Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
tica
Instituto de Matema
s-Graduac
o em Matema
tica
Programa de Po
a
o de Mestrado
Dissertac
a
n Ce
spedes
Alfredo Caldero
Salvador-Bahia
Janeiro de 2015
Alfredo Calder
on C
espedes
Salvador-BA
Janeiro/2015
..........
Calder
on Cespedes, Alfredo.
A Taxa de Decaimento e Transporte Otimal / Alfredo Calderon Cespedes.
Salvador, 2015.
N
umero de p
aginas: 50 f. : il.
Orientador: Prof. Dr. Manuel Stadlbauer.
Dissertac
ao de Mestrado Universidade Federal da Bahia, Instituto de Matem
atica, Colegiado do Curso de Matematica, 2015.
Palavras Chaves: 1. Perron-Frobenius, Teorema de. 2. Ruelle, Teorema de.
3. Cadeia topol
ogica de Markov. 4. Sistemas dinamicos aleatorios.
I. Stadlbauer, Manuel. II. Universidade Federal da Bahia, Instituto de Matem
atica. III. Ttulo.
CDD : 514
CDU : 515.1
n Ce
spedes
Alfredo Caldero
Banca examinadora:
A
minha
famlia...
incondicional
Agradecimentos
.
A minha famlia, professores, muitos colegas e amigos que nao so estiveram presentes
no processo de desenvolvimento deste trabalho, muitos deles foram indispensaveis para
a conclusao do mesmo. Preciso agradecer especialmente a minha mae pelo apoio incondicional, pois ficando tao longe eu sempre senti ela perto de mim, aos professores da
UFBA e outras institucoes que me ajudaram quando mais precisei, antes e durante o
meu processo de formacao (particularmente aos professores que aceitaram conformar a
banca, Vtor Ara
ujo e Teofilo Nascimento), aos meus coleguinhas da 18 que viraram
famlia ao final, devo minha vida e minha formacao a voces (nao colocarei nomes por
medo a esquecer alguem), aos meus amigos e famlia do Chile que nunca esqueceram de
mim, realmente foi importante sentir que nao estava sozinho num pas estrangeiro; e para
concluir preciso agradecer ao meu orientador Manuel que me apoio e me ajudou com cada
passo complicado do desenvolvimento deste trabalho, um professional competente que me
deu seguranca e hoje um amigo alem das matematicas.
Finalmente, preciso agradecer as fundacoes financiadoras que fizeram possvel este
trabalho: Capes e FAPESB.
A matematica e a ciencia da ordem e da medida, de belas cadeias de raciocnio, todas simples e faceis...
.....................................................R. Descartes
Resumo
Apresentamos uma nova aplicacao do recentemente popularizado metodo de acoplamentos (ou transporte otimal) para obter decaimento exponencial de correlacoes. A modo
de introducao, enunciamos os teoremas de Perron-Frobenius e de Ruelle, como versoes previas ao nosso resultado e como objetos de comparacao. Nosso objetivo e provar o teorema
de Ruelle num contexto mais geral como sendo as cadeias contaveis topologicas de Markov
randomizadas (completas), para isso vamos introduzir o metodo de acoplamentos que faz
uso de uma contracao da metrica de Wasserstein sobre as medidas de probabilidade definidas num espaco de full-shift aleatorio. Vamos ver que tal metodo mostra varias vantagens
em relacao aos classicos metodos conhecidos para provar decaimento de correlacoes.
ii
Abstract
We present a new application of the recently popularized coupling method (or optimal
transport) in order to get exponential decay of correlations. As an introduction, we will
state the theorems of Perron-Frobenius and Ruelle for comparison to our result. Our
goal is to prove Ruelles theorem in the a broader context of random countable Markov
chains, for this well introduce the coupling method. This method uses a contraction
in the Wasserstein metric on probability measures defined in a random full-shift space.
We will see that this method shows several advantages over classical methods known for
proving decay of correlations.
Sum
ario
Gloss
ario
1 Introduc
ao geral
1.1 Enunciado do teorema de Perron-Frobenius . . . . . . . .
1.2 Metrica projetiva sobre o quadrante nao negativo de RN
1.2.1 Construcao da metrica projetiva . . . . . . . . . .
1.2.2 Contracao dada pela metrica projetiva . . . . . .
1.3 Prova do teorema de Perron . . . . . . . . . . . . . . . .
1.4 Aplicacao: problemas de controle para potencias . . . . .
1.5 Organizacao do texto . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
1
2
4
5
7
11
14
16
.
.
.
.
.
17
17
20
26
27
34
3 Exemplos de aplicac
ao e perspectivas futuras
3.1 Aplicacao ao decaimento de correlacoes . . . . . . . . . . . . . . . . . . . .
3.2 Aplicacoes de Markov no intervalo . . . . . . . . . . . . . . . . . . . . . . .
3.3 Solucao numerica para um problema particular . . . . . . . . . . . . . . . .
41
41
42
44
Bibliografia
47
Indice Remissivo
49
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv
Gloss
ario
(B)i,j
(ai,j )Ni,j=1
(v)i
MN (C)
MN (R)
diam(A)
ess-inf f
ess-sup f
N0
mdc(A)
supp
Captulo 1
Introdu
c
ao geral
Dada uma matriz A nao negativa, o teorema de Perron-Frobenius diz que A possui
um autovalor real, positivo e maximal. Existem varios casos em que um sistema dinamico
define uma acao natural sobre um espaco de funcoes, em particular, quando o sistema
dinamico que estudamos e dado pelo shift, nossa acao natural sobre um certo espaco de
funcoes e exatamente o operador de Ruelle, o qual deve ser restrito a um certo espaco de
Banach para obter propriedades parecidas a`s da matriz A 0. A relacao entre os resultados de Perron e de Ruelle e dada pela matriz de transicao que define o sistema dinamico
do subshift (de tipo finito), pois se tal matriz e topologicamente mixing temos que para
alguma potencia ela e positiva, portanto, ela e aperiodica (hipotese forte do teorema de
Perron). Desta forma, fica claro que um teorema e a motivacao do outro e em certo sentido, tambem e uma generalizacao do outro. De fato, o teorema de Perron-Frobenius e um
resultado para uma matriz nao negativa de dimensao finita, a qual pode ser vista como
um operador Ruelle associado a um potencial localmente constante, enquanto o teorema
de Ruelle-Sarig e um resultado para um operador quase compacto agindo em um espaco
de dimensao infinita associado a um potencial Holder contnuo. Isto explica tambem a
similitude de algumas das aplicacoes destos teoremas, como por exemplo, a construcao de
medidas/densidades invariantes.
Nosso objetivo principal neste trabalho sera enunciar uma generalizacao dos teoremas
anteriores no contexto de fibrados, provar tal resultado usando o metodo de acoplamentos
e concluir que o metodo de cones (usualmente usado para provar o teorema de Perron)
nao e um metodo adequado para este caso, pois precisa de uma sofisticada adaptacao para
sua utilizacao sobre um fibrado aleatorio. Neste primeiro captulo enunciamos o teorema
de Perron-Frobenius e explicamos o metodo espectral classico dos cones de Birkhoff para
provar decaimento de correlacoes. Isso vai permitir-nos fazer uma pequena comparacao
bom deixar claro que
em relacao ao metodo de acoplamentos explicado no captulo 2. E
nao vamos aprofundar na adaptacao do metodo de cones em fibrados, so vamos explicar
o metodo classico usado para mostrar o teorema de Perron (para ver uma adaptacao em
fibrados veja [1]).
1
GERAL
CAPITULO 1. INTRODUC
AO
1.1
0 A1 0 . . . 0
0 0 A2 . . . 0
.. .. .. . .
.
.
A= . . .
. .
0 0 0 . . . Aq1
Aq 0 0 . . . 0
(1.1)
onde q 2 e Aj Mm (C) para cada j {1, 2, . . . , q} sao matrices nao negativas (com
qm = N ) tais que cada produto circular
j+q1 (mod q)
Al ,
l=j
e uma matriz aperiodica para todo j {1, 2, . . . , q}. A matriz A definida assim e qperiodica e irredutvel, de fato, basta notar que
q (mod q)
Q
Al
0
l=1
q+1 (mod
q)
0
A
0
l
q
l=2
A =
..
..
..
..
.
.
.
.
2q1Q
(mod q)
0
0
Al
l=q
kj
j+q1 (mod q)
Y
Seja k = max{ki : i = 1, 2, . . . , q}, entao temos que Aqk e uma matriz com cada bloco
(de dimensao m m) na sua diagonal positivo. Assim, para cada par i, j {1, 2, . . . , N }
existe n N tal que Aqk+n i,j > 0, isto mostra que A e irredutvel. O fato de que A e
q-periodica segue da seguinte proposicao.
1 Proposic
ao: Seja A MN C uma matriz irredutvel nao negativa e sejam os perodos
q(j), com j {1, 2, . . . , N } (veja a definicao 1). Entao, q = q(j) nao depende de j e,
A e aperiodica
q = 1.
(A
)i,i =
N
X
(Ami,j )i,k (Am )k,l (Amj,i )l,i (Ami,j )i,j (Am )j,j (Amj,i )j,i .
k,l=1
Assim, concluimos que (Am )j,j > 0 (Ami,j +m+mj,i )i,i > 0, em outras palavras, se q(j)
divide m entao q(i) divide mi,j + m + mj,i . Agora, suponha que (Ami,j +m+mj,i )i,i > 0, por
um argumento similar ao anterior, temos que
(A2mi,j +m+2mj,i )j,j (Ami,j )i,j (Ami,j +m+mj,i )i,i (Amj,i )j,i > 0 .
Indutivamente obtemos (Ak mi,j +m+k mj,i )j,j > 0 para cada k N, portanto, q(j) divide
k(mi,j + mj,i ) + m para cada k N. Concluimos entao que q(j) divide mi,j + mj,i e q(j)
divide m. Pela simetria do argumento anterior, temos que q(i) divide m se e somente se
q(j) divide mi,j + m + mj,i , portanto, q := q(j) nao depende de j.
() Suponha que A e aperiodica, entao existe M N tal que Ak > 0 para cada
k M , assim o periodo q de A divide a cada k M , portanto, q = 1.
() Seja D(j) := n 1 : (An )j,j > 0 . Por hipotese, temos que mdc D(j) = q = 1
e pela identidade de Bezout, existem n1 , n2 , . . . , nm D(j) e a1 , a2 , . . . , am Z tais que
m
X
ai n i = 1 .
i=1
Sem perda de generalidade, vamos supor que existe um inteiro positivo k m tal que
ai > 0 para cada i k, e ai < 0 em outro caso. Entao, deste modo temos que
K :=
m
X
i=k+1
|ai | ni
K +1=
k
X
i=1
ai ni .
GERAL
CAPITULO 1. INTRODUC
AO
Como D(j) e fechado por somas e cada ni D(j), temos que K, K + 1 D(j). Pelo
algoritmo de divisao, para cada n K(K 1), existem q, r N tais que n = q K + r e
q K 1 r, deste modo
n = q K + r(K + 1 K) = (q r)K + r(K + 1) .
Como q r 0 e K, K + 1 D(j), temos que n D(j). Em outras palavras, concluimos
que N [K(K 1), ) D(j), portanto, A e aperiodica.
#
Dada uma matriz A MN C , a multiplicidade geom
etrica mg () de um autovalor
C da matriz A e a dimensao do espaco vetorial V = v CN : (A I)v = 0 (ou
auto-espaco de ), onde I e o operador identidade em CN . A multiplicidade alg
ebrica
ma () de um autovalor C da matriz A e a multiplicidade de como zero do polinomio
caracterstico p(z) = det(A zI). Sabemos que a multiplicidade algebrica coincide com a
dimensao do espaco vetorial Vg = v CN : d 1 tal que (A I)d v = 0 conhecido
como auto-espaco generalizado de . No caso geral, sempre vale que mg () ma ().
2 Teorema: (Perron - Frobenius, [3]) Para N 1, seja A MN R uma matriz nao
negativa e sem estados desviados. Entao A admite um autovalor real, positivo e maximal
A (chamado autovalor de Perron), o qual tem associado um autovetor com coordenadas
nao negativas. Se A e irredutvel, entao a multiplicidade algebrica de A e igual a 1, o
correspondente autovetor e positivo e nao existem outros autovetores com coordenadas
nao negativas para todo autovalor de A. Se A e aperiodica, entao A e o u
nico autovalor
de modulo maximal.
Nos vamos provar o teorema 2 sob condicoes fortes (matriz aperiodica), o qual foi o
possvel reduzir as hipoteses via uma decomposicao espectral,
caso tratado por Perron. E
questao que nao vamos aprofundar neste trabalho. O metodo vai ser mostrar que um
operador associado a uma matriz aperiodica A tem um u
nico ponto fixo sobre um conveniente cone de vetores, pois isto da uma boa escolha de metrica projetiva. O fator de
contracao vai dar uma limitacao superior para a distancia entre o autovalor maximal de
A e o modulo do(s) seguinte(s) autovalor(es) maior(es). Devemos agora descrever isto da
forma mais simples possvel, comecando com a discussao da metrica projetiva.
1.2
M
etrica projetiva sobre o quadrante n
ao negativo
de RN
N
X
|xi | ,
x = (x1 , x2 , . . . , xN ) RN .
i=1
Definimos os conjuntos
:= x RN : xi 0 para cada i = 1, 2, . . . , N e k x k1 = 1
C := x RN : xi 0 para cada i = 1, 2, . . . , N \ {0} .
NEGATIVO DE RN 5
1.2. METRICA
PROJETIVA SOBRE O QUADRANTE NAO
O conjunto e chamado simplexo n
ao negativo (N 1)-dimensional e o conjunto
C e chamado cone n
ao negativo em RN sem a origem .
1.2.1
Constru
c
ao da m
etrica projetiva
y
,
k y k1
onde y x , x C/ .
[0, [ ,
e definimos
(x, y) :=
1
,
(y, x)
x, y C .
1 Observac
ao: Note que
(x, x) = sup R+ : (1 )x C = 1 ,
e que temos um tipo de desigualdade triangular:
(x, z) (x, y)(y, z) .
(1.2)
Como
z (x, y)(y, z)x = z (x, y)(y, z)x + (y, z)y (y, z)y
= z (y, z)y + (y, z) y (x, y)x C {0} ,
e dado que = (x, z) e o valor supremo tal que z x C {0}, podemos concluir
que
(x, z) (x, y)(y, z) .
Para cada x, y C definimos tambem
(x, y) = C (x, y) := (x, y)(y, x) =
(x, y)
.
(x, y)
(1.3)
GERAL
CAPITULO 1. INTRODUC
AO
(1.4)
3 Observac
ao: Notamos que
C (x, y) =
x, y C e x 6= y .
6
%
%
%
,
#
,
%
#
,
(0,1)
%
#
,
@
#
@
% ,
""
#
% #
"
@
,
"
,
%
@
#
" !!
," !
@
%
#
"!!
,
#
@
%,
"
!
#
"
!
((
@
%
!
"
,
#
!(
((
(
"
!
@
(
%
,
(
#
!
(
"
(
!
((
@
,
(
%
"
#
!
-
(1,0)
3 Proposic
ao: , C e um espaco metrico.
Prova: Para ver que C e uma distancia sobre o quociente ' C/, a u
nica propriedade que precisamos provar e
C (x, y) = 0
x = y ,
ou equivalentemente,
(x, y) = 1
x = y para algum 0 .
(1.5)
NEGATIVO DE RN 7
1.2. METRICA
PROJETIVA SOBRE O QUADRANTE NAO
portanto, concluimos que
(1 x, 2 y) =
2
(x, y) .
1
(1.6)
Alem disso, pode-se verificar que a propriedade (1.6) vale tambem para a funcao . A
implicacao () da afirmacao (1.5) e dada por
x = y
(1.6)
y = x para algum 0
(x, y) = (x, x) = (x, x) =
(y, x) = (x, x) = 1 (x, x) = 1
(x, y) = 1 ,
(x, y) = 1
(x, y)(y, x) = 1
(1.6)
y x C {0} ,
portanto, x y C {0} C {0} = {0}. Logo, vale a afirmacao (1.5) e C define
uma distancia sobre o conjunto ' C/ .
#
3 Definic
ao: A distancia C definida sobre e chamada m
etrica projetiva sobre o cone
positivo C.
4 Observac
ao: Notemos que
{i : xi = 0} =
6 {i : yi = 0}
e que, doutro modo, vale tambem que
yi
(x, y) = inf
i : xi 6=0
xi
1.2.2
(x, y) = 0 ,
(x, y) =
inf
i,j : xi yj 6=0
xj yi
xi yj
.
Contra
c
ao dada pela m
etrica projetiva
4 Definic
ao: Seja A MN R uma matriz nao negativa com a propriedade de que nenhuma
das suas colunas e o vetor zero (por exemplo, se A nao admite estados desviados), entao
A C C e podemos definir um operador LA : dado por
LA x =
Ax
.
k Ax k1
GERAL
CAPITULO 1. INTRODUC
AO
5 Observac
ao: O aspecto interessante da metrica projetiva C e que o operador LA define
uma contracao em relacao desta metrica (portanto, o operador e contnuo): Como xy
C implica A(x y) = Ax Ay C, temos que
R+ : y x C R+ : A(y x) C ,
A(C)
6
@
@
C
@
COC
DD
C
@
D
@ C yx
D
@C
COD
@
C
y
C D
C@
* @
CD
*
CD
@
x
CD
CD
CD
- C
`````
```
`
`
H
H
`
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
HH
H
H
H
H
H
H
H
H
H
H
H
H
H
H
Representac
ao gr
afica da contenc
ao de cones: A C C
e pela definicao de :
(Ax, Ay) = sup R+ : Ay Ax C
= sup R+ : A(y x) C
sup R+ : y x C = (x, y) .
Uma consequencia disso e
(Ay, Ax) (y, x)
1
1
Ssss
(Ay, Ax)
(y, x)
(Ax, Ay) (x, y) ,
NEGATIVO DE RN 9
1.2. METRICA
PROJETIVA SOBRE O QUADRANTE NAO
Isso e equivalente a mostrar que a transformacao LB e projetivamente limitada, isto e,
(1.8)
= inf C LB x, LB y > 0 ,
x,y
min
1i,j,r,sN
Bi,s Bj,r
> 0,
Bj,s Bi,r
e notemos que isso implica que < 1. Para ver o anterior, vemos que
N
P
B1,s xs
N
s=1
.
.
Bj,s xs .
Bx =
(Bx)j =
N .
s=1
P
BN,s xs
s=1
N
X
s=1
N
X
!
Bj,s xs
Bi,s xs
s=1
N
X
!
Bi,r yr
r=1
N
X
Bj,r yr
r=1
N X
N
X
Bj,s Bi,r xs yr
s=1 r=1
N
N
XX
Bi,s Bj,r xs yr ,
s=1 r=1
Bi,s Bj,r xs yr
s=1 r=1
N X
N
X
Bj,s Bi,r xs yr
s=1 r=1
N X
N
X
Bj,s Bi,r xs yr ,
s=1 r=1
que e equivalente a
(Bx)i (By)j (Bx)j (By)i
(Bx)i (By)j
,
(Bx)j (By)i
GERAL
CAPITULO 1. INTRODUC
AO
10
4 Proposic
ao: Seja B MN R uma matriz positiva. Entao o operador LB e uma contracao, isto e, existe c (0, 1) tal que
C LB x, LB y c C (x, y) ,
x, y .dd
(1.9)
Prova: Para mostrar essa afirmacao, fixamos x, y e escrevemos
1 = (x, y)
2 = (y, x) =
1
,
(x, y)
1 + 1
LB y C
+ 1 1
1
2
LB y
1 +
2
2
1 + 2
LB x C .
1
1
+
1
= log 11 2 1
log
1
+
1
+
2
1 2
2
Z log(1 2 )
1 12 et
=
dt
1
t
0
e + 2 (et + 1 )
1
2
1
2
1
2
1 112
q
log(1 2 )
1 + 112
1
C (x, y) ,
1+
e como 0 < < 1, provamos a propriedade (1.9) de contracao uniforme.
11
6 Observac
ao: Sem perda de generalidade, vamos supor que
k Bx k1 = k By k1 = 1 .
Lembramos que na prova da proposicao 4 temos
B(x/2 y)
B(y 1 x)
1
C,
k B(x/2 y) k1
k B(y 1 x) k1
isto implica que
Bx
1
1+
By = LB x
1
1
+
1
2
1
1+
L y C,
1
1 1 B
+
onde
1 = 1 k B(x/2 y) k1 .
k B(y 1 x) k1
Analogamente, pode-se mostrar que
LB y
1 +
2
1+
LB x C ,
onde
2 = 2 k B(y 1 x) k1 .
k B(x/2 y) k1
1
2 = 1 2 .
Assim, temos que
1.3
x, y .dd
(1.10)
sup
C (x, y) =
sup
C (x, y)
+n
x,yLM
x,yLA (LM
A )
n
n
sup C LA x, LA y .
x,yLM
A
GERAL
CAPITULO 1. INTRODUC
AO
12
n
+
k
k
<
M
e
btc
denota
a
parte
inteira
de
t
R
temos que
M
M b n c+k
M b n c+k
n
n
M
M
M +n
diam LA = sup C LA x, LA y = sup C LA
x, LA
y
Como n = M
x,yLM
A
x,yLM
A
=
sup C LA
bMn c
bMn c
LA x , LA
LA y
x,yLM
A
bMn c
sup C LA x, LA y
x,yLM
A
=c
bMn c
sup
C (x, y)
+k
x,yLM
bMn c
sup C (x, y) ,
x,yLM
A
x,yLM
A
,
c+1
n N ,
+c
= .
c+1
c+1
Tomando o limite quando 0, concluimos que C xA , LA xA = 0 e, portanto, LA xA =
xA . Para ver que xA e o u
nico ponto fixo basta notar que se y 6= xA temos
M
C LM
< C (xA , y)
A xA , LA y
C xA , LM
< C (xA , y)
A y
LM
A y 6= y .
13
yA , A u A u = yA , A u yA , A u
= At yA , u yA , A u
= A yA , u yA , A u = 0 .
(1.11)
Ja que cada coordenada de yA e positiva e cada coordenada de Au A u e nao negativa,
entao (1.11) implica que Au = A u , em particular u e xA sao colineares. Resumindo,
mostramos que
A u = ||u = (Au) = Au ,
portanto, (AM u) = AM u , isto e, denotando B := AM > 0, temos que
N
N
X
X
Bi,j uj =
Bi,j |uj | ,
i {1, 2, . . . , N } .
j=1
(1.12)
j=1
1) C e estritamente
Dado que uj = zj |uj | para algum zj C com |zj | = 1 e ja que B(0;
convexo, tem-se por (1.12) que existe z C com |z| = 1 tal que uj = z|uj |, para cada
j {1, 2, . . . , N }. Assim, u e xA sao colineares e = A . Isto mostra que a multiplicidade
geometrica mg (A ) e igual a 1. Agora, suponha que ma (A ) > 1, isto e, existe x0A com
2
A I A x0A 6= 0 e A I A x0A = 0 .
Assim, pode-se mostrar que
n 0
A xA
n
0
0
=
AxA (n 1)xA
n
n
A
,
A
1
1
e portanto, a norma (como operador) de An /nA nao e limitada. Mas isso e impossvel, ja
que a matriz normalizada A dada por
Ai,j (xA )j
Ai,j :=
,
A (xA )i
tem a seguinte propriedade: seja w = (1, 1, . . . , 1)t , entao para cada i temos,
N
X
Ai,j (xA )j
1
1
(AxA )i =
(A xA )i = 1 ,
A (xA )i
A (xA )i
A (xA )i
j=1
= w. Desta forma, concluimos que
An
= 1 para cada n N. Alem disso,
portanto, Aw
notemos que
n
(xA )i n
(xA )i
(An )i,j
=
A i,j A i,j sup
< ,
n
A
(xA )j
i,j (xA )j
Aw
o que contradiz o fato de An /nA nao ser limitado. Isto mostra o teorema de Perron.
7 Observac
ao: Notemos que a primeira parte desta demonstracao e exatamente a prova do
teorema do ponto fixo de Banach.
GERAL
CAPITULO 1. INTRODUC
AO
14
1.4
Aplicac
ao: problemas de controle para pot
encias
Nesta secao vamos falar sobre o que sao os problemas de controle para potencias, como
leva-los a um contexto matricial e como o teorema de Perron-Frobenius ajuda a determinar uma solucao para tais problemas.
Para introduzir a definicao de um problema de controle para potencias, vamos supor
que voce esta num restaurante com alguns amigos sentados numa mesa. Voce quer falar
com todos os seus amigos na mesa, tomara com um nvel confortavel de voz, mas o barulho
da sua mesa faz que outras pessoas, em outras mesas proximas, precisem falar mais alto
para que eles possam se ouvir uns aos outros de forma mais clara. Esse novo barulho de
mesas proximas faz que se torne mais difcil ouvir a conversa entre os seus amigos (na sua
mesa), portanto, os seus amigos vao precisar falar ainda mais alto para se comunicar, e
assim por diante. O que nos queremos e achar um nvel de voz otima em cada mesa para
que todos possam falar confortavelmente. Num problema de controle para potencias, o
que nos queremos e
pi
Ri ,
Gi,j pj
i {1, 2, . . . , m} ,
(1.13)
j6=i
onde Gi,j 0 denota a porcentagem de aumento ou diminuicao que afeta o som vindo a`
i-esima mesa desde a j-esima mesa. Por exemplo, um valor de 0.5 sugere que o som que
voce ouve estando do lado da mesa j perde metade do seu volume no seu caminho para
a mesa i. Alem disso, pj > 0 e o nvel de voz desejado na j-esima mesa e Ri e a razao
aceitavel de barulho que pessoas na mesa i estao fazendo dividido pelo barulho das outras
mesas que as pessoas na mesa i escutam. A equacao (1.13) indica simplesmente que queremos que a razao de barulho seja maior ou igual ao valor da razao aceitavel, assim todos
na mesa i podem conversar entre si confortavelmente. Se tal razao for inferior ao valor
Ri , entao isso significa que as pessoas na mesa i nao podem-se ouvir devido ao barulho
causado pelas outras mesas.
Para cada i {1, 2, . . . , m}, pela equacao (1.13), tem-se que
pi R i
Gi,j pj ,
j6=i
isto significa que podemos reescrever o nosso problema de modo matricial como segue
p1
p2
p3
..
.
pm
0 0
R2 0
0
..
..
.
.
0 0 0
R1
0
0
.
..
0
0
0
..
.
0 G1,2 G1,3
G2,1 0 G2,3
G
3,1 G3,2
.
..
..
.
Rm
Gm,1 Gm,2 Gm,3
G1,m
p1
G2,m p2
p
G3,m
3
.
..
..
. . ..
0
pm
1.4. APLICAC
AO:
15
R1 0 0 0
0 G1,2 G1,3 G1,m
0 R2 0 0 G2,1 0 G2,3 G2,m
0 0
G
0
G
G
3,m
A :=
3,1 3,2
. .
.
..
.
..
. . . ..
.. ..
. ..
. ..
.
0 0 0 Rm
Gm,1 Gm,2 Gm,3 0
e definimos p = (p1 , p2 , . . . , pm )T . Sabemos que A e uma matriz com entradas na diagonal
iguais a zero e vamos supor que ela e aperiodica (a menos que determinadas propriedades
de simetria na segunda matriz do produto tenham como consequencia que o periodo de
A nao seja 1). A equacao acima nos diz que A p p, e dado que A e uma matriz nao
negativa e aperiodica, pelo teorema de Perron-Frobenius existe um vetor positivo v e um
valor real > 0 tais que A v = v, assim temos que
Av v
1,
entao o conjunto dos autovalores de A esta contido na uniao das m bolas fechadas bi i,i ; ri ) (chamadas crculos de Gershgorin). Alem disso, enumerando de
dimensionais B(a
modo certo o conjunto dos autovalores {i }m
i=1 , temos que |i ai,i | ri .
2 Exemplo: Considere a matriz
A=
32
41
,
j6=i
pois ai,i = 0 para cada i. Pelo teorema de Perron-Frobenius sabemos que 1, onde
e o autovalor maximal de A, portanto, temos que |i | 1 para cada i.
Se estabelecemos que
Ri P
j6=1
1
,
Gi,j
i {1, 2, . . . , m} ,
GERAL
CAPITULO 1. INTRODUC
AO
16
entao podemos ver que isto nos da uma limitacao aceitavel para os Ri s. Pelo anterior e
por (1.14), temos que
X
|i | Ri
Gi,j 1 , i {1, 2, . . . , m} ,
j6=1
assim, todas as nossas condicoes de limitacao para os autovalores de A valem, temos uma
limitacao para os Ri s e v e o nosso vetor solucao desejado.
Para resumir, se o raio espectral de A e menor ou igual que 1, entao o vetor proprio
v da equacao A v = v vai cumprir com a desigualdade A p p e vai ser o vetor solucao
que representa a nvel de voz desejado. Alem disso, isto e verdade se cada Ri nao exceda
o valor P 1Gi,j . No caso de nao ter esta ultima condicao, nao temos certeza se a nossa
j6=1
1.5
Organizac
ao do texto
Captulo 2
O teorema de Ruelle determinstico
e aleat
orio
Apresentamos o resultado que vamos a generalizar no seguinte captulo: o teorema de
Ruelle. Tal teorema sera enunciado em sua versao geral para subshift de tipo contavel,
trabalho que foi desenvolvido em grande parte por O. Sarig.
2.1
Ferramentas determinsticas b
asicas e o teorema
de Ruelle-Sarig
18
8 Observac
ao: Notemos que a topologia definida sobre XA (a topologia produto) e metrizavel, de fato, uma metrica que gera tal topologia e
min{n : xn 6=yn }
2
se x 6= y
d(x, y) = d (xi )iN0 , (yi )iN0 =
0
se x = y .
um fato conhecido que, com respeito a esta metrica, o espaco XA e completo e separavel.
E
Definimos B P(XA ) como a -algebra de Borel gerada pelos abertos do espaco
XA . Uma palavra de comprimento n sobre um alfabeto S (contavel) e um elemento
(a0 , a1 , . . . , an1 ) S n (quando o comprimento nao e importante, usamos a notacao a para
denotar uma palavra de qualquer comprimento e [a] para denotar um cilindro qualquer).
Uma palavra (a0 , a1 , . . . , an1 ) e chamada A-admissvel se
Aa0 ,a1 Aa1 ,a2 Aa2 ,a3 . . . Aan2 ,an1 = 1 .
n
Dados a, b S, usamos a notacao a b para afirmar que existe uma palavra A-admissvel
de comprimento n + 1 que comeca em a e termina em b.
6 Definic
ao: Dizemos que o espaco XA e topologicamente mixing se
n
|(x) (y)|
x,yXA
t.q. xi =yi
0in1
varn () <
n=2
possvel
Seja uma medida -finita e nao-singular definida sobre o espaco (XA , B). E
definir uma medida A sobre o espaco XA dada por
X
( A )[E] =
A (E [a]) , E B .
aS
Note que, em geral, tem-se que ( A )[E] 6= A (E) . Pode-se mostrar que ( A )
e pelo teorema de Radon-Nikodym, podemos definir o que e uma medida conforme: Se
: XA R e uma aplicacao B-mensuravel, dizemos que e uma medida -conforme
se:
2.1. FERRAMENTAS DETERMINISTICAS BASICAS
E O TEOREMA DE RUELLE-SARIG19
1. [a] < para cada cilindro [a] XA ;
2. Existe > 0 tal que
d
= 1 exp() .
d( A )
Alem disso, o operador de Ruelle associado a e definido por
X
L (f )(x) =
exp (y) f (y) ,
f L1 () , x XA .
yXA
t.q. A (y)=x
f dL () = L (f ) d ,
para cada f : XA [0, ) contnua e integravel. Essa definicao de operador dual garante
que ele e u
nico, por consequencia do classico teorema de Lusin (para uma definicao mais
geral do operador dual veja pagina 32 de [3]).
9 Observac
ao: Quando S e um conjunto infinito, pode acontecer que #{y : A (y) = x} =
e que a soma na definicao de L seja divergente. Pode-se mostrar que o operador de
transferencia
A para uma medida nao-singular (veja [9] para definicao e propriedades
d
de operador de transferencia) e o operador de Ruelle associado a = log d
, e como
A
Z
Z
L (f ) d
XA
L (f ) d =
A (f ) d = k
A (f ) k1 k f k1 < ,
XA
XA
d
associado a = log d
A
7 Definic
ao: Seja XA topologicamente mixing e suponha que : XA R e uma funcao
B-mensuravel que e de variacao somavel. Definimos a press
ao de Gurevich (veja [5])
associada a como
1
log Zn (, a) ,
n n
PG (, a) := lim
onde a S e
Zn (, a) :=
X
n (x)=x
A
exp
n1
X
!
Ak (x) 1[a] (x) ,
k=0
onde 1[a] e a funcao indicatriz em relacao ao cilindro [a]. Pode-se mostrar que PG (, a)
existe para cada a S e que nao depende de a, portanto, escrevemos PG () para denotar
a pressao de Gurevich associada a .
20
6 Teorema: (Ruelle-Sarig, [2], [5]) Sejam XA , A uma cadeia topologica de Markov
(com XA topologicamente mixing) e : XA R uma funcao B-mensuravel. Suponha que
A possui a propriedade g.i.p., que a aplicacao log e Holder contnua, que k L (1) k <
e que e Holder contnuo. Entao, para = ePG () valem as seguintes afirmacoes:
1. Existe uma medida de probabilidade : B [0, 1] tal que
L () = ;
2. A medida de probabilidade e [/]-conforme;
3. Existe uma funcao h : XA (0, ) Holder-contnua tal que
Z
L (h) = h
e
h d = 1 ;
4. e h sao unicamente definidas;
5. A e ergodica em relacao `a medida ;
6. Para cada f : XA R contnua tem-se que
n
Z
L (f )
n
0 ;
f
d
n h
2.2
Uma vers
ao aleat
oria do operador de Ruelle
Definimos um sistema fibrado aleat
orio como uma colecao Y, T, , , P, , onde
Y e polones, (, F, P) um espaco de probabilidade, T : Y Y uma aplicacao contnua,
: uma transformacao nao singular e : Y e mensuravel e sobrejetora
satisfazendo T = ( e semi-conjugacao), isto e, que o seguinte diagrama comuta:
Y
Assim, T preserva as fibras Y = 1 {} , no sentido que T Y Y() ; a restricao de
T n (n 1) `a fibra Y e denotada por Tn , portanto, Tn : Y Yn () .
ALEATORIA
21
8 Definic
ao: Sejam , F, P um espaco de probabilidade e : uma transformacao
nao-singular, invertvel e que preserva a medida. Alem disso, consideramos uma variavel
aleatoria ` : N2 {} e, para quase todo , seja A = Ai,j () i,j=1
MNN {0, 1} dada por
Ai,j () = 1[1,` [ (i) 1[1,` [ (j) ,
isto e,
i, j N ,
z................
}| {
1 1 1
.. . . ..
.. 1 . ..
A =
1 1 1
0 0... 0
..
..
.
.
0
..
` 1
.
0
.
0.
..
{}
/ {}
onde e uma aplicacao mensuravel e sobrejetora tal que 1 {} = X para quase
todo . O quntuplo (X, , , P, ) e chamado cadeia topol
ogica de Markov
randomizada completa (CMRC).
22
9 Definic
ao: Dizemos que um elemento (a0 , a1 , . . . , an1 ) Nn e uma palavra finita de
comprimento n (ou n-palavra). Uma n-palavra a = (a0 , a1 , . . . , an1 ) e chamada admissvel se
ai `i 1 ,
i {0, 1, . . . , n 1} .
Denotamos por Wn ao conjunto de todas as n-palavras -admissveis. Dada uma npalavra a = (a0 , a1 , . . . , an1 ) e , definimos o cilindro em relacao a e a:
[a] = [a0 , a1 , . . . , an1 ] = (xi )iN X : xi = ai , i {0, 1, . . . , n 1} .
Quando o comprimento nao e importante, usamos a notacao a para denotar uma palavra
de qualquer comprimento e [a] para denotar um cilindro qualquer em X .
10 Observac
ao: Dada (X, , , P, ) uma CMRC, temos condicoes (analogas) como topologicamente mixing e propriedade de grandes imagens e pre-imagens (ver definicao 6) que
sempre valem para cada fibra X .
Sabemos que X e um espaco polones (espaco metrico separavel e completo) em relacao
a` topologia c gerada pelos cilindros. Alem disso, a topologia c e metrizavel. De fato,
para cada r (0, 1) a distancia (nao aleatoria) sobre X dada por
dr (xi )iN , (yi )iN = rmin{i : xi 6=yi } ,
e tal que dr = c . Por outro lado, a estrutura mensuravel do espaco X = (x, ) : x X
depende e e induzida pela estrutura mensuravel do espaco NN0 , portanto, e possvel
fazer a seguinte definicao:
10 Definic
ao: Para quase todo considere uma medida de probabilidade : NN0
[0, 1] tal que X = 1 . Dizemos que = { } e uma medida de probabilidade
randomizada se para cada B B a aplicacao 7 (B) e mensuravel, e : B [0, 1]
e dada por
Z
(B) = (B) dP() ,
B B,
onde B e a -algebra de Borel do espaco de full-shift contavel NN0 neste caso, a matriz
de transicao e A = (1)
i,j=1 .
11 Definic
ao: Seja (X, , , P, ) uma CMRC e seja : X R uma aplicacao mensuravel
dada por (x, ) = (x), onde cada : X R e uma aplicacao mensuravel (dizemos
que = { } definida deste modo e uma aplicac
ao fibrada). Definimos a n-
esima
variac
ao de em relac
ao a como
varn () := sup
| (x) (y)|
x,yX
t.q. xi =yi
0in1
var0 () := sup
x,yX
| (x) (y)| .
ALEATORIA
23
n m , e quase todo .
Alem disso, dizemos que e Lipschitz se ela e 0-Holder contnua (note que a definicao
de aplicacao fibrada m-Holder contnua e local, exceto quando m = 0).
11 Observac
ao: Lembrando as definicoes usuais, dado vamos supor que f : X R
e Holder contnua. Considere x, y [(v0 , v1 , . . . , vn1 )] , entao existem c > 0 e (0, 1)
tais que
n
|f (x) f (y)| c dr (x, y) c rn = c r ,
como r (0, 1), temos que f e Lipschitz sobre o espaco metrico (X , dr ).
12 Definic
ao: Dada uma aplicacao fibrada Holder contnua, para quase todo definimos o operador de Ruelle associado a por
X
exp (y) f (y) ,
x X ,
L (f )(x) =
yX
t.q. (y)=x
[a]
n
onde ,a
: [a] n1 [an1 ]n1 . Notemos que
n1 [an1 ]n1 = y Xn : x [an1 ]n1 com n1 (x) = y .
Dado qualquer y Xn considere x = (an1 , y) [an1 ]n1 e vale que n1 (x) = y,
n
assim temos que n1 [an1 ]n1 = Xn , e portanto, ,a
: [a] Xn define um
homeomorfismo.
24
12 Observac
ao: Para que a composicao do operador de Ruelle tambem tenha sentido, definimos
n
n1
L := L . . . L
L ,
para cada n N. Por um argumento de inducao, pode-se mostrar que a n-esima potencia
do operador de Ruelle e dada por
X
n
eSn (y) f (y) ,
L (f )(x) =
n (y)=x
onde f : X R e onde
Sn :=
n1
X
i i ,
i=0
L
:= L
:= L . . . L L .
Dada uma aplicacao fibrada f : X R Lipschitz, podemos achar uma estimacao para
as suas somas de Birkhoff Sn f . Sejam m N e a Wm , para n m, x, y [a] e um
potencial f (mn+1)-Holder contnuo tal que a sua variavel aleatoria k associada cumpre
R
com k dP < , entao
n1
n1
X
X
Sn f (x) Sn f (y) =
fi i (x)
fi i (y)
i=0
i=0
n1
X
fi i (x) fi i (y)
i=0
n1
X
i
i
fi ,a
=
(x) fi ,a
(y)
i=0
n1
X
varmi
(f ) =
i=0
n
X
n
X
ni
varmn+i
(f )
i=1
kni r
mn+i
mn
i=1
n
X
kni r r
mn
i=1
kni ri ......
(2.1)
i=1
mn
kni r dP() = r
mn
i=1
Z
kni dP()
i=1
=r
mn
r
1r
rmn+1
k dP() =
1r
Z
k dP < . (2.2)
ALEATORIA
25
X
X
i
Sn (x)Sn (y)
i
exp
kni r
e
exp
kni r
.
i=1
i=1
!
ki ri
i=1
Como (et 1)/t define uma funcao crescente, pela desigualdade (2.3) temos que
Sn f (x) Sn f (y) ln Bn
Cn =
eln Bn 1
Bn 1
=
.
ln Bn
ln Bn
r
ln Bn = Bn 1 dr n (x), n (y) . (2.5)
ln Bn
26
2.3
M
etrica de Wasserstein e constru
c
ao do transporte
13 Definic
ao: Seja Y um espaco metrico separavel e completo, e sejam , duas medidas
de probabilidade definidas sobre Y . Dizemos que
(, ) := m P Y 2 : 1 (m) = e 2 (m) = ,
e o conjunto dos transportes ou acoplamentos de e , onde P Y 2 e o conjunto de
todas as medidas de probabilidade de Borel definidas sobre Y 2 e 1 , 2 sao as projecoes
canonicas que definem as medidas marginais de cada transporte, isto e,
1 (m)(A) = m 11 (A) e 2 (m)(A) = m 21 (A) ,
para cada A Y conjunto mensuravel.
6
P(Y 2 )
m
7 Proposic
ao: (Villani, [10]) Seja d uma metrica compatvel com a topologia de Y . Defina
Z
W (, ) := inf
d(x, y) dm ,
m(,)
Y2
entao W define uma metrica sobre o espaco das medidas de probabilidade (de Borel) sobre
Y.
14 Definic
ao: Definimos W como a m
etrica de Wasserstein (tambem conhecida como
metrica Kantorovich-Rubinstein) sobre o espaco das medidas de probabilidade (de Borel)
definidas sobre Y .
Pode-se mostrar que a convergencia de medidas na metrica de Wasserstein e uma
convergencia fraca, isto e uma consequencia direta da dualidade de Monge-Kantorovich,
Z
Z
W (, ) = sup
f d f d ,
D(f )1
onde
D(f ) := sup
x,yY
|f (x) f (y)|
.
d(x, y)
DO TRANSPORTE
2.3. METRICA
DE WASSERSTEIN E CONSTRUC
AO
27
Uma propriedade muito importante da metrica W e que aquele infimo na sua definicao
sempre e atingido por algum transporte chamado transporte otimal, que em geral, nao
e u
nico (veja [10]).
2.3.1
O m
etodo de acoplamento
A seguinte proposicao e o resultado principal deste trabalho e e onde explicamos detalhadamente o metodo de acoplamento e a adaptacao dele `as nossas ferramentas aleatorias.
As variaveis aleatorias envolvidas sao definidas como segue. Seja (0, 1), r dado pela
Holder continuidade de e considere B como foi definida em (2.3). Para defina
:=
d (x, y) := min 1, dr (x, y) .
log
log r
rn < 1 ,
pois log r < 0 . O proximo resultado nos da uma contracao fibrada pelo operador de
Ruelle.
8 Teorema: Sejam (X, , , P, ) uma CMRC e um potencial : X R definidos como
antes e tais que L (1X ) = 1X para quase todo . Alem disso, suponha que
f = {f } e uma aplicacao fibrada Lipschitz contnua com constante r igual a` constante
de , e { } , { } duas medidas de probabilidade randomizadas. Entao para quase
todo temos que existe t (0, 1) tal que
L n +1 (f ) t D
(f );
i D
n +1,
n +1,
ii W L
(n +1 ), L
(n +1 ) t Wn +1 n +1 , n +1 .
Prova: Primeiro vamos provar a contracao [i] para L localmente. Para uma aplicacao
fibrada f Lipschitz contnua temos para quase todo e todo x, y X ,
|f (x) f (y)|
|f (x) f (y)|
|f (x) f (y)|
|f (x) f (y)|
=
,
dr (x, y)
dr (x, y)
d (x, y)
d (x, y)
28
(f ) D (f ) D
(f ). Isto nos diz que f e tambem
assim, concluimos que D
Lipschitz contnua sobre X respeito `a metrica d , para quase todo . Sejam x, y
[a0 ]n para algum a0 W1n ,
n
n
SSSSSSSSSSss
L (f )(x) L (f )(y)
X
X
S
(z
)
S
(z
)
e n 1 f (z1 )
e n 2 f (z2 )
=
n (z )=x
n (z )=y
,v
,v
1
2
vW
n
n
vW
X
n
n
(y)
n
(x)
n
Sn ,v
Sn ,v
f ,v (y)
f ,v (x) e
e
n
vW
X
n
n
n
n
(y)
(x) eSn ,v (x) f ,v
eSn ,v (x) f ,v
n
vW
n
n
n
n
(y)
(y) eSn ,v (y) f ,v
+ eSn ,v (x) f ,v
X
n
n
n
eSn ,v (x) f ,v
(x) f ,v
(y)
n
vW
n
Sn ,v
(y)
n
vW
Sn (n (x))Sn (n (y))
n
,v
,v
f ,v
(y) e
1 .
n
n
(y) [v] , portanto, pela desigualdade (2.5) temos que
(x), ,v
Notemos que ,v
X
n
n
n
n
L (f )(x) L n (f )(y)
eSn ,v (x) f ,v
(x) f ,v
(y)
n
vW
n
n
eSn ,v (y) f ,v
(y) (Bn 1) dr (x, y)
n
vW
n
n
n
eSn ,v (x) D (f ) dr ,v
(x), ,v
(y)
n
vW
n
+ (Bn 1) dr (x, y) L |f | (y)
n
D (f ) rn dr (x, y) L 1X (x)
n
+kf k (Bn 1) dr (x, y) L 1X (y) .
Como L (1X ) = 1X , temos que
n
L (f )(x) L n (f )(y) D (f ) rn + kf k (Bn 1) dr (x, y) .
(2.6)
Pela hipotese, nos temos que L (c) = c para cada c R. Sem perda de generalidade,
podemos supor que inf{f (x) : x X } = 0. Entao
(f ) d (x, y) D
(f ) ,
|f (x)| |f (y)| |f (x) f (y)| D
DO TRANSPORTE
2.3. METRICA
DE WASSERSTEIN E CONSTRUC
AO
29
n dr (x, y)
dn (x, y)
D (f ) rn + kf k (Bn 1)
=
n
n
(f ) (Bn 1)
D (f ) r + D
n
n
(f )
r + Bn 1 D
Bn D (f )
(f ) ,
=D
n
isto mostra [i] localmente. Agora, dados x, y X vamos contruir um transporte Qx,y
n +1,
n +1,
(y ) com uma limitacao inferior uniforme sobre uma vizi(x ), L
L
nhanca da diagonal, considerando ramos inversos passando atraves do cilindro [1] . Defina
para quase todo ,
1
C := inf e ,1 (x) .
xX
Note que
1
C e ,1 (y)
1
e ,a (y) = L 1X (y) 1 ,
(2.7)
1
aW
inf
n 1
yXn +1
Sn +1 ,(v,1) (x)
(2)
(1)
(v,1) (x) := e
(v,1) .
Notemos que
(1)
(v,1) =
=
=
n 1
inf
yXn +1
inf
yXn +1
inf
n
X
!
n 1
i i ,(v,1)
(y)
i=0
n 1
exp n n ,(v,1)
(y) +
yXn +1
nX
1
!
n 1
i i ,(v,1)
(y)
i=0
n 1
Como ,(v,1)
(y) [v, 1] , temos que
n 1
n
n
,(v,1) = n n 1 . . .
1
,v
0
1
,v
1
...
{z
n
,v
1
n 1 ,v
n 1
}
1
[v,1]
1
1
n ,1 = n ,1 .
30
Do mesmo modo,
n 1
1
1
,v
. . . 1
1
= ,v
,(v,1)
n ,1
n 1 ,v
0
1
n 1
1
= n 1 n 2 . . .
1
n ,1
[v]
n
1
= ,v
n ,1 .
Assim,
(1)
(v,1) =
inf
yXn +1
exp n
1
n ,1 (y)
nX
1
!
n
i i ,v
1
n ,1 (y)
i=0
n
1
+ Sn ,v
n ,1 (y)
yXn +1
n
1
inf exp Sn ,v
inf exp n 1
n ,1 (y)
n ,1 (y)
yXn +1
yXn +1
n
(y)
= Cn inf exp Sn ,v
=
inf
exp n
1
n ,1 (y)
y[1]n
(2.3)
B1
n C n
n
sup exp Sn ,v
(y) .
(2.8)
y[1]n
,(v,1)
........................................ +
,(v,1)
1
P
(1)
(v,1)
n
vW
(2)
(2)
a (x)b (y)( n 1 (x) n 1 (y)) .
,a
,b
n +1
a,bW
Assumimos que Qx,y e uma medida de probabilidade e que e um acoplamento das medidas
n +1,
n +1,
L
(x ) e L
(y ) (veja paginas 353 e 354 de [4]). Por construcao, temos
novamente que
n
n
n
n
d ,v
(x),,v
(y) dr ,v
(x),,v
(y) rn < 1 ,
(2.9)
n
para cada v Wn e x, y [1]n . Assim, por (2.8) e L
1X = 1X n ,
X
Qx,y {(x0 , y 0 ) : d (x0 , y 0 ) rn } =
(1)
(v,1) +
n
vW
B1
n C n
1
P
n
vW
B1
n C n
=
B1
n C n
n
vW
(1)
(v,1)
(2)
(2)
a (x)b (y)
n +1
a,bW
n
sup exp Sn ,v
(y)
y[1]n
sup
y[1]n
sup
y[1]n
n
exp Sn ,v
(y)
n
vW
n
L
1X (y) = B1
n C n .
(f ). Para
Agora, vamos usar essa estimacao para obter uma contracao uniforme de D
isto, defina
:= (x0 , y 0 ) X2 : d (x0 , y 0 ) rn .
DO TRANSPORTE
2.3. METRICA
DE WASSERSTEIN E CONSTRUC
AO
31
n +1,
n +1,
(y )
(x ), L
W L
X2 \
(2.9)
rn Qx,y + 1 Qx,y
= 1 (1 rn )Qx,y
1 (1 rn )B1
n C n =: s n < 1 .
(f ) < ,
Pela dualidade de Monge-Kantorovich, para f : X R com D
n +1
n +1
SSSSSSSSSSSSSSSS
L
(f )(x) L
(f )(y)
Z
Z
n +1
n +1
L
(f ) dy
(f ) dx
= L
Z
Z
n +1,
n +1,
= f d L
(x ) f d L
(y )
Z
Z
n +1,
n +1,
f
f
= D (f )
(x )
(y )
d L
d L
(f )
(f )
D
D
n +1,
n +1,
(f ) W L
D
(x ), L
(y )
(f ) sn .
D
Pelo feito anteriormente, temos que
n +1
n +1
L
(f )
(f )(y)
(f )(x) L
D
se dn +1 (x, y) < 1
(f ) se dn +1 (x, y) = 1
sn D
dn +1 (x, y)
(2.10)
o que prova a afirmacao [i] do teorema. Para provar [ii] notemos que a dualidade de
Monge-Kantorovich implica que
Z
Z
n +1,
n +1,
n +1,
n +1,
W L
(x ), L
(y ) =
sup
f d L
(x ) f d L
(y )
(f )1
D
Z
=
sup
(f )1
D
n +1
L
(f ) dx
n +1
L
(f ) dy
o
n
n +1
n +1
(f )(x) L
(f )(y)
sup
L
(f )1
D
(2.10)
(f ) t dn +1 (x, y) .
t dn +1 (x, y) D
(2.11)
32
n +1,
n +1,
Alem disso, seja Px,y L
(x ), L
(y ) um trasporte otimal das medidas
n +1,
n +1,
L
(x ) e L
(y ). Utilizando uma construcao semelhante `a feita para Qx,y ,
n +1,
pode-se mostrar que dado > 0 existem > 0 e um transporte Px,y
L
(x0 ),
n +1,
(y0 ) construdo a partir de Px,y de um modo contnuo, tal que
L
Z
Z
dn +1 (x, y) dPx,y dn +1 (x, y) dPx,y
x0 , y 0 : dr (x, x0 ), dr (y, y 0 ) < .
,
n +1,
n +1,
(y0 ) e contnua e existe uma
(x0 ), L
Em particular, (x0 , y 0 ) 7 W L
famlia localmente contnua de acoplamentos Px0 ,y0 : x0 , y 0 Xn +1 , a qual esta
dQ(x, y),
proxima a tal metrica de Wasserstein. Seja Q definida por dQ (x, y) := Px,y
n +1,
n +1,
(n +1 ) .
(n +1 ), L
entao pode-se mostrar facilmente que Q L
Assim,
Z
n +1,
n +1,
dn +1 (x, y) dQ (x, y)
(n +1 ), L
(n +1 ) =
W L
ZZ
(2.11)
13 Observac
ao: A prova revela que o metodo de acoplamento contrasta com os metodos
espectrais (como aquele usado na prova do teorema de Perron, mas adaptado para fibrados
- veja [1]), pois e imediatamente aplicavel a ferramentas sobre fibrados.
9 Corol
ario: Sejam (X, , , P, ) uma CMRC e um potencial : X R definidos como
antes e tais que L (1X ) = 1X para quase todo . Entao existem constantes
t (0, 1), c > 0 e sequencia aleatoria {ln }nN0 N tais que
i Dadas medidas de probabilidade randomizadas , e n N,
l ,
l ,
W L n (ln ), L n (ln ) c tn Wln (ln , ln ) ,
para quase todo .
ii Dada uma aplicacao fibrada f e n N,
l
D L n (f ) c tn D (f ) ,
para quase todo .
Se B e uniformemente limitada, entao o corolario vale para c = 2 ess-sup B .
DO TRANSPORTE
2.3. METRICA
DE WASSERSTEIN E CONSTRUC
AO
33
Prova: Aplicando o teorema 8, escolhemos = 1/2, C > 0 e B 1 tais que P B,C >
0, onde
B,C := : B B, C C .
Note que isto implica que = 2B . Redefina
n := min n N : n B,C , n b logr (2 )c + 1 .
que existe e e finito pela ergodicidade de . De (2.7) segue que
t := 1
C
C
1
1
1
1
=,
2B
2B
2B
2
C n
1 Cn
C n
=1
1 (1 rn )
= s n ,
2Bn
2 Bn
Bn
e portanto, concluimos que t t para quase todo . A sequencia {ln }nN0 e definida
recursivamente como segue:
l0 := n
ln := ln1
+ nln1 +1 + 1 .
B,C .
Em particular,
ln = 2Bln 2B =: c .
Agora, notemos que
ln
= n + n +
n1
X
ni ,
n 1,
i=0
e notemos que
ln1 +1 nn1 ,
ln ,
n +1, n +1 n0 +1,
L
. . . L
L
ln = L
ln .
Alem disso, para uma aplicacao fibrada f vale que
ln
ln1 +1 nn1 ln2 +1 nn2 +1
n +1
L (f ) = L
L
. . . L
(f ) .
Pela afirmacao [ii] do teorema 8, temos que
l ,
l ,
W L n (ln ), L n (ln ) t t0 t1 . . . tn2
ln1 +1 nn1 ,
ln1 +1 nn1 ,
Wn1 L
(ln ), L
(ln )
tn
ln1 +1 nn1 ,
ln1 +1 nn1 ,
Wn1 L
(ln ), L
(ln )
c tn Wln ln , ln .
34
k,n
1
log t .
K P B,C
Por outro lado, notemos que se trocamos k por k + 1 o limite nao muda. Assim, para
cada s (0, 1) com log s > log t/ K P B,C , existe uma variavel aleatoria c tal que
n,
n,
W L (n ), L (n ) c sn Wn (n , n ) ,
o que mostra o corolario.
2.4
Uma vers
ao aleat
oria do teorema de Ruelle
15 Definic
ao: Dada uma aplicacao fibrada g : X R Lipschitz, para quase todo
defina
k g kL := D (g) + k g k = D (g) + sup |g (x)| ,
xX
a norma aleat
oria de Lipschitz.
ALEATORIA
35
L (h ) = h
e
h d = 1 ;
ii Existe M > 0 tal que |h (x)| M para quase todo x X . Alem disto, existe uma
R
variavel aleatoria B : [1, ) com log B dP < tal que a funcao log h e
1-Holder contnua em relacao `as constantes B 1 e a mesma constante de Holder
r de ;
iii Para quase todo , tem-se que
L ( ) = ;
iv A medida de probabilidade definida por
ZZ
(A) =
h d dP ,
A X mensuravel,
A
e -invariante e ergodica;
v e a u
nica medida de probabilidade randomizada tal que
L ( ) = ,
Alem disso, h e a u
nica aplicacao fibrada nao trivial positiva (a unicidade com
excecao de mutiplicacao por escalar) tal que
L (h ) = h
para quase todo ;
vi Existem t (0, 1), c > 0 e uma sequencia aleatoria {ln }nN0 tais que para cada
aplicacao fibrada f = {f } Lipschitz, cada n N e quase todo , tem-se
que
l
ln
Z
L n (f )
f d
2c tn D (f ) ;
ln ()hln
L
vii Existem t (0, 1), uma variavel aleatoria K : [0, ) e uma sequencia {ln }nN0
tais que para cada aplicacao fibrada f = {f } Lipschitz, cada n N e quase
todo , tem-se que
ln
l
Z
L n (f )
f
d
c K tn k f kL ;
ln ()hln
L
36
viii Existem s (0, 1) e duas variaveis aleatorias K, c : [0, ) tais que para cada
aplicacao fibrada f = {f } Lipschitz, cada n N e quase todo , tem-se
que
n
n
Z
L (f )
f d
c K sn k f kL .
n ()hn
L
x X ,
e para cada .
14 Observac
ao: Sejam a W1 e A [a] , entao o teorema anterior implica que
Z
(A) =
e d ,
A
para quase todo . Assim, { } e uma medida aleatoria conforme. Notamos que
a conformidade neste caso da uma caracterizacao de { } em relacao aos autovalores
do operador L , o qual atua sobre o espaco de medidas de Radon (ver o teorema 6.1 de
[7]), isto e,
L ( ) = .
possvel reescrever o teorema anterior em funcao da pressao de Gurevich
15 Observac
ao: E
PG () adaptada para aplicacoes fibradas, mas a proposicao 5.2 em [7] garante que sob as
nossas condicoes temos que
Z
PG () = log dP() ,
portanto, podemos enunciar os nossos resultados sem introduzir o conceito de pressao.
16 Observac
ao: Seja a = (a0 , a1 , . . . , an1 ) Wn . Da prova do teorema 12 em [11] pode-se
deducir uma estimativa para [a] (veja observacao 4.6 em [11]). Defina
n () := . . . n1 .
Assim, para quase todo e cada n N,
Bn
1
[a]
n () Sn (x) Bn ,
e
x X ,
com B definido como antes (ver pagina 25). O anterior e chamado propriedade de
Gibbs da medida { } numa CMRC.
ALEATORIA
37
Prova: [do teorema 11] A prova de [iii] decorre da observacao 15 e [iv] segue da proposicao
7.3 em [11], portanto, podemos assumir que e sao conhecidos. Primeiro vamos provar
as condicoes de regularidade [i] e [ii] para uma aplicacao fibrada h que vamos construir
como segue:
(1) Construcao de h . Para e k N defina
f,k
k k
1Xk
L
:=
.
k (k )
Sk k k
k
,a
(x)
B k [a]k .
(
)
e k ,v B
k
k (k )
k
vW k
k [v]k
vW kk
= B k Xk = B ,
e assim obtemos que f,k (x) B para quase todo e k N. Como consequencia
do corolario 4.7 em [11], temos que existe tal que f,k (x) e limitado por embaixo
sempre que k . Assim, defina a aplicacao fibrada h = {h } tal que
h (x) := lim inf f,k (x) ,
k
x X .
Notemos que h e limitada por cima e por baixo, para quase todo (a limitacao
depende de ).
38
k
L (h )(x) lim inf L (f,k )(x) = lim inf L
(x)
k )
k
k
(
k
k
k
k k+1
1Xk (x)
L
= lim inf
k
k+1 (k )
k
k+1 k
L
1Xk+1 (x)
= lim inf
k
k (k+1 )
k+1
Fatou
inf
y[1]1
Assim, inf h > 0 para quase todo . Combinando as limitacoes superior e inferior
obtidas anteriormente, e pela positividade de L , temos que 0 < inf h sup h < ,
para quase todo . Isto prova [i] e [ii] do teorema 11.
(3) Normalizando o operador. A parte [ii] implica que log h e 1-Holder contnua, e
portanto, log h e 2-Holder contnua. Ja que h e limitada por cima e por baixo,
temos que varn log h (x) < para quase todo x X . Defina o potencial
como segue,
(x) := (x) + log h (x) log h (x) log ,
ALEATORIA
39
para cada x X e quase todo . Notemos que este potencial cumpre com a
propriedade (1), de fato,
L (f )(x) =
e (y) f (y) =
(y)=x
1 X (y) h (y)
f (y)
e
h (y)
(y)=x
=
=
1
h (x)
1
h (x)
(y)=x
L (h f )(x) ,
e portanto, concluimos que L (1) = 1. Deste modo, pode-se mostrar indutivamente que
n
n
(2.12)
n () hn L (f ) = L (h f )
para quase todo , cada n N e cada f : X R funcao Lipschitz e limitada.
Dado que L (1) = 1, para a medida = { } dada por d = h d , temos que
L ( ) = . Sejam t (0, 1), c > 0 e {ln }nN0 N como no corolario 9. Para uma
) 1, n N e x Xln , pela dualidade de
funcao f : X R Lipschitz com D(f
Monge-Kantorovich e pela parte [i] do corolario 9, tem-se que
Z
Z
Z
ln
L (f )(x) f d = f d L ln , (x ) f d L ln , (ln )
ln ,
ln ,
W L
(x ), L
(ln )
c tn Wln (x , ln )
Z
n
dln (x, y) dln (y) c tn .
ct
l
R
Assim, temos que
L n (f ) f d
c tn . Combinando isto com a parte [ii] do
corolario 9, obtemos [vi] do teorema 11. Alem disso, segue da parte [i] do corolario 9 que
e a u
nica medida de probabilidade tal que L ( ) = .
(4) Transferindo os resultados. Da igualdade (2.12), temos que
n
Z
Z
n
L (f )
f
f d = L f /h
d ,
n
n () h
h
(2.13)
para cada f : X R Lipschitz. Assim, e possvel provar as partes [vii] e [viii] do teorema
f /h . Entao,
11 estimando D
f (x)
f (y)
h (x) h (y)
/h ) 2 sup
D(f
x,yX
d (x, y)
1
1
1
sup |f (x) f (y)| + k f k sup h (x) h (y)
h
x,yX
x,yX
d (x, y)
d (x, y)
1
) + k f k sup
= k 1/h k D(f
x,yX
d (x, y)
(2.5)
k 1/h k k f kL max 1, k h k k 1/h k , B 1 ,
40
L f /h
=
f
d
d
ln () hln
h
L
L
f /h c tn K k f k ,
2c tn D
L
o que mostra a parte [vii]. Para provar [viii], notamos que dada uma funcao f : X R
Lipschitz com D(f ) 1, o corolario 10 implica
Z
n
L (f )(x) f d W L n, (x ), L n, (n )
c sn Wn (x , n ) c sn .
Alem disso, temos que
n
L (f )(x) L n (f )(y) W L n, (x ), L n, (y )
c sn Wn (x , y ) = c sn d (x, y) ,
n
portanto, concluimos que D L (f ) c sn . Como consequencia das ultimas duas
desigualdades, da igualdade (2.13) e da estimacao para D f /h , temos que vale [viii].
(5) Unicidade. Finalmente, a unicidade da medida segue da unicidade da medida ,
que e L -invariante. Assim, vale [v] e isto conclui a prova do teorema 11.
#
Captulo 3
Exemplos de aplica
c
ao e perspectivas
futuras
Nosso objetivo sera usar o teorema 4.1 em [14] (resultado um pouco mais geral ao
desenvolvido neste trabalho) para calcular numericamente as autofuncoes do operador de
Ruelle associado a uma transformacao aleatoriamente perturbada que seja suficientemente
bem comportada. Para aplicar tal teorema e necessario definir alguns conceitos que vao
ser importantes no momento de conectar o problema que queremos solucionar com a nossa
teoria.
3.1
Aplicac
ao ao decaimento de correla
c
oes
es
fibradas
f,
g
tais
que
f
e
Lipschitz
e
|gn | dn <
n
. O teorema 11 implica que
L (f ) d
converge para 0 exponencialmente rapido.
R
Assim, para aplicacoes fibradas f Lipschitz contnua com f d = 0 q.t.p. e g com
R
|g | d < , nos obtemos a seguinte estimacao para o decaimento de correlacoes:
Z
Z
ln
f gln ln d
L (f ) gln dln
Z
ln
L (f ) |gln | dln
Z
n
2c t D (f ) |gln | dln .
Tal estimacao pode ser muito pratica para estimar numericamente as autofuncoes h
quando as hipoteses do problema sao suficientemente boas.
41
E PERSPECTIVAS FUTURAS
CAPITULO 3. EXEMPLOS DE APLICAC
AO
42
3.2
Aplicaco
es de Markov no intervalo
Ik ,
kK
e tem-se que I = I;
e estritamente monotona, diferenciavel e Tk0
e localmente Lipschitz tal que pode-se definir sobre Ik ;
2. Para cada k K, a funcao Tk := T
Ik
n1
\
T i (Ii ) .
i=0
i=1
n2
\
i=0
3.2. APLICAC
OES
DE MARKOV NO INTERVALO
43
pois I1 T (I0 ). O anterior sugere que existe uma conexao entre uma aplicacao de Markov
e uma cadeia topologica de Markov, de fato, a aplicacao : XA I tal que
(x) = lim [Ix0 , Ix1 , . . . , Ixn1 ] ,
n
Ik T (Ij ) 6= ,
para cada par j, k K. Pode-se mostrar que (x) esta bem definido, de fato, e claro que
[Ix0 , Ix1 , . . . , Ixn1 ] 6= para cada n N, e considere y1 , y2 [x0 , x1 , . . . , xn1 ] XA tal
que d(y1 , y2 ) = rn (0 < r < 1). Defina t1 := (y1 ) e t2 := (y2 ), deste modo, T i (t1 ) e
T i (t2 ) estao no mesmo cilindro [Ixi , Ixi+1 , . . . , Ixn1 ] para cada i {0, 1, . . . , n 1}. Seja
c > 1 tal que T 0 (t) > c para cada t I , entao
| (y1 ) (y2 )| diam[Ix0 , Ix1 , . . . , Ixn1 ] cn diam I ,
o que mostra que
n
onde xi = k se T i (t) Ik ,
/ XA
[
kK
e tem-se que I = I ;
Ik ,
E PERSPECTIVAS FUTURAS
CAPITULO 3. EXEMPLOS DE APLICAC
AO
44
2. Para cada k K, a funcao T,k := T
0
T,k
Tn (Ij );
e as afirmacoes valem para quase todo . De modo analogo, para cada temos
uma conjugacao : X I tal que
3.3
/ I
Soluc
ao num
erica para um problema particular
Sabemos que e possvel identificar o toro unidimensional S 1 com o intervalo quociente [1, 1]/ , onde t1 t2 se e somente se t1 t2 (mod: 2), em outras palavras so
estamos identificando o -1 com 1 no intervalo. No que segue vamos esquecer a relacao
de equivalencia e vamos pensar S 1 como [1, 1] simplesmente. Considere a famlia de
aplicacoes S : [1, 1] [1, 1] ( [0, 1]) tais que
se t [1, 1/2]
2t + 2
1
S (x) = (t)
se t (1/2, 1/2)
2t 2
se t [1/2, 1]
-1.0
-0.5
0.0
0.5
1.0
-1.0
-0.5
0.0
0.5
1.0
Gr
afico de S para par
ametros = 0.33, 0.66, 1.
NUMERICA
3.3. SOLUC
AO
PARA UM PROBLEMA PARTICULAR
45
Ij T (Ii ) ,
portanto, a propriedade (3) tambem vale. Alem disso, T2 (Ii ) = [0, 1] para cada i
{1, 2, 3, 4} e temos a propriedade
(4). Finalmente, tambem temos que, para cada ,
2 0
existe > 1 tal que (T ) (t) > para cada t I , assim concluimos que T e uma
aplicacao de Markov. Usando o conjunto D visto anteriormente e possvel definir a matriz
0011
1 1 0 0
A :=
0 0 1 1
1100
Desta forma, o sistema T e conjugado com o subshift de tipo finito A : XA XA onde
X = {1, 2, 3, 4}N0 mediante a aplicacao : XA I , para cada . Defina tambem
o potencial dado por
:= log |T0 | .
Pode-se mostrar que e Holder contnua (pois T0 e localmente Lipschitz em quase todo
ponto e e Holder contnua). Dadas as consideracoes anteriores, e tomando a medida
de Lebesgue definida sobre XA , temos que para cada a W1 ,
Z
[9]
A (E) =
e d , E [a] mens.
L () = 1 ,
E
O teorema 4.1 em [14] garante unicidade da variavel aleatoria , da medida de probabilidade randomizada e do potencial h, portanto, dado o fato anterior, podemos assumir
conhecidos = () e 1. Alem disso, existem t (0, 1), uma variavel aleatoria
K : [0, ) e uma sequencia {ln }nN0 tais que para cada funcao f : X R Lipschitz,
cada n N e quase todo , temos que
ln
l
L n (f ) Z
f
d
c K tn k f kL .
(3.1)
hln
L
E PERSPECTIVAS FUTURAS
CAPITULO 3. EXEMPLOS DE APLICAC
AO
46
yy
yy
1
yy
Usando uma estimacao como a dada na subsecao 3.1, e possvel usar tambem a equacao
(3.1) para calcular numericamente as autofuncoes h (as constantes K tambem podem
ser estimadas usando o metodo Monte-Carlo). Os seguintes graficos mostram `a funcao h
(em preto) para o sistema nao aleatoriamente perturbado (dada pelo teorema de RuelleSarig) e mostra as funcoes h calculadas numericamente para diferentes valores de supp P,
-1.0
-0.5
0.0
y
0.5
1.0
-1.0
-0.5
0.0
y
0.5
1.0
-1.0
-0.5
0.0
0.5
1.0
Refer
encias Bibliogr
aficas
[1] T. Bogensch
utz e V. M. Gundlach. Ruelles transfer operator for random subshifts of
finite type. Ergod. Th. Dynam. Sys., 15(3):413447, 1995
[2] O. M. Sarig. Thermodynamic formalism for countable Markov shifts. Ergodic Theory
Dyn. Syst., 19(6):15651593, 1999.
[3] V. Baladi. Positive Transfer Operators and Decay of Correlations, Advanced Series
in Nonlinear Dynamics 16. 2000.
[4] M. Hairer. Exponential mixing properties of stochastic PDEs through asymptotic
coupling. Probab. Theory Relat. Fields 124, 345380, 2002.
[5] O. M. Sarig. Existence of Gibbs measures for countable Markov shifts. Proc. Am.
Math. Soc., 131(6):1751 1758, 2003.
[6] R. S. Varga. Gershgorin and his circles. Springer, 2004.
[7] M. Denker, Y. Kifer, e M. Stadlbauer. Thermodynamic formalism for random countable Markov shifts. Discrete Contin. Dyn. Syst., 22(1-2):131164, 2008.
[8] M. Hairer e J. C. Mattingly. Spectral gaps in Wasserstein distances and the 2D
stochastic Navier-Stokes equations. Ann. Probab., 36(6):20502091, 2008.
[9] O. Sarig. Lecture Notes on Thermodynamic Formalism for Topological Markov Shifts.
Penn State. Spring, 2009.
[10] C. Villani. Optimal transport, old and new. Grundlehren der Mathematischen Wissenschaften 388. Springer-Verlag, Berlin, 2009.
[11] M. Stadlbauer. On random topological Markov chains with big images and preimages.
Stoch. Dyn., 10(1):7795, 2010.
[12] W. Shen e S. van Strien. On stochastic stability of expanding circle maps with neutral
fixed points. Dynamical Systems 28, 423452, 2013.
[13] M. Hochman. Notes on ergodic theory. Classroom notes, 2013.
[14] M. Stadlbauer. Coupling methods and random topological Markov chains. Prepublicacao, 2014.
47
Indice Remissivo
Acoplamento, 26
Aplicacao
de full-shift, 17
de full-shift aleatorio, 21
de Markov, 42, 43
de subshift contavel, 17
fibrada, 22
Autovalor
maximal, 2
Cadeia topologica
de Markov, 17
de Markov randomizada completa, 21
Cilindro, 17, 22
Crculos
de Gershgorin, 15
Cone
nao negativo, 5
Conjunto
invariante, 17
Continuidade
de Holder para um potencial, 23
de Holder para uma aplicacao, 18
de Lipschitz para um potencial, 23
Contracao, 10
Dualidade
de Monge-Kantorovich, 26
Espaco
de full-shift aleatorio, 21
topologicamente mixing, 18
Estado
desviado, 2
Funcao
potencial, 23
Homeomorfismo
50
Simplex
nao negativo, 5
Sistema
fibrado aleatorio, 20
Somas
de Birkhoff, 24
Transformacao
ergodica, 17
nao singular, 17
que preserva a medida, 17
Transporte, 26
Variacao
de uma aplicacao, 18
de uma aplicacao fibrada, 22
somavel, 18
INDICE REMISSIVO