0 
 2 2 2     
1 1
0 4 2
x3 0

ou seja 
1 1
 2 x1 + 4x2 = 0

 4
1 1 1
x +
2 1
x
2 2
+ x
2 3
= 0

1 1

 + x
4 2
+ x
2 3
= 0
que resolvido fornece como solução geral como (veja o tópico Modelo de Leslie para uma breve
discussão sobre as questões teóricas):
   


 α 
 1
  
X1 = E0 =  −2α  = ger 
 
 −2 


 

 α  1

Analogamente, para T X = 12 X tem-se:

     
1 1 1
2 4
0 x1 x
2 1
     
1 1 1  .  x2  =  1

 2 2 2     x
2 2


1 1 1
0 4 2
x3 x
2 3

ou seja 
1 1 1
 2 x1 + 4x2 = x
2 1

 4
1 1 1 1
x +
2 1
x
2 2
+ x
2 3
= x
2 2

1 1 1

 + x
4 2
+ x
2 3
= x
2 3

que resolvido fornece como solução como:

   


 −α 
 −1
  
X2 = E 1 =  0  = ger  0 
2     
 
 α  1

E para T X = X tem-se:
     
1 1
2 4
0 x1 x1
     
 1 1 1  .  x2  =  x2 
 2 2 2     
1 1
0 4 2
x3 x3
 24

ou seja 
1 1
 2 x1 + 4x2 = x1

 4
1 1 1
x
2 1
+ x
2 2
+ x
2 3
= x2

1 1

 + x
4 2
+ x
2 3
= x3
que resolvido fornece como solução como:
   


 α 
 1
  
X3 = E1 =   2α  = ger  2 
  

 
 α  1

Como X1 = (1, −2, 1), X2 = (−1, 0, 1) e X3 = (1, 2, 1) são os conjuntos de todos

os autovetores associados a λ1 , λ2 e λ3 , respectivamente, sendo linearmente independentes e
base para os respectivos sistemas, então a matriz T é diagonalizável.

Nesse caso a matriz P é formada pelos autovetores de T , isto é, como P =

 
X1 X2 X3 , donde:
 
1 −1 1
 
P =  −2 0 2 

1 1 1
   
λ1 0 0 0 0 0
   
Também, como D =  tem-se que: D =  0 1 0  e, conse-
 0 λ2 0   2 
0 0 λ3 0 0 1
quentemente,  
0 0 0
 
Dk = 
 0 ( 1 k
2
) 0 

0 0 1

Ainda, calculando-se a inversa da matriz P , P −1 , obtém-se

 
1 1 1
−4 4
 4 
−1  1
P =  − 2 0 21  
1 1 1
4 4 4

Observe agora que P −1 T P = D, ou seja, T = P DP −1 e então pode-se escrever

T k como k vezes o produto de P DP −1 . Ou seja, como T k = P DP −1 P DP −1 · · · P DP −1 .
Assim, de P D (P −1 P ) D (P −1 · · · P ) DP −1 obtém-se T k = P Dk P −1 , pois P P −1 = I.
 25

Assim, a expressão T k = P Dk P −1 pode ser obtida como:

   
1
1 −1 1 0 0 0 4
− 14 1
4
     
Tk =  1 k
 −2 0 2   0 ( 2 ) 0   − 2 0
  1 1
2


1 1 1
1 1 1 0 0 1 4 4 4
 
1 1 k+1 1 1 1 k+1
+ (2) − (2)
 4 4 4

=   1 1 1 
2 2 2 
1 1 k+1 1 1 1 k+1
4
− (2) 4 4
+ (2)

Tomando o limite lim T k tem-se:

k→∞
 
1
4
+ ( 21 )k+1 1
4
1
4
− ( 12 )k+1
 
lim T k = lim  1
2
1
2
1
2

k→∞ k→∞  
1
4
− ( 12 )k+1 1
4
1
4
+ ( 21 )k+1
  k+1  k+1 
1 1 1 1 1
4
+ lim 4 4
− lim

 k→∞ 2 k→∞ 2 

= 
 1 1 1 
2 2 2

  k+1  k+1 

1 1 1 1 1 
4
− lim 4 4
+ lim
k→∞ 2 k→∞ 2
 
1 1 1
4 4 4
 
=  1 1 1 
 2 2 2 
1 1 1
4 4 4

 k+1
1
pois lim = 0.
k→∞ 2
Ou seja, esta é a matriz que dá a transição entre k unidades de tempo, para um
longo prazo, ou seja, quando (k −→ ∞).

1.7 Referências para o Tópico

1. ANTON, H., BUSBY, R. C. Álgebra Linear Contemporânea. São Paulo. Editora Book-
man. 2008.

2. ANTON, H., RORRES, C. Álgebra Linear com Aplicações. São Paulo. Editora Bookman.
2004.

3. ATENEODO, C. Processos Estocásticos. V Escola do CBPF. Rio de Janeiro. Disponı́vel

em [Link]/e2004/docs/[Link]. 2004.

4. BOLDRINE J. L. e outros. Álgebra Linear. Editora Harbra. 1984.

 26

5. CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos. Livros Técnicos

e Cientı́ficos Editora. São Paulo. 1979.

6. ESQUÍVEL, M. L. Teoria Elementar das Cadeias de Markov. Disponı́vel em [Link]

[Link]/personal/mle/. 2009.

7. HAETINGER, C. DULLIUS, M. M. Álgebra Linear e Geometria Analı́tica. Disponı́vel em

[Link] chaet/Materiais/[Link]. 2006..

8. HOFFMAN, K., KUNZE, R. Álgebra Linear. São Paulo. Editora Livros Técnicos e
Cientı́ficos Editora S.A. 1979.

9. JAMES, B. R. Probabilidades: Um Curso em Nı́vel Intermediário. IMPA - SBM. Projeto

Euclides. 1981.

10. KLIVANS, C. Lecture Notes on Markov Chains in Discrete Mathematics . Disponı́vel

em [Link] 2005.

11. MAIA, L. P. Uma Introdução à Dinâmica Estocástica de Populações. SBMAC. Notas

em Matemática Aplicada. 2008

12. MEYER, P. L. Probabilidade: Aplicações à Estatı́stica. Rio de Janeiro. Editora Ao Livro

Técnico S.A. 1974.

13. POOLE, D. Álgebra Linear. Editora Thomson. 2004.

14. SANTOS, R. J. Cadeias de Markov. Departamento de Matemática-ICEx. Disponı́vel em

[Link] regi. 2006.

15. WEISS, N. A., YOSELOFF, M. I. Matemática Finita. Editora Guanabara Dois. Rio de
Janeiro. 1978.