Convergência de Cadeia de Markov Não-Homogênea e Aplicações
Bolsista: Magdal Alves Custódio Orientador: Juan Alberto Rojas Cruz Curso: Matemática
Brasília, 1
osemestre de 2006
SUMÁRIO
Introdução 10
Capítulo 1 – Normas e Produtos interiores 12
1.1 Espaços com produto interno 12
1.2 Propriedade num espaço com produto interior 14
1.3 Produto interior e normas 15
1.4 Normas induzidas por produtos interiores 15
1.5 Normas em R
n16
1.6 Caracterização de normas vetoriais induzidas por produtos interiores 17
Aplicações 19
Capítulo 2 – Normas matriciais 22
2.1 Norma de Frobenius 22
2.2 Uma leve generalização da norma de Frobenius 23
Capítulo 3 – Normas matriciais subordinadas 24
Normas subordinadas 25
Propriedades das normas subordinadas 26
Resultado da análise, interpretação dos dados e conclusões 28
Referências Bibliográficas 29
ANEXO
INTRODUÇÃO
A convergência de uma seqüência de matrizes A
1, A
2, ..., A
n, para uma matriz B implica na escolha de uma norma matricial. Assim, falamos de convergência de uma seqüência de matrizes para matriz B, em relação a uma norma , quando
0 B A
nlim
n− =
∞
→
.
O interesse de estudar a convergência de seqüências de matrizes está intimamente ligado a um tipo de processo estocástico chamado Cadeia de Markov . O estudo assintótico de uma Cadeia de Markov com espaço de estados finitos ou enumeráveis, pode ser realizado estudando o comportamento das matrizes estocásticas associadas à cadeia. Usualmente é utilizada a norma do supremo
∑
≥∞
=
1 j
ij i
a
A Sup para analisar a convergência de produtos de matrizes estocásticas. De fato, a maior parte dos resultados teóricos sobre convergência de produtos de matrizes estocásticas encontradas em Isaacson e Madsem (1973), são estabelecidos em relação a esta norma.
Em trabalho recente, ainda não publicado, Cruz (2006), observa que alguns resultados em produto de matrizes estocásticas podem ser reformulados em relação a normas mais gerais, a saber normas que não são necessariamente completas, porém que satisfazem a desigualdade AB ≤ A . B . Surge assim o interesse por identificar normas matriciais que satisfaçam a desigualdade acima. Ressaltamos que a identificação de normas mais gerais nas quais possam ser estabelecidos resultados sobre Cadeia de Markov é de grande interesse, uma vez que poderia facilitar as aplicações.
Em relação à pesquisa bibliográfica, destacamos o texto Álgebra Linear com
Aplicações de Steve J. Leon. Neste livro, encontram-se alguns resultados gerais
para gerar normas matriciais que satisfaçam à desigualdade AB ≤ A . B . A técnica
apresentada neste livro consiste em gerar normas matriciais a partir de normas
vetoriais; dada uma norma vetorial
Vdefine-se a norma matricial
M; da seguinte
forma:
V V 0
M x
x max Ax
A =
≠e mostra-se que estas normas satisfazem a desigualdade
desejada. Se considerarmos a norma vetorial
= ∑
=
≤
≤
m
1 i
ij n
j 1
1
a
A max , obtemos a norma
matricial
∞.
Um outro resultado interessante também encontrado nesse livro é a norma de Frobenius
2 1 n
1 j
m
1 i
2
F
a
ijA
= ∑∑
= =
, a qual é induzida pelo produto interior canônico em R
ne satisfaz a desigualdade AB
F≤ A
F. B
F.
Capítulo 1
NORMAS E PRODUTOS INTERIORES
1.1 – Espaços com produto interno
Definição: Seja V um espaço vetorial real. Suponha que a cada par de vetores u,v ∈ V associamos um número real, denotado por <u,v>. Essa função é denominada produto interno (real) em V, se satisfaz às propriedades abaixo:
(i) <u,u> ≥ 0; e <u,u> = 0 se e só se u = 0.
(ii) <u,v> = <v,u> quaisquer que sejam u e v em V.
(iii) <αu + βv, w> = α<u,w> + β<v,w> quaisquer que sejam u, v, w em V e α, β escalares.
Exemplos de produtos interiores 1º) Produto interno usual do R
nSe u = (x
1, x
2, . . ., x
n) e v = (y
1, y
2, . . ., y
n) são vetores genéricos do R
n, então
<u,v> = x
1y
1+ x
2y
2+ . . . + x
ny
n, define um produto interior.
2º) Espaço dos polinômios P(t)
O espaço vetorial P(t) de todos os polinômios é um produto interno definido definido pôr:
<f,g> = ∫
10f ( t ) g ( t ) dt
Por exemplo: considere f(t) = 3t – 5 e g(t) = t
2no espaço dos polinômios P(t) então
<f,g>,temos que f(t)g(t) = 3t
3– 5 t
2. Assim
<f,g> =
12 11 3 5 4 t 3
3 t 5 4 dt 3 ) t 5 t 3 (
1 0 3 1 4
0
2
3
− = − = − = −
∫
3º) Espaço de Hilbert
Seja V o espaço vetorial de todas as seqüências infinitas de números reais (a
1, a
2, a
3, . . .) satisfazendo a
∞
<
+ + +
∑
∞=
=1
2 3 2 2 2 1
2
a a a . . .
a
i i
isto é, a soma converge. A adição e a multiplicação por escalar são definidas em V componente a componente, isto é, se u = (a
1, a
2, . . .) e v = (b
1, b
2, . . .)
então, u + v = (a
1+ b
1, a
2+ b
2, . . .) e αu = (αa
1, αa
2, . . .),e temos o produto interno em V definido pôr,
<u,v> = a
1b
1+ a
2b
2+ . . .
A soma acima converge absolutamente para qualquer par de pontos em V. Desta forma, o produto está bem definido. Este espaço com produto interno é chamado de espaço ζ
2ou espaço de Hilbert.
4º) Espaço das matrizes M = M
mxnSeja M = M
mxno espaço vetorial de todas as matrizes reais do tipo mxn. Um produto interno é definido em M por:
<A,B> = tr (B
tA) onde, tr( ) é o traço, isto é, a soma dos elementos da diagonal principal. Se A = [a
ij] e B = [b
ij], então
<A,B> = tr (B
tA) = ∑∑
= = m
1 i
n
1 j
ij ij
b a
Isto é, <A,B> é a soma dos elementos correspondentes a A e B.
Por exemplo: Considerando as matrizes
=
=
2 1 -
0 B 1
5 e 3
2 A 1
<A,B> = tr (B
tA)
−
= 0 2
1
t
1
B ⇒ B
tA =
− −
=
−
10 6
3 2 5
3 2 . 1 2 0
1 1
<A,B> = tr(B
tA) = 2 10 8 10
6 3
tr 2 = − + =
− −
.
1.2 – Propriedade num espaço com produto interno Dois vetores u e v são ditos ortogonais se <u,v> = 0.
Por exemplo:
(a) O vetor 0 é ortogonal a todos os vetores em R
2; (b) Os vetores
6 4 e - 2
3 são ortogonais em R
2;
(c) Os vetores
1 1 1 e 1
3 -
2
são ortogonais em R
3.
Propriedade 1: Teorema de Pitágoras
Se u e v são vetores ortogonais em um espaço vetorial V munido de um produto interno, então
<u + v,u + v> = <u,u> + <v,v>.
Demonstração:
<u + v,u + v>
2= <u,u>
2+ 2<u,v> + <v,v>
2como <u,v> = 0, temos que
2 2
2
, ,
, + > =< > + < >
+
< u v u v u u v v
Propriedade 2: Desigualdade de Cauchy-Schwartz
Se u e v estão em um espaço vetorial V com produto interno, então
>
<
>
<
≤
>
<
>
<
>
≤<
>
< u, v u, u . v, v
2ou u, v
2u, u . v, v
1 2
1
Demonstração:
Para qualquer número real t temos,
>
<
+
>
<
+
>
<
>=
+ +
< tu v , tu v t
2u , u 2 t u , v v , v Sejam a =< u , u > , b = 2 < u , v > , c =< v , v > .
Como < tu + v , tu + v >≥ 0 , temos
u + v
v
u
•
2
+ bt + c ≥ 0
at para todo t.
Isso significa que o polinômio de 2
ograu não pode ter duas raízes reais, o que implica que
0
2
− 4 ac ≤
b ou que b
2≤ 4 ac . Desta forma,
. , . , 4 ,
4 < u v >
2≤ < u u > < v v >
Dividindo por 4 temos o resultado desejado.
1.3 – Produto interior e normas
Definição:
Seja V um espaço vetorial. Suponha-se que a cada v ∈ V associemos um número real, denotado por v . Esta função . é denominada de norma em V, se satisfaz as propriedades abaixo:
i) v ≥ 0 ; e v = 0 se, e somente se, v = 0;
ii) kv = k . v , quaisquer que sejam u, v ∈ V, k escalar;
iii) u + v ≤ u + v , para todo u, v ∈ V.
Um espaço vetorial com uma norma é chamado de espaço vetorial normado.
1.4 – Normas induzidas por produto interiores
Teorema 1.Se < , > é um produto interior em V, então
21
v v,
v =< > é uma norma.
Demonstração:
Verificação de i)
Se v ≠ 0, então <v,v> >0 e, assim, v = < v, v > > 0 . Se v = 0, então <0,0> = 0.
Desta forma, temos que 0 = 0 = 0 . Assim i) é verdadeira.
Verificação de ii)
Temos que kv
2=< kv, kv >= k
2< v, v >= k
2v
2. Tomando a raiz quadrada dos dois
lados da igualdade obtemos ii
Verificação de iii)
Usando a desigualdade de Cauchy-Schwartz temos:
( u v ) .
v v . u 2 u v v, v
, u 2 u , u v u , v u v
u +
2=< + + >=< > + < > + < >≤
2+ +
2= +
2Tomando a raiz quadrada dos dois lados da igualdade temos:
v u v
u + = + . Logo iii é verdadeira.
Exemplo: Seja < , > o produto interno usual em R
n, então v = v , v . Se v = (x
1,...,x
n)
( ,... ) ( , ,..., )
22...
2.
2 1 1
1
x
nx x
nx x x
nx
v = = + + +
1.5 – Normas em R
nNorma 1. Denotada por .
1A norma 1 soma os módulos dos componentes do vetor. Assim, se x = (x
1, . . ., x
n), então
∑
== + +
=
n1 i 1 i
1
x . . . x
x x
nExemplo:
Seja x o vetor x = (1, -5, 3) em R
3. Como a norma 1, x
1soma os valores absolutos dos componentes, temos então que x
1= 1 + − 5 + 3 = 9 .
Norma-infinito ou norma uniforme. Denotada por .
∞A norma-infinito ou norma uniforme escolhe o maior entre os módulos das componentes. Assim, se x = (x
1, . . ., x
n), então
n i i 1
máx x x
∞=
≤≤Exemplo:
Seja x o vetor x = (1, 3, -8, -4) em R
4. A norma infinito escolhe o maior dentre os
módulos das componentes. Portanto x
∞= 8 .
Norma p. Denotada por .
p, p ≥ 1; p ∈ R
A norma p é a raiz de ordem p da soma de cada uma das componentes elevada a p. Assim, se x = (x
1, . . ., x
n)
. x )
x ...
x ( x
1p n
1 i
p i 1p
p n p
p 1
= +
+
= ∑
=
Observação:
Em particular se p = 2, temos
. x x, x
x
12 n
1 i
2
2 i
= < >
= ∑
=
A norma .
2é a norma em R
nproveniente do produto interior. Mostra-se que para p
≠ 2,
.
pnão corresponde a nenhum produto interno, pois o Teorema de Pitágoras não é válido.
1.6 – Caracterização de normas vetoriais induzidas por produtos internos
Teorema 2. Seja uma norma em um espaço vetorial V tal que
(
2 2)
2
2
u v 2 u v
v
u + + − = + , para todo u, v ∈ V. Então existe um produto interior
< , > em V tal que
21
v
v,
v =< >
Demonstração:
É suficiente mostrar que a função f(u, v) = 1 2 ( u + v
2− u
2− v
2) define um produto interior.
( ) ( )
[ ( ) 4 u u u ] 1 2 ( 4 u 2 u ) ( ) 2 1 2 u u .
2 1
u u u 2 2 u 1 u u 2 u ) 1 u u, ( f i)
2 2
2 2
2 2 2
2 2 2 2
2 2
=
=
−
=
−
−
=
−
−
=
−
− +
=
Logo, f ( u, u ) = u
2, e como é uma norma, concluímos que f(u,u) ≥ 0 e f(u) = 0 se, e somente se, u = 0 (vetor nulo).
ii) f(ku,v) = k f(u,v), onde k é um escalar.
Temos que
( ) ( )
( 2 ku . v ) ku . v k u . v ( a)
2 1
ku v
. ku 2 2 ku
v 1 ku v
2 ku ) 1 v ku, (
f
2 2 2 2 2 2 2=
=
=
=
−
− + +
=
−
− +
= v v
Por outro lado:
( ) ( )
( 2 u . v ) k u . v . ( b)
2 k 1
v u v v . u 2 2 u
k 1 v
u v 2 u
k 1 ) v
kf(u,
2 2 2 2 2 2 2=
=
−
− + +
=
−
− +
=
de (a) e (b) constatamos que f(ku,v) = kf(u,v).
iii) Verifiquemos a bilinearidade da função f(u, v) = 2 1 ( u + v
2− u
2− v
2) , ou seja f(u + v,w) = f(u,w) + f(v,w) para todo u, v e w em V.
Por hipótese temos: u
2+ v
2= 2 1 ( u + v
2+ u − v
2)
Logo,
( ) ( )
( ) ( )
( ) ( ) 3
2 1
2 2 2
1
1 2 2
1
2 2
2 2
2 2
2 2
2 2
2 2
w v w v w
v
w v w v u u
w v u
v w v w u v
u w u
− + +
= +
+ + + +
= + + +
− + + +
=
+
+
+
somando v + w
2na igualdade (1), obtemos:
( )
(
2 2) (
2 2)
2 2
2 2
2 2
2 2 1
2 1 2 2 1
w v w v w
v v w u
w v v w v w u w
v v u w u
− + + + + + + +
=
+ +
− + + +
= + + + + +
utilizando as igualdades (2) e (3), podemos escrever:
2 2 2 2 2
2
2
u v v w u v w u v w
w
u + + + + + = + + + + +
ou seja,
( ) 4
2
22 2 2 2
2 2
2
u v w u w v w u v w
w v
u + + − + − = + + + − − −
como
( )
( )
(
2 2 2)
2 2 2
2 2 2
2 ) 1 , (
2 ) 1 , (
2 ) 1 , (
w v u w v u w
v u f
w v w v w
v f
w u w u w
u f
− +
− + +
= +
−
− +
=
−
− +
=
concluímos de (4) que: f(u + v, w) = f(u,w) + f(v,w).
Aplicações do Teorema 2:
A) Verifiquemos se a norma Euclidiana
E
é induzida por um produto interior. Para facilitar a notação consideremos a norma
x
Eem R
2. Pelo Teorema 2 é suficiente verificar a igualdade u + v
2+ u − v
2= 2 ( u
2+ v
2) .
Seja u = ( x
1, x
2) e v = ( y
1, y
2) .
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
(
12 22 12 22)
1 1 2 2 1 1 2 22 2 2 2 2 1 2 1 2 2 2 2 2 1 2 1
2 2 2 2 1 1 2 2 2 2 1 1
2 2 2 1 1 2 2 2 1 1 2 2
2
2 ,
,
y y x x
y x y x y x y x y x y x y x y x
y x y
x y
x y
x
y x y x y
x y x v
u v u
+ + +
=
−
− +
+ + + + + + + +
=
− +
− + + + +
=
−
− + +
+
=
− + +
e 2 ( u
2+ v
2) = 2 ( ( x
12+ x
22) ( + y
12+ y
22) ) , assim u + v
2+ u − v
2= 2 ( u
2+ v
2) para
qualquer u, v em R
2, do Teorema 2, concluímos que a norma
x
Eé induzida por um
produto interior.
B) Analisemos se a norma x
∞= max { x
1, x
2,..., x
n} é induzida por um produto
interior, isto é, vejamos se a igualdade u + v
2+ u − v
2= 2 ( u
2+ v
2) se verifica para qualquer escolha de u e v.
Observemos que se u = (2, 1, 0, ..., 0) e v = (1, 2, 0, ..., 0), então:
v
u = 2 = , u + v = 3 e u − v = 1 .
Logo, ( )
16 10
2 2 2 1
3
2 2 2 2≠
+
≠ +
Concluímos do Teorema 2 que não existe produto interior em R
nque induz a norma infinito.
C) Vejamos mais um exemplo, a norma matricial A = tr ( ) A
tA , onde A
tdenota a
transposta de A e tr denota o traço de A, isto é, a soma dos elementos da diagonal principal. Novamente consideramos o caso de matriz 2x2.
Seja
=
22 21
12 11
a a
a
A a logo
( )
2 112 212 122 22222 2 12 2 21 2 11 22
21 12 11 22 12
21
11
. a a a a
a a a tr a
a a
a a a a
a tr a
A A
tr
t = + + +
+
= +
= , por
outro lado A = a
112+ a
212+ a
122+ a
222se
=
22 21
12 11
b b
b
B b com
2 22 2 21 2 12 2
11
b b b
b
B = + + + ,
temos que:
+ +
+
= + +
22 22 21 21
12 12 11 11
b a b a
b a b B a
A e
−
−
−
= −
−
22 22 21 21
12 12 11 11
b a b a
b a b B a
A
( ) ( ) ( ) ( )
( ) ( ) ( ) (
22 22)
22 21 21 2 12 12 2 11 11
2 22 22 2 21 21 2 12 12 2 11 11
b a b
a b
a b
a B A
b a b
a b
a b
a B A
− +
− +
− +
−
=
−
+ + +
+ +
+ +
= +
Por último verifiquemos a igualdade u + v
2+ u − v
2= 2 ( u
2+ v
2) , assim teremos a
igualdade acima, mostrando que a norma A é induzida por um produto interior.
Observação: Na demonstração do Teorema 2 encontra-se uma fórmula para achar o produto interior que induz a norma (quando se tenha a igualdade). Por exemplo a norma x = x
1+ x
2+ ... + x
n1
é induzida pelo produto interior:
(
2 2 2)
2 22
, v 1 u v u v u v
u = + − − = + . Tomemos u = (x
1,x
2) e v = (y
1,y
2)
( ) ( ) ( ) ( )
[
1 1 2 2 2 2 1 1 2 2 2 2]
2
1 x + y + x + y + x − y + x − y
=
( )
[
12 12 22 22 12 12 22 222
1 1 2 2 1 1 2 2]
2
1 x + y + x + y + x + y + x + y + x y + x y − x y − x y
=
( )
[ 2
12 22 12 22]
2
1 x + x + y + y
=
(
12 22) (
12 22) , ,
2 2, .
2 2 2 1 2 2 2
1
x y y x x y y u u v v u v u v
x + + + = + + + = + = + =
=
Capítulo 2
NORMAS MATRICIAIS
2.1 – Norma de Frobenius
Definição: Para o espaço vetorial R
mxn, a norma definida pelo produto interno é chamada de norma de Frobenius e é denotada por ⋅
F. Logo, se A ∈ R
mxn, temos
12 n
1 j
m
1 i
j i, 2 2
1
F
( A , A ) a
A
=
〉
〈
= ∑∑
= =
Exemplo:
Sejam as matrizes
= 1 1
2 1
3 3
A e
−
−
=
1 1
0 3
4 3
B então a norma de Frobenius dessas
duas matrizes são dadas por:
5 ) 1 1 4 1 9 9
( + + + + +
12=
F
= A
6 ) 1 1 0 9 16 9
( + + + + +
12=
F
= B
A norma de Frobenius tem propriedades importantes que listamos a seguir.
I. Se a
jrepresenta a j-ésima coluna de A, então
12 n
1 j
m
1 i
j i, 2 2
1
F
( A , A ) a
A
=
〉
〈
= ∑∑
= =
=
12 2
1 2
∑
= n
j
a
jII. Se a(i,:) representa a i-ésima linha de A, então
12 m
1 i
n
1 j
j i, 2
F
a
A
= ∑∑
= =
=
12 2
1 2
:)
T, (
∑
= m
i
i a
III. Se x∈ R
n, então
) (
:) , ( )
:) , ( (
12
1
2 2 2
2 12
1
2 12
1
2
1
2
a
,x a i x x a i Cauchy Schwarz
Ax
m
i
T m
i m
i n
j
j j
i
−
≤
=
= ∑ ∑ ∑ ∑
=
=
= =
IV. Se B = (b
1, ..., b
r) é uma matriz n x r, então, pelas propriedades I e III,
( )
F F
2 1 r
1 i
2 i 2 F
2 1 r
1 i
2 i 2
r F 2
F 1
B A
b A
Ab
Ab ,..., Ab , Ab AB
=
≤
=
=
∑
∑
=
=
2.2 – Uma leve generalização da norma de Frobenius Definamos A
FG= λ A
Fonde λ ≥ 1
a) Verifiquemos inicialmente que A
FGé uma norma . i) A
FG= λ A
F≥ 0 , pois λ > 0 e A
F≥ 0 .
ii) kA
FG= λ kA
FG= λ k A
F= k λ A
F= k A
FG. iii) A + B
FG= λ A + B
F≤ λ ( A
F+ B
F)
. FG FG
F F
B A
B A
+
=
+
= λ λ
b) Vejamos que a norma A
FGherda a propriedade A . B
F≤ A
F. B
F. De fato, A . B
FG= λ A . B
F≤ λ A
F. B
F( pois 1 )
2
. ≥
≤ λ A
FB
Fλ
FG FG
F F
B A
B A
. .
=
= λ λ
Assim, . . .
FG FG
FG
A B
B
A ≤
Capítulo 3
NORMAS MATRICIAIS SUBORDINADAS
Consideremos que cada matriz m x n é um operador linear de R
nem R
m, para qualquer conjunto de normas vetoriais, podemos definir uma norma do operador comparando A x e x para cada x não nulo, definindo
x x A
x 0
max A
(1) =
≠É possível mostrar que existe um x
0particular em R que maximiza
n. x
x
A Supondo
que x x
A sempre pode ser maximizada, vamos mostrar que (1) define, de fato, uma
norma em R
mxn. Para isso, precisamos verificar que cada uma das três condições abaixo se verifica:
i) Para cada A 0.
max A
e A 0
0,
x ≠ ≥ =
x 0≥
≠
x
x x x
x
De fato, se A = 0 , então Ax = 0 para todo x ∈ R
n.
Isso implica que a
j= A e
j= 0 para j=1, . . ., n e , portanto, A tem que ser matriz nula.
)
( )
B A
max B max A
B max A
B max A
B A fato, De
B . max A
B A então 0, Se
iii)
; A α . max A
αA α αA max
ii
0 x 0
x 0 x
0 x
0 x 0
x
+
=
+
≤
≤ +
≤ + +
= + +
≠
=
=
=
≠
≠
≠
≠
≠
≠
x x x
x x
x x
x x x
x x x
x x x
x
Logo, (1) define uma norma em R
mxn. Para cada família de normas vetorias
V
, poderíamos, então, definir uma família de normas matriciais por (1). As normas matriciais definidas por (1) são ditas subordinadas às normas vetorias
V
. Teorema 3. Se a família de normas matricias
M
é subordinada à família de normas vetorias
V
, então
M
satisfaz a propriedade AB A B .
M M M
≤ Demonstração:
Se x é um vetor qualquer não-nulo em R , então
nA A . A max
M V
V 0
y V
V
≤ =
≠
y
y x
x
Logo,
V M
V
A .
A
(2) x ≤ x
Se B é uma matriz n x r, segue-se de (2) .
B A B
A
AB x
V≤
Mx
V≤
M Mx
VLogo, para todo x ≠ 0 ,
. B x A
max ABx AB
, portanto e
B AB A
M M V
V 0
M x
M M V
V
≤
=
≤
≠
x x
Observações:
2 2 0
2 x
max A
A x
x
=
≠é difícil de ser calculada, porém as normas
1 1 0
1 x
max A
A x
x
=
≠e
∞
∞
∞
=
≠x x max A
A
x 0são fáceis de se calcular.
Teorema 4. Se A é uma matriz m x n, então
= ∑
≤ =
≤ m
i n ij
j
a
A
1 1
1
max e
= ∑
≤ =
∞ ≤
n
j m ij
i
a
A
1 1
max .
Demonstração:
Vamos provar que
= ∑
≤ =
≤ m
i n ij j
i
a
A
1
1
max . Seja ∑ ∑
= =
≤
≤
=
=
mi
m
i ik n ij
j
i
a a
1 1
α max
Note que k é o índice da coluna onde ocorre o máximo. Seja x um vetor arbitrário em R
n. Então
n T
j
j mj n
j
j j n
j
j
j
x a x a x
a
Ax
= ∑ ∑ ∑
=
=
= 1 1
2 1
1
, ,...,
e temos que
1 1
1 1
1 1 1 1 1
x x
a x
x a
x a Ax
n
j j n
j
m
i ij j m
i n
j j ij m
i n
j j ij
α α
=
≤
=
≤
=
∑
∑ ∑
∑∑
∑ ∑
=
= =
= =
= =
Logo, qualquer que seja o vetor não-nulo x em R
n, α
≤
1 1
x Ax
e portanto,
( ) 1
max
1 1
1
=
0≤ α
≠
x
A Ax
x
Por outro lado, α
=
=
11 k
k
a
Ae
Como e
k 1= 1, temos que
( ) 2
max
1 1 1
1
1
=
0≥ = α
≠ k
k
x