Mayorizacin de vectores, matrices y o operadores.

Demetrio Stojano UNLP , IAM-CONICET

Notaciones: Sea x Rn , x = (x1 , ..., xn ). 1. Denotaremos x y x a los vectores obtenidos al reordenar las cordenadas de x en forma decreciente y creciente respectivamente. Es decir, por ejemplo, que x = max xi , x + x = max xi + xj , etc. 1 1 2
i i=j

2. Dado x = (x1 , . . . , xn ) Rn , escribiremos

n

tr x =
i=1

xi .

3. Llamaremos {e1 , . . . , en } a la base cannica de o e = (1, . . . , 1) Rn .

Cn y

Denicin 1. Sean x, y Rn . Se dice que y mayoriza a x, y se nota o x y, si se verica que tr y = tr x y

k k

x j
j=1

j=1 k

yj ,

1 k n,
nk

(1)

Observacin 2. Dado que o

j=1

x j

= tr x
j=1

x , la relacin x o j

y tambin e

es equivalente a las condiciones: tr y = tr x y

k k

x j
j=1 j=1

yj ,

1 k n,

(2)

Si slo se cumple la condicin (1), se dice que y submayoriza a x, y se o o nota x w y. Si se cumple la condicin (2), se dice que y supramayoriza o w a x, y se nota x y. x Ejemplos 3. 1. Sea x Rn . Llamemos a = tr x. Entonces + a e n (x1 , x2 , . . . , xn ) a e1 . (3)

La prueba es un ejercicio fcil. Este hecho ilustra que la mayorizacin coma o para la dispersin de las cordenadas de los vectores. o 2. Si x y e y x, entonces x = y y, por lo tanto, x e y dieren en una permutacin. o x 1

Matrices doblemente estocsticas: a Si A Mn (C), 1. Llamaremos Fi (A) a la la i-sima de A y Cj (A) a la columna j-sima. e e 2. Notaremos A b 0 si Aij 0, es decir, si A tiene entradas no negativas. 3. Una matriz A Mn (R) es doblemente estocstica si A b 0 y, para a todo i In , se verica que tr Fi (A) = 1 y tr Ci (A) = 1.

Al conjunto de matrices doblemente estocsticas en Mn (C) lo denotaremos a DS (n). x Observacin 4. A DS (n) si y slo si o o Ab0 , Ae = e y A e = e,

donde e = (1, 1, . . . , 1) Rn . Se deduce que DS (n) es un conjunto convexo. Teorema 5. Sea A Mn (R). Entonces A DS (n) Ax x para todo x Rn .

Dem: La implicacin dicil es = , que sale haciendo muchas cuentas o (elementales). La otra es ms fcil, por ejemplo Ae e dice que todas las a a las de A tienen traza uno. Y Aei ei dice que Ci (A) es no negativa y tiene traza uno. Ejemplo 6. Como motivacin del siguiente resultado, supongamos que (y1 , y2 ) o (x1 , x2 ). Entonces x2 y 2 y 1 x1 y y 1 + y 2 = x1 + x2 . Sea [0, 1] tal que y1 = x1 + (1 )x2 . Es fcil ver que, entonces, a y2 = (1 )x1 + x2 . y por lo tanto (y1 , y2 ) = (x1 , x2 ) + (1 )(x2 , x1 ).

Teorema 7. Sean x, y Rn . Son equivalentes: 1. y x. 2. y es una combinacin convexa de permutaciones de x. o 3. Existe A DS (n) tal que y = Ax. 4. Para toda funcin convexa f : R R, o
n n

tr f (y) =
i=1 n n

f (yi )
i=1

f (xi ) = tr f (x) .

5.
i=1

|yi t|
i=1

|xi t| para todo t R.

Teorema 7. Sean x, y Rn . Son equivalentes: 1. y

w

x (submayorizacin) o xTu

2. Existe u Rn tal que

y,

donde x T u signica que xi ui , i In . 3. tr f (y) tr f (x) para toda funcin f : R R convexa y no decreciente. o
n n

4.
i=1

(yi t)+
i=1

(xi t)+ para todo t R.

Rn ,

Corolario 8. Sea g :

R R una funcin convexa. o

x y
w

Entonces, dados x, y

= y

g(x) =

g(y).
w

Si g es convexa creciente, x

g(x)

g(y).

Dem: Sea f : R R convexa creciente. Es fcil ver, entonces, que f g es a una funcin convexa. Si x y, entonces o tr f (g(x)) = tr f g (x) tr f g (y) = tr f (g(y)). Como lo anterior vale para toda f : que g(x) w g(y).

R R convexa creciente, deducimos

Corolario 9. Sean x, y Rn , tales que x > 0 e y > 0. Entonces

n n

=
i=1

xi
i=1

yi .

Dem: Usar g(t) = log t, que es una funcin convexa. o 3

Corolario 10. Sean x, y Rn , tales que x > 0 e y > 0. Luego

k k

x i
i=1

i=1

yi ,

k In

y.

(4)

Dem: Notar que la ecuacin (4) equivale a que log(x) w log(y). La funcin o o t t exp t := e es convexa y creciente. Por el Corolario 8, deducimos que x = exp log x w exp log y = y.

Aplicaciones al Anlisis Matricial. a

1. H(n) = {A Mn (C) : A = A}. 2. Si A H(n) y Rn es el vector de sus autovalores (con mult.), notaremos (A) = y (A) = . 3. Dada A Mn (C), sus valores singulares son las entradas del vector s(A) = (s1 (A), . . . , sn (A) ) = (A A)1/2 = (|A|) . 4. Dada A Mn (C), notamos d (A) = (a11 , . . . , ann ) Cn , la diagonal de A, vista como un vector. 5. Al revs, si x Cn , llamaremos diag (x) a la matriz diagonal con x en e su diagonal. Es decir, tal que d (diag (x)) = x. Teorema 11 (Schur-Horn). Si A H(n), entonces d (A) Rec procamente, si x (A).

y, existe A H(n) tal que d(A) = x y (A) = y .

Dos pruebas: (de = ). 1. Si D = diag ((A)), existe U U(n) tal que A = U DU . Sea B = (|uji |2 )ij DS (n) (porque U U(n)). Mediante cuentas elementales de matrices, se puede vericar que d (A) = B (A). 4

2. Por induccin, aplicando el Teorema de entrelace de Cauchy. Para ello baso ta reordenar la diagonal de A, conjugndola por una matriz de permutacin, a o lo que no cambia sus autovalores.
n

Desigualdad de Hadamard: Si A Gl (n) , det A

i=1

aii .

En efecto, Como d (A)

(A), entonces, por el Corolario 9,

n n n

det A =
i=1

i (A)
i=1

di (A) =
i=1

aii .

Principio del Mximo de Ky Fan: Sea A H(n). Entonces para todo a k In , se tiene que
k k

j (A) = max
j=1 j=1

Axj , xj = max tr P AP,

P Pk

Cn, y Pk denota los proyectores de rango k.

donde el max se toma sobre todas las k-uplas ortonormales {x1 , ..., xk } en

Dem: Los trminos de la derecha son parte de una diagonal de A en alguna e BON. La otra desigualdad se obtiene eligiendo una BON de autovectores de A, asociada a (A). Teorema 12. Sean A y B H(n). Entonces (A + B) (A) + (B). M2n (C), se tiene que

Observacin: Dada C Mn (C), si C = o

0 C C 0 (C) = (s1 (C), , sn (C), sn (C), , s1 (C)). Corolario 13. Sean A, B Mn (C). Entonces s(A + B)
w

s(A) + s(B).

(5) (A) + (B), para k

\ Dem: Las desigualdades resultantes de (A + B) In , implican exactamente (5).

Observacin 14. 1. El resultado anterior no es otra cosa que la prueba de o la desigualdad triangular para las normas de Ky Fan:
k

(k)

=
j=1

sj (A) , k In , A Mn (C) , 5

2. Una norma N en Mn (C) es unitariamente invariante (NUI) si N (U AV ) = N (A) , Se prueba que, dadas A, B Mn (C), N (A) N (B) para toda NUI s(A)
w

para

U, V U(n) .

s(B).

Por ende, probar una desigualdad para toda NUI se reduce a comprobar una relacin de mayorizacin. Esto sucede con decenas de desigualdades o o importantes de matrices y operadores, lo que hace que las tcnicas de maye orizacin sean escenciales en el Anlisis matricial. Veamos dos ejemplos: o a

Proposicin 15 (Kittaneh 95). o 1. Si A Mn (C), Re (A) (Re A) (Re A = A+A ). 2 2. Sean A, B Mn (C) tales que AB H(n). Entonces, N (AB) N (Re(BA) ) para toda NUI N en Mn (C). Dem: Lo primero sale fcilmente de Ky Fan. Si AB H(n), tenemos que a (AB) = (BA) = Re((BA)) (Re(BA)). Si C H(n), s(C) = |(C)| . Podemos deducir, entonces, que s(AB) w s(Re(BA) ), dado que t |t| es convexa. Proposicin 16 (Corach-Porta-Recht, 93). Sean T, S H(n) y supongo amos que S es inversible. Entonces, para toda NUI N , se tiene que N (ST S 1 + S 1 T S) 2 N (T ). Dem: Aplicar Kittaneh a A = T S 1 y B = S. Teorema de Schur-Horn y marcos: Un marco en Cn es un sistema de generadores F = {f1 , . . . , fm } (con m n). Se le asocian las matrices 1. T Mn,m (C) con los fi en sus columnas (matriz de preframe de F). 2. S = T T Gl (n)+ (matriz de frame de F). Estos objetos se denen tambin para espacios de Hilbert, con escencialmente e los mismos condimentos. Problema : Dados c Rm y S Gl (n)+ , existe un marco F tal que >0 1. S es su matriz de frame, y 2. fi 2 = ci , 1 i m ? En tal caso decimos que (c, S) es admisible. 6

Teorema 17. Sean c Rm y S Gl (n)+ . Son equivalentes: >0 1. El par (c, S) es admisible. 2. Se cumple que c ((S), 0, . . . , 0) Rm . Dem: Si existe el tal F, sea T su matriz preframe. Basta notar que c = d (T T ) y que (T T ) = ((T T ), 0, . . . , 0) Rm . La rec proca sale por el Teorema de Schur-Horn, que asegura la existencia de una matriz B = T T Mm (C)+ que cumple lo pedido: c = d (B) y T T = U SU , para U U(n). El marco son las columnas de U T . Schur Horn en dimensin innita. o 1. Observar que una formulacin equivalente del Teorema de Schur-Horn es: o Sea a Rn y sea A H(n) tal que (A) = a . Entonces, {x Rn : x a} = d ( U AU ) : U U(n) . 2. Adems, puede denirse mayorizacin de matrices autoadjuntas: Dadas a o A, B H(n), decimos que A B si (A) (B) .

3. Si Pk denota el conjunto de proyecciones sobre subespacios k-dimensionales Cn, se tiene que A B si y slo si tr A = tr B y o max{tr AP : P Pk } max{tr BP : P Pk } , para todo k In . Veremos que algo parecido puede hacerse en L(H) (tratando de evitar las trazas de A y B): Denicin 18. Sean A, B L(H)h . o 1. Denimos, para cada k N, Uk (A) = sup tr(AP )
P Pk

Lk (A) = inf tr(AP ) = Uk ( A) .

P Pk

2. Decimos que A

B si para todo k N, Uk (A) Uk (B) y Lk (A) Lk (B) .

Teorema 19. Sean S L(H)h y c (R)+ . Sean Mc el operador de multiplicacin por c, UH (S) la rbita unitaria de S y d : L(H) (R) la o o compresin a la diagonal. Luego o Mc S c d (UH (S)) ,

En tal caso, max e (S) lim sup c y min e (S) lim inf c . 7

Observacin 20. Si S Gl (H)+ y c (R)+ , se puede probar que (c, S) o es admisible existe una extensin K = H Hd de H tal que, si notamos o S 0 H S1 = L(K)+ , entonces 0 0 Hd Mc d (UK (S1 ) ) . Recordar que, por el Teorema 19, Mc S1 Mc d (UK (S1 ) ) .

Esto permite obtener condiciones para admisibilidad en dimensin innita, o pero no da una caracterizacin completa. Estos resultados se desarrollan en o [Antezana, Massey, Ruiz, S, Illinois J. Math. math.FA/0508646]. Jensen y mayorizacin o La desigualdad de Jensen es una extrapolacin de la denicin de funciones o o convexas: Sea f : R R convexa. Si (X, P ) es un espacio de probabilidad, y g : X R es acotada e integrable, entonces f
X

g dP

f g dP.

La manera natural (y no conmutativa) de extender esto a matrices, seria decir que f ((A)) (f (A)) , A H(n) , (6) para toda : Mn (C) Mn (C) lineal, positiva ((A) 0 si A 0) y unital ((I) = I). Aqui f de una matriz es otra matriz (clculo funcional). Lo unico que faltar a a aclarar es quien es . Si uno pone el de matrices (A B si B A es denida positiva), la frmula (6) solo es cierta para las llamadas funciones convexas de operadores o (y las caracteriza). Teorema 21 (Nuestro Jensen). Sea f : R R convexa. Entonces para toda : Mn (C) Mn (C) lineal, positiva y unital, se tiene que f ((A))
w

(f (A)) , A H(n) ,

(7)

donde w denota la submayorizacin de matrices, denida v sus vectores o a de autovalores. 8

Este teorema se generaliza a los llamados factores nitos, que son a lgbras de von Neumann con traza nita y centro trivial. En ellos se puede denir (sub)mayorizacin entre sus elementos autoadjuntos. De hecho, se o obtienen nociones similares a las del Teorema 7: 1. Transformaciones doble-estocsticas. a 2. Clculo funcional con funciones convexas. a 3. Cpsulas convexas de rbitas unitarias. a o 4. Vectores (continuos) de autovalores, y se los suma (integra) en segmentos iniciales. En ese contexto, el enunciado del Teorema de Jensen (con mayorizacin) o es el mismo. Ver [Antezana, Massey, S, math.FA/0411442]. Bibliograf a: Clsicos: a 1. Inequalities, de Hardy, Littlewood y Polya, (1934). 2. Inequalities, Theory of M and its Appl. de Marshal y Olkin (1979). 3. Matrix Analysis, de Bhatia (1997). Papers: Innumerables trabajos en revistas, sobre todo de T. Ando, desde 1980 a 2005. M de matrices (multivariada): 1. Sherman (1960/1). 2. Cheon-Lee 95, Dahl 99, Hwang-Pyo 01, entre otros. 3. Mart nez Per a-Massey-Silvestre (2004). M de operadores: 1. Neumann (1999), en operadores diagonales de L(H). 2. Kamei 80 y Hiai 90 en factores nitos. 3. Argerami-Massey 05 (preprint) multivariada en factores nitos. De nuevo: Kadison-Pedersen 85 y Arveson-Kadison 02/05 en Algebras de operadores. Casazza, Larson, Balan, Dykema, Eldar entre otros, en teor de Frames/Marcos. a