Você está na página 1de 46

KELLY CADENA MADRID

A TEORIA DE PERRON-FROBENIUS E
APLICAC

OES
Dissertac ao apresentada por Kelly Cadena
Madrid ao Curso de Mestrado em Matem atica
da Universidade Federal Fluminense, como requi-
sito parcial para a obten cao do Grau de Mestre.
Linha de Pesquisa:

Algebra.
Orientador: Miriam Abdon
Niteroi
2009
KELLY CADENA MADRID
A TEORIA DE PERRON-FROBENIUS E
APLICAC

OES
Dissertac ao apresentada por KELLY CADENA
MADRID ao Curso de Mestrado em Matematica
da Universidade Federal Fluminense, como requi-
sito parcial para a obten cao do Grau de Mestre.
Linha de Pesquisa:

Algebra.
Aprovada em: 13/02/2009
Banca Examinadora

Prof. Miriam Abd on - Orientador


Doutor - Universidade Federal Fluminense

Prof. Luciane Quoos Conte - Membro


Doutor - Universidade Federal de Rio de Janeiro

Prof. Juscelino Bezerra dos Santos - Membro


Doutor - Universidade Estadual de Rio de Janeiro

Prof. Juliana Coelho Chaves - Membro


Doutor - Universidade Federal Fluminense
2
DEDICAT

ORIAS
A Edelcy E. Madrid P minha mae.
(in memorian)
AGRADECIMENTOS
Agradeco a meus pais Sebastian Cadena, Edelcy Madrid. A meus irmaos Ketty, Maciel,
Maira e Willy pela forca,amor,apoio,comprens ao em todo momento apesar da distancia.
Agradeco ao professor Dinamerico Pombo Jr. pela paciencia apoio e as muitas oportu-
nidades durante o mestrado.
Agradeco ` a professora Miriam Abd on, pela orientacao, apoio, colaboracao e conanza.
Agradeco ` a CAPES pelo soporte nanciero durante meus estudos.
Agradeco aos colegas e amigos, em especial, a Hector,Jaqueline,Maria Eugenia,Liz,Simone,Karina,Renata
pelo apoio nos momentos dicies.
Agradeco aos meus professores do mestrado..
RESUMO
Nesta dissertac ao estudamos as propiedades das matrizes n ao-negativas e irredutveis.
Para tais matrizes provamos o teorema de Perron-Frobenius e mostramos algumas aplicac oes
do teorema, como por exemplo ao Google e a din amica de popula coes. Tambem damos
estimativas para o autovalor maximal e estudamos o espectro.
Conte udo
1 Introducao 7
1.1 O Google . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 O Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Nocoes Basicas 10
2.1 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Matrizes Nao-Negativas e Matrizes Irredutveis . . . . . . . . . . . . . . . . 11
2.3 Matrizes e Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 O Teorema de Perron-Frobenius e o Google 18
3.1 O Teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Voltando ao Google . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4 Mais sobre Matrizes Nao-Negativas 28
4.1 Estimativas para o autovalor m aximo de uma matriz nao-negativa . . . . . 28
4.2 Matrizes Primitivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 O Espectro de Matrizes Irredutveis . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Forma de Frobenius de Matrizes Irredutveis . . . . . . . . . . . . . . . . . 38
4.5 Aplicac oes da Teoria de Perron-Frobenius . . . . . . . . . . . . . . . . . . . 43
4.5.1 Modelos econ omicos . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5.2 Modelos de dinamica de populacoes . . . . . . . . . . . . . . . . . . 44
6
Captulo 1
Introducao
Nosso primeiro objetivo foi o de entender como funciona o Google. Isto nos levou a
considerar matrizes n ao-negativas e matrizes irredutveis. Estudamos suas propriedades
como tambem a conexao existente entre estas matrizes e grafos dirigidos. Estes s ao os
principais topicos do Captulo 2.
Como veremos na sec ao seguinte, o principal resultado por tras do Google e o Teorema
de Perron-Frobenius e no Captulo 3 se encontra o enunciado e a prova deste Teorema,
assim como tambem sua aplicac ao ao Google.
Finalmente no Captulo 4 sao estudadas outras propriedades das matrizes irredutveis.
Em particular a forma de Frobenius para estas matrizes e introduzida. Tambem s ao
mencionados outros problemas onde a Teoria de Perron-Frobenius e muito utilizada.
1.1 O Google
O Google foi criado em 1998 por Sergei Brin e Lawrence Page, dois estudantes de
Doutorado em Informatica da Universidade de Stanford.
O Google e uma p agina de busca na rede que hoje em dia e a mais utilizada no mundo
inteiro para procurar qualquer tipo de informacao, e recebe ate 200 milh oes de consultas
di arias. O nome Google e uma variacao sobre o termo googol, que refere-se ao n umero
10
100
.
O Google utiliza uma enorme base de dados formadas pelas milhoes de p aginas web
existentes na internet para procurar a informacao pedida. O Google utiliza um algortmo,
chamado PageRank para ordenar os resultados das buscas para logo serem apresentadas.
7
Brin e Page tinham o objetivo de exibir, em um n umero relevante dos casos, uma lista
onde ao menos as dez primeiras paginas contivessem informacao util para quem realiza
a busca. Mais que isso, eles conseguiram fazer com que o Google corrigisse os termos da
busca e zesse sugest oes de termos certos.
1.2 O Modelo
Devemos cadastrar todas as paginas web existentes, com seus conte udos, links, etc.
Neste primeiro momento, vamos nos interessar s o nas paginas as quais vamos atribuir
uma etiqueta P
1
, . . . , P
n
e por seus enlaces. Assim a rede pode ser descrita usando um
grafo dirigido em que cada p agina e um vertice do grafo e existe uma seta ligando P
i
a
P
j
se desde a pagina P
i
h a um enlace para a p agina P
j
. Como este grafo e muito grande
vamos trabalhar com a transposta da sua matriz de adjacencia A, que ser a uma matriz
n n cujas entradas sao 0 ou 1, onde a
ij
= 1 se, e somente se, existe um enlace desde a
p agina P
j
para a pagina P
i
, e a
ij
= 0 caso contr ario. Mais detalhes sobre grafos e matrizes
de adjacencia podem ser encontrados na sec ao 2.3.
A matriz A e da forma
P
1
P
j
P
n

P
1

.
.
.
P
i

.
.
.
P
n

_
_
_
_
_
_
_
a
ij
_
_
_
_
_
_
_
enlaces `a p agina P
i

enlaces desde la p agina P


j
Vamos chamar A a matriz de Google.
Observacao 1. A soma das entradas correspondentes ` a coluna j e exatamente o n umero
de links que esta pagina contem.
Uma primeira ideia para ordenar as p aginas sera a de postular que a importanciade
uma pagina est a relacionada com o n umero de p aginas que tem um enlace para ela, j a que
8
isto signicaria que o conte udo desta pagina seria recomendado por muitos participantes
da rede.
Mas este modelo n ao traduz adequadamente a seguinte situacao: que uma p agina P
tenha poucas citac oes, mas esteja citada de paginas relevantes como por exemplo, desde
www.amazon.com ou www.microsoft.com e se simplesmente nos dedicassemos a contar
as p aginas que citam P, nossa p agina tera asignada um peso baixo, mas isto nao parece
razo avel.
Assim devemos melhorar nosso modelo de maneira de asignar um peso alto
tanto p aginas muito citadas
quanto a paginas pouco citadas, mas desde sites importantes.
Nosso segunda tentativa consistir a em decidir que o peso x
j
da pagina P
j
ser a proporcional
a soma das impor tancias das paginas que possuem um enlace para P
j
.
Usando matrizes, podemos traduzir isto da seguinte maneira:
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
= A
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
,
onde e a constante de proporcionalidade e A e a matriz dada acima.
Podemos reformular nosso problema da seguinte maneira: queremos achar um autovalor
de A e x = (x
1
, x
2
, . . . , x
n
) um autovetor associado a que tem todas as coordenadas nao
negativas ou seja x 0.
Observe que se pretendemos que este metodo seja util deveramos pedir que o autovetor
acima fosse unico.
9
Captulo 2
No coes Basicas
Ao longo deste trabalho estaremos usando alguns conceitos conhecidos pelo leitor, como
os de autovalor e autovetor, que j a apareceram nos cursos de

Algebra Linear. J a outros
conceitos, como os de matriz positiva ou irredutvel, s ao menos conhecidos, assim que
para facilitar a leitura, faremos aqui uma breve revis ao destes conceitos basicos.
2.1 Autovalores e Autovetores
Em toda esta sec ao vamos considerar A uma matriz n n real.
Denicao 1. Um n umero R e dito ser um autovalor de A se existe um vetor n ao-
nulo v R
n
tal que Av = v, ou equivalentemente, se e uma raz de p(x), polin omio
caracterstico de A. Lembramos que o polin omio caracterstico esta dado por p(x) =
det(xI A)
Se e um autovalor de A, ent ao o conjunto a seguir e um subespaco vetorial n ao-nulo,
chamado de auto-espaco associado a :
W

:= {v R
n
| Av = v}.
Assim, associados a um autovalor de A temos denidos dois n umeros inteiros: um deles
a multiplicidade de como raz do polinomio caracterstico e o outro a dimens ao do
auto-espaco W

.
Denicao 2. Dado um autovalor de A denimos a sua multiplicidade algebrica como
sendo igual `a multiplicidade de como raz do polin omio caracterstico. A multiplicidade
geometrica estar a dada pela dimensao do auto-espaco associado a .
10
Observacao 2. A multiplicidade algebrica de um autovalor e sempre maior o igual ` a
multiplicidade geometrica do mesmo. J a que se a multiplicidade geometrica for m n,
ent ao existem v
1
, . . . , v
m
autovetores n ao-nulos,linearmente independentes associados a .
Considerando B = {v
1
, . . . , v
m
, w
1
, . . . , w
nm
} uma base de R
n
temos que a matriz C e
equivalente ` a matriz A, onde C est a dada por
C =
_
I
m
C
1,2
0 C
2,2
_
.
Portanto A e C tem o mesmo polinomio caracterstico. Note que o polinomio caracterstico
de C est a dado por p(x) = (x)
m
det(xI
nm
C
2,2
) e logo tem multiplicidade algebrica
pelo menos m.
Proposicao 1. Sejam um autovalor de A e B() a matriz n n dada por:
B() = adj (I A)
ent ao as colunas n ao-nulas de B() sao autovetores de A associados a .
Demonstracao. De fato, pelas propriedades da adjunta, temos que
(I A) B() = (I A) adj (I A)
= det(I A) I
n
= p() I
n
= 0,
j a que e uma raz do polin omio caractersitico p de A. Logo temos que cada coluna nao
nula e um autovetor n ao-nulo associado a .
Esta proposicao ser a de grande utilidade nos pr oximos captulos.
2.2 Matrizes Nao-Negativas e Matrizes Irredutveis
Denicao 3. Uma matriz nn real A e dita nao-negativa se a
ij
0 para todo 1 i, j
n, neste caso denotaremos por A 0. Se a
ij
> 0 para todo 1 i, j n, diremos que A e
positiva e denotaremos por A > 0.
11
Observacao 3. Se A 0, entao A
p
0 para qualquer p 0. Podemos tambem esperar
que, se A tem uma alta densidade de elementos nao-nulos, ent ao para um p sucientemente
grande, deveramos obter A
p
> 0.
Exemplos de matrizes n ao-negativas, que vamos utlilizar nos proximos captulos, s ao as
matrizes de permutacao. Dada uma pernutac ao S
n
, a matriz associada a ser a a
matriz P dada por
P
i,j
=
_
1, se (i) = j
0, caso contr ario
Outro tipo especial de matrizes que vamos a considerar s ao as chamadas matrizes irre-
dutveis. Vamos denir o conceito de matriz redutvel:
Denicao 4. Seja A uma matriz n n, com n 2. A e dita redutvel se existe uma
matriz de permutacao P tal que
P
t
AP =
_
A
11
A
12
0 A
22
,
_
onde A
11
, A
22
s ao matrizes quadradas de ordem menor que n. Se nao existe uma tal
matriz de permutacao P, entao diremos que A e irredutvel.
Exemplo. Toda matriz positiva e irredutvel.
Exemplo. Toda matriz nao-negativa 3 3 que tem s o uma entrada nula, e irredutvel.
O exemplo anterior pode ser generalizado da seguinte maneira:
Exemplo. Toda matriz nao-negativa n n com n 2 que tenha no m aximo n 2
entradas nulas, e irredutvel.
Matrizes n ao-negativas e irredutveis tem muitas propriedades especiais, como por exem-
plo:
Proposicao 2. Se Ae uma matriz nn, nao-negativa e irredutvel, e seja x = (x
1
, . . . , x
n
)
0 tal que Ax = 0, ent ao x = 0.
12
Demonstracao. Suponha que x
k
> 0 para algum k, ent ao:
0 = (Ax)
i
=
n

j=1
a
i,j
x
j
a
i,k
x
k
,
o que mostra que x
k
0, uma contradic ao.
Outra propriedade especial das matrizes nao-negativas e irredutveis e a seguinte:
Lema 1. Seja A uma matriz n n n ao-negativa e irredutvel, ent ao (I + A)
n1
> 0.
Demonstracao. Seja y R
n
n ao-nulo e y 0, consideremos
z = (I + A) y = y + Ay ()
note que z 0 pois A 0 e y 0 e, alem disso, z tem pelo menos tantas coordenadas
n ao-nulas quanto y. Se y n ao for positivo, provaremos que z tem, pelo menos, uma
coordenada nao-nula a mais do que y.
Suponhamos que z tem tantas coordenadas nao-nulas quanto y, sem perda de generalidade
podemos supor que:
y =
_
u
0
_
e z =
_
v
0
_
onde u, v > 0
j a que a propriedade de uma matriz ser positiva e invariante por permutac oes. Observe
que tanto u quanto v s ao vetores de R
m
(sem coordenadas nulas), onde m 1 e o n umero
de coordendas n ao-nulas de y e 0 e o vetor nulo de R
nm
.
Podemos pensar a matriz A formada por blocos da seguinte forma:
A =
_
A
11
A
12
A
21
A
22
_
,
onde as matrizes A
11
, A
12
, A
21
e A
22
tem ordens m m, m (n m), (n m) m e
(n m) (n m) respectivamente. Pela denic ao de z em (), temos que:
13
z =
_
v
0
_
=
_
u
0
_
+
_
A
11
A
12
A
21
A
22
__
u
0
_
=
_
u
0
_
+
_
A
11
u + 0
A
21
u + 0
_
=
_
A
11
u + u
A
21
u
_
,
logo A
21
u = 0. Mas como u > 0 e A
21
0, ent ao A
21
= 0. Isto e uma contradicao j a que
A e irredutvel.
Assim, z tem pelo menos uma coordenada n ao-nula a mais do que y. Se z n ao for positivo,
aplicando o mesmo argumento para z temos que z
2
= (I + A)z = (I + A)
2
y tem pelo
menos uma coordenada n ao-nula a mais do que z e pelo menos 2 coordenadas n ao-nulas
a mais do que y.
Repetindo este argumento no maximo n1 vezes, teremos que para todo y 0 nao-nulo,
z = (I + A)
n1
y tem todas suas coordenadas positivas.
Em particular, para j = 1, 2, ..., n tomando y = e
j
o j-esimo vetor da base canonica de
R
n
, temos que:
(I + A)
n1
e
j
> 0 j = 1, 2, ..., n.
Como (I + A)
n1
e
j
e a j-esima coluna da matriz (I + A)
n1
, temos que (I + A)
n1
tem
todas suas colunas positivas e portanto (I +A)
n1
e uma matriz positiva como queramos
mostrar.
Esta propriedade sera uma pe ca chave na prova do Teorema de Perron-Frobenius.
V arios corol arios podem ser deduzidos deste lema:
Corolario 1. Uma matriz A n n, nao-negativa e irredutvel se, e somente se
(I
n
+ A)
n1
> 0.
Corolario 2. Se A e uma matriz n n n ao-negativa e irredutvel, entao todo autovetor
n ao-negativo de A deve ser positivo.
14
Corolario 3. Uma matriz A n n n ao-negativa e irredutvel se, e somente se, para cada
(i, j) existe um inteiro k tal que a entrada (i, j) da matriz A
k
seja positiva.
Tanto o corolario 1, quanto o corolario 3, nos proporcionam um criterio para decidir
quando uma matriz n ao-negativa e irredutvel.
2.3 Matrizes e Grafos
Muitas das propriedades das matrizes nao-negativas que ser ao estudadas neste trabalho
dependem da distribuicao das entradas nulas e por isso, ` as vezes, e mais conveniente
substituir a matriz original por uma matriz em que substituimos as entradas n ao-nulas
por 1, obtendo assim uma matriz que s o tem como entradas 0 e 1 e que tem a mesma
distribuic ao de zeros que a matriz A. Diremos que esta e a matriz (0, 1) obtida a partir
de A.
Vamos querer associar a uma matriz n ao-nula A, ou melhor a matriz (0, 1) obtida a partir
de A, um grafo e relacionar as propriedades de A com as propriedades do grafo construdo
a partir de A.
Precisamos denir grafo:
Denicao 5. Seja V um conjunto nao-vazio com n-elementos que denotaremos por
1, 2, . . . , n e seja S uma relac ao bin aria em V . O par D = (V, S) e chamado um grafo di-
rigido. Os elementos de V ser ao chamados de vertices e os elementos de S ser ao chamados
de setas de D. A seta (i, j) S ser a dita ligando o vertice i ao vertice j.
Ser a conveniente representar o grafo D = (V, S) por um diagrama no qual os elementos
de V ser ao pontos e os elementos de S ser ao setas ligando os pontos apropriados de V .
Exemplo. Considere V = {1, 2, 3} e S = {(1, 1), (1, 2), (2, 2), (2, 3), (3, 1), (3, 2)}. O grafo
D = (V, S) pode ser representado pelo seguinte diagrama:
1 VV
GG
2 ff

3
qq yy
15
Denicao 6. A matriz de adjacencia A(D) associada a um grafo D com n vertices, e
uma matriz (0, 1) de ordem n n cuja entrada (i, j) e igual a 1 se, e somente se, (i, j) e
uma seta de D.
Exemplo. A matriz de adjacencia do exemplo anterior sera
A(D) =
_
_
1 1 0
0 1 1
1 1 0
_
_
Observacao 4. Analogamente, dada uma matriz (0, 1) A, podemos associar-lhe um grafo
dirigido D tal que a matriz de adjacencia de D seja a matriz A. Para isto basta colocar
uma seta ligando o vertice i ao vertice j toda vez que a
i,j
= 1.
Denicao 7. Um grafo D ser a dito fortemente conexo se para todo par ordenado de
vertices distintos i e j existe um caminho em D ligando i a j.
Exemplo. O exemplo anterior e um grafo fortemente conexo. Se apagassemosa seta
ligando 3 a 2 ainda sera fortemente conexo, mas se apag assemosa seta ligando 2 a 3 j a
n ao sera fortemente conexo, por exemplo para o par ordenado (1, 3) nao existe nenhum
caminho ligando o 1 ao 3.
O nosso objetivo e relacionar o fato de que uma matriz n ao-negativa seja irredutvel com
o fato de que seu grafo dirigido associado seja fortemente conexo.
Vamos usar as seguinte notacao: se A = (a
i,j
) e uma matriz quadrada, ent ao a
(k)
i,j
denotar a
a entrada (i, j) da matriz A
k
.
Teorema 1. Se A = (a
i,j
) e uma matriz (0, 1) e D(A) e o grafo dirigido associado a A
com vertices 1, 2, . . . , n, ent ao o n umero de caminhos distintos de comprimento k ligando
i a j e igual a a
(k)
i,j
.
Demonstracao. Por um lado temos que
a
(k)
i,j
=

t
1
,t
2
,...,t
k
a
i,t
1
a
t
1
,t
2
a
t
k1
,t
k
a
t
k
,t
j
16
onde t
1
, . . . , t
k
percorrem independentemente, os n umeros de 1 a n.
Por outro lado, o caminho (i, t
1
), (t
1
, t
2
), . . . , (t
k1
, t
k
), (t
k
, j) liga i a j em D(A) se, e
somente se, a
i,t
1
= a
t
1
,t
2
= = a
t
k1
,t
k
= a
t
k
,t
j
= 1, isto e, se, e somente se,
a
i,t
1
a
t
1
,t
2
a
t
k1
,t
k
a
t
k
,t
j
= 1,
donde o resultado segue de forma imediata.
Corolario 4. Se A = (a
i,j
) e uma matriz nao-negativa, ent ao o grafo dirigido associado
a A tem caminhos de comprimento k ligando o vertice i ao vertice j se, e somente se,
a
(k)
i,j
> 0.
Este corolario tem uma conseq uencia importante:
Teorema 2. Uma matriz nao-negativa e irredutvel se, e somente se, seu grafo dirigido
associado e fortemente conexo.
Demonstracao. Temos pelo Corolario 3 que uma matriz n ao-negativa A = (a
i,j
) e irre-
dutvel se, e somente se, para cada i, j existe um k tal que a
(k)
i,j
> 0. Pelo corolario 4 temos
que esta condic ao ser a satisfeita se, e somente se, o grafo dirigido D(A) tem um caminho
ligando o vertice i ao vertice j. Portanto A ser a irredutvel se, e somente se, para cada i e
j existe um caminho em D(A) ligando i a j, ou seja: se, e somente se D(A) e fortemente
conexo.
Outros invariantes associados ` as matrizes n ao-negativas, como ondice de imprimitividade
denido no captulo 4, tambem podem ser calculados atraves do grafo dirigido associado.
17
Captulo 3
O Teorema de Perron-Frobenius e o
Google
3.1 O Teorema
O teorema de Perron-Frobenius foi mostrado por Perron em 1907 para matrizes positivas
(ver [Per]) e estendido para matrizes n ao-negativas e irredutveis por Frobenius em 1908-
1909 (ver [Fr1] e [Fr2]). A prova que daremos aqui segue o metodo desenvolvido por
Weilandt em [Wie].
Seja A M
nn
(R) uma matriz irredutvel e n ao-negativa e seja P = {x R
n
| x 0, x =
0}. Considere a funcao: r
A
: P R dada por
r
A
(x) = min
1in
x
i
=0
(Ax)
i
x
i
,
onde (Ax)
i
e a i-esima coordenada do vetor Ax.
Denicao 8. Esta funcao e chamada da funcao de Collatz - Wielandt associada ` a matriz
A e foi introduzida em [Col] e [Wie].
Para todo x P, esta fun cao tem as seguintes propriedades:
r
A
(x) 0.
Para j = 1, 2, . . . , n, temos que r
A
(x) x
j
(Ax)
j
. Mais ainda, temos que a igualdade
e vericada para algum j.
18
x r
A
(x) Ax.
O teorema a seguir, estabelece mais propriedades da funcao r
A
:
Teorema 3. Seja A M
nn
(R) uma matriz irredutvel e n ao-negativa e seja r
A
a fun cao
de Collatz - Wielandt associada ` a matriz A. Ent ao:
(i) A func ao r
A
e homogenea de grau 0.
(ii) Se x e nao-negativo, n ao-nulo, e e o maior n umero real tal que Ax x 0, entao
r
A
(x) =
(iii) Seja x P e y = (I + A)
n1
x, entao r
A
(y) r
A
(x).
Demonstracao. (i) Para x P \ {0} e t > 0, temos que
r
A
(tx) = min
tx
i
=0
(Atx)
i
(tx)
i
= min
x
i
=0
t(Ax)
i
tx
i
= min
x
i
=0
(Ax)
i
(x)
i
= r
A
(x).
(ii) A deni cao de r
A
implica que:
Ax r
A
(x) x 0,
e que existe um 1 k n tal que x
k
= 0 e (Axr
A
(x) x)
k
= 0. Se c > r
A
(x), entao a k-
esima coordenada de Ax c x e negativa, logo r
A
(x) = max{ R
>0
tal que Ax x
0}, como queramos.
(iii) Como Ax r
A
(x) x 0, multiplicando nos dois lados por (I + A)
n1
(que e uma
matriz positiva pelo lema 1) temos que
(I + A)
n1
Ax (I + A)
n1
r
A
(x) x 0,
e como A e I + A comutam, podemos reescrever a desigualdade anterior da seguinte
maneira:
0 A(I + A)
n1
x r
A
(x)(I + A)
n1
x = Ay r
A
(x)y,
19
assim, pelo item anterior, temos que r
A
(y) r
A
(x).
Exemplo. Vamos mostrar que se A e uma matriz nn, nao-negativa e irredutvel, ent ao
a func ao r
A
est a limitada.
Obviamente r
A
est a limitada inferiormente ja que r
A
(x) 0 para todo x no domnio de
r
A
.
Vamos mostrar que r
A
est a limitada superiormente pela maior soma das colunas de A.
Para cada j = 1, 2, . . . , n, denimos
c
j
=
n

i=1
a
ij
a soma dos elementos da j-esima coluna de A.
Como r
A
e homogenea de grau 0, e suciente mostrar que
r
A
(x) max
j
c
j
para x E = {x P tal que
n

i=1
x
i
= 1}.
Temos que (Ax)
i
r
A
(x) x
i
ou seja,
n

j=1
a
ij
x
j
r
A
(x) x
i
, i = 1, . . . , n,
somando sobre i temos que:
n

i=1
n

j=1
a
ij
x
j

n

i=1
r
A
(x) x
i
= r
A
(x), j a que
n

i=1
x
i
= 1.
O lado esquerdo pode ser escrito como:
n

i=1
n

j=1
a
ij
x
j
=
n

j=1
x
j
n

i=1
a
ij
=
n

j=1
x
j
c
j
max
j
c
j
,
logo r
A
(x) max
j
c
j
.
Vamos denir r R
0
como
r = sup
xP
r
A
(x) = sup
xE
r
A
(x), (3.1)
20
j a que todo vector x P pode ser pensado como x = t x onde x =
1

x
i
x E e
r
A
(x) = r
A
( x).
Por outro lado, se a func ao r
A
fosse contnua, como E e um compacto, r
A
atingiria o
m aximo em algum elemento de E e podriamos trocar o supremo pelo m aximo:
r = sup
xE
r
A
(x) = max
xE
r
A
(x),
Obviamente r
A
e continua para todo x E com x > 0, mas r
A
pode ser n ao contnua em
um x de E se x tem alguma coordenada nula. De fato considere o seguinte exemplo
Exemplo. Considere a matriz A dada por
A =
_
_
2 2 1
1 2 1
0 2 1
_
_
e considere x

= (1, 0, )/(1 + ) E onde > 0. Ent ao


Ax

= (2 + , 1 + , )/(1 + ) e r
A
(x

) = 1.
Por outro lado, temos que
r
A
(x
0
) = 2 = 1 = lim
0
r
A
(x

).
Teorema 4. Seja A M
nn
(R) uma matriz irredutvel e nao-negativa, ent ao a func ao
r
A
atinge seu m aximo em E.
Demonstracao. Seja G dado por G = (I + A)
n1
E, ou seja
G = (I + A)
n1
E = {y | y = (I + A)
n1
x onde x E},
G e compacto e os elementos de G s ao positivos, como r e contnua em G, existe y
0
G
tal que r
A
(y
0
) r
A
(z) para todo z G. Seja x
0
= y
0
/

n
i=1
(y
0
)
i
E, temos que
r
A
(x
0
) = r
A
(y
0
), pelo teorema 3(i). Se y = (I + A)
n1
x, temos que
r
A
(x) r
A
(y) pelo Teorema 3
r
A
(y
0
) pela denic ao de y
0
= r
A
(x
0
),
logo r
A
(x) r
A
(x
0
) para todo x E e o m aximo e atingido em x
0
.
21
Denicao 9. Seja A M
nn
(R) uma matriz irredutvel e n ao-negativa, um vetor z P
e dito ser um vetor maximal de A se r z Az. Um vetor z P e maximal se, e somente
se, r
A
(z) = r.
Lema 2. Seja A M
nn
(R) uma matriz irredutvel e n ao-negativa, entao o n umero r
denido em (3.1) e positivo e e um autovalor de A. Alem disso todo vetor extremal de A
e positivo e e um autovetor de A associado ao autovalor r.
Demonstracao. Seja u = (1, 1, ..., 1), ent ao temos que
r
A
(u) = min
1in
u
i
=0
(Au)
i
u
i
= min
1in
n

k=1
a
ik
> 0.
Pois se qualquer linha de A fosse nula, entao A sera redutvel. Como r r
A
(u), ent ao
r > 0. Seja z um vetor extremal e seja x = (I + A)
n1
z. Sem perda de generalidade
podemos supor que z E, entao pelo Lema 1 temos que x > 0 e x G. Tambem temos
que Az r z 0, pois z e extremal.
Suponhamos que Az r z = 0, ent ao
(I + A)
n1
(Az r z) = Ax r x > 0,
como Ax > r x, ent ao temos que r < r
A
(x), o que contradiz a denicao de r.
Assim temos que Az r z = 0, e logo r e um autovalor de A, z e um autovetor associado
a r.
Finalmente, como Az = rz, temos que
x = (I + A)
n1
z = (1 + r)
n1
z
e como x > 0, r > 0, obtemos que z > 0
Agora ja podemos enunciar o Teorema de Perron-Frobenius, o principal resultado deste
Captulo.
Notac oes: Para o Teorema de Perron- Frobenius temos:
|A| e a matriz cujos elementos (i, j) sao os |a
i,j
|, onde A = (a
i,j
)
|y| = (|y
1
|, ..., |y
n
|) onde y = (y
1
, ..., y
n
)
22
Teorema 5 (Perron-Frobenius). Seja A M
nn
(R) uma matriz irredutvel e n ao-
negativa, ent ao:
(i) A tem um autovalor positivo r, igual ao raio espectral de A.
(ii) Existe um autovetor positivo associado a r
(iii) O autovalor r tem multiplicidade algebrica igual a um.
Demonstracao. (i) So resta mostrar que se e outro autovalor de A, entao || r.
Sejam um autovalor de A e y = 0 um autovetor associado a , como A e n ao-negativa,
temos que
|| |y| = |Ay| A|y|,
logo || r(|y|) r.
(ii) Seja z = 0 um autovetor associado a r, ou seja, Az = r z, temos
r |z| A|z|,
isto implica que |z| e um vetor maximal de A, logo pelo Lema 2 temos que |z| n ao tem
nenhuma coordenada nula, assim a dimensao do auto-espa co associado a r e um. Pois se
tivessemos dois autovetores x, y linearmente independentes associados a r, entao teriamos
que x + y tambem seria um autovetor associado a r para todo , R e poderamos
determinar e tais que o vetor x+y tivesse uma coordenada nula, absurdo. Portanto
a multiplicidade geometrica de r e um.
Para provarmos que a multiplicidade algebrica de r e um, devemos mostrar que r e uma
raiz de p
A
(x) o polinomio caracterstico de A, e n ao e raiz do polin omio obtido derivando
p
A
.
Considere a matriz B(t) = adj(It A). Temos que B(r) e n ao-nula j a que o posto de
Ir A e (n1), temos pelo menos um menor de tamanho n1 nao-nulo. Por outo lado,
pela proposi cao 1 temos que as colunas n ao-nulas de B(r) sao autovetores associados a
r, logo cada coluna e n ao nula de B(r) e um m ultiplo do vetor z > 0, assim cada coluna
n ao nula de B(r) e positiva ou negativa. Se aplicarmos o mesmo argumento a matriz A
t
temos que cada linha nao nula de B(r) e positiva ou negativa. Portanto cada elemento
de B(r) e n ao-nulo e todos tem o mesmo sinal.
23
Como B(t)(It A) = p
A
(t) I, temos que
B

(t)(It A) + B(t)(It A)

= B

(t)(It A) + B(t) = p

A
(t) I
onde indica a derivada. Em t = r e aplicando ao vetor z temos que
B(r)(z) = B

(r)(Ir A)(z) + B(r)(z) = p

A
(r) z,
e logo como B(r) e z s ao n ao-nulos e todos os elementos de B(r) tem o mesmo sinal e
o mesno acontece para todas as coordenadas de z, temos que B(r) z = 0, assim r e uma
raiz simples do polin omio caracterstico de A, p
A
(t), que e o que queramos provar.
Exemplo. Considere a matriz A dada a seguir
A =
_
_
1 2 3
0 1 1
2 1 3
_
_
Por um calculo direto vemos que r = 5. Vamos comparar com os valores da func ao r nos
vetores (I + A)
2
(x
i
) = x
i+1
onde x
1
= (0, 1, 1), para i = 1, 2. Temos que
x
1
= (0, 1, 1), A(x
1
) = (5, 2, 4), r
A
(x
1
) = min{2, 4} = 2
x
2
= (31, 11, 33), A(x
2
) = (152, 44, 11), r
A
(x
2
) = min{
152
31
,
44
11
,
11
33
} = 4
x
3
= (1091, 315, 1241), A(x
3
) = (5444, 1556, 6220), r
A
(x
3
) = 4, 93968 . . .
Vemos que r
A
(x
i
) converge de maneira muito r apida para o valor de r.
Uma vers ao mais fraca do Teorema 5 pode ser provada para matrizes nao-negativas, nao
necessariamente irredutveis:
Teorema 6. Seja A M
nn
(R) uma matriz n ao-negativa, entao A tem um autovalor r
que e maior ou igual do que o m odulo de qualquer autovalor de A e um autovetor positivo
associado a r.
Demonstracao. Seja A

= A + B, onde B e qualquer matriz positiva n n e e um


n umero real positivo. Temos que A

> 0 e irredutvel, ent ao existe r

autovalor de A

tal
que se

e um autovalor de A

, ent ao
r

|
24
Seja z

E um autovetor associado a r

. Como tanto os autovalores quanto os autovetores


dependem continuamente das entradas da matriz, temos que
r = lim
0
r

z = lim
0
z

temos que
r z = lim
0
r

= lim
0
A

= Az
Como os autovalores de A podem ser obtidos como lim
0

= onde

e um autovalor
de A

temos o que queramos.


3.2 Voltando ao Google
Para aplicar o Teorema de Perron-Frobenius ` a matriz de Google, esta dever a ser irre-
dutvel.
Outro problema e determinar o autovetor n ao negativo x = (x
1
, . . . , x
n
) formado pelas
import ancias das p aginas P
1
, . . . , P
n
. O Teorema de Perro-Frobenius nos diz que o au-
tovetor procurado est a associado ao autovalor positivo de modulo m aximo. Esta parte
computacional nao faz parte do nosso objetivo, mas vamos dar uma ideia rapida de como
resolver este problema no caso mais simples:
Suponha que A seja diagonaliz avel e que A s o tem um autovalor de modulo m aximo (ou
seja vamos supor que A e primitiva (ver sec ao 4.2)).
Seja B = {v
1
, , v
n
} uma base de autovetores, associados aos autovalores

1
> |
2
| |
3
| |
n
|.
Observe que v
1
e o autovetor procurado.
Comecamos com um vetor v
0
0 qualquer, sabemos que podemos escreve-lo como com-
binac ao linear dos vetores da base B, ou seja, existem c
1
, . . . , c
n
R tais que
v
0
= c
1
v
1
+ c
2
v
2
+ + c
n
v
n
Como os vetores v
i
s ao autovetores de A, temos que
A(v
0
) = c
1

1
v
1
+ c
2

2
v
2
+ + c
n

n
v
n
25
Aplicando A sucessivas vezes temos que
A
k
(v
0
) = c
1

k
1
v
1
+ c
2

k
2
v
2
+ + c
n

k
n
v
n
k N
Se c
1
= 0, ent ao temos que
A
k
(v
0
)

k
1
= c
1
v
1
+ c
2
_

1
_
k
v
2
+ + c
n
_

1
_
k
v
n
k N
Como |
i
/
1
| < 1 para i = 2, . . . , n temos que
lim
k
A
k
(v
0
)

k
1
= c
1
v
1
,
e podemos obter v
1
da igualdade acima.
Este metodo numerico e conhecido como metodo das potencias e a sua velocidade de
convergencia depende do quociente
1
/
2
.
Como falamos no incio desta sec ao, precisamos que a matriz de Google seja irredutvel,
ou equivalentemente, que o grafo da rede seja fortemente conexo,mas isto nao acontece em
geral. Por exemplo, paginas criadas recentemente nao recebem enlaces de outras p aginas
e paginas coorporativas so recebem links internos. Como resolver este problema?
O Google resolve isto agregando uma serie de probabilidades de transicao (sada) a todos
os vertices. Isto e considerando a matriz
A

= cA

+ (1 c)
_
_
_
p
1
.
.
.
p
n
_
_
_
(1, . . . , 1)
onde p
1
, . . . , p
n
e uma distribuic ao de probabilidade, ou seja p
j
0 e

n
j=1
p
j
= 1 e c e
um parametro entre 0 e 1. No caso do Google c e da ordem de 0, 85.
A matriz A

e a matriz obtida de A dividindo cada coluna nao-nula pela soma dos ele-
mentos dessa coluna, ou seja
A

=
_
_
_
_
_
_
_
_
_
m
1j
N
j
.
.
.
m
ij
N
j
.
.
.
m
nj
N
j
_
_
_
_
_
_
_
_
_
26
onde N
j
=

n
k=1
a
kj
, se N
j
= 0. Se uma coluna e nula, substituiremos suas entradas por
1/n.
Observe que a matriz A

> 0 e que a soma dos elementos de cada coluna e igual a 1.


Matrizes com esta propriedade s ao chamadas de matrizes estoc asticas ou de Markov.
Poderamos escolher p
j
= 1/n para todo j e com isto a matriz A

sera positiva e logo


irredutvel, ou poderamos escolher outras distribuicoes de probabilidade e este grau de
liberdade nos permitiria fazer buscas personalizadas.
27
Captulo 4
Mais sobre Matrizes Nao-Negativas
Neste captulo daremos estimativas para o maior autovalor positivo de uma matriz n ao-
negativa, estudaremos o espectro e deniremos a forma de Frobenius para matrizes irre-
dutveis.
4.1 Estimativas para o autovalor maximo de uma ma-
triz nao-negativa
O problema de localizar o autovalor maximal de matrizes nao-negativas e importante n ao
s o de um ponto de vista te orico, mas tambem na pr atica. Para que estas estimativas
sejam uteis, tais cotas devem ser dadas por funcoes de f acil computac ao nas entradas da
matriz. A melhor cota conhecida (e a mais utilizada) para o autovalor maximal de uma
matriz nao-negativa foi dada por Frobenius em [Fr2]:
Seja A uma matriz n n e para cada i, j = 1, . . . , n sejam
r
i
=
n

j=1
a
i,j
e c
j
=
n

i=1
a
i,j
,
temos que:
Teorema 7. Se A e n ao-negativa e r e seu autovalor maximal, ent ao
r R
onde = min
i
r
i
e R = max
i
r
i
. Se A e irredutvel, entao = r = R se, e somente se, as
somas das linhas de A s ao todas iguais.
28
Demonstracao. Vamos supor que A seja irredutvel. Seja x = (x
1
, x
2
, . . . , x
n
) > 0 um
autovetor maximal. Ent ao
n

j=1
a
ij
x
j
= r x
i
i = 1, . . . , n
Se x
m
x
j
para j = 1, . . . , n temos que
r =
1
x
m
n

j=1
a
mj
x
j

j=1
a
mj
= r
m
R.
Analogamente se x
k
x
j
para j = 1, . . . , n temos que:
r =
1
x
k
n

j=1
a
kj
x
j

j=1
a
kj
= r
k
.
Se A for redutvel, podemos aplicar o resultado mostrado para as matrizes positivas
A

= A+B, onde B e uma matriz positiva, e usar um argumento de continuidade como


foi feito no Teorema 6.
Outro resultado nesta direcao e o seguinte:
Teorema 8. Se A e nao-negativa, r
1
, r
2
, . . . , r
n
as somas das linhas de A, e A n ao tem
uma linha nula, entao
min
i
(
1
r
i
n

j=1
a
ij
r
j
) r max
i
(
1
r
i
n

j=1
a
ij
r
j
)
29
Demonstracao. Podemos supor sem perda de generalidade que A e irredutvel j a que o
caso geral segue-se deste caso usando um argumento de continuidade como zemos na
demostrac ao do Teorema anterior.
Denotemos por r
i
(A
2
) a soma dos elementos de i-esima linha de A
2
. Se (x
1
, . . . , x
n
) > 0
com

n
i=1
x
i
= 1 e um autovalor de A
t
associado a r e portanto um autovalor de (A
2
)
t
associado a r
2
, temos que
r
2
=
n

i=1
x
i
r
i
(A
2
) r =
n

i=1
x
i
r
i
.
Da segue-se que
r =

n
i=1
x
i
r
i
(A
2
)

n
i=1
x
i
r
i
.
Armacao. Se q
1
, . . . , q
n
s ao n umeros positivos, entao
min
i
p
i
q
i

p
1
+ + p
n
q
1
+ + q
n
max
i
p
i
q
i
,
onde p
1
, . . . , p
n
s ao n umeros reais. A igualdade vale se todos os quocientes p
i
/q
i
s ao
iguais.
Logo pela arma cao anterior, temos que
min
i
r
1
(A
2
)
r
i
min
x
i
=0
r
1
(A
2
)
r
i
r max
x
i
=0
r
1
(A
2
)
r
i
max
i
r
1
(A
2
)
r
i
.
O teorema segue do anterior e de:
r
i
(A
2
) =
n

j=1
n

k=1
a
ik
a
kj
=
n

k=1
a
ik
n

j=1
a
kj
=
n

k=1
a
ik
r
k
.
30
Para terminar esta se cao vamos dar outras cotas para o autovalor maximal de uma matriz
positiva e comparar em um exemplo os resultados obtidos usando as diferentes metodos.
Se A e uma matriz positiva com autovalor maximal r e se = min
i
r
i
< R = max
i
r
i
,
temos que < r < R. Ledermann propos em [Len] o problema de determinar n umeros
positivos p
1
e p
2
tais que
+ p
1
r R p
2
.
O resultado obtido por ele foi:
Teorema 9. Seja A uma matriz positiva com autovalor maximal r e soma de suas linhas
r
1
, . . . , r
n
. Sejam R = max
i
r
i
, = min
i
r
i
e = min
i,j
a
i,j
, se R > , entao:
+ (
1

1) r R (1

),
onde = max
r
i
<r
j
(r
i
/r
j
).
Este resultado de Lendermann foi melhorado por Ostrowski em [Ost] como segue:
Teorema 10. Seja A uma matriz positiva com autovalor maximal r e soma de suas
linhas r
1
, . . . , r
n
. Seja =
_
( )/(R ) onde R, e s ao como no teorema anterior.
Ent ao:
+ (
1

1) r R (1 ).
Brauer em [Bra] melhorou estas cotas para o autovalor maximal e mostrou que sua cota
n ao pode ser melhorada no sentido que dados R, e satisfazendo R > > n > 0 existe
uma matriz positiva n n com R o m aximo das somas das linhas, o mnimo das somas
das linhas e com entrada mnima tal que atinge a cota de Brauer. Vamos enunciar a
cota de Brauer:
Teorema 11. Seja A, R, e como no enunciado do Teorema 10 e sejam
g =
R 2 +
_
R
2
4(R )
2( )
h =
+ 2 +
_

2
+ 4(R )
2
.
Ent ao
+ (h 1) r R (1 1/g).
31
Observacao 5. Os resultados acima tambem s ao v alidos se substituimos as somas das
linhas r
i
pelas somas das colunas c
i
Exemplo. Considere a matriz A dada por
A =
_
_
1 1 2
2 3 3
4 1 1
_
_
O autovalor maximal de A e r = 5, 7416... e usando as diferentes cotas para r obtemos:
Cota de Frobenius sobre as linhas: 4 < r < 8
Cota de Frobenius sobre as colunas: 5 < r < 7
Teorema 8 sobre as linhas: 5 < r < 6, 25
Teorema 8 sobre as colunas: 5, 6 < r < 5, 8572
Cota de Lendermann sobre as linhas: 4, 1547 < r < 7, 8661
Cota de Lendermann sobre as colunas: 5, 080 < r < 6, 9259
Cota de Ostrowski sobre as linhas: 4, 5275 < r < 7, 6547
Cota de Ostrowski sobre as colunas: 5, 2247 < r < 6, 8165
Cota de Brauer sobre as linhas: 4, 8284 < r < 7, 4642
Cota de Brauer sobre as colunas: 5, 3722 < r < 6, 7016
4.2 Matrizes Primitivas
Denicao 10. Seja A uma matriz irredutvel nn n ao-negativa com autovalor maximal
r, e suponha que A tem exatamente h autovalores de m odulo r. O n umero h e chamado o
ndice de imprimitividade de A, ou simplemente o ndice de A. Se h = 1, ent ao a matriz
A e dita primitiva, caso contr ario e dita imprimitiva.
Veremos agora como podemos calcular este ndice usando o grafo dirigido associado ` a
matriz A irredutvel.
Denicao 11. Seja D um grafo fortemente conexo, o m.d.c. dos comprimentos de todos
os ciclos de D e chamado de ndice de imprimitividade de D. Lembramos que um ciclo
nada mais e um caminho fechado no grafo.
32
Lema 3. Seja D um grafo fortemente conexo comndice k e k
i
o m.d.c. dos comprimentos
de todos os ciclos em D que passam pelo vertice i. Ent ao k = k
i
.
Demonstracao. Temos que k|k
i
por deni cao. Seja C
j
um ciclo em D de comprimento m
j
e suponha que C
j
passa pelo vertice j. Como D e fortemente conexo, existe um caminho
P
ij
ligando i a j e um caminho P
ji
ligando j a i, Vamos denotar por s
ij
o comprimento
do caminho P
ij
e por s
ji
o comprimento do caminho P
ji
.
Considere agora o ciclo dado por P
ij
, C
j
e P
ji
que come ca em i e tem comprimento
s
ij
+ m
j
+ s
ji
. Observe que k
i
divide s
ij
+ s
ji
j a que o ciclo formado por P
ij
e P
ji
e um
ciclo que comeca em i e tem comprimento exatamente s
ij
+s
ji
, assim k
i
deve dividir m
j
,
ou seja, k
i
deve dividir o comprimento de qualquer ciclo em D, assim k
i
|k.
Teorema 12. Se A e uma matriz irredutvel e suponha que
a
ij
a
(2)
ij
> 0,
para algum (i, j), ent ao A e primitiva.
Demonstracao. Pelo corolario 4, no grafo dirigido D associado a A, o vertice i est a conec-
tado ao vertice j por caminhos de comprimento 1 e 2. Como A e irredutvel e portanto
D(A) e fortemente conexo, existe um caminho ligando j a i de comprimento s, ent ao
D(A) contem um ciclo de comprimento s +1 e outro de comprimento s +2, logo o ndice
de D(A) e igual a 1
4.3 O Espectro de Matrizes Irredutveis
Nosso objetivo e o de caracterizar os autovalores que tem m odulo maximo. Para isto
vamos precisar da seguinte proposi cao.
Proposicao 3. Seja C uma matriz complexa dominada por uma matriz irredutvel n ao
negativa A, ou seja |C| A, e seja r o autovalor maximal de A. Ent ao para todo autovalor
s de C, temos que
|s| r (4.1)
A igualdade vale em (4.1) se, e somente se,
33
C = e
i
DAD
1
(4.2)
onde s = re
i
e |D| = I
n
Demonstracao. Seja y C
n
um autovetor, n ao-nulo, associado ao autovalor s
Cy = sy (4.3)
onde y = 0. Ent ao, pela desigualdade triangular, temos que
|C| |y| |Cy| = |s| |y|
Como A |C|, ent ao
A|y| |C| |y| |s| |y| (4.4)
ou seja,
A|y| |s| |y|
da
A|y| |s| |y| 0
Agora, pelo Teorema 3(ii),
|s| r
A
(|y|)
onde r
A
e a func ao Collatz-Wielandt associada a A, portanto
|s| r
A
(|y|) r (4.5)
como queramos mostrar.
Por outro lado, suponhamos que C = e
i
DAD
1
, onde |D| = I
n
, ent ao as matrizes C e
e
i
A s ao semelhantes e se r e o autovalor maximal de A, ent ao re
i
e um autovalor de
e
i
A e portanto, e um autovalor de C.
Suponhamos que |s| = r, ou seja, que s = re
i
. Entao (4.5) implica que r
A
(|y|) = r.
Assim |y| e um vetor maximal, logo pela demostra cao do lema 2, o vetor maximal |y| e
um autovetor de A associado ao autovalor r, isto e,
A|y| = r |y|
logo por (4.4) tem-se que
A|y| = |C| |y| = r |y| (4.6)
34
isto e
(A |C|) |y| = 0
J a que |y| e maximal, pelo lema (2) |y| > 0. Por outro lado temos que |C| A, logo
A |C| 0, da temos que
A = |C| (4.7)
Seja D a matriz diagonal dada por d
ii
=
y
i
|y
i
|
e denamos
G = (g
ij
) = e
i
D
1
CD
Agora, temos que,
D|y| =
_

_
y
1
|y
1
|
y
2
|y
2
|
.
.
.
yn
|yn|
_

_
_

_
|y
1
|
|y
2
|
.
.
.
|y
n
|
_

_
=
_

_
y
1
y
2
.
.
.
y
n
_

_
= y
ent ao, pelo anterior e por (4.3), obtemos que
sy = Cy = CD|y| = sD|y| = re
i
D|y| .
Portanto
G|y| = e
i
D
1
CD|y|
= e
i
D
1
(sy)
= r |y| .
e, por (4.6) temos que
G|y| = A|y| (4.8)
Agora, pela denic ao de G,
|G| = |C|
e por (4.7) segue-se que
|G| = A.
Logo de (4.8) tem-se
|G| |y| = G|y|
35
ou, equivalentemente, que
|G| |y| G|y| = 0 (|G| G) |y| = 0

j=1
(|g
ij
| g
ij
) |y
j
| = 0, i = 1, 2, ..., n,
o qual implica que
|g
ij
| g
ij
= 0,
pois |y
j
| > 0 e |g
ij
| g
ij
0 para todo i, j = 1, 2, ..., n. Da, temos que
G = |G| = A,
logo pela deni cao de G,
C = e
i
DAD
1
Agora j a podemos enunciar o teorema que caracteriza os autovalores com m odulo maximo.
Teorema 13. Seja A uma matriz irredutvel n n com autovalor maximal r e ndice h.
Sejam
1
,
2
, ...
h
os autovalores de A de modulo r. Ent ao
1
,
2
, ...
h
s ao as h-esimas
raizes de r
h
.
Demonstracao. Sejam
t
= re
it
com t = 1, 2, ..., h. J a que |
t
| = r, a condicao de
igualdade da Proposi cao 3, para o caso em que C = A e s =
t
, implica que
A = e
it
D
t
AD
1
t
, t = 1, 2, ..., h
A = D
t
(e
it
A)D
1
t
, t = 1, 2, ..., h (4.9)
pois A e dominada por ela mesma. Assim A e e
it
A s ao semelhantes. Ja que r e um
autovalor simples de A, observese que para cada t, e
it
r =
t
e um autovalor simples de
e
it
A, logo
t
e um autovalor simples de A.
Voltando com a prova do teorema, temos por (4.9) temos que
A = e
it
D
t
AD
1
t
= e
it
D
t
(e
is
D
s
AD
s
1
) D
t
1
= e
i(t+s)
(D
t
D
s
)A(D
t
D
s
)
1
36
Portanto A e e
i(t+s)
A s ao semelhantes para qualquer s e t. Da, pela observac ao anterior,
temos que re
i(t+s)
e um autovalor de A, logo e
i(t+s)
e um dos n umeros e
i
1
, e
i
2
, ..., e
i
h
.
Portanto o conjunto formado pelos h distintos n umeros e
i
1
, e
i
2
, ..., e
i
h
e fechado para a
multiplica cao, ent ao temos que o conjunto est a formado pelas h-esimas raizes da unidade.
Teorema 14. O espectro de uma matriz irredutvel de ndice h e invariante pela rota cao
no sentido anti-hor ario de um angulo de 2/h, mas n ao e invariante pela a rotacao de
qualquer angulo positivo menor do que 2/h.
Demonstracao. Seja = {
1
,
2
, ...,
n
} o espectro de A. Ent ao o espectro de e
i
2
h
A
e =
_

1
e
i
2
h
,
2
e
i
2
h
, ...,
n
e
i
2
h
_
. Agora, na prova do teorema 13, mostramos que as
matrizes A e e
i
2
h
A s ao semelhantes, logo e tambem o espectro de A. Isto prova a
primeira parte do Teorema. Alem disso, no resultado do Teorema 13, vimos que qualquer
rotac ao de angulo menor do que
i2
h
n ao pode deixar o espectro xado, pois o conjunto
dos autovalores de modulo m aximo n ao e preservado.
O seguinte teorema relaciona o ndice de uma matriz imprimitiva com o seu polin omio
caracterstico. Este resultado e usado para determinar quando uma matriz irredutvel e
primitiva ou n ao.
Teorema 15. Seja A uma matriz irredutvel com ndice h, e seja

n
+ a
1

n
1
+ a
2

n
2
+ ... + a
k

n
k
,
onde n > n
1
> ... > n
k
e a
t
= 0, t = 1, 2, ..., k, o polin omio caracterstico de A. Ent ao
h = mdc (n n
1
, n n
2
, ..., n n
k
) (4.10)
Demonstracao. Suponha que m 2 e um n umero inteiro tal que A e e
i
2
m
A =

A tenham
o mesmo espectro. Ent ao A e

A tem o mesmo polinomio caracterstico :
P
A
(x) =
n

i=1
(x
i
)
=
n

i=1
(x
i
)
= P

A
(x),
37
onde = e
i
2
m
. Por outro lado temos que
P
A
(x) = x
n
+ a
n1
x
n1
+ a
n2
x
n2
+ ... + a
1
x
1
+ a
0
e
P

A
(x) = x
n
+ b
n1
x
n1
+ b
n2
x
n2
+ ... + b
1
x
1
+ b
0
.
Usando a rela coes entre raizes e coecientes temos que
a
t
= b
t
= a
t

nnt
t = 1, 2, ...k
Assim devemos ter que m divide cada n n
t
. Como, pelo Teorema 14, as matrices A e
e
i2
h
A tem o mesmo espectro, temos que h divide n n
t
para t = 1, . . . , k e portanto h
divide nn
1
, nn
2
, . . . , nn
k
. Se m > h, as matrizes A e

A n ao tem o mesmo espectro,
logo devemos ter que para algum 1 t
0
k devemos ter que m n ao divide n n
t
0
. Isto
implica que
h = mdc(n n
1
, n n
2
, ..., n n
k
)
Corolario 5. Uma matriz irredutvel com traco positivo e primitiva.
Demonstracao. Dada uma matriz irredutvel A com traco positivo, temos que n
1
= n1,
ent ao pelo Teorema 15, o ndice da matriz A e
h = mdc(n (n 1), n n
2
, ..., n n
k
) = mdc(1, n n
2
, ..., n n
k
) = 1
portanto A e primitiva
4.4 Forma de Frobenius de Matrizes Irredutveis
Frobenius descobriu que existe uma relacao entre o espectro de uma matriz irredutvel
e a distribuicao de zeros nas entradas da matriz (ver [Fr1]). Vamos dar a demonstrac ao
dada em [Wie].
Teorema 16. Seja A uma matriz irredutvel com ndice h 2, ent ao existe uma matriz
de permutac ao P tal que P
t
AP = M, onde M e da forma
M =
_

_
0 A
12
0 0 0
0 0 A
23
0 0
0 0 0
.
.
.
.
.
. 0
.
.
.
.
.
.
.
.
. 0 A
h1,h
A
h1
0 0 0 0
_

_
(4.11)
38
onde os blocos de zeros ao longo da diagonal principal sao quadrados.
Demonstracao. Seja r o autovalor maximal de A. Ent ao, pelo Teorema 13

t
= re
i2t
h
t = 0, 1, ..., h 1
s ao os autovalores de A de modulo r, e
A = e
i2t
h
D
t
AD
1
t
(4.12)
onde |D
t
| = I
n
. Podemos asumir, sem perda de generalidade, que a entrada (1,1) de cada
D
t
e 1. Seja z um autovetor positivo de A correspondente a r.
Para cada t = 0, 1, . . . , h 1, denimos
z
t
= D
t
z, t = 1, 2, ..., h 1 (4.13)
por (4.12) e (4.13) temos que
Az
t
= e
i2t
h
D
t
AD
1
t
z
t
= e
i2t
h
D
t
AD
1
t
D
t
z
= e
i2t
h
D
t
Az
= e
i2t
h
D
t
rz
= re
i2t
h
D
t
z
Az
t
=
t
z
t
logo z
t
e um autovetor de A correpondente a
t
. Como o autoespaco associado a cada
t
e unidimensional os z
t
, e portanto D
t
, est ao unicamente determinados a menos de uma
constante para t = 0, 1, ...h 1. Como a primeira coordenada de cada D
t
e 1, temos que
D
t
est ao unicamente determinados. Agora, aplicando (4.12) duas vezes, temos
A = e
i2t
h
D
t
_
e
i2s
h
D
s
AD
1
s
_
D
1
t
= e
i2(t+s)
h
(D
t
D
s
) A(D
t
D
s
)
1
Por outro lado D
t
D
s
z e autovetor de A correspondente ao autovalor re
i2(t+s)
h
, pois
39
A(D
t
D
s
)z = e
i2t+s
h
(D
t
D
s
)A(D
t
D
s
)
1
(D
t
D
s
)z
= e
i2(t+s)
h
D
t
D
s
Az
= e
i2(t+s)
h
D
t
D
s
rz
= re
i2(t+s)
h
D
t
D
s
z
Em particular (D
1
)
h
z e um autovetor correspondente a re
2ih
h
= r. Pela unicidade dos D
t
podemos concluir que
(D
1
)
h
= I
n
e assim as entradas da diagonal principal de D
1
s ao as h-esimas raizes da unidade (lembre
que |D
j
| = I
n
i = 0, 1, . . . , h 1).
Seja P uma matriz permutacao tal que
P
t
D
1
P =
_
_
_
_
_
D
11
D
12
D
1s
D
21
D
22
D
2s
.
.
.
.
.
.
.
.
.
.
.
.
D
s1
D
s2
D
ss
_
_
_
_
_
(4.14)
onde os elementos da diagonal de matriz D
t,t
, que tem ordem n
t
n
t
, s ao todos iguais a
e
2im
t
h
onde 0 = m
1
< m
2
< ... < m
s
h 1 e as matrizes D
i,j
s ao nulas se i = j.
Dividindo P
t
AP em blocos, conforme ` a divis ao de P
t
D
1
P dada acima, temos que
P
t
AP =
_
_
_
_
_
A
11
A
12
A
1s
A
21
A
22
A
2s
.
.
.
.
.
.
.
.
.
.
.
.
A
s1
A
s2
A
ss
_
_
_
_
_
(4.15)
onde os blocos A
pq
s ao n
p
n
q
, p, q = 1, 2, ..., s. Considerando A = e
2i
h
D
1
A(D
1
)
1
e
comparando os blocos (p, q) para cada uma das express oes de A tem-se que
P
t
AP = P
t
(e
2i
h
D
1
AD
1
1
)P
= e
2i
h
P
t
D
1
AD
1
1
P
= e
2i
h
(P
t
D
1
P)(P
t
AP)(P
t
D
1
1
P).
40
Como P uma permutac ao tem-se que P
1
= P
t
. Logo obtemos
A
pq
= e
i(1+mpmq)2
h
A
pq
,
pois se (P
t
AP)
i,j
A
pq
temos que
(P
t
AP)
i, j
= e
2i
h
n

k=1
[(P
t
D
1
P)(P
t
AP)]
i, k
(P
t
D
1
1
P)
k, j
= e
2i(1mq)
h
n

l=1
(P
t
D
1
P)
i, l
(P
t
AP)
l, j
= e
2i(1+mpmq)
h
(P
t
AP)
i, j
Portanto para cada (p, q) temos que,
A
pq
= 0 ou e
i(1+mpmq)2
h
= 1 (4.16)
ou seja, que
Se A
pq
= 0 ent ao m
q
m
p
1 mod h (4.17)
Como a matriz A e irredutvel, temos que para todo p existe um q tal que A
pq
= 0,
analogamente, para todo q existe um p tal que A
pq
= 0.
Se p = 1, ent ao a congr uencia dada em (4.17) implica que
m
q
1 mod h (4.18)
e como 1 m
2
< ... < m
s
h 1, a unica solu cao de (4.18) e m
2
= 1. Assim A
1q
= 0
para todo q = 2.
Para p = 2 a condicao (4.17) implica que
m
q
m
2
1 mod h
ou seja
m
q
1 1 mod h m
q
2 mod h (4.19)
41
j a que 2 m
3
< ... < m
s
h 1, a unica soluc ao para (4.19) e m
3
= 2. Assim A
2q
= 0
para todo q = 3. Continuando da mesma maneira concluimos que m
p+1
= p e A
pq
= 0
para todo q = p + 1, p = 1, 2, ..., s 1.
Para p = s, as condic oes (4.16) e (4.17) implicam que para cada q temos que, ou A
sq
= 0
ou m
q
m
s
1 mod h. Da usando m
p+1
= p com p = s 1 tem-se que
m
e
s mod h.
Agora, A
s1
= 0 ja que A
p1
= 0 para p = 1, . . . , s 1. Da podemos ter
m
1
s mod h,
o qual implica que s = h e assim m
q
= smod h para todo q = 1. Com isto ca provado o
teorema.
Agora sim podemos mostrar
Teorema 17. O ndice de uma matriz irredutvel e igual ao ndice do grafo dirigido
associado.
Demonstracao. Seja h o ndice de uma matriz irredutvel A e seja k o ndice do seu grafo
dirigido associado. Consideremos os ciclos que passam por i e seja M
i
o conjunto formado
pelos comprimentos de tais ciclos. Pelo lema 3, temos que
k = mdc{m
i
| m
i
M
i
}.
Vejamos que M
i
e fechado para a soma. De fato, se m
1
, e m
2
s ao dois inteiros em M
i
,
ent ao temos que a
(m
1
)
ii
> 0 e que a
(m
2
)
ii
> 0 pelo corol ario 4. Isto implica que
a
(m
1
+m
2
)
ii
=
n

t=1
a
(m
1
)
it
a
(m
2
)
ti
a
(m
1
)
ii
a
(m
2
)
ii
> 0.
Novamente pelo corol ario 4 temos que existe um ciclo de comprimento m
1
+m
2
passando
por i, ou seja, m
1
+ m
2
M
i
.
Como M
i
e fechado para a soma, deve conter todos os m ultiplos de k, exceto um n umero
nito (teorema de Schur). Logo temos que a
(kt)
ii
> 0 para t sucientemente grande.
Por outro lado, se s n ao e um m ultiplo de k, ent ao pela denic ao de M
i
, e pela denic ao
de k e pelo corol ario 4, devemos ter que a
(s)
ii
= 0. Como i e um vertice de D(A) devemos
42
ter que a
(s)
ii
> 0 para todo s sucientemente grande e i = 1, . . . , n se, e somente se, s e
um m ultiplo de k.
Pelo Teorema 16 existe uma matriz de permutac ao P tal que P
t
AP = M est a na forma
de Frobenius
M =
_

_
0 A
12
0 0 0
0 0 A
23
0 0
0 0 0
.
.
.
.
.
. 0
.
.
.
.
.
.
.
.
. 0 A
h1,h
A
h1
0 0 0 0
_

_
(4.20)
e temos que M
h
pode ser escrita como uma soma direta de matrizes primitivas:
M
h
=
h

j=1
B
j
com
B
j
= A
j,j+1
A
j+1,j+2
A
j
1
,j
onde os subndices foram reduzidos m odulo h. Para m sucientemente grande temos que
M
hm
= P
t
A
hm
P e uma soma direta de matrizes positivas e logo a
(hm)
ii
> 0 para todo i.
Se s n ao e m ultiplo de h todos os elementos na diagonal de A
s
s ao nulos. Se h = 1, ent ao
A e primitiva e para m sucientemente grande temos que A
hm
> 0.
Podemos concluir que para s sucientemente grande, a
(s)
ii
> 0 se, e somente se, s e m ultiplo
de h. Logo temos que h = k
4.5 Aplicac oes da Teoria de Perron-Frobenius
Alem da aplica cao das matrizes nao-negativas e a Teoria de Perron-Frobenius ao Google ,
estas tem aplicacoes em muitas outras areas. Para nalizar esta dissertacao mencionare-
mos rapidamente duas aplicacoes: uma ` a Economia e outra ` a Biologia.
43
4.5.1 Modelos econ omicos O modelo de input-ouput foi introduzido por W. Leon-
tief, premio Nobel de Economia em 1973.
Este modelo tornou-se um instrumento essencial para o planejamento, tanto nos pases de
economia centralmente planejada quanto naqueles que adotam a economia de mercado.
A hip otese fundamental e que o consumo que uma producao x
i
faz de um setor j e
proporcional a x
j
, a produc ao de j.
Em termos matriciais, pode ser traduzido por
Ax + b = x
A pergunta e, dado um vetor de consumo b 0, o sistema anterior admite uma solu cao
x 0? Se a matriz I A tem uma inversa n ao-negativa, o sistema admite uma solu cao
n ao-negativa j a que e suciente tomar
x = (I A)
1
b 0.
Uma condic ao suciente para a existencia de uma inversa positiva e que o autovalor
dominante de A seja menor que 1, j a que neste caso temos que (I A)
1
= I +A+A
2
+
4.5.2 Modelos de dinamica de populac oes O modelo de Leslie e um dos mais
utilizados em din anica de populac oes.

E um modelo de tempo discreto de uma populac ao
estruturada por idades que descreve o desenvolvimento, a mortalidade e a reproduc ao dos
organismos.
Este modelo e freq uentemente utilizado para responder duas quest oes:
1) Qual e a taxa de crescimento exponencial?
2) Qual e a distribuic ao de cada classe de idades na distribuic ao est avel?
44
Suponhamos que em uma certa especie os indivduos se agrupam por idade C
1
, . . . , C
n
.
A populacao inicial e z
(0)
= (z
(0)
1
, . . . , z
(0)
n
). Fixemos as seguintes hip oteses:
cada indivduo passa ao grupo seguinte em cada unidade de tempo.
na etapa i, cada indivduo da lugar a m
i
descendentes.
s
i
e a frac ao que sobrevive da idade i 1 `a idade i
Na linguagem matricial temos:
_
_
_
z
(k)
1
.
.
.
z
(k)
n
_
_
_
=
_
_
_
_
_
_
_
s
1
m
1
s
1
m
2
s
1
m
n1
s
1
m
n
s
2
0 0 0
0 s
3
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 s
n
0
_
_
_
_
_
_
_
k
_
_
_
z
(0)
1
.
.
.
z
(0)
n
_
_
_
A matriz acima e conhecida como matriz de Leslie, j a que este modelo foi introduzido por
P. H. Leslie em 1945 (ver [Les]).
Se a matriz e primitiva temos que
z
(k)
K
k
1
v
1
, quando k
onde
1
e o autovalor dominante, v
1
e seu autovetor associado e K e uma constante
positiva. Assim teremos que a populac ao crescer a se
1
> 1, se extinguir a se
1
< 1.
45
Bibliograa
[Bra] Brauer, A.: The theorems of Lendermann and Ostrowski on positive matrices,
Duje Math. J. 24, 265274 (1957).
[Col] Collatz, L.: Einschliessungssatz f ur dei charakteristichen Zahlen von Matrizen,
Math Z, 48, 221226 (1942).
[Fr1] Frobenius, G.:

Uber Matrizen aus nicht negativen Elementen, S. -B. K. Preuss.


Akad. Wiss. Berlin, 471476 (1908), 514518 (1909).
[Fr2] Frobenius, G.:

Uber Matrizen aus positiven Elementen, S. -B. K. Preuss. Akad.


Wiss. Berlin , 456477 (1912).
[Lan] Lancaster, P.: Theory of Matrices, Academic Press, New York (1969).
[Len] Lendermann, W.: Bounds for the greatest latent root of a positive matrix. J.
London Math. Soc 25, 265268 (1950).
[Les] Leslie, P. H.:On the Use of Matices in Certain Population Mathematics.
Biometrika 33, 182212 (1945).
[Min] Minc, H.: Nonnegative Matrices, Wiley, New York (1988).
[Ost] Ostrowski A.: Bounds for the greatest latent root of a positive matrix, J. London
Math. Soc. 27, 253256 (1952).
[Per] Perron, O.: Zur Theorie der Matrizen, Math. Ann. 64, 248263 (1907).
[Wie] Wielandt, H.: Unzerlegbare nicht-negative Matrizen, Math Z, 52, 642648
(1950).
46