Una Versión Aleatoria Del Teorema de Ruelle-Sarig

Universidade Federal da Bahia
tica
Instituto de Matema
s-Graduac
o em Matema
tica
Programa de Po
a
o de Mestrado
Dissertac
a
Orientador: Prof. Dr. Manuel Stadlbauer
A Taxa de Decaimento e Transporte Otimal
n Ce
spedes
Alfredo Caldero
Salvador-Bahia
Janeiro de 2015
A Taxa de Decaimento e Transporte Otimal.
Alfredo Calder
on C
espedes
Dissertacao de Mestrado apresentada ao

Colegiado da Pos-Graduacao em Matematica da Universidade Federal da Bahia
como requisito parcial para obtencao do ttulo
de mestre em matematica.
Orientador: Prof. Dr. Manuel Stadlbauer
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
A Taxa de Decaimento e Transporte Otimal
n Ce
spedes
Alfredo Caldero
Dissertacao de Mestrado apresentada ao

Colegiado da Pos-Graduacao em Matematica da
Universidade Federal da Bahia como requisito
parcial para obtencao do ttulo de Mestre em
Matematica, aprovada o dia 30 de Janeiro de
2015.
Banca examinadora:
Prof. Dr. Manuel Stadlbauer (Orientador)

UFBA
Prof. Dr. Vtor Ara

ujo
UFBA
Prof. Dr. Teofilo Nascimento

UNEB
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 O teorema de Ruelle determinstico e aleat

orio
2.1 Ferramentas determinsticas basicas e o teorema de Ruelle-Sarig
2.2 Uma versao aleatoria do operador de Ruelle . . . . . . . . . . .
2.3 Metrica de Wasserstein e construcao do transporte . . . . . . . .
2.3.1 O metodo de acoplamento . . . . . . . . . . . . . . . . .
2.4 Uma versao aleatoria do teorema de Ruelle . . . . . . . . . . . .
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
o coeficiente na posicao (i, j) da matriz B ;

uma matriz de dimensao N N , cujo coeficiente na posicao (i, j) e ai,j ;
a coordenada na posicao i do vetor v ;
o conjunto das matrizes de dimensao N N
com coeficientes em C ;
o conjunto das matrizes de dimensao N N
com coeficientes em R ;
sup{d(x, y) : x, y A}, onde d e uma metrica ;

sup t R : P[f 1 (, t)] = 0 , onde (, P)
e um espaco de medida e f : R mens. ;

inf t R : P[f 1 (t, )] = 0 , onde (, P) e
um espaco de medida e f : R mens. ;
o conjunto N {0} ;
max{k N : k divide a m, m A}, onde
AZ;

x X : Nx B vizinhanca de x tal que

(Nx ) > 0 , onde (X, B, ) e um espaco de
medida e B os borelianos sobre o espaco X ;
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
Enunciado do teorema de Perron-Frobenius
O teorema de Perron-Frobenius descreve as propriedades dos autovalores maximais e

dos autovetores correspondentes quando A e uma matriz quadrada com entradas reais nao
N
negativas. Um autovalor maximal real ou complexo de uma matriz A = ai,j i,j=1

MN C e tal que || | | para cada autovalor de A. Alem disso, uma matriz A e
n
ao negativa se ai,j R e ai,j 0 para cada i, j {1, 2, . . . , N } (que denotamos por
A 0), e positiva se ai,j R e ai,j > 0 para cada i, j {1, 2, . . . , N } (que denotamos
por A > 0). A matriz A e chamada irredutvel se

i, j {1, 2, . . . , N } mi,j N : Ami,j i,j > 0 ,
isto e, o coeficiente na posicao (i, j) da matriz Ami,j e positivo. Se i {1, 2, . . . , N } e tal

que An i,i = 0 para cada n N, entao i e chamado um estado desviado . Alem disso,
A e chamada aperi
odica se existe M N tal que AM > 0.

1 Definic
ao: Seja A MN C uma matriz irredutvel e nao negativa. Para cada j
{1, 2, . . . , N } definimos o perodo q(j) como

q(j) = mdc n ; An j,j > 0 .
Dizemos que A e uma matriz q-peri
odica se q = q(j) para cada j {1, 2, . . . , N } (isto
e, o perodo q(j) nao depende de j).

1 Exemplo: Considere A MN R dada por:
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
1.1. ENUNCIADO DO TEOREMA DE PERRON-FROBENIUS
Como todo produto circular e aperiodico, existem k1 , k2 , . . . , kq N tais que
kj
j+q1 (mod q)
Y
Al e uma matriz positiva para cada j {1, 2, . . . , q}.

l=j
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.
Se q 2, dizemos que q e o perodo da matriz irredutvel A.

Prova: Primeiro provemos que o periodo q(j) nao depende de j. Como A e irredutvel
existem mi,j , mj,i N tais que (Ami,j )i,j > 0 e (Amj,i )j,i > 0. Dado m N, temos que
mi,j +m+mj,i
(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
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
Considere a metrica k k1 sobre RN dada por:

k x k1 =
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
Agora vamos construir uma distancia sobre que chamaremos m

etrica projetiva.
Note que pode-se identificar com o conjunto C/ onde x y x = y para

algum R+ , e R+ = {t R : t > 0} mediante a aplicacao bijetora f : C/ dada
por
f (
x) =
y
,
k y k1
onde y x , x C/ .
Para cada x, y C definimos

(x, y) = C (x, y) := sup R+ : y 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)
De fato, como C {0} e um conjunto fechado, temos que

y (x, y)x C {0}
z (y, z)y C {0} .
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
AO
claro que (x, y) = (y, x) para cada x, y C (condicao de simetria). A

2 Observac
ao: E
desigualdade triangular (1.2) para implica que
(x, z) (x, y)(y, z) ,
e dado que (x, x) = 1 para cada x C, entao concluimos que
2
(x, x) = 1 (x, y)
(x, y) 1 , x, y C .
2 Definic
ao: Dados x, y C, definimos sua pseudo-distancia projetiva como
C (x, y) := log (x, y) = log (x, y) log (x, y) [0, ] .
(1.4)
3 Observac
ao: Notamos que
C (x, y) =
x, y C e x 6= y .
Por exemplo, se N = 2, para x = (1, 0) e y = (0, 1) temos que (x, y) = 0, portanto,

(x, y) = 0 e segue que C (x, y) = .
R2
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 .
Notemos primeiro que se 1 , 2 > 0 e x, y C, entao

(1 x, 2 y) = sup R+ : 2 y 1 x C

1
= sup R+ : 2 y x C
2

1
= sup R+ : y x C
2

2
= sup R+ : y x C
1

2
=
sup R+ : y x C ,
1
(1.5)

NEGATIVO DE RN 7
1.2. METRICA
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 ,
e segue o resultado. Para o recproco () temos que

C (x, y) = 0
(x, y) = 1
(x, y)(y, x) = 1
(1.6)
(1 x0 , 2 y 0 )(2 y 0 , 1 x0 ) = (x0 , y 0 )(y 0 , x0 ) = 1 ,
onde x0 = x/1 e y 0 = y/2 . Esso u

ltimo diz que podemos assumir: (x, y) = 1 = (y, x).
Assim, temos que
x y C {0}
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
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) ,
e da, obtemos que

Ax
Ay
C LA x, LA y = C
,
k Ax k1 k Ay k1

Ay
Ax
Ay
Ax
= log
,
log
,
k Ax k1 k Ay k1
k Ax k1 k Ay k1

k Ax k1
k Ax k1
(1.6)
= log
(Ax, Ay) log
(Ax, Ay)
k Ay k1
k Ay k1

k Ax k1
k Ax k1
= log
+ log (Ay, Ax) log
log (Ax, Ay)
k Ay k1
k Ay k1
log (x, y) log (x, y) = C (x, y) .
Para uma matriz B positiva, obtemos uma desigualdade estrita na propriedade de contracao uniforme para LB . Primeiro, observamos que o diametro da imagem de por LB
e finito:

diam LB = sup C LB x, LB y < .
(1.7)
x,y

NEGATIVO DE RN 9
1.2. METRICA
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
pois nos temos que

diam LB = sup C LB x, LB y
x,y

= sup log C (Bx, By)
x,y

= log inf C (Bx, By)
x,y
= log = log(1/) < .

A condicao (1.8) coincide com:
=
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
Logo, temos que

(Bx)j (By)i =
(Bx)i (By)j =
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
assim, podemos ver que essa escolha de implica que

N X
N
X
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
para cada i, j {1, 2, . . . , N }. Da observacao (4) temos que

(Bx)i (By)j
inf C (Bx, By) = = min
> 0.
1i,jN
x,y
(Bx)j (By)i
GERAL
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)
portanto, com essas notacoes temos que

C (x, y) = log((x, y)) log((x, y)) = log(2 ) log(1 ) = log(1 2 ) .
Notemos que e suficiente considerar o caso 1 2 6= 0. Por definicao temos que y 1 x C
e

x
x
1
y =
y =
x (y, x)y C ,
2
(y, x)
(y, x)
a limitacao projetiva > 0 implica que existem 1 , 2 0 com 1 2 tais que

LB (y 1 x), LB (x/2 y) 1

e LB (x/2 y), LB (y 1 x) 2 ,
portanto, temos que
LB (x/2 y) 1 LB (y 1 x) C
e LB (y 1 x) 2 LB (x/2 y) C .
Dessa forma, fazendo alguns calculos (veja observacao 6), obtemos
LB x
1 + 1
LB y C
+ 1 1
1
2
LB y
1 +
2
2
1 + 2
LB x C .
Esso significa que

!
1 + 1
1
C LB x, LB y = log (LB x, LB y)(LB y, LB x) log
1+
+ 1 1
2
!
!
1
+
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.
1.3. PROVA DO TEOREMA DE PERRON
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
Prova do teorema de Perron
Assumimos primeiro que A e aperiodica. Seja M N tal que B = AM e positiva.

Considere o operador LA : como foi definido antes e note que LB = LM
A . Pela
proposicao (4) temos que existe c < 1 tal que

M
C LM
c C (x, y) ,
A x, LA y
x, y .dd
(1.10)
Provaremos que a propriedade (1.10) garante que LA possui um u

nico ponto fixo xA no

interior de . Para construir tal ponto fixo, notamos que diam LM
veja (1.7)
A <
e observe que

+n
diam LM
=
A
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
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
e concluimos entao que

bMn c
n
n
sup C LA x, LA y c
sup C (x, y) ,
x,yLM
A
x,yLM
A
portanto, a sequencia de diametros converge exponencialmente rapido para zero, isto e,

n
a sequencia LA converge para um conjunto unitario {xA } quando n . Assim,
dado > 0 existe N N tal que

n
C xA , LA xA <

,
c+1
n N ,
entao, para m > N tem-se que

m
m
C xA , LA xA C xA , LA xA + C LA xA , LA xA

m
m1
C xA , LA xA + c C LA xA , xA =

+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 .
Como todo autovetor v de A no quadrante positivo possui um autovalor > 0 (conseq

uencia direta da aperiodicidade de A), temos que k vv k e um ponto fixo do operador
LA e, pelo feito anteriormente, temos que A possui um u
nico autovetor xA no quadrante
positivo, com um autovalor real e positivo A .
Para ver que todo autovalor de A possui modulo estritamente menor que A , considere
u CN tal que Au = u, para algum C com || A . Observe que o vetor u RN

dado por u = |u1 |, |u2 |, . . . , |uN | satisfaz:
A u ||u = (u) = (Au) Au .
1.3. PROVA DO TEOREMA DE PERRON
13
Ja que a matriz transposta At tambem e aperiodica, o autovetor yA para o autovalor

A tambem tem coordenadas positivas (pois A e autovalor de A se e somente se A e
P
autovalor de At ). Usando hv, wi para denotar o produto escalar N
i=1 vi wi de dois vetores
N
v, w C , temos por definicao de yA ,

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
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
PROBLEMAS DE CONTROLE PARA POTENCIAS
1.4. APLICAC
AO:
15
onde a desigualdade se verifica para cada coordenada. Definimos
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,
e portanto, vamos supor que 1. Um teorema u

til dado por Semyon Gershgorin vai
nos ajudar a encontrar uma limitacao aceitavel (por acima) para os Ri s.
5 Teorema: (Gershgorin,[6]) Seja A = (ai,j )m
i,j=1 Mm (C) e para cada i {1, 2, . . . , m}
defina
X
ri :=
|ai,j | ,
j6=i
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

,
e notemos que r1 = 2 e r2 = 4. Os autovalores de A sao 5 e 1, e os crculos de Gershgorin

2) e B(1;
4). E
claro que 5 B(3;
2) e 1 B(1;
4).
sao B(3;
Aplicando o teorema de Gershgorin ao nosso problema de controle para potencias, temos
que
X
X
|i ai,i | = |i | ri =
|ai,j | = Ri
Gi,j , i {1, 2, . . . , m} ,
(1.14)
j6=i
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
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
solucao cumpre com o desejado.
1.5
Organizac
ao do texto
No captulo 2 vamos provar uma versao aleatoria do teorema de Ruelle determinstico,

para isso, vamos enunciar uma versao determinstica de tal teorema (o teorema 6), definir as ferramentas aleatorias para generalizar essa ideia sobre fibrados e enunciar um
importante resultado cuja prova explica o metodo de acoplamentos (veja o teorema 8).
Os passos anteriores sao necessarios para provar tal versao aleatoria do teorema de Ruelle
(o teorema 11) o qual e o resultado principal deste trabalho.
Finalmente, no captulo 3 calculamos numericamente as autofuncoes do operador de
Ruelle associado a um sistema dinamico bem comportado e definido por uma aplicacao de
necessario deixar claro que tal sistema dinamico nao e exatamente aleatorio
Markov. E
como os sistemas gerais nos que baseamos a nossa teoria, mas da para aplicar o nosso
teorema principal e obter uma ideia sobre a convergencia das autofuncoes no sistema
aleatoriamente perturbado quando o suporte da medida de probabilidade tende para um
conjunto unitario.
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
Seja (X, B, m) um espaco de medida. Uma transformacao mensuravel T : X X e

n
ao-singular se, dado C B vale que

m T 1 (C) = 0 m(C) = 0 .
Frequentemente, se vale a condicao anterior, vamos dizer tambem que a medida m e nao

singular em relacao T . Dizemos que T preserva a medida se m T 1 (C) = m(C)
para cada C B (em tal caso, se diz que m e T -invariante). Alem disso, T e uma
transformacao erg
odica se

Dado A B com m T 1 (A) 4 A = 0
m(A) = 0 ou m(Ac ) = 0 .

Um conjunto A B tal que m T 1 (A) 4 A = 0 e chamado T -invariante.

5 Definic
ao: Seja S um conjunto contavel e seja A = A, ,S MSS {0, 1} uma
matriz que nao tem linhas nem colunas nulas (a matriz A e chamada matriz de transicao).
Seja X = S N0 , entao o subshift cont
avel (de tipo finito ou enumeravel) definido pela
matriz de transicao A e a restricao A da aplicacao full-shift : X X ; (xi )iN0 7
(xi+1 )iN0 ao conjunto fechado e -invariante,

XA = (xi )iN0 X : Axi ,xi+1 = 1 , i N0 .
O conjunto XA e munido com a topologia gerada pela colecao dos n-cilindros:

[a0 , a1 , . . . , an1 ] := (xi )iN0 XA : xi = ai , i [0, n 1] N0 .

O par XA , A e chamado de cadeia topol
ogica de Markov.
17
18
CAPITULO 2. O TEOREMA DE RUELLE DETERMINISTICO E ALEATORIO
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
a, b S Na,b N : a b , para cada n Na,b .

Alem disso, dizemos que uma cadeia topologica de Markov XA , A possui a propriedade de grandes imagens e pr
e-imagens (g.i.p.) se o espaco XA e topologicamente
mixing e existe F S finito tal que
c S a, b F : as palavras (c, a) e (b, c) sao A-admissveis.
Seja (XA , A ) uma cadeia topologica de Markov e seja : XA R uma aplicacao.
Dizemos que e -H
older contnua se existe M > 0 tal que

|(x) (y)| M d(x, y) ,
x, y XA .
Definimos a n-
esima variac
ao de como
varn () = sup

|(x) (y)|
x,yXA
t.q. xi =yi
0in1
e dizemos que tem variac

ao som
avel se
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
Se e uma aplicacao Holder-contnua, definimos o operador dual de Ruelle associado

a como o operador tal que
Z
Z
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
temos que a soma na definicao do operador de Ruelle

absolutamente convergente para quase todo x 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 à medida ;
6. Para cada f : XA R contnua tem-se que
n

Z
L (f )
n

0 ;
f
d
n h

7. Para cada a S existem C > 0 e N N tais que

1
Zn (, a) enPG () C ,
C
para todo n N ;
No que segue, provaremos uma versao analoga do teorema de Ruelle no contexto de
cadeias topologicas de Markov contaveis randomizadas, para isso usamos o metodo de
acoplamentos ou transporte otimal que descrevemos e aplicamos na secao 2.3.
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) à fibra Y e denotada por Tn , portanto, Tn : Y Yn () .
ALEATORIA
2.2. UMA VERSAO

DO OPERADOR DE RUELLE
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.
..
e tal que a aplicacao 7 A e mensuravel (onde 1 denota a funcao indicatriz). Definimos

o espaco de full-shift aleat
orio em relacao a como

X = (xi )iN0 NN0 : Axi ,xi+1 (i ) = 1 , i N0

= (xi )iN0 NN0 : xi < ì , i N0 .
Como vemos, e possvel definir o espaco de full-shift aleatorio sem usar a matriz de
transicao A , mas esta e a forma de generalizar a definicao no caso de um espaco de
subshift aleatorio. Definimos o shift completo aleat
orio (ou full-shift aleatorio) :
X X dado por

(xi )iN0 = (xi+1 )iN0 .

Seja X = (x, ) : x X , o anterior da origem a uma aplicacao global : X X
(sistema fibrado aleatorio) tal que

(x, ) = (x), .
Isto define o seguinte diagrama comutativo
X
{}

/ {}

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 ì 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
2.2. UMA VERSAO

23
Alem disso, dizemos que e H

older contnua com ndice m N0 e constante r (ou
m-Holder contnua, quando a constante r seja subentendida) se existem r (0, 1) e uma
R
variavel aleatoria k : [0, ) tal que log k dP < e
varn () k rn ,
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
onde f : X [0, ] e Lipschitz (tal aplicacao , associada ao operador de Ruelle, e

chamada potencial). Analogamente, seja uma medida de probabilidade ran
domizada, entao para quase todo definimos o operador dual de Ruelle L
(associado ao potencial ) como o operador tal que
Z
Z

f d L ( ) = L (f ) d ,
para cada f : X [0, ] Lipschitz.
Dado , definimos a n-esima composicao da transformacao como sendo
n := n1 n2 . . . .
Sejam e a = (a0 , a1 , . . . , an1 ) Wn , definimos o homeomorfismo local de
composto n vezes em relacao a e a,

n
,a
:= n1 n2 . . .
[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
para cada potencial : X R. Tal expressao e conhecida como somas de Birkhoff

do potencial . Analogamente, definimos a n-esima potencia do operador dual de Ruelle
como segue
n
n,

n2 n1
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
Notemos que o lado direito da u

ltima desigualdade e finito P-q.t.p., de fato, pelo teorema
de convergencia monotona e dado que P e -invariante,
Z
r
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
2.2. UMA VERSAO

25
Em particular, para um potencial : X R Holder contnuo com ndice menor o igual

a m n + 1 (e as consideracoes feitas acima), temos que
"
!#rmn
"
!#rmn
X
X
i
Sn (x)Sn (y)
i
exp
kni r
e
exp
kni r
.
i=1
i=1
Defina a variavel aleatoria B : (0, ) dada por

B := exp
!
ki ri
i=1
log B dP < . Assim,

1
rmn
rmn

Bn
Bn
eSn (x)Sn (y) Bn
Bn .
(2.3)

De (2.1) temos que existe uma constante
L > 0 tal que Sn f (x) Sn f (y) L rmn ,

isto e, o valor Sn f (x) Sn f (y) esta numa vizinhanca da origem e, portanto, pelo
teorema de Taylor temos que existe uma constante Cn > 0 tal que

Sn f (x) Sn f (y) eSn (x)Sn (y) 1 Cn Sn f (x) Sn f (y) .
(2.4)
e notemos que
Assim, temos que

Cn
eSn (x)Sn (y) 1

.
= sup
x,y[a] Sn f (x) Sn f (y)
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
Concluimos, por (2.3) e (2.4), que

Bn 1
Sn f (x) Sn f (y)
ln Bn

Bn 1 mn
r
ln Bn = Bn 1 dr n (x), n (y) . (2.5)
ln Bn
eSn (x)Sn (y) 1
Dadas estas consideracoes, agora estamos em posicao de definir as ferramentas com as

que vamos trabalhar no que segue. Considere (X, , , P, ) uma CMRC e um potencial
: X R satisfazendo as propriedades:
1. e um potencial 2-Holder contnuo tal que a sua variavel aleatoria associada k e
R
tal que k dP < , e var1 () < para quase todo ;
2. 7 L (1X ) e uma aplicacao integravel.
Se L (1X ) = 1X para quase todo , entao as condicoes 1 e 2 podem ser trocadas
por
1. e um potencial 2-Holder contnuo e var1 () < para quase todo ;
No que segue, o potencial sera considerado com estas propriedades dependendo das
hipoteses nas que trabalhemos por exemplo, se L (1X ) = 1X , entao cumpre com
1).
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 às 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) .
Isto nos da um modo de definir a metrica de Wasserstein W e o coeficiente de Lipschitz

(f ) de uma aplicacao fibrada f em relacao a` distancia d sobre o espaco X , isto e,
D
(f ) := sup |f (x) f (y)| .
D
x,yX
d (x, y)
Considere a variavel aleatoria n : N tal que para quase todo ,

log
n
+ 1,
log r
e notar que com essa condicao tem-se que
n >
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 à 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
AO
29
(f ). Notemos que por construcao rn < 1 e supondo que

e concluimos que kf k D
dn (x, y) < 1, da equacao (2.6) obtemos que

n

L (f )(x) L n (f )(y)
D (f ) rn + kf k (Bn 1) dr (x, y)
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
para quase todo e todo y X . Vamos contruir um transporte das medidas

n +1,
n +1,
L
(x ) e L
(y ) mediante uma decomposicao do potencial. Para x Xn +1
e v = (v0 , v1 , . . . , vn 1 ) Wn , defina
(1)
(v,1) :=
inf
n 1
yXn +1
eSn +1 ,(v,1) (y) ,

n 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
eSn +1 ,(v,1) (y)

exp
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
Dados x, y Xn +1 , definimos a medida de probabilidade Qx,y sobre X X por

X

(1)
Qx,y :=
(v,1) n 1 (x) n 1 (y) ....................................................................
n
vW
,(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
AO
31
Entao, para x, y Xn +1 temos que

Z

n +1,
n +1,
(y )
(x ), L
W L
d (x0 , y 0 ) dQx,y (x0 , y 0 )

Z
d (x0 , y 0 ) dQx,y (x0 , y 0 )
................ +
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)
Assim, para t = max{, sn } temos que

n +1 L n +1 (f ) t D
(f ) ,
D
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)
Ja que n +1 e n +1 sao medidas de probabilidade sobre Xn +1 , sabemos que existe

um acoplamento Q n +1 , n +1 (um transporte otimal) tal que
Z

Wn +1 n +1 , n +1 = dn +1 (x, y) dQ(x, y) .
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 à 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
dn +1 (x, y) dPx,y dQ(x, y) +

Z
n +1,
n +1,

= W L
(x ), L
(y ) dQ(x, y)
.............................................................. +
Z
t dn +1 (x, y) dQ(x, y) +

= t Wn +1 n +1 , n +1 + .
(2.11)
Como > 0 e arbitrario, temos que vale a afirmacao [ii].
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
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
alem disso, por construcao temos que rn < 1/2, entao

t1
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 .
Assim, considerando i := li +1 temos que
ln = ln1 +nn1 +1 = nn1 ln1 +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
Analogamente, mostramos que

l

D L n (f ) c tn D (f ) ,
e segue o corolario.
Com esse resultado e possvel expressar a contracao fibrada mais explicitamente.

10 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 existe uma constante
s (0, 1) e uma variavel aleatoria c : (0, ) tais que

n,
n,
W L (n ), L (n ) c sn Wn (n , n ) ,
onde , sao medidas de probabilidade randomizadas e n N.
Prova: Como na prova do corolario anterior, considere o conjunto de medida positiva
B,C e a sequencia aleatoria {ln }nN . Tomando t = 1 C/(2B) como antes, do corolario
9 tem-se que
l ,
l ,

W L n (ln ), L n (ln ) 2B tn Wln (ln , ln ) .

Dado n N, escolha k N tal que lk n lk+1

. Se K := log(2B)/ log r + 1,
aplicando o teorema ergodico duas vezes e a formula de retorno de Kac (veja [13]), tem-se
que
1
l k
log tk = k log t
n
n lk
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.
11 Teorema: (Stadlbauer, [14]) Sejam (X, , , P, ) uma CMRC e um potencial definiR

dos como antes. Entao existe uma variavel aleatoria : [0, ) com log dP < ,
uma aplicacao fibrada h = {h } e uma medida de probabilidade randomizada =
{ } tais que valem:
ALEATORIA
2.4. UMA VERSAO

DO TEOREMA DE RUELLE
35
i Para quase todo , h : X R e uma funcao estritamente positiva que

satisfaz
Z
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 às 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 ( ) = ,
para quase todo .
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
Para provar tal teorema precisamos indicar alguns resultados previos.

12 Teorema: ([11], teo. 4.3) Sejam (X, , , P, ) uma CMRC e um potencial definidos
R
como antes. Entao existem uma variavel aleatoria : [0, ) com log dP < e
uma medida de probabilidade randomizada { } , tal que
d
(x)
(x) = 1
,
e
d( )
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
2.4. UMA VERSAO

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 )
Dados a W1 e x, y [a] , por um argumento similar ao dado na primeira parte da

prova do teorema 8, temos que
k k

k k
|f,k (x) f,k (y)| = k (k )1 L 1Xk (x) L 1Xk (y)

k k
k (k )1 (B 1) dr (x, y) L 1Xk (y)
= f,k (y) (B 1) dr (x, y) ,
R
pela desigualdade anterior e porque log B dP < (ver definicao de B e desigualdade
(2.2)), segue que log f,k e 1-Holder contnuo com parametro B 1, de fato, temos que

f,k (x) f,k (x)

1 (B 1) dr (x, y) .
|log f,k (x) log f,k (y)| = log

f,k (y)
f,k (y)
Por outro lado, pela observacao 16, para quase todo , k N, a Wkk e x [a]
tem-se que
k (k )1 e
Sk k k
k
,a
(x)

B k [a]k .
Deste modo, temos que

k k
X Sk k k (x)
1Xk (x)
L
k
1
=
(
)
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
(2) Propriedades de h . Notemos que para cada x X temos que

!
k k
1
L
X
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
= lim inf f,k (x) = h (x) ,

k
k+1
e assim concluimos que L (h ) h . Desta forma, para e n N, pela

conformidade de tem-se que
Z
Z
Z
n
h d = fn ,n dn =
n ()1 L (h ) dn
Z
n1
2
n ()1 L . . . L L
( h ) dn
Z
n1
2
n ()1 L . . . L (h2 ) dn
Z
n ()1 . . . n1 hn dn
Z
=
hn dn Bn .
R
Pela ergodicidade da transformacao , seque que h d ess-inf B . Pelo mesmo
argumento dado na prova de proposicao 7.3 em [7], concluimos que L (h ) = h . Das
estimacoes anteriores tambem temos que {log h } e 1-Holder contnua com parametro
B 1 e que k h k < B para quase todo . Para ver que h > 0, segue da sua
Holder continuidade que
X
1
1 h (x) = L (h1 )(x) =
e1 (y) h1 (y)
1 (y)=x
inf
y[1]1
e1 (y) h1 (y) > 0 .
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
2.4. UMA VERSAO

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)
e (y) h (y)f (y)
(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)
log h (x)log h (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
pois log h e 1-Holder contnua. Defina entao

K := 2 k 1/h k max 1, k h k k 1/h k , B 1 ,
para quase todo . Pela igualdade (2.13) e por [vi] temos que
ln
l

ln
Z
Z

L n (f )
ln

f

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
Sejam (X, , , P, ) uma CMRC e um potencial : X R definidos como antes e

tais que L (1X ) = 1X para quase todo . O teorema 11 tambem permite deduzir
decaimento exponencial de correlacoes utilizando a seguinte identidade fundamental
Z
Z
n
n
f gn d =
L (f ) gn dn ,
R
para quase todo e aplica
c
o
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
Seria bom falar sobre a importancia do decaimento de correlacoes. Geralmente, quando

existe decaimento temos que o sistema dinamico comporta-se assintoticamente como um
processo independente. Alem disso, se a taxa de decaimento e exponencial, o sistema vai
assumir o estado de equilbrio com velocidade exponencial, e possvel garantir a existencia
de medidas invariantes e da para mostrar uma versao do teorema de limite central, que e
uma propriedade mais forte que ergodicidade ou mixing (no sentido de medidas).
3.2
Aplicaco
es de Markov no intervalo
Na literatura existem varias definicoes diferentes do que e uma aplicacao de Markov,

a seguinte e a mais adequada para a aplicacao que queremos desenvolver.
16 Definic
ao: Uma transformacao sobrejetora T : I I, onde I R e um intervalo
(limitado ou nao), e chamada uma aplicac
ao de Markov em relacao a uma famlia
contavel {Ik }kK de intervalos abertos disjuntos, se e somente se, valem as seguintes
afirmacoes:
1. T e definida sobre o conjunto I , onde
I :=
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
3. Para cada j, k K, se T (Ij ) Ik 6= , entao Ik T (Ij );

4. Para cada (j, k) K 2 , existe n N tal que Ik T n (Ij );

5. Existe n N tal que inf tI (T n )0 (t) > 1 (T e expansora).
17 Observac
ao: Se denota a medida de Lebesgue definida sobre I, temos que e nao
singular em relacao a T (pois T e injetora). Se T e uma aplicacao de Markov, para
I0 , I1 , . . . , In1 {Ik }kK defina
[I0 , I1 , . . . , In1 ] :=
n1
\
T i (Ii ) .
i=0
Suponha que [I0 , I1 , . . . , In1 ] 6= , entao

"n1
#
\
\
n1
T [I0 , I1 , . . . , In1 ] =
T i+1 (Ii ) = T (I0 )
T i+1 (Ii )
i=0
i=1
n2
\
i=0
T i (Ii+1 ) = [I1 , I2 , . . . , In1 ] ,

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
define uma conjugacao entre o sistema dinamico expansor T e o subshift A : XA XA

(onde o espaco de full-shift e X = K N0 ) de tipo finito com matriz de transicao A

MKK {0, 1} dada por
Aj,k = 1
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
diam[Ix0 , Ix1 , . . . , Ixn1 ] 0 .

Assim, concluimos que limn [Ix0 , Ix1 , . . . , Ixn1 ] e um conjunto unitario e esta bem
definida. Alem disso, e invertvel exceto numa quantidade enumeravel de pontos e
1 : I XA e dada por
1 (t) = (xi )iN0 ,
onde xi = k se T i (t) Ik ,
que tambem esta bem definida. O seguinte diagrama resume o anterior:

XA
/ XA
Com a ideia da ultima observacao queremos generalizar a definicao de aplicacao de

Markov para o caso de um fibrado aleatorio, onde cada fibra e um intervalo. Considere o fi
brado aleatorio Y, T, , , P, tal que Y = I , onde cada I R e um intervalo. Assim,

dizemos que T e uma aplicac
ao de Markov em relacao a uma famlia {Ik }kK ,
com {Ik }kK uma famlia contavel de intervalos abertos disjuntos para cada , se e
somente se, valem as seguintes afirmacoes:
1. T e definida sobre o conjunto I , onde
I :=
[
kK
e tem-se que I = I ;
Ik ,
AO
44

2. Para cada k K, a funcao T,k := T
0
T,k
e estritamente monotona, diferenciavel e

e localmente Lipschitz tal que pode-se definir sobre Ik ;
Ik
3. Para cada j, k K, se T (Ij ) Ik 6= , entao Ik T (Ij );

4. Para cada (j, k) K 2 , existe n N tal que Ik

5. Existe n N tal que inf tI (Tn )0 (t) > 1;
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
onde : (1, 1) (1/2, 1/2) e dado por

1
(t) = 1 |t| t .
2
-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
Dados > 0 e o espaco de probabilidade (, P), seja : [1, 1] [1, 1] a rotacao/soma

aleatoria em , entao para cada defina a trasformacao T : [1, 1] [1, 1] dada
por
T (t) = S (t) .
Defina I := [1, 1] e considere a seguinte famlia de intervalos abertos disjuntos

P := {I1 , I2 , I3 , I4 } = (1, 1/2), (1/2, 0), (0, 1/2), (1/2, 1) .
As propriedades (1) e (2) de uma aplicacao de Markov sao facilmente comprovaveis neste
caso. Notemos que
T (I1 ) I1 = T (I1 ) I2 = T (I4 ) I3 = T (I4 ) I4 = ,

e que para cada (i, j) (1, 3), (1, 4), (2, 1), (2, 2), (3, 3), (3, 4), (4, 1), (4, 2) =: D, temos
que
T (Ii ) Ij = Ij 6=
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
AO
46
A vantagem de ter decaimento exponencial de correlacoes em relacao a subsequencias e

que as constantes t e c sao explicitamente dadas (por exemplo, c nao depende de ), o
que poderia dar origem a uma analise detalhado da estabilidade estocastica de aplicacoes
aleatoriamente perturbadas, como as estudadas em [12]. Dado que as contracoes nos
pontos (6) e (7) do teorema 11 sao derivadas dos retornos a um conjunto com parametros
limitados, c pode-se escolher como qualquer valor maior que ess-inf 2B , mesmo que a
escolha afeta a sequencia {ln }nN0 . Em particular, tal sequencia so pode ser controlada
em casos especiais, por exemplo, quando trabalhamos numa CMRC e B e uniformemente
limitada. Alem disso, notemos que a variavel aleatoria K nao depende da construcao
{ln }nN0 , de fato, K so depende de B e h como segue:

K = 2 k 1/h k max k h k k 1/h k 1, B 1, 1 .
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 à 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
A simulacao mostra que existe uma convergencia estavel h h quando supp P

tende a um conjunto unitario. Concluimos este trabalho com as seguintes perguntas:
Qual sera o tipo da convergencia h h ? Qual sera sua velocidade?
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
local para um fibrado, 23

Matriz
aperiodica, 2
de transicao, 17, 21
irredutvel, 2
nao negativa, 2
positiva, 2
q-periodica, 2
Medida
de Gibbs, 36
de probabilidade randomizada, 22
invariante, 17
nao singular, 17
Metrica
de Wasserstein, 26
projetiva, 57
Multiplicidade
algebrica, 4
geometrica, 4
Operador
de Ruelle, 19, 23
dual de Ruelle, 19, 23
projetivamente limitado, 9
Palavra
admissvel, 18
de qualquer comprimento, 22
finita, 22
-admissvel, 22
Perodo, 2
Pressao
de Gurevich, 19
Propriedade
de Gibbs, 36
de grandes imagens e pre-imagens, 18
Pseudo-metrica projetiva, 6
49
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

Una Versión Aleatoria Del Teorema de Ruelle-Sarig

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Una Versión Aleatoria Del Teorema de Ruelle-Sarig

Caricato da

Copyright:

Formati disponibili

Universidade Federal da Bahia

Orientador: Prof. Dr. Manuel Stadlbauer

A Taxa de Decaimento e Transporte Otimal

A Taxa de Decaimento e Transporte Otimal.

Dissertacao de Mestrado apresentada ao

A Taxa de Decaimento e Transporte Otimal

Dissertacao de Mestrado apresentada ao

Prof. Dr. Manuel Stadlbauer (Orientador)

Prof. Dr. Vtor Ara

Prof. Dr. Teofilo Nascimento

2 O teorema de Ruelle determinstico e aleat

o coeficiente na posicao (i, j) da matriz B ;

Enunciado do teorema de Perron-Frobenius

O teorema de Perron-Frobenius descreve as propriedades dos autovalores maximais e

1.1. ENUNCIADO DO TEOREMA DE PERRON-FROBENIUS

Como todo produto circular e aperiodico, existem k1 , k2 , . . . , kq N tais que

Al e uma matriz positiva para cada j {1, 2, . . . , q}.

Se q 2, dizemos que q e o perodo da matriz irredutvel A.

Considere a metrica k k1 sobre RN dada por:

Agora vamos construir uma distancia sobre que chamaremos m

Para cada x, y C definimos

De fato, como C {0} e um conjunto fechado, temos que

z (y, z)y C {0} .

claro que (x, y) = (y, x) para cada x, y C (condicao de simetria). A

Por exemplo, se N = 2, para x = (1, 0) e y = (0, 1) temos que (x, y) = 0, portanto,

Notemos primeiro que se 1 , 2 > 0 e x, y C, entao

e segue o resultado. Para o recproco () temos que

(1 x0 , 2 y 0 )(2 y 0 , 1 x0 ) = (x0 , y 0 )(y 0 , x0 ) = 1 ,

onde x0 = x/1 e y 0 = y/2 . Esso u

e da, obtemos que

pois nos temos que

= log = log(1/) < .

Logo, temos que

assim, podemos ver que essa escolha de implica que

para cada i, j {1, 2, . . . , N }. Da observacao (4) temos que

portanto, com essas notacoes temos que

Esso significa que

1.3. PROVA DO TEOREMA DE PERRON

Prova do teorema de Perron

Assumimos primeiro que A e aperiodica. Seja M N tal que B = AM e positiva.

Provaremos que a propriedade (1.10) garante que LA possui um u

e concluimos entao que

portanto, a sequencia de diametros converge exponencialmente rapido para zero, isto e,

entao, para m > N tem-se que

Como todo autovetor v de A no quadrante positivo possui um autovalor > 0 (conseq

1.3. PROVA DO TEOREMA DE PERRON

Ja que a matriz transposta At tambem e aperiodica, o autovetor yA para o autovalor

PROBLEMAS DE CONTROLE PARA POTENCIAS

onde a desigualdade se verifica para cada coordenada. Definimos

e portanto, vamos supor que 1. Um teorema u

e notemos que r1 = 2 e r2 = 4. Os autovalores de A sao 5 e 1, e os crculos de Gershgorin

solucao cumpre com o desejado.

No captulo 2 vamos provar uma versao aleatoria do teorema de Ruelle determinstico,

Seja (X, B, m) um espaco de medida. Uma transformacao mensuravel T : X X e

CAPITULO 2. O TEOREMA DE RUELLE DETERMINISTICO E ALEATORIO

a, b S Na,b N : a b , para cada n Na,b .

e dizemos que tem variac

Se e uma aplicacao Holder-contnua, definimos o operador dual de Ruelle associado

temos que a soma na definicao do operador de Ruelle

CAPITULO 2. O TEOREMA DE RUELLE DETERMINISTICO E ALEATORIO

7. Para cada a S existem C > 0 e N N tais que

2.2. UMA VERSAO

e tal que a aplicacao 7 A e mensuravel (onde 1 denota a funcao indicatriz). Definimos

dn +1 (x, y) dPx,y dQ(x, y) +

Como > 0 e arbitrario, temos que vale a afirmacao [ii].