Académique Documents
Professionnel Documents
Culture Documents
ARIO 1
INTRODUC
AO
Esta monograa trata-se do estudo do Teorema da amizade
O captulo 1 introduz denicoes basicas: Matrizes, Autovalor e Autovetor,
Diagonalizaao e por m Determinantes. Essas denicoes serao usadas para
demonstracao do Teorema da Amizade.
No captulo 2 denimos os tipos, o comprimento de um caminho, o grau e
o ciclo de um grafo. Exemplicamos as varias formas de representacao, como
a matriz de adjacencia. E para nalizar esse captulo o N umero de caminhos
Possveis.
O captulo 3 e o ultimo, esse e dedicado a demonstracao do Teorema da
Amizade. Comecando relatando o problema seguindo da sua representa cao na
versao de grafos e matricial, logo apos provamos diversos lemas essenciais para
sua demonstracao. Na segunda parte desse captulo temos a demonstracao
propriamente dita, divida em:
A. Se u e um vertice de grau maximo e x um vertice de grau nao maximo, entao
x e adjacente a u (x u).
B. Existe um unico vertice de grau maximo.
2
Captulo 1
Noc oes basicas de
Algebra
Linear
1.1 Matrizes, Autovalor e Autovetor
Uma matriz A, mn (m por n), e uma tabela de mn n umeros dispostos em
m linhas e n colunas
A =
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
. . . .
.
.
.
a
m1
a
m2
. . . a
mn
_
_
.
A i -esima linha de A e
V =
_
a
i1
a
i2
. . . a
in
_
a
1j
a
2j
.
.
.
a
mj
_
_
para j = 1, . . . , n. Usamos tambem a notacao A = (a
ij
)
mxn
. Dizemos que a
ij
ou [A]
ij
e o elemento ou a entrada de posicao i, j da matriz A. Se m = n, dize-
mos que A e uma matriz quadrada de ordem n e os elementos a
11
, a
22
, . . . , a
nn
formam a diagonal (principal) de A.
Uma matriz quadrada A = (a
ij
)
nxn
e invertvel ou nao singular, se existe
uma matriz B = (b
ij
)
nxn
tal que
AB = BA = I
n
,
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 3
em que I
n
e a matriz identidade. A matriz B e chamada de inversa de A. Se A
nao tem inversa, dizemos que A e nao invertvel ou singular.
Denicao 1.1. Seja A uma matriz de ordem n n. Um n umero e chamado
autovalor de A, se existe um vetor nao nulo
V =
_
_
v
1
v
2
.
.
.
v
n
_
_
de R
n
tal que (AI)V =
0.
Um vetor nao nulo que satisfaz a equacao acima, e chamado autovetor
de A. Para cada , os autoespaco associados a sao os vetores nao nulos da
solucao do sistema acima.
Seja A uma matriz n n.
(a) Os autovalores (reais) de A sao as razes reais do polinomio
p(t) = det(AtI
n
)
(b) Para cada autovalor , os autovetores associados a sao os vetores nao
nulos da solucao do sistema
(AI
n
)X = 0.
Denicao 1.2. Seja A uma matriz nxn. O polinomio
p(t) = det(AtI
n
)
e chamado polinomio caracterstico de A.
Exemplo 1. : Vamos determinar os autovalores e autovetores da matriz:
A =
_
_
2 0 1
2 1 2
1 0 2
_
_
Para isto, calculamos:
Solucao
P() = det.(A.I) = det
_
_
2 0 1
2 1 2
1 0 2
_
_
=
(2 ).(1 ).(2 ) [1.(1 ).1] = 0
(1 ).(2 )
2
(1 ) = 0 (1 )((2 )
2
1) = 0
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 4
(1 )
2
(3 ) = 0
Como os autovalores de A sao as razes reais de p(), temos que os autovalores
de A sao
1
= 1 e
2
= 3. Agora, vamos determinar os autovetores associados
aos autovalores
1
= 1 e
2
= 3.
Para isto vamos resolver os sistemas (A
1
I
3
)X =
0 e (A
2
I
3
)X =
0.
O sistema (A
1
I
3
)X =
0 e
_
_
1 0 1
2 0 2
1 0 1
_
_
.
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
Resolvendo o sistema temos x + z = 0, vamos fazer z = entao x = e
y = a nossa solucao geral e (, , ) = (, 0, ) + (0, , 0) = (1, 0, 1) +
(0, 1, 0), logo os autovetores que gerao W
1
sao (1, 0, 1) e (0, 1, 0)
onde W
1
= [(; ; )/, R], que e o conjunto de todos os autovetores asso-
ciados a
1
= 1 acrescentado o vetor nulo.
Enquanto o sistema (A
2
I
3
)X =
0 e
_
_
1 0 1
2 2 2
1 0 1
_
_
.
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
Resolvendo agora esse sistema gerado pela matriz acima temos x + z = 0,
vamos chamar z = entao x = e y = 2 e a solucao geral e (, 2, ) =
(1, 2, 1) , logo os autovetores que geram W
2
sao (1, 2, 1) que e o conjunto de
todos os autovetores associados a
2
= 3 acrescentado o vetor nulo.
1.2 Diagonalizacao
Certos processos sao descritos em cada estagio por uma matriz A quadrada
e em k estagios pela potencia k da matriz A, A
k
, em que k e um n umero inteiro
positivo. Suponha que desejamos saber a matriz que corresponde a k estagios,
para k um inteiro positivo qualquer. Se a matriz A e diagonal,
A =
_
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
n
_
_
, entao A =
_
k
1
0 . . . 0
0
k
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
k
n
_
_
,
Se a matriz A nao e diagonal, mas existe uma matriz P tal que
A = PDP
1
, em que A =
_
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
n
_
_
,
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 5
A
2
= (PDP
1
)(PDP
1
) = PD(P
1
P)DP
1
= PD
2
P
1
.
que A
k1
= PD
k1
P
1
, temos que
A
k
= A
k1
A = (PDP
1
)
k1
(PDP
1
)
= (PD
k1
P
1
)(PDP
1
) = PD
k1
(P
1
P)DP
1
PD
k
P
1
= P
_
k
1
0 . . . 0
0
k
2
. . . 0
.
.
.
.
.
.
.
.
.
0 . . . 0
k
n
_
_
P
1
podemos facilmente encontrar a k-esima potencia de A.
Seja A =
_
1 1
4 1
_
,P =
_
1 1
2 2
_
e D =
_
3 0
0 1
_
sao tais que
A = PDP
1
.
Assim,
A
k
= PD
K
P
1
=
_
1 1
2 2
_ _
3
k
0
0 (1)
k
_ _
1 1
2 2
_
1
A
k
= PDP
1
=
_
3
k
(1)
k
23
k
2(1)
k
_
1
4
_
2 1
2 1
_
=
1
4
_
2(3
k
+ (1)
k
) (1)
k
3
k
4((1)
k
3
k
) 2(3
k
+ (1)
k
)
_
Denicao 1.3. Dizemos que uma matriz A, de ordem nn, e diagonalizavel,
se existem matriz quadrada invertvel P e matriz diagonal D tais que
A = PDP
1
, ou equivalentemente, D = P
1
AP.
Suponhamos que a matriz A e diagonalizavel, como na denicao acima.
Dado o polinomio f(x) = a
0
+ a
1
x + a
2
x
2
+ . . . + a
n
x
n
Podemos calcular o polinomio na matriz A da seguinte forma
f(A) = a
0
I
..
=PIP
1
+a
1
A
..
=PDP
1
+a
1
A
2
..
=(PDP
1
)
2
+. . . + a
n
A
n
..
=(PDP
1
)
n
f(A) = a
0
(PIP
1
) + a
1
(PDP
1
) + a
2
(PD
2
P
1
) + . . . + a
n
(PD
n
P
1
)
Logo:
f(A) = Pa
0
IP
1
+ P(a
1
D)P
1
+ P(a
2
D
2
)P
1
+ . . . + P(a
n
D
n
)P
1
= P(a
0
IP
1
+ (a
1
D)P
1
+ (a
2
D
2
)P
1
+ . . . + (a
n
D
n
)P
1
)
= P((a
0
I + a
1
D + a
2
D
2
+ . . . + a
n
D
n
)P
1
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 6
f(A) = P(f(D))P
1
Concluindo, e mais facil obter f(D) do que f(A).
Denicao 1.4. Uma matriz quadrada A = (a
ij
) de ordem n tal que a
ij
= a
ji
,
i = j, ou seja, A = A
t
, e chamada de matriz simetrica.
Exemplo 2. A =
_
_
3 5 6
5 2 4
6 4 8
_
_
e simetricapois A = A
t
Se A e uma matriz simetrica, entao existe uma matriz P invertvel e uma
matriz diagonal D tal que
D = P
1
AP.
Assim, se A e simetrica, entao ela e diagonalizavel.
Lema 1.1. : Sejam
1
,
2
, . . . ,
n
autovalores da matriz A diagonalizavel de
ordem n n. Se f e g sao polinomios tais que:
f(
i
) = g(
i
), para todo i = 1, 2, 3, . . . , n.
f(A) = g(A)
Prova: Seja P a matriz invertvel tal que A = PDP
1
onde D e a matriz
diagonal correspondente, na diagonal aparecem os autovalores de A. Entao, da
observacao anterior
f(A) = Pf(D)P
1
= P
_
_
f(
1
) 0
f(
2
)
.
.
.
0 f(
n
)
_
_
P
1
P
_
_
g(
1
) 0
g(
2
)
.
.
.
0 g(
n
)
_
_
P
1
=
= Pg(D)g
1
= g(A)
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 7
1.3 Determinantes
Vamos inicialmente denir o determinante de matrizes 1 1. Para cada
matriz A = [a] denimos o determinante de A, indicado por det(A), por det(A)
= a. Vamos, agora, denir o determinante de matrizes 22 e a partir da vamos
denir para matrizes de ordem maior. A cada matriz A, 2 2, associamos um
n umero real, denominado determinante de A, por:
det(A) = det
_
a
11
a
12
a
21
a
22
_
= a
11
a
22
a
21
a
12
Para denir o determinante de matrizes quadradas maiores, precisamos denir
o que sao os menores de uma matriz. Dada uma matriz A = (a
ij
)
nn
, xado o
elemento a
ij
, denotado por A
ij
, e a submatriz (n 1) (n 1) de A obtida
eliminando-se a i-esima linha e a j-esima coluna de A.
Por exemplo, se A = (a
ij
)
33
,
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
A
11
=
_
a
22
a
23
a
32
a
33
_
A
2,3
_
a
11
a
12
a
31
a
32
_
Agora, vamos denir os cofatores de uma matriz quadrada A = (a
ij
)
nn
. O
cofator do elemento a
ij
, denotado por a
ij
, e denido por
a
ij
= (1)
i+j
det(A
ij
);
ou seja, o cofator a
ij
, do elemento a
ij
e igual a mais ou menos o determinante
do menor A
ij
, o sinal (1)
i+j
; da a seguinte regra: para os termos da diagonal
(i, j) e psempre positivo, a partir disto vemos que o sinal alterra, assim, no caso
4x4 ca:
,
_
_
+ +
+ +
+ +
+ +
_
_
Exemplo 3. Vamos, agora, denir o determinante de uma matriz 3 3. Se
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
entao, o determinante de A xada a primeira linha e igual `a soma dos produtos
dos elementos da primeira linha pelos seus cofatores.
det(A) = a
11
a
11
+ a
12
a
12
+ a
13
a
13
=
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 8
a
11
det
_
a
22
a
23
a
32
a
33
_
a
12
det
_
a
21
a
23
a
31
a
33
_
+ a
13
det
_
a
21
a
22
a
31
a
32
_
= a
11
(a
22
a
33
a
32
a
23
) + a
12
(a
21
a
33
a
31
a
23
) + a
13
(a
21
a
32
a
31
a22).
Da mesma forma que a partir do determinante de matrizes 2 2, denimos
o determinante de matrizes 3 3, podemos denir o determinante de matrizes
quadradas de ordem maior. Supondo que sabemos como calcular o determinante
de matrizes (n 1) (n 1)
Vamos denir o determinante de matrizes n n.
Seja A = (a
ij
)
nn
. O determinante de A, denotado por det(A), e denido
por det(A) = a
11
a
11
+ a
12
a
12
+ + a
1n
a
1n
=
n
j=1
a
1j
a
1j
; em que a
1j
=
(1)
1+j
det(A
1j
) e o cofator do elemento a
1j
. A expressao e chamada desen-
volvimento em cofatores do determinante de A em termos da 1
a
. linha.
Seja A = (a
ij
) uma matriz de ordem n n, denotemos por v
1
, v
2
, . . . , v
n
as
linhas da matriz A, assim temos:
A =
_
_
v
1
v
2
.
.
.
v
n
_
_
Seja A = (a
ij
) uma matriz de ordem n n, denotemos por c
1
, c
2
, . . . , c
n
as
colunas da matriz A, assim temos:
A =
_
c
1
c
2
. . . c
n
_
1 0 . . . 0
0
.
.
.
0
.
.
.
.
.
.
.
.
.
0 . . . 0 1
_
_
= 1
2. O determinante troca de sinal se duas linhas ou colunas forem trocadas de
posicao.
3. Se uma la (linha ou coluna) da matriz e composta de zeros, entao o deter-
minante desta matriz sera zero.
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 9
4. Se uma linha de A e soma de dois vetores digamos v +w o det(A) segue esta
regra:
det(A) = det
_
_
v
1
v
2
.
.
.
v + w
.
.
.
v
n
_
_
= det
_
_
v
1
v
2
.
.
.
v
.
.
.
v
n
_
_
+ det
_
_
v
1
v
2
.
.
.
w
.
.
.
v
n
_
_
=
5. Se v
i
= kv
det =
_
_
v
1
v
2
.
.
.
kv
.
.
.
V
n
_
_
= k.det
_
_
v
1
v
2
.
.
.
v
.
.
.
V
n
_
_
6. Se duas linhas paralelas de uma matriz forem iguais, ou proporcionais, o
determinante desta matriz e nulo.
Das propriedades anteriores temos que:
O determinante nao e alterado se uma linha ou coluna for substituda por
essa mesma linha ou coluna somada a uma combinacao linear das outras linhas.
Isto e:
det =
_
_
v
1
.
.
.
v
i
.
.
.
v
j
+ kv
i
.
.
.
v
n
_
_
= det
_
_
v
1
.
.
.
v
i
.
.
.
v
j
.
.
.
v
n
_
_
Com efeito,
det =
_
_
v
1
.
.
.
v
i
.
.
.
v
j
+ kv
i
.
.
.
v
n
_
_
4
..
= det
_
_
v
1
.
.
.
v
i
.
.
.
v
j
.
.
.
v
n
_
_
+ kdet
_
_
v
1
.
.
.
v
i
.
.
.
v
i
.
.
.
v
n
_
_
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 10
Como
_
_
v
1
.
.
.
v
i
.
.
.
v
i
.
.
.
v
n
_
_
= 0
Entao
A =
_
_
v
1
.
.
.
v
i
.
.
.
v
j
+ kv
i
.
.
.
v
n
_
_
= det
_
_
v
1
.
.
.
v
i
.
.
.
v
j
.
.
.
v
n
_
_
A =
_
_
v
1
.
.
.
v
i
.
.
.
v
j
+ kv
i
.
.
.
v
n
_
_
=
_
_
v
1
.
.
.
v
i
.
.
.
v
j
.
.
.
v
n
_
_
O seguinte lema e um resultado fundamental para resolver o teorema da
amizade no captulo 3.
Lema 1.2. :
det(A) = det
_
_
t 1 . . . 1
1 t . . . 1
1 1 t
.
.
.
.
.
.
.
.
.
1
1 . . . t
_
_
nn
= (t 1)
n1
(t + n 1)
Prova:
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 11
A =
_
_
v
1
v
2
v
3
.
.
.
v
n
_
_
=
_
_
v
1
v
2
v
2
v
3
.
.
.
v
n
_
_
=
_
_
v
1
v
2
v
2
v
3
v
3
.
.
.
v
n
_
_
= . . . =
_
_
v
1
v
2
v
2
v
3
v
3
v
4
.
.
.
v
n1
v
n
v
n
_
_
=
Realizando essa sequencia de operacoes na matriz A temos o seguinte resul-
tado
A =
_
_
t 1 1 t 0 0 . . . 0
0 t 1 1 t 0 . . . 0
.
.
. 0 t 1 1 t . . . 0
.
.
.
.
.
. 0
.
.
.
.
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
t 1 1 t
1 1 1 . . . 1 t
_
_
Notemos que em cada linha podemos fatorar o termo (t 1), por exemplo
na linha 1, e da forma:
(t 1)
_
1 1 0 0 0 0 0
Pelas propriedades do determinante temos que det(A) = det(
A).
Logo:
det(A) = (t1)
n1
. det
_
_
1 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
nn
= (t1)
n1
. det(u)
Para mostrar o lema, basta calcular que o determinante da matriz U
e (t + n 1). Para isso vamos calcular o determinante por cofator xando a
primeira linha.Assim:
det(U) = det
_
_
1 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n1)(n1)
+
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 12
det
_
_
0 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n1)(n1)
Vamos calcular a segunda parcela e veremos que e 1:
det
_
_
0 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n1)(n1)
Fixando a primeira linha, o determinante e igual ao determinante de uma
matriz semelhante porem de ordem (n 2) (n 2). Com o mesmo processo
obteremos uma matriz (n 3) (n 3) e assim sucessivamente ate chegarmos
em uma matriz 3 3 que e:
= det
_
_
0 1 0
0 1 1
1 1 t
_
_
= det
_
0 1
1 t
_
= 1
Podemos concluir que
det(U) = det
_
_
1 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n1)(n1)
+ 1
Novamente xamos a 1
a
linha temos:
det(U) = det
_
_
1 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n2)(n2)
+
CAP
ITULO 1. NOC
OES B
ASICAS DE
ALGEBRA LINEAR 13
det
_
_
0 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n2)(n2)
+ 1
Entao:
det(U) = det
_
_
1 1 0 0 . . . 0
0 1 1 0 . . . 0
0 0 1 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . 1 1
1 1 1 . . . 1 t
_
_
(n2)(n2)
+ 2
det(U) = . . . =
det(U) = . . . = det
_
_
1 1 0
0 1 1
1 1 t
_
_
(n(n3))(n(n3))
+ (n 3)
det(U) == 1(t + 1) + (1) + n 3 = t + 1 + 1 + n 3 = t + n 1.
14
Captulo 2
Grafos e Caminhos
Leonhard Euler em Sete Pontes de Konigsberg e considerado o primeiro
resultado da teoria dos grafos.
E tambem considerado um dos primeiros resul-
tados topologicos na geometria; isto e, nao dependente de quaisquer medidas.
Isso ilustra a profunda conexao entre a teoria dos grafos e topologia.
A palavra graco e, muitas vezes, usada para qualquer representa cao visual
de dados, outras formas incluem o graco de barras, o graco pictorio e o graco
em setores. Os gracos que trataremos agora sao chamados de grafos. Usaremos
duas denicoes de grafos: uma e baseada em uma representa cao visual e a outra
e uma denicao mais formal que nao fala nada sobre uma representacao visual.
Os grafos sao geralmente representados gracamente da seguinte maneira:
e desenhado um crculo para cada vertice, e para cada aresta e desenhado um
arco conectando suas extremidades. Se o grafo for direcionado, seu sentido e
indicado na aresta por uma seta.
Note que essa representacao graca (o layout) nao deve ser confundida com o
grafo em si (a estrutura abstrata, nao-graca). Varios diferentes layouts podem
corresponder ao mesmo grafo
2.1 Grafos
A Teoria dos Grafos e uma area da Matematica que estuda as propriedades
de grafos , principalmente na representa cao de circuitos e redes de comunicacao:
Um grafo e um conjunto nao vazio de nos (vertices) e um conjunto de arcos
(arestas) tais que cada arco conecta dois nos. Dependendo da aplicacao, arestas
podem ou nao ter direcao, pode ser permitido ou nao arestas ligarem um vertice
a ele proprio e vertices e/ou arestas podem ter um peso (numerico) associado. Se
as arestas tem uma direcao associada (indicada por uma seta na representacao
graca) temos um grafo direcionado, ou dgrafo.
Um grafo com um unico vertice e sem arestas e conhecido como o grafo
trivial ou o ponto.
CAP
gura 3
CAP
z
Q
Q
Q
Q
Q
Q
Q
Q
Q
Q
Q
Q
Q
figura 10
2.2 Matriz de Adjacencia
Na computacao, um grafo nito direcionado ou nao-direcionado (digamos, n
vertices) e geralmente representado por sua matriz de adjacencia: uma matriz
de ordem n n cujo valor na linha i e coluna j fornece o n umero de arestas do
i -esimo ao j -esimo vertices.
Uma matriz de adjacencias e uma das formas de se representar um grafo.
Dado um grafo G com n vertices, digamos v
1
, v
2
, . . . , v
n
podemos representar
o grafo por uma matriz M
nn
, da seguinte forma a entrada m
ij
e o n umero de
arestas que ligam o vertice i ao vertice j.
CAP
_
0 1 1 0 1
1 0 0 1 0
1 0 0 1 0
0 1 1 0 0
1 0 0 0 0
_
_
2.3 N umero de Caminhos Possveis
Na matriz do exemplo anterior, vamos encontrar o n umero de caminhos
possveis para ir do vertice i ao vertice j com comprimento 2.
Denotemos por a
2
ij
a entrada ij da matriz A
2
A
2
=
_
_
3 0 0 2 0
0 2 2 0 1
0 2 2 0 1
2 0 0 2 0
0 1 1 0 1
_
_
a
2
ij
e o n umero de caminhos possveis para ir do vertice i ao vertice j com
comprimento 2. Por exemplo, a entrada a
2
23
= 2, este n umero representa que
temos 2 caminhos distintos par ir do vertice 2 ao vertice 3 com comprimento
2 a saber (2, 4, 3)(2, 1, 3). Analiticamente basta notar que a
2
23
= a
21
.a
13
+
a
22
.a
23
+ . . . + a
25
a
53
que podemos representar no diagrama abaixo.
CAP
_
0 1 1 1 1 0
1 0 1 0 1 1
1 1 0 1 0 1
1 0 1 0 1 1
1 1 0 1 0 1
0 1 1 1 1 0
_
_
Para encontrar o polinomio caracterstico vamos calcular o determinante de
det(AI) =
_
_
1 1 1 1 0
1 1 0 1 1
1 1 1 0 1
1 0 1 1 1
1 1 0 1 1
0 1 1 1 1
_
_
Usando o Maple obtemos o polinomio P(x) = x
6
12x
4
16x
3
Exemplo 7. Calcular quantos caminhos de comprimento 1000 vao do vertice
1 ao vertice 6 no grafo do acima (octaedro).
Do teorema (2.1) basta calcular A
1000
, e ver a entrada (1, 6) (a
1000
16
) de A
1000
A = PDP
1
em que
1
= 0,
2
= 2 e
3
= 4 sao auto valores.
A
1000
5x5
= PD
1000
P
1
os autovalores sao
1
= 0,
2
= (2)
1000
e
3
= 4
1000
CAP
s ou 1
s -Diagonal principal
e toda de zeros.
- Os 1
s e l
s
exceto a diagonal.
A =
_
_
0
.
.
.
0
1 1 1 0 1 1
.
.
.
0
_
_
O seguinte lema sera necessario para mostrar o teorema da amizade.
Lema 3.1. :Se d Z, com d > 2, entao
d
d1
nao Z
Prova:
1) Se (d 1) nao e quadrado perfeito =
d 1 e irracional =
d
d1
e
irracional (nao e inteiro).
2) Se (d 1) e quadrado perfeito = (
d 1) = 1
d
d1
Q\Z
Logo
d
d1
nao pertence a Z
Seja G(V, A) um grafo com as condicoes do Teorema (ver versao grafos).
Assim temos os seguintes lemas.
Lema 3.2. : G nao tem quadrados;
Prova: Suponhamos por absurdo que x, y, v, w sao os vertices de um
quadrado (um ciclo de comprimento quatro)
x y
w v
CAP
_
1
1
1
1
.
.
.
1
_
_
e autovetor de A com autovalores d.
A.W = A.
_
_
1
1
1
1
.
.
.
1
_
_
=
_
_
d
d
d
d
.
.
.
d
_
_
= d
_
_
1
1
1
1
.
.
.
1
_
_
= d.W
Como, toda matriz simetrica e diagonalizavel, existe M matriz invertvel tal
que
MAM
1
=
_
1
0 . . . 0
0
2
. . . 0
0 0
.
.
.
0
0 0 . . .
n
_
_
(MAM
1
).(MAM
1
) = MA
2
M
1
=
_
2
1
0 . . . 0
0
2
2
. . . 0
0 0
.
.
.
0
0 0 . . .
2
n
_
_
Por outro lado, a matriz A
2
e da seguinte forma
_
_
d 1 . . . 1
1 d . . . 1
0 0
.
.
.
1
1 1 . . . d
_
_
Pois cada 2 vertices i = j existe um unico caminho de comprimento 2. O
polinomio caracterstico de A
2
e:
Como n = d
2
d + 1 temos
det(A
2
xI) = (d 1 x)
n1
(d
2
x)
logo (d 1) e d
2
sao autovalores de A
2
.
O polinomio caracterstico da matriz A
2
e:
p(x) = det(A
2
xId) = det
_
_
_
_
_
_
_
d x 1 1 1
1 d x 1 1
1 1 d x 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 d x
_
_
_
_
_
_
_
CAP
2
1
= d
2
,
2
2
= d 1,
2
3
= d 1, ,
2
n
= d 1.
Como ja temos observado que d e valor proprio da matriz A, entao
1
= d os
outros valores proprios da matriz A sao
i
=
d 1,
obtendo d = (q p)
d 1, logo
d
d 1
= (q p).
Esta ultima igualdade e um absurdo, pois como d 4, do lema 3.1,
d
d 1
nao e inteiro, mais (qp) e inteiro. Logo temos mostrado que o grafo nao e regu-
lar.
3.1 Demonstracao do teorema da amizade
Seja G(V, A) um grafo satisfazendo as hipoteses do teorema da amizade,
da proposicao anterior temos que nem todos os vertices tem o mesmo grau.
O primeiro passo da demonstracao e vericar que o vertice de grau maximo e
adjacente a todos os outros vertices, o que mostra a existencia.
A. Se u e um vertice de grau maximo e x e um vertice que nao temde grau
maximo, entao x e adjacente a u (x u).
Com efeito, pelo absurdo, suponha que x nao e adjacente a u. Seja u
1
o
unico vertice que e adjacente ao par u e x, e denotemos por u
2
, u
3
, , u
d
;
onde d 4 e grau maximo e sabemos que e par. Por outro lado denotemos por
x
1
, x
2
, , x
k
os vertices adjacentes a x e claro que k d 2 (k tambem e
par). Como nao existe quadrados no grafo temos que
{u
1
, u
2
, , u
d
} {x
1
, x
2
, , x
k
} = {u
1
= x
1
}
CAP
x
n
)
f
1
+ . . . +
+
(x x
0
)(x x
1
)...(x x
n1
)
(x
n
x
0
)(x
n
x
1
)...(x
n
x
n1
)
f
n
Assim temos g(x
i
) = f
i
para todo i = 0, 1, . . . , n.
O polinomio g e chamado de Polinomio de Lagrange.
A seguinte interpolacao sera usada no captulo 2.
CAP