An alisis Funcional Aplicado

[Notas de Clase]

Luis Enrique Carrillo Diaz Ciclo 2013-II

Alumnos matriculados
Aguirre Samaniego, William Arbieto Tello, Vladimir C aceres Espinoza, Lucio D avila Huacoto, Juan Leonardo Garc a Hilares, Nilton Alan Guardia Cayo, Andr es P erez Nu nez, Jhelly Reynaluz Portocarrero Manco, Jos e Miguel Quispe Palomino, Carlos Ramos Meza, Angel Fernando Tarme no Berrocal,Johnny Ronald Trive no Aucahuas, Percy Camilo Vergara Arancibia, Pedro Arturo.

Luis Enrique Carrillo D az

An alisis Funcional Aplicado

UPG-FACULTAD DE CIENCIAS MATEMATICAS

UNMSM

 Indice general
1. Aspectos hist oricos 1.1. Desarrollo cient co . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Necesidad del An alisis Funcional . . . . . . . . . . . . . . . . . . . 2. Espacios Normados y Espacios de Banach 2.1. Espacios Vectoriales . . . . . . . . . . . . . 2.1.1. Formas sesquilineales . . . . . . . . 2.1.2. Formas Hermitianas . . . . . . . . 2.2. Formas Positivas . . . . . . . . . . . . . . 2.2.1. Vectores Ortogonales . . . . . . . . 2.3. Espacios de Hilbert . . . . . . . . . . . . . 2.4. Espacios Vectoriales Normados . . . . . . 2.5. Espacios de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 3 9 9 11 11 14 14 15 17 22 31 40 42

3. Operadores 3.1. Operadores Lineales . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Operadores Acotados . . . . . . . . . . . . . . . . . . . . . . . . .

Prefacio
El An alisis Funcional juega un rol muy importante en las ciencias aplicadas como en la propia matem atica. A pesar de ser una rama abstracta de la matem atica que tuvo su origen primario en el an alisis cl asico, su mayor desarrollo surge de las aplicaciones a problemas relacionados con ecuaciones diferenciales tanto ordinarias como parciales, an alisis num erico, c alculo de variaciones, ecuaciones integrales, teor a de aproximaci on y muchas otras aplicaciones. En el c alculo ordinario se tiene que trabajar con procesos que involucran ciertos l mites sobre espacios de dimensi on nita como Rn por ejemplo, pero existen problemas que para su correcta formulaci on y soluci on requieren de un esquema que tiene que ver con espacios de dimensi on innita, donde los m etodos cl asicos no funcionan. Esto implica de manera natural la b usqueda de nuevos m etodos, y algunos de ellos nos llevan al an alisis funcional. La necesidad de contar con espacios de dimensi on innita la observamos en muchos problemas; as por ejemplo para problemas de difusi on del calor, o de vibraci on de cuerdas el asticas, con condiciones iniciales irregulares, es decir con condiciones que no poseen la regularidad de la diferenciabilidad cl asica requerida, los m etodos cl asicos no son aplicables y se requiere un nuevo tipo de c alculo que permita modelar adecuadamente dichos fen omenos. En el primer cap tulo ilustraremos dicha necesidad con dos problemas, el primero est a relacionado con un problema de optimizaci on y el segundo con las ondas de choque; en ambos notaremos la necesidad de contar con espacios m as generales que aquellos de dimensi on nita. Es natural esperar que un especialista en matem atica aplicada recurra a los m etodos de aproximaci on para resolver determinados sistemas que involucran equaciones de evoluci on. Uno de dichos m etodos es el M etodo de Elementos Finitos, el cual requiere de un esquema de espacios de Hilbert donde se pueda aplicar el Teorema de Riesz o el Lema de Lax Milgram, es decir dicho m etodo requiere del concepto de funcionales lineales continuos para denir de manera precisa las llamadas variables nodales, siendo en consecuencia otra aplicaci on relevante del An alisis Funcional. El Profesor del Curso

Cap tulo 1 Aspectos hist oricos

El An alisis Funcional moderno tiene como pilares fundamentales los Espacios de Banach y los Operadores lineales. El periodo de incubaci on de tales ideas se da entre los a nos 1900 a 1920 en que surgen los estudios sobre las ecuaciones integrales de Fredholm y Hilbert, los espacios de Hilbert, y el teorema de Fisher-Riesz, posteriormente aparece el teorema de representaci on de Riesz, y la contribuci on de F. Riesz con los espacios Lp y lp . Podr amos decir que el nacimiento propiamente dicho del An alisis Funcional se da con la presentaci on de la Tesis de Stefan Banach en 1920 (la sustentaci on fue en junio de 1922) en la universidad de Lovaina, a no en que aparecen los aportes de Hahn y Wiener.

S. Banach

El periodo de apogeo podr amos ubicarlo entre los a nos 1920 y 1932 cuando se obtienen los famosos resultados del Principio de la acotaci on uniforme, el Teorema de Hahn-Banach y el Teorema de la acotaci on inversa. El momento culminante es alcanzado en el a no 1932 en que se publica la monograf a de Banach. El periodo comprendido entre 1932 y 1958 es conocido como periodo post-Banach, y es marcado por el Holocausto y la segunda guerra mundial. En 1958 se publican importantes textos, que hoy constituyen los cl asicos del An alisis Funcional, entre otros autores de dicho periodo se tiene a Day, Dunford/Schwarz, Hille-Phillips y Taylor. En este mismo a no se inicia una explosi on de tendencias con la aparici on del resumen de Grothendieck, la Escuela de Mazur en Varsovia y el teorema de Dvoretzky. Las ra ces hist oricas del An alisis Funcional se pueden atribuir a varios problemas cl asicos de la matem atica, como las series trigonom etricas, la vibraci on de cuerdas el asticas, el principio de Dirichlet, la teor a del potencial, la teor a espectral de matrices y los determinantes innitos entre otros. Hasta antes de la d ecada del 35/36 los problemas matem aticos de naturaleza f si1

Luis Enrique Carrillo D az ca eran estudiados mediante t ecnicas y herramientas conocidas hasta entonces; dichas herramientas permitian obtener lo que en la actualidad se conoce como soluciones cl asicas. Fue precisamente la naturaleza f sica la motivaci on principal para muchos investigadores, quienes nalmente obtuvieron la nueva herramienta conocida hoy como Teor a de Distribuciones. Uno de los principales estudiosos que cre o la teoria de distribuciones, fue L.S. Sobolev(1936), encontr andose tambi en L. Schwartz (1940) entre los propulsores de tal descubrimiento. El conocimiento de las distribuciones posibilit o la construcci on de nuevos espacios que resultaron ser posadas naturales de las soluciones de muchos sistemas matem aticos de naturaleza f sica. Entre dichos espacios se tiene a los Espacios de Sobolev de diversos tipos. Es importante remarcar que existen varias ramas de la matem atica que hacen uso de t ecnicas y m etodos relacionados con soluciones cl asicas, siendo sus resultados de mucha importancia y trascendencia, as por ejemplo se tiene dentro de tal rubro la Teor a Cualitativa de las Ecuaciones Diferenciales Ordinarias. El hecho de usar una u otra t ecnica depende del contexto y enfoque en el cual son realizadas las investigaciones. Creemos rmemente que ambos abordajes se complementan y en muchas situaciones llegan a coincidir, en una perfecta concordancia an aloga a la mec anica cl asica versus la cu antica en que a bajas velocidades ambas coinciden. Como una demostraci on de que ning un concepto matem atico puede ser subestimado, se dice que el cl asico m etodo de integraci on por partes fue la inspiraci on que tuvo Sobolev para descubrir la de Teor a distribuciones y como consecuencia de ello obtener la justicaci on te orica de muchos fen omenos del mundo real.

1.1.

Desarrollo cient co

Actualmente existen muchas ramas de la matem atica que tienen como soporte el An alisis Funcional ; asi entre ellas tenemos la Teor a de Distribuciones y los Espacios de Sobolev, las cuales sirven de base a muchas investigaciones de gran trascendencia para el desarrollo tecnol ogico contempor aneo. En Matem atica Aplicada en general, es fundamental el aporte del An alisis Funcional; convirti endose en pilar de la Teor a de Aproximaci on, Teoria de Control y los Procesos de Optimizaci on, siendo herramienta principal del soporte te orico matem atico de algunos m etodos computacionales como el M etodo de Elementos Finitos entre otros. En esta oportunidad desarrollaremos el Curso de An alisis Funcional Aplicado correspondiente a la Maestr a en Matem atica Aplicada de la Unidad de Postgrado de la Univerisidad de San Marcos. Cuando aparece la palabra aplicada se piensa en varias posibilidades, entre las cuales se tienen aplicaciones a problemas de la F sica-Matem atica, o aplicaciones dentro del propio campo del An alisis Funcional. El enfoque que daremos al desarrollo de este curso ser a el llamado autosostenido, es decir proveeremos en forma paralela las herramientas b asicas del an alisis funcional, las cuales se usar an en el estudio de los modelos matem aticos represen2

An alisis Funcional Aplicado-UPG/UNMSM tados por ecuaciones diferenciales parciales y expondremos las aplicaciones con ejemplos, en tanto estos sirvan para esclarecer la teor a dada, la cual es la base s olida de cualquier aplicaci on. La soluci on m as pr actica es una buena teor a. Albert Einstein

1.2.

Necesidad del An alisis Funcional

A continuaci on veremos un problema sobre optimizaci on, en el cual de manera natural surgir a la necesidad de contar con espacios de dimensi on innita para la correcta colocaci on del esquema en el cual se desarrollar a el modelo matem atico.

Una empresa minera de cobre tiene la intenci on de remover todo el mineral de una regi on que contiene un estimado de Q toneladas, en un periodo de tiempo de T a nos. A medida que se extrae se va vendiendo para ser procesado a un precio neto por tonelada de p = P ax(t) bx (t) para constantes positivas P, a, b donde x(t) denota el total de tonelaje vendido en el tiempo t. Como se debe proceder si la compa n a desea maximizar el total de su producci on dada por
T

I (x) =
0

[P ax(t) bx (t)]x (t)dt

donde x(0) = 0 y x(T ) = Q. En palabras simples, observando el gr aco siguiente (gr aco de la producci on), el problema consiste en determinar que curva nos da la m axima producci on.

Luis Enrique Carrillo D az Vemos que se trata de un problema de optimizaci on: A cada curva entre (0, 0) y (T, Q) asociamos un n umero (La producci on asociada), y el problema es encontrar la forma de la curva que maximiza esta funci on. Este problema no se ubica en el contexto de espacios nito dimensionales ya que la producci on I es un operador I : {curvas entre (0, 0) y (Q, T )} R donde el espacio dominio es un subespacio del espacio de funciones cont nuas C 0 [0, T ], el cual es de dimensi on innita. Con lo que observamos se requiere desarrollar herramientas con cierto tipo de c alculo sobre espacios m as generales que n R .

Por otro lado con el descubrimiento de la teor a de las distribuciones el rol del an alisis funcional en el estudio de las ecuaciones diferenciales parciales se ha incrementado, no s olo para el estudio te orico de la buena colocaci on de los problemas de valor inicial sino tambi en para la implementaci on de muchos esquemas para el c alculo de soluciones aproximadas. M etodos num ericos como el M etodo de Elementos Finitos requieren del an alisis funcional para la construcci on del problema variacional y para el an alisis del error correspondiente. Por tal raz on el matem atico aplicado debe tener un buen conocimiento del an alisis funcional y sus aplicaciones a las ecuaciones diferenciales parciales principalmente. En nuestro ejemplo justicatorio vemos que trabajamos con aplicaciones que tienen como dominio de denici on un espacio de funciones, por lo que Hadamard les llam o funcionales a este tipo de aplicaciones, y Levy propuso que la teor a que las estudia se llame An alisis Funcional.

En el siguiente ejemplo veremos que a pesar que los datos iniciales para una ecuaci on de onda son cont nuos no es posible aplicar los m etodos convencionales para sistemas nito dimensionales para obtener soluciones cl asicas. En efecto para el problema de Cauchy utt uxx = 0, x (0, 1), t [0, T ] u(0) = u0 , ut (0) = u1 en (0, 1)

(1.1)

se sabe que para datos iniciales u0 C 2 [0, 1] y u1 C 1 [0, 1], haciendo uso del m etodo de dAlembert se obtiene la soluci on u = u(x, t) sin embargo si se tuviera el dato inicial u0 cuya conguraci on se muestra en la gura siguiente 4

An alisis Funcional Aplicado-UPG/UNMSM

entonces ya no es posible aplicar los m etodos conocidos hasta ahora. Existen muchos fen omenos reales que poseen datos iniciales como el de la gura, ya que siendo la ecuaci on (1.1) la que modela el fen omeno de la cuerda vibrante es perfectamente l cito pensar que si se tiene una cuerda atada en los extremos 0 y 1 y se la estira formando el tri angulo de la gura, y luego se la suelta se tendr a un fen omeno vibratorio de una cuerda desde su posici on inicial u0 , la cual claramente no es de clase C 2 . Observamos entonces que a pesar que el dato inicial u0 C 0 [0, 1] eso no es suciente para aprovechar los m etodos cl asicos y veremos m as adelante que se tiene que apelar a la teor a de las distribuciones para obtener soluci on al problema (1.1).

Ahora mostraremos otro ejemplo que justica la necesidad de contar con herramientas distintas a las convencionales. Consideremos la ecuaci on diferencial ut + uux = 0, conocida como ecuaci on de Burger. Sea u(x, t) una soluci on suave o regular de la ecuaci on (1.2) la cual satisface la condici on inicial u(0) = u0 (x), xR (1.3) x R, t > 0 (1.2)

donde u0 es una funci on dada de x, es decir una funci on conocida. Denamos en el plano xt una curva x = x(t) por medio de la ecuaci on diferencial ordinaria dx (t) = u(x(t), t) dt A lo largo de dicha curva se tiene que 5

(1.4)

Luis Enrique Carrillo D az

u x u u u du = + = +u =0 dt t t x t x

(1.5)

En consecuencia u satisface a (1.2). Luego a lo largo de tales curvas u es constante; y de (1.4) se inere que dichas curvas son l neas rectas, las cuales son llamadas curvas caracter sticas y la curva que pasa por el punto (x0 , 0) sobre el eje real R tendr a la forma x = x0 + ct; c = u0 (x0 ) (1.6)

y a lo largo de toda esta curva se tendr a u(x, t) = u0(x0 ) Ahora consideremos una funci on inicial regular u0 (x) como la de la gura 1 u0(x)

0 Figura 1

Las respectivas curvas caracter sticas son mostradas en la gura 2 t

P x

Figura 2 Vemos en esta u ltima gura que en el punto P se cortan dos curvas caracter sticas, por tanto el valor de u en P no queda bien denido, y mal podriamos esperar que u sea cont nua, excepto quiz as en un corto lapso de tiempo. Observamos a partir del ejemplo anterior, que si solo se estudiaran soluciones 6

An alisis Funcional Aplicado-UPG/UNMSM cl asicas, entonces no podr amos analizar una serie de fen omenos de la f sicamatematica como las ondas de choque por ejemplo, que aparecen en el estudio de fen omenos de la aeron autica. Esto nos muestra la necesidad de extender: primero los espacios considerados hasta el momento y luego el concepto de soluci on, que ser a conocido como soluci on generalizada o d ebil en un determinado sentido.

Ahora ilustraremos la necesidad de ampliar el conjunto de herramientas conoptimo para cohetes. vencionales con el problema del control Se desea estudiar el movimiento de un cohete que asciende verticalmente alcanzando una altitud h con el m nimo gasto de combustible

Cohete

Tierra El movimiento x = x(t) es gobernado por la ecuaci on mx (t) = F (t) mg, 0 < t < T, x(0) = x (0) = 0, x(T ) = h

(1.7)

donde m es la masa del cohete, mg la fuerza de la gravedad y F (t) es la fuerza del cohete. Despreciamos la p erdida de masa por la p erdida de combustible. Para simplicar la notaci on escogemos como unidades f sicas m = g = 1. El m nimo gasto de combustible en el intervalo de tiempo [0, T ] es medido por medio de la integral sobre la fuerza del cohete
T 0

|F (t)|dt

Considerando T > 0 jado, el m nimo gasto de combustible (t) durante el intervalo de tiempo [0, T ] es dado por la soluci on del siguiente problema de m nimo:
T

m n
F 0

|F (t)|dt = (t)

donde F var a sobre todas las funciones integrables F : [0, T ] R 7

Luis Enrique Carrillo D az Observamos que si en la formulaci on que empleamos s olo consideramos fuerzas cl asicas F , entonces estamos dejando de lado impulsos en el tiempo t de la forma F = t es decir impulso tipo delta de Dirac, los cuales son de mucha importancia para este tipo de fen omeno, por tal motivo se considera el siguiente problema generalizado para funcionales: a) Para una altitud h y un tiempo nal T > 0, hallar una soluci on F del siguiente problema: m n junto con la condici on T2 , donde hacemos (t) := T t 2 b) Determinar el tiempo nal T , de forma tal que (T ) = minimo. Observamos que en este contexto generalizado F pertence a C [0, T ] que es el espacio dual de C [0, T ] que es un espacio de dimensi on innita. h = F ( ) Comentario 1.1. Cuando se modela un fen omeno f sico se hacen una serie de concesiones en pro de ganar en comprensi on y simplicaci on del modelo para adecuar el mismo a los m etodos conocidos para hallar soluci on a dicho problema. As por ejemplo en los modelos m as elementales de movimiento de una part cula por regla general no se consideran la fuerza de fricci on o la resistencia del aire y en muchas oportunidades se simplica aun m as el modelo al no considerar la viscosidad del medio en el cual se desplaza la part cula o part culas componentes (cuando se trata de un uido). En consecuencia, cuando buscamos el modelo matem atico, (es decir la ecuaci on que representa al fen omeno que estudiamos) hacemos muchas concesiones, llegando a suponer que la soluci on buscada es de tipo cl asica, es decir con la cantidad de derivadas que necesitamos y que dichas derivadas sean las que son las m as populares y conocidas y que,dicho sea de paso, eran las u nicas hasta antes del a no 1930 aproximadamnete, es decir las que se deben a Newton-Leibnitz. Sin embargo existen much simos fen omenos naturales cuyas soluciones no responden a dicha clase de soluciones cl asicas y por el contrario son objetos que no se asemejan en nada a las funciones convencionales; tales objetos que representan mejor a dichas soluciones especiales son las llamadas distribuciones. F = (T ), F C [0, T ]

Cap tulo 2 Espacios Normados y Espacios de Banach

2.1. Espacios Vectoriales

Hablando en forma muy rudimentaria, un espacio vectorial es un conjunto en el cual al sumar dos de sus elementos llamados vectores se obtiene otro vector del mismo conjunto, y si se multiplica un vector por un n umero real o complejo (dependiendo de si el espacio vectorial es real o complejo) entonces se obtiene un nuevo vector del mismo espacio. En forma precisa se tiene la denici on siguiente Denici on 2.1. Sea K = R o C. Un espacio vectorial sobre K es un conjunto V dotado de dos aplicaciones, + : V V V llamada adici on vectorial y . : K V V llamada multiplicaci on escalar, que satisfacen: V.1 Para todos x1 , x2 V , x1 + x2 = x2 + x1 V.2 Para todos x1 , x2 , x3 de V , x1 + (x2 + x3 ) = (x1 + x2 ) + x3 . V.3 Existe en V un elemento, denotado por 0, (llamado vector cero), tal que para todo x V , x + 0 = 0 + x = x. V.4 Para cada x V existe un elemento x V tal que x + (x) = (x) + x = 0. V.5 Para todo x V , 1.x = x. V.6 Para todo x V y , K, .(.x) = (. ).x V.7 Para todo x V y , K, ( + ).x = .x + .x. V.8 Para todo x1 , x2 V y K, .(x1 + x2 ) = .x1 + .x2 . 9

Luis Enrique Carrillo D az Los elementos de V son denominados vectores y los del cuerpo K son llamados escalares. V ser a denominado un espacio vectorial real cuando K = R y espacio vectorial complejo cuando K = C. Ejemplo 2.2. a. V = R es un espacio vectorial sobre R con la adici on y multiplicaci on de n umeros reales usuales. b. Rn es un espacio vectorial sobre R con las operaciones de adici on y multiplicaci on por escalar denidas por Si x = (x1 , . . . , xn ), y = (y1, . . . , yn ) entonces x + y = (x1 + y1, . . . , xn + yn ) Si c K c.x = (c.x1 , . . . , c.xn ) c. Mn1 : El espacio de matrices de orden n 1 con la suma producto de un escalar por una matriz denidos por x1 y1 x1 + y1 . . . . Si x = . . ,y= . . , entonces x + y = . xn yn xn + yn c.x1 . c.x = . . , para todo c K c.xn . es un espacio vectorial sobre K. d. El espacio l de todas las sucesiones acotadas con valores en K resulta ser un espacio vectorial sobre K con las operaciones de suma y producto denidas por: (xn )nN + (yn )nN = (xn + yn )nN , c.(xn )nN = (c.xn )nN , (xn ), (yn ) l (2.1) (2.2) de matrices y el

c K (xn )nN l .

e. Para a, b R con a < b, el espacio C [a, b] de funciones f : [a, b] R continuas en [a, b] es un espacio vectorial sobre K cuando se le dota de las operaciones de suma de funciones y multiplicaci on de un escalar por una funci on denidas por: (f + g )(x) = f (x) + g (x) (c.f )(x) = c.f (x), f, g C [a, b], x [a, b]

f C [a, b],

x [a, b], c R.

A C [a, b] se denomina un espacio de funciones, pues cada vector de C [a, b] s una funci on continua en [a, b] con valores en K. 10

An alisis Funcional Aplicado-UPG/UNMSM Ejercicios 2.3. E.1 Sean ya , yb R y sea S (ya, yb ) = {f C [a, b]; f (a) = ya , f (b) = yb}

Para que valores de ya y yb , S (ya , yb ) es un espacio vectorial?. E.2 Demuestre que el espacio vectorial C [0, 1] no es un esapcio de dimensi on nita. Sugerencia: Suponga que C [0, 1] es de dimensi on nita igual a d, luego 2 d muestre que el conjunto B = {x, x , . . . , x } es linealmente independiente. Entonces B es una base para C [0, 1], luego la funci on constante 1 debe ser combinaci on lineal de las funciones de B , de esto derivar una contradicci on.

2.1.1.

Formas sesquilineales
a:V V K (u, v ) a(u, v )

La aplicaci on num erica

es denominada forma sesquilineal sobre un espacio vectorial V si satisface las siguientes condiciones: a) a(u + v, w ) = a(u, w ) + a(v, w ); u, v V. b) a(u, v ) = a(u, v ); u, v V ; C. c) a(u, v + w ) = a(u, v ) + a(u, w ); u, v, w V d) a(u, v ) = a(u, v ); u, v V, C. Observaci on 2.4. Note que estamos representando por V V el producto cartesiano de V consigo mismo . En caso de ser V un espacio vectorial real, la funci on num erica a : V V R que satisface las condiciones a)-d) se denomina forma bilineal. Las condiciones a) y b) nos dicen que la aplicaci on a es lineal en la primera coordenada, en tanto que c) y d) nos dicen que ella es antilineal o semilineal en la segunda coordenada.

2.1.2.

Formas Hermitianas

Se dice que una forma sesquilineal a:V V C 11

Luis Enrique Carrillo D az es hermitiana cuando a(u, v ) = a(v, u); para todo par u, v V . Aqu a(v, u) representa el complejo conjugado de a(v, u). Si V fuera un espacio vectorial real, el concepto de forma sesquilineal hermietrica. tiana se reduce al de forma bilineal sim Note que el concepto de Forma Hermitiana es esencialmente inherente al de las formas sesquilineales, como la simetr a es natural a las formas bilineales. Si una forma sesquilineal fuera sim etrica ella ser a la forma nula y an alogamente toda forma bilineal hermitiana ser a la forma nula. En el caso de quea sea una forma sesquilineal hermitiana se tiene que:

a(u + v, u + v ) = a(u, u) + 2a(u, v ) + 2Rea(u, v ) y a(u v, u v ) = a(u, u) + 2a(u, v ) 2Rea(u, v ) Proposici on 2.5. Sea a una forma sesquilineal sobre un espacio vectorial complejo V . Una condici on necesaria y suciente para que esta forma sea hermitiana es que ella sea real sobre la diagonal de V V . Prueba. Supongamos que a : V V C sea hermitiana; entonces a(u, u) ser a real, prob andose la condici on necesaria. Rec procamente, supongamos que (u, v ) a(u, u) sea real sobre la diagonal de V V . Luego a(u + v, u + v ) , a(u, u) y a(v, v ) son reales y por tanto siendo a(u + v, u + v ) = a(u, u) + a(v, v ) + a(u, v ) + a(v, u) Se concluye que a(u, v ) + a(v, u) = es un real para todo (u, v ) V V . Substituyendo u por iu , se obtiene que i(a(u, v ) a(v, u)) = tambi en es un real. Luego de las dos u ltimas igualdades se obtiene que a(u, v ) = i 2 12

An alisis Funcional Aplicado-UPG/UNMSM a(v, u) = + i 2

y por lo tanto como estos n umeros complejos son conjugados, la forma sesquilineal a : V V C es hermitiana. Observaci on 2.6. Dada una forma sesquilineal a : V V ; su restricci on a la diagonal de V V se representa por a y se denomina forma cuadr atica asociada a la forma sesquilineal a. La proposici on (2.5) puede ser reenunciada, diciendo que una condici on necesaria y suciente para que una forma sesquilineal sea hermitiana es que su forma cuadr atica asociada sea real.

Proposici on 2.7. Sea V un espacio vectorial complejo y a : V V una forma sesquilineal sobre V . El conocimiento de los valores de esta forma sobre la diagonal de V V nos permite obtener su valor en cualquier otro par (u, v ) V V . Prueba. Resulta de la igualdad 4a(u, v ) = a(u + v, u + v ) + a(u v, u v ) + ia(u + iv, u + iv ) ia(a iv, u iv ) que es f acilmente vericada con algunos c alculos simples. Observaci on 2.8. En el caso K = R no es valida esta proposici on, pues la forma bilineal a:V V R denida por a(u, v ) = u1 v2 u2 v1 Siendo u = (u1 , u2), v = (v1 , v2 ) , es nula sobre la diagonal, sin embargo no es id enticamente nula. En t erminos de la forma cuadr atica, la proposici on (2.5) nos dice que podemos determinar la forma sesquilineal a trav es de la forma cuadr atica. Si suponemos que V es real, con a : V V R bilineal y sim etrica, entonces vale la proposici on (2.5), pues es suciente observar que 2a(u, v ) = a(u + v, u + v ) a(u, u) a(v, v ) 13

Luis Enrique Carrillo D az

2.2.

Formas Positivas

Sea V un espacio vectorial complejo. Una forma sesquilineal hermitiana a : V V C sobre V V , se dice positiva cuando a(u, u) > 0; para todo u = 0 Proposici on 2.9 (Desigualdad de Schwartz). Sea a : V V C una forma sesquilineal hermitiana positiva, 0, sobre V . Entonces para todo par (u, v ) V V se tiene |a(u, v )|2 a(u, u)a(v, v ) Si a : V V C fuera estrictamente positiva, vale la desigualdad estricta <, valiendo la igualdad cuando u, v fueran linealmente dependientes.

Prueba. Supongamos que a(u, u) 0. Armamos que para todo C f () = a(u + v, u + v ) = a(u, u) + 2Rea(u, v ) + ||2a(v, v ) 0 Pongamos p = a(v, v ) , r = a(u, u) y a(u, v ) = qei Siendo q = |a(u, v )|. Escogiendo = tei , t real,debemos tener: q 2 pr 0

que es la desigualdad de Schwartz.

Si u, v fueran linealmente dependientes o si v = 0 , entonces vale la igualdad en la desigualdad de Schwartz. Si (u, v ) a(u, v ) fuera estrictamente positiva, entonces este es el u nico caso en que vale la desigualdad estricta. De hecho, si v = 0` osi u+v = 0 para todo C , entonces a(u+v, u+v ) > 0 , pues la forma es estrictamente positiva, luego f () > 0 prob andose nuestra armaci on.

2.2.1.

Vectores Ortogonales

Dos vectores u y v deV son denominados ortogonales en relaci on a la forma sesquilineal hermitiana positiva a : V V C, cuando a(u, v ) = 0. Dado un subconjunto M de V , el conjunto de los vectores de V , que son ortogonales a M , se denomina el ortogonal de M y se representa por M . Si existiera un vector w en V , que sea ortogonal a V en relaci on a la forma sesquilineal hermitiana positiva a : V V C , se dice que esta forma es degenerada. As los conceptos de forma sesquilineal hermitiana positiva no degenerada y de estrictamente positiva son equivalentes.

14

An alisis Funcional Aplicado-UPG/UNMSM Desigualdad de Minkowski Sea a : V V C una forma sesquilineal hermitiana positiva, sobre el cuerpo vectorial V . Entonces para todo par de vectores u, v V se tiene: (a(u + v, u + v ))1/2 (a(u, u))1/2 + (a(v, v ))1/2 Demostraci on. En efecto, se tiene a(u + v, u + v ) = a(u, u) + a(u, v ) + a(v, u) + a(v, v ) = a(u, u) + 2Rea(u, v ) + a(v, v ) Por la desigualdad de Schwartz obtenemos a(u + v, u + v ) a(u, u) + Es decir a(u, u) a(v, v ) + a(v, v )

a(u + v, u + v ) (a(u, u) + a(v, v ))1/2 Lo que prueba la desigualdad de Minkowski.

2.3.

Espacios de Hilbert

Sea V un espacio vectorial sobre C .

Denici on 2.10. Se denomina producto interno en V a una forma sesquilineal, hermitiana, estrictamente positiva. Cuando en V estuviera denido un producto interno, se dice que V es un pre-espacio de Hilbert.

En general el producto interno de los vectores u y v se representa por (u, v ) en lugar de a(u, v ). En problemas espec cos es mejor usar la representaci on de a(u, v ) para el correspondiente producto interno como lo veremos en su oportunidad. Podemos resumir lo que signica un espacio pre-Hilbert o espacio con producto interno en la siguiente denici on. 15

Luis Enrique Carrillo D az

Denici on 2.11. Un espacio con producto interno (real) es un espacio vectorial real V dotado de una aplicaci on (., .) de V V en R tal que: I.1 (f, f ) 0, f V . f, g V. f, g, h V. f, g V, R. I.2 (f, g ) = (g, f ),

I.3 (f + g, h) = (f, h) + (g, h), I.4 (f, g ) = (f, g ) = (f, g ),

La aplicaci on (., .) que asocia un n umero real a cada par (f, g ) V V es llamada un producto interno o producto escalar. Notar que en el caso complejo (I.2) resulta (f, g ) = (g, f ). Observaci on 2.12. En general un producto interno sobre el espacio vectorial V con escalares K es una aplicaci on (., .) : V V K f V . f, g V. f, g, h V. f, g V, R.

que satisface I.1 (f, f ) 0,

I.2 (f, g ) = (g, f ),

I.3 (f + g, h) = (f, h) + (g, h), I.4 (f, g ) = (f, g ),

Proposici on 2.13 (Desigualdad de Cauchy-Schwarz). En un espacio con producto interno (V, (., .)) se tiene: a) |(f, g )| (f, f )1/2 (g, g )1/2 para todo f, g V. (2.3) b) La aplicaci on f = (f, f )1/2 dene una norma f +g . + f V
2

(2.4)

sobre V , para la cual se cumple f g = 2( f + g

2

),

f, g V

y c) El producto escalar es continuo de V V en K. Prueba. Por I.1 de la denici on (2.11) se tiene que (f g, f g ) 0 16

An alisis Funcional Aplicado-UPG/UNMSM de lo cual obtenemos 0 (f, f ) + 2 (g, g ) 2(f, g ). Basta escoger = (f, g )/(g, g ) con g = 0 para probar lo deseado.

2.4.

Espacios Vectoriales Normados

Con el objetivo de hacer un c alculo en espacios vectoriales, (es decir hablar acerca de procesos de l mites, convergencia, aproximaci on), se requiere de una noci on de distancia o de cercan a entre los elementos de un espacio vecdtorial.Esta necesidad la provee la noci on de norma. Denici on 2.14. Sea V un espacio vectorial sobre R o C. Se denomina norma en V , a la aplicaci on . : V [0, +) que satisface las siguientes condiciones: 1. 2. 3. u 0; y u = || u+v u u = 0; implica u = 0; u V. [Positividad] u ; u V. + v ; u, v V. [Desigualdad triangular]

Un espacio vectorial V en el cual est a denida una norma, se denomina espacio vectorial normado. Luego si V es un espacio vectorial normado, entonces la funci on num erica d:V V R denida por d(u, v ) = u v tiene sentido y es llamada distancia de u a v en V . Consecuentemente, tiene sentido hablar de nociones topol ogicas de naturaleza m etrica, para los elementos de V . Si V fuera un pre-espacio de Hilbert (es decir un espacio dotado de un producto interno) con el producto escalar (., .) entonces la aplicaci on u 17 (u, u)

Luis Enrique Carrillo D az De V V R dene una norma en V , denominada norma inducida en V por el producto interno. Por tanto, en V esta denida la distancia d(u, v ) = (u v, u v )

Lo que es una consecuencia de las desigualdades de Schwartz, y Minkowski. Resulta por tanto que todo pre-espacio de Hilbert [es decir; espacio con producto interno] es un espacio vectorial normado. Veremos a continuaci on, una condici on para que un espacio normado sea un preespacio de Hilbert. En efecto, en todo pre-espacio de Hilbert se cumple la siguiente identidad u+v
2

uv

= 2( u

(2.5)

Para todo par de vectores u, v de V . Para vericar este hecho es suciente observar que u = (u, u)

y usar las propiedades del producto escalar. La identidad (2.5) se denomina Identidad del paralelogramo. Se demuestra, (K. Yosida, Functional An alisis, Springer Verlag, 1965, pag 39), que si en un espacio vectorial normado se cumple la identidad del paralelogramo entonces tal espacio ser a un pre-espacio de Hilbert cuyo producto escalar ser a dado por (u, v ) = (u, v )1 + i(u, iv )1 Siendo: i2 = 1 y 4(u, v )1 = u + v
2

uv

Denici on 2.15. Se denomina Espacio de Hilbert a un pre-espacio de Hilbert V , el cual es un espacio m etrico completo, con la m etrica inducida en V por el producto escalar denido sobre V . Ejemplos 2.16. E.1 R es un espacio vectorial sobre R, y si denimos . : R [0, +) por x = |x| para x R entonces resulta un espacio normado. E.2 Rn es un espacio vectorial sobre R, y sea
n 1/2

2= i=1

|xi |

18

An alisis Funcional Aplicado-UPG/UNMSM x1 . n n con x = . . R Entonces R dotado de esta norma es un espacio xn normado. Observaci on 2.17. . asi x 1 = n i=1 |xi | y normas.
2

no es la u nica norma que se puede denir sobre Rn , x = m ax{|x1 |, . . . , |xn |} para x Rn tambi en son

Notar que (Rn , . 2 ), (Rn , . 1 ) y (Rn , . ) ) son espacios normados diferentes. La norma que se escoja depender a del trabajo a realizar. Por ejemplo si estamos interesados en comparar la performance econ omica de un pais de a no en a no, usando ciertos indicadores econ omicos. Si x = (x1 , . . . , x365 ) es la 365 upla ordenada de los promedios industriales diarios. Una medida de diferencias por rendimiento anual es dada por
365

xy = .

n=1

|xi yi |

Luego el espacio (R365 , . 1 ) se origina naturalmente. Tambi en podr amos estar interesados en el costo del ndice de vida mensual. El record del ndice para un a no es dado por las 12 uplas x = (x1 , . . . , x12 ). La medida de la diferencia del costo de vida anualmente est a dada por x y = m ax{|x1 y1 |, . . . , |x12 y12 |},

la cual es una distancia en el espacio normado (R12 , .

).

E.3 Sea l el espacio vectorial de todas las sucesiones acotadas, dotado de la adici on y multiplicaci on escalar denidas en (2.1) y (2.2). Denimos (xn )nN
=

sup |xn |,
nN

(xn )nN l .

Se verica f acilmente que . es una norma y que (l , . ) es un espacio normado. E.4 Sean a, b R, con a < b. Sea C [a, b] el espacio de funciones cont nuas en [a, b] con la adici on de funciones y la multiplicaci on de una funci on por un escalar usuales. Denimos f . por
b =

x[a,b]

sup |f (x)|,

f C [a, b].

(2.6)

es una norma sobre C [a, b]. Otra norma sobre este espacio est a dada

f 19

1= a

|f (x)|dx,

f C [a, b].

(2.7)

Luis Enrique Carrillo D az Ejercicios 2.18. 1. Sea (X, . ) un espacio normado. Probar que para todo x, y X se cumple | x y | x y . 2. Si x R y denimos x = |x|2 , es . una norma sobre R? 3. Sea (X, . ) un espacio normado, y r > 0. Pruebe que la funci on x x x dene una norma sobre X . En consecuencia existen innitas normas distintas sobre un espacio normado. 4. Sea X un espacio normado con norma . X , y sea Y un subespacio de X . Pruebe que Y tambi en es un espacio normado con norma . Y denida simplemente como la restricci on de la norma . X a Y . Esta norma sobre Y es llamada la norma inducida. 5. Sea 1 < p < + y sea q denido por 1 1 + = 1. La desigualdad de p q Holder dice que si x1 , . . . , xn , y1 , . . . , yn son n umeros reales o complejos cualesquiera, entonces
n n 1/p n 1/q

i=1

|xi yi |

i=1

|xi |p

i=1

|yi |q

x1 . n Si 1 p +, entonces para x = . . R denimos xn

n 1/p

p= i=1

|xi |

, si 1 p < +, y
p

m ax{|x1 |, . . . , |xn |} (2.8)

a) Pruebe que la funci on x x

es una norma sobre Rn .

Sugerencia: Use la desigualdad de Holder para obtener

n n

i=1

|xi ||xi +yi |

p 1

x+y

p/q p

y
i=1

|yi ||xi +yi |p1 y

x+y

p/q p

Luego sumando estas desigualdades obtener la desigualdad triangular:

n n n

x+y

p p

i=1

|xi + yi ||xi + yi |

p 1

i=1

|xi ||xi + yi |

p 1

+
i=1

|yi ||xi + yi |p1 20

An alisis Funcional Aplicado-UPG/UNMSM b) Sea n = 2. Describa gr acamente los siguientes conjuntos: B2 (0, 1) = {x R2 / x x x
2< 1<

B (0, 1) = {x R2 /

B1 (0, 1) = {x R2 /

1}

<

1}

1}

c) Sea x Rn . Pruebe que ( x p )pN es una sucesi on convergente en R y que l mp x p = x Diga que sucede con los conjuntos Bp (0, 1) = {x R2 / x p < 1} cuando p . 6. Un subconjunto C de un espacio vectorial X es convexo si para cada x, y C y cada [0, 1] se tiene que x + (1 )y C .

Convexo

No convexo x < 1} es un conjunto

a) Muestre que la bola unitaria B (0, 1) = {x X/ convexo en cualquier espacio normado (X, . ). b) Bosqueje la curva {(x1 , x2 )/ |x1 | + c) Pruebe que x
1 2

|x2 | = 1}.
2

|x1 | +

|x2 |

x=

x1 x2

R2 , no dene

una norma en R2 . 7. a) Muestre que el poliedro Pn = x1 . n . . R /i = 1, . . . , n; xi > 0 y xn

n

xi = 1
i=1

es un convexo en Rn . Bosqueje P2 . x1 . b) Pruebe que si . . Pn entonces xn

n i=1

1 n2 xi

(2.9)

Sugerencia: Use la desigualdad de Holder con p = 2. 21

Luis Enrique Carrillo D az c) En el mundo nanciero existe un m etodo de inversi on denominado costo promedio en d olares. Hablando en t erminos muy generales, esto signica que uno invierte una cantidad ja de dinero regularmente en vez de invertir todo el capital de una sola vez. Se espera que una persona que usa costo promedio de dolar obtenga mejor resultado que otra que invierte todo su capital de una sola vez. Supongamos que una cantidad ja A es usada para comprar acciones a precios p1 , . . . , pn , luego el n umero total de acciones es A A + + . Si uno invierte la cantidad nA en el momento en que el p1 pn precio de las acciones es el promedio de p1 , . . . , pn entonces el n umero de n2 A . Usando la desigualdad(2.9) acciones que se pueden adquirir es p1 + + pn concluimos que el costo promedio en d olar es una opci on por lo menos tan buena como comprar al precio medio de la acci on.

2.5.

Espacios de Banach

En un espacio normado es posible tener la noci on de distancia entre vectores, esto permite hablar de sucesiones convergentes y sucesiones de Cauchy. Si consideramos el espacio de funciones continuas C [a, b], es posible obtener subconjuntos tales como B (f, ) = {g C [a, b]/ f g
<

este conjunto est a formado por funciones continuas denidas en [a, b] cuyas gr acas se encuentran entre las dos l neas punteadas. A este conjunto se le denomina bola de centro f y radio , e intuitivamente se observa que est a formado por todas aquellas funciones g C [a, b] cuyas distancias al centro f es menor que . ( Dicha distancia de f a g est a dada por f g .)

Denici on 2.19. Sea X un espacio normado con norma . y sea (xn )nN una sucesi on en X , x X . Se dice que la sucesi on (xn )nN converge a x si > 0 N N tal que para todo n N que satisface n N, xn x < . (2.10) 22

An alisis Funcional Aplicado-UPG/UNMSM Observar que la denici on (2.10) dice que la sucesi on de n umeros reales ( xn x )nN converge a 0, es decir l mn xn x = 0, lo que en t erminos de distancia nos dice que la distancia del vector xn al l mite x se aproxima a cero. Denotaremos este hecho por
n

l m xn = x
)

Ejemplo 2.20. Sea (fn )nN la sucesi on del espacio (C [0, 1]; ). norma innito . es la norma del m aximo, donde fn = sen(2nx) n2

donde la

A continuaci on mostramos los tres primeros t erminos de la sucesi on

Observando la gura parece que los t erminos convergen a cero. En efecto tenemos 1 n2 1 1 < para todo n > N > . 2 n

fn 0

sen(2nx)

23

Luis Enrique Carrillo D az

Denici on 2.21. La sucesi on (xn )nN es llamada una sucesi on de Cauchy si > 0; N N, /m, n N, con m, n N, xm xn < (2.11)

Observamos que cada sucesi on convergente es una sucesi on de Cauchy pues xm xn xm x + x xn . ) es llamado completo si

Denici on 2.22. Un espacio normado (X, cada sucesi on de Cauchy es convergente.

Los espacios normados completos son llamados espacios de Banach en honor al matem atico polaco Stefan Banach quien fue el primero en hacer uso de tales espacios en su tesis doctoral en el a no 1920. Luego en un espacio de Banach la condici on de Cauchy es suciente para garantizar la convergencia. Una sucesi on (xn )nN converge si y s olo si es de Cauchy, es decir si satisface (2.11). De este modo podemos determinar la convergencia a-priori sin conocer el l mite. Frecuentemente determinaremos que para ciertas ecuaciones existe soluci on y que adem as esta es u nica; en muchos casos no ser a posible escribir la soluci on de manera expl cita, pero con la certeza de la existencia y unicidad de la soluci on podremos hacer la correspondiente aproximaci on num erica. Teorema 2.23. Sea (xn )nN una sucesi on en un espacio de Banach y sea Sn = x1 + + xn . Si

n=1

xn < .

(2.12)

Entonces la serie

n=1

xn converge, es decir la sucesi on (Sn )nN converge.

n=1

Si denotamos l mn Sn por .

xn entonces

n=1

xn

n=1

xn

Prueba. Para k > n tenemos, Sk Sn =

k

k i=n+1

xi luego xi <

Sk Sn

i=n+1

xi

i=n+1

24

An alisis Funcional Aplicado-UPG/UNMSM para k > n N sucientemente grande. Por lo tanto (Sn )nN es una sucesi on de Cauchy que ser a convergente. Si s = l mn Sn , haciendo uso de la desigualdad triangular se tiene | s Sn | s Sn Sn

luego

s = l m . Como Sn
n i=1

xi

i=1

xi , obtenemos tomando l mite que

i=1

xi

xi
i=1

Posteriormente usaremos este teorema para demostrar que eA converge, donde A es una matriz cuadrada. Esta funci on de valor matricial juega un rol muy importante en la teor a de las ecuaciones diferenciales ordinarias. Ejemplos 2.24. 1. Rn equipado con la norma de Banach. .
p

dada por (2.8) es un espacio

En efecto, se debe demostrar que este espacio es completo, para ello supongamos que la sucesi on arbitraria (xn )nN es de Cauchy, es decir x(k) x(m) < ,
n

es decir;

m, k N m, k N
(k ) (m)

i=1

|xi xi |2 < 2 ,

(k )

(m)

(2.13)

Luego se sigue que para cada i = 1, . . . , n, |xi xi | < para todo (m) m, k N , es decir la sucesi on (xi )mN es de Cauchy en R y por lo tanto es (m) convergente. Sea xi = l mm xi , entonces x = (x1 , . . . , xn ) Rn . Haciendo tender k en (2.13) obtenemos
n

i=1

|xi xi |2 < 2 ,

(m)

mN

es decir x(m) xi
2

luego x = l mm x(m) est a en el espacio normado, con lo cual se completa la prueba. 25

mN

Luis Enrique Carrillo D az 2. Los espacios lp . Sea 1 p < +, denimos el espacio lp como

lp = dotado de la norma

x = (xi )iN /
i=1

|xi |p < +

1 p

p= i=1

|xi |p

(2.14)

Para p = denimos el espacio l por l = equipado de la norma x

=

x = (xi )iN / sup |xi | < +

iN

sup |xi |,
iN

En las aplicaciones los espacios m as importantes son l1 , l y l2 . Teorema 2.25. Los espacios lp , para 1 p + son espacios de Banach. Prueba. Haremos la prueba para el caso l2 . De la desigualdad |xi + yi |2 2|xi |2 + 2|yi |2 se deduce que l2 con las operaciones (xn )nN + (yn )nN = (xn + yn )nN ; (xn )nN = (xn )nN , es un espacio vectorial. (xn )nN l2 , K
(n)

para (xn )nN , (yn )nN l2

Mostraremos que l2 es completo. Sea (xnN una sucesi on de Cauchy en l2 . La prueba de la completitud ser a hecha en tres etapas: Paso 1: Buscamos un l mite x para la sucesi on (xnN . Tenemos x(k) x(m)
2< (n)

,
(k )

n, k N, es decir
(n)

i=1

|xi xi |2 < 2 ,
(k ) (n)

n, k N

(2.15)

Luego para cada i N, |xi xi | < , n, k N , es decir la sucesi on (n) de Cauchy (xi )nN es de Cauchy en R, por tanto es convergente. Sea xi = (n) l mn xi . 26

An alisis Funcional Aplicado-UPG/UNMSM Paso 2: Demostraremos que x pertence al espacio l2 Sea m N, entonces de (2.15) se tiene que
m

i=1

|xi xi |2 < 2 ,

(k )

(n)

n, k N

Hacemos tender k al innito y vemos que

i=1

|xi xi |2 < 2 ,

(n)

nN

Como esta desigualdad es v alida para todo m N tenemos

i=1

|xi xi |2 < 2 ,

(n)

nN

(2.16)

esto signica que para n N la sucesi on x x(n) y tambi en la sucesi on (n) (n) 2 x = x x + x pertenecen a l . Paso 3: Mostraremos que x x(n) converge a 0, es decir x(n) converge a x en l2 .

La ecuaci on (2.16) es equivalente a x x(n)

2

de lo cual se sigue que x = l mn x(n) en el espacio normado l2 . Con lo cual completamos la prueba. Como otro ejemplo de espacio de Banach tenemos al espacio de las funciones continuas. 3.Espacio de las Funciones Cont nuas.

, n N,

Teorema 2.26. Sean a, b R, a < b. El espacio (C [a, b], espacio de Banach.

es un

Prueba. Es claro que las combinaciones lineales de funciones continuas es una funci on cont nua, por tal motivo C [a, b] es un espacio vectorial. La ecuaci on (??) dene una norma y el espacio C [a, b] dotado de dicha norma es un espacio vectorial normado. Probaremos que C [a, b] es completo. Sea (fn )nN una sucesi on de Cauchy en C [a, b]. Sea > 0 dado. Entonces existe N N tal que para cada x [a, b] tenemos 27

Luis Enrique Carrillo D az

|fk (x) fn (x)| fk fn

<

k, n N

(2.17)

luego se sigue que (fn (x))nN es una sucesi on de Cauchy en K. Como K (= R o C) es completo el l mite f (x) = l mn fn (x) existe. Ahora debemos mostrar que este l mite es cont nuo. Si hacemos tender k en (2.17) tenemos para todo x [a, b] |f (x) fn (x)| , n N. (2.18)

Haciendo uso de la continuidad de las fn y (2.18) probaremos que f es continua en [a, b]. Sea x0 [a, b]. Dado cualquier > 0, sea = , escogemos N N sucien3 temente grande tal que (2.18) se cumpla. Como fN es continua en [a, b] se sigue que existe un > 0 tal que x [a, b], tal que |x x0 | < , |fN (x) fN (x0 )| < . en consecuencia, para todo x [a, b] tal que |x x0 | < se tiene |f (x) f (x0 )| |f (x) fN (x) + fN (x) fN (x0 ) + fN (x0 ) f (x0 )| |f (x) fN (x)| + |fN (x) fN (x0 )| + |fN (x0 ) f (x0 )| < + + = . Luego f resulta continua y f C [a, b]. Finalmente de (2.18) tenemos que f fn

n N,

por lo tanto fn converge a f en el espacio normado C [a, b]. Observaci on 2.27. Si consideramos en C [a, b] la norma
b

f entonces (C [a, b], .

1)

1= a

|f (x)|dx f C [a, b]

no es un espacio completo. (!Pruebe este hecho!)

Comentario 2.28. Considerando que (C [0, 1], . ) es un espacio de Banach y por el Teorema (2.23) podemos mostrar que la serie

n=1

sen(nx) n2

(2.19) 28

An alisis Funcional Aplicado-UPG/UNMSM converge en (C [0, 1], . En efecto; sen(2nx) n2

).

1 n2 .

1 y como n=1 2 < , se sigue que (2.19) converge en la norma n funci on continua.

a una

Efectivamente, podemos tener una idea bastante clara acerca del l mite haciendo el c alculo para los primeros N t erminos, para N sucientemente grande, y dibujar la funci on resultante, el error puede ser encontrado como sigue:

sen(2nx) n2 n=N +1

n=N +1

sen(2nx) n2

1 . n2 n=N +1

Por ejemplo si N = 10, entonces el error es acotado superiormente por 1 2 1 1 1 = 1+ + ++ 2 n 6 4 9 100 n=11

0,09516637.

Haciendo uso de Maple, se ha conseguido dibujar la suma parcial de (2.19) como se muestra en la siguente gura.

Suma parcial de 2.19 Luego la suma converge a una funci on continua que est a en la banda de ancho 0.096 alrededor de la gr aca mostrada en la gura anterior. Ejercicios 2.29. 1. Si 1 p +, demuestre que lp es un espacio normado. p Es decir l es un espacio vectorial y que . p denida por (2.14) es una norma sobre lp . 29

Luis Enrique Carrillo D az 2. Sea X un espacio normado, y sea (xn )nN una sucesi on convergente en X con l mite x. Pruebe que la sucesi on ( xn )nN es convergente en R y que l mn xn = x . 3. Sea C el conjunto de todas las sucesiones que tiene solo una cantidad nita de t erminos no nulos. a) Muestre que C es un subespacio de lp para todo 1 p +. b) Pruebe que para todo l p +, C no es completo con la norma inducida de lp . 4. Demuestre que l1 l2 l .

5. Pruebe que una sucesi on convergente (xn )nN en un espacio normado X tiene l mite u nico. 6. Pruebe que si (xn )nN es una sucesi on convergente en un espacio normado X entonces de una sucesi on de Cauchy. 7. Pruebe que una sucesi on de Cauchy (xn )nN en un espacio normado X es acotada, es decir existe M > 0 tal que xn M, n N. En particular cada sucesi on convergente en un espacio normado es acotada.

30

Cap tulo 3 Operadores

Para las aplicaciones se requiere de ciertas funciones que aplican un espacio vectorial normado (real) (X1 , . 1 ) en otro espacio vectorial normado (real) (X2 , . 2 ). A tales funciones se les llama operadores. En las aplicaciones los elementos de X1 y X2 por lo general son funciones convencionales y los operadores pueden involucrar procesos de diferenciaci on e integraci on sobre dichas funciones. Comenzaremos con situaciones muy generales y gradualmente dotaremos de estructura adicional a los espacios considerados. Sea A un operador cuyo dominio D (A) es un subconjunto de X1 y su rango R(A) es un subconjunto de X2 ; esto quiere decir que Af est a denido f D (A) X1 y que g = Af R(A) X2 . Observar que el dominio de A, D (A) puede ser todo el espacio X1 pero tambi en en muchas oportunidades es un subconjunto propio de X1 , an alogamente lo mismo se observa para R(A). La notaci on que emplearemos para un operador A como el descrito es A : X1 D (A) R(A) X2 . Entonces A aplica D (A) sobre R(A). Si R(A) = X2 entonces se dice que A aplica D (A) en X2 . Por comodidad en la escritura escribiremos Af en lugar de A(f ) Denici on 3.1. Sea A un operador con las notaciones anteriores. Se dice que A es inyectivo (1-1) si para f1 , f2 D (A) tal que Af1 = Af2 , entonces f1 = f2 Si A es inyectivo, podemos denir el operador inverso A1 : X2 D (A1 ) = R(A) D (A) = R(A1 ) X1 31

Luis Enrique Carrillo D az por A1 g = f Af = g, f D (A), g R(A)

Esta denici on (de A1 ) es posible porque dado g R(A), uno y solo un f D (A) existe tal que Af = g . Observar que D (A1 ) = R(A) y R(A1 ) = D (A). Denici on 3.2. Sea A un operador en las condiciones anteriores y sea B : X1 D (B ) R(B ) X2 se denen los operadores A + B y A por (A + B )f = Af + Bf, f D (A + B ) = D (A) D (B ). f D (A). (A)f = (Af ),

En cada caso el dominio es tomado como el mayor conjunto para el cual el segundo miembro tiene sentido. Tanto el R(A + B ) como R(A) son subconjuntos de X2 . En las aplicaciones el operador A generalmente representa alg un fen omeno f sico, por ejemplo A puede transformar una aceleraci on en una fuerza, para lo cual los elementos del espacio X1 ser an aceleraciones y los del espacio X2 ser an fuerzas. En forma an aloga el operador B debe transformar aceleraciones en fuerzas y debe tener dimensiones escalares. Si observamos las dos deniciones previas notamos que son netamente algebraicas y no incluyen normas sobre los espacios X1 y X2 . Las deniciones que daremos a continuaci on son de naturaleza anal tica, es decir se consideran las normas de los espacios normados correspondientes. Denici on 3.3. A es continuo en f D (A) si para cada > 0 es posible encontrar un n umero positivo = (, f ) tal que Af Ag
2<

, cuando g D (A) y

f g

1<

(3.1)

A es continuo sobre D (A) si es continuo en f para todo f D (A). El siguiente teorema nos da una denici on equivalente de continuidad. Teorema 3.4. A es continuo sobre D (A) si y solo si para una sucesi on (fn )nN tal que fn f D (A) Afn Af, n

La demostraci on de este teorema es similar al caso en que X1 = X2 = R. 32

An alisis Funcional Aplicado-UPG/UNMSM

Denici on 3.5. Decimos que el operador A satisface la condici on de Lipschitz sobre D (A) ( o brevemente, A es de Lipschitz) si existe una constante positiva K tal que Af Ag
2

f g

1,

f, g D (A).

(3.2)

Si A es un operador de Lipschitz, denotamos este hecho escribiendo A Lip(D (A), X2 ) Denici on 3.6. Se dice que un operador A es acotado sobre D (A) si existe una constante positiva K tal que Af
2

f D (A).

(3.3)

Ejemplo 3.7. Sean X1 = X2 = C [a, b]. En X1 y X2 denimos la norma del sup dada por f = sup{|f (x)|; x [a, b]} (3.4) Denimos A : C [a, b] C [a, b] por Af = f 2 , es decir (Af )(x) = f 2 (x), Como f C [a, b] entonces f 2 C [a, b], entonces podemos tomar como D (A) = C [a, b]. Observar que R(A) = C [a, b]. (recordar que estamos considerando s olo funciones de valores reales.) Propiedades del operador A: A no es inyectivo. En efecto, si f1 = f2 . Si se restringiera A al cono tante ser a inyectivo. En otras palabras f D (A+ ) = { : C [a, b]; (x) 0 1 A g. + g =
1 2 Af1 = Af2 entonces f1 = f2 , es decir 1 positivo de C [a, b] el operador resulsi denimos A+ por A+ f = f 2 para x [a, b]}, entonces A+ f = g f =

x [a, b]

A es continuo sobre D (A) = C [a, b]. Sea f C [a, b] jo tomado arbitrariamente. Sea tambi en > 0. Buscamos = (, f ) tal que
1 Sea X un espacio vectorial real de funciones de valores reales sobre un dominio jado R. El conjunto X+ = {f ; f X, f (x) 0 para todo x }

es llamado el cono positivo (cerrado) de X .

33

Luis Enrique Carrillo D az

Si

f g

f 2 g2
<

<

, entonces tenemos

, cuando g C [a, b] y

f g

<

|f (x) + g (x)| = |2f (x) [f (x) g (x)]| 2|f (x)| + |f (x) g (x)| 2 f

Luego para todo x [a, b] < |f (x) g (x)|{2 f 2 g2

f g

<

+,

x [a, b].

|f 2 (x) g 2(x)| = |f (x) g (x)||f (x) + g (x)| f

luego

+ } f g {2

{2

+ } (3.5)

f 2 Ahora escogemos tal que {2 f + } < (i.e,0 < < + 2 2 f = 0 (, f )). Entonces f g < y la condici on (3.1) de la denici on (3.3) se cumple. Como f es cualquiera, la continuidad de A sobre C [a, b] es probada. A no es de Lipschitz sobre C [a, b] Consideremos las funciones fn (x) = n, x [a, b]

f g

+ }.

para n = 0, 1, 2, . . . Como estas funciones son constantes, son por lo tanto continuas. Si A fuera de Lipschitz entonces Afn Af0

es decir

fn f0

para todo n 0, n 0.

Lo cual es una contradicci on.

n2 Kn,

o n K,

Sin embargo, si restringimos A a la bola cerrada B (, r ) = { C [a, b]; |(x)| r, se tiene que f 2 g2

x [a, b]} = { C [a, b];

r}

f g

f +g

[ f

f g

34

An alisis Funcional Aplicado-UPG/UNMSM

2r

f g

f, g B (, r ),

con lo cual A es Lipschitz sobre la bola cerrada B (, r ). A no es acotado sobre C [a, b]. Para vericar esta armaci on es suciente con usar la misma sucesi on (fn )nN . 2 2 Sin embargo A es acotado sobre la bola B (, r ), pues f f r f . Observaci on 3.8. Si A es Lipschitz sobre D (A), entonces es continuo, el ejemplo anterior muestra que la rec proca no necesariamente es verdadera. Denici on 3.9. Sea A : X1 D (A) R(A) X2 . Se dice que A es un operador cerrado si para cualquier sucesi on (fn )n0 D (A) tal que fn f y Afn g cuando n entonces f D (A) y Af = g . Observaci on 3.10. Se nota que g = limn Afn = A(limn fn ) = Af Proposici on 3.11. Sea A : X1 D (A) R(A) X2 un operador cont nuo sobre D (A) y supongamos que el D (A) es un subconjunto cerrado de X1 . Entonces A es un operador cerrado. Prueba. Sea (fn ) D (A) tal que fn f , entonces f D (A) ya que D (A) es cerrado. Adem as Afn Af = g , por ser A cont nuo, luego por denici on A es cerrado. Observaci on 3.12. La proposici on anterior se cumple si A es cont nuo sobre D (A) = X1 . La rec proca no se cumple, es decir existen operadores cerrados que no son cont nuos sobre sus dominios. Ejemplo 3.13. Sean X1 = X2 = C ([a, b]) equipados con la norma del sup. Denimos A del modo siguiente D (A) = {f C ([a, b]); f C ([a, b]); y f (a) = 0} Af = f Se observa que el D (A) es un subconjunto de C 1 ([a, b]).

35

Luis Enrique Carrillo D az Armamos que A es cerrado: Supongamos que se tiene una sucesi on (fn ) D (A) tal que fn f , es decir fn f 0 y que Afn g , o sea Afn g = 2 fn g 0, cuando n . Por un resultado se muestra que fn f y fn g uniformemente sobre [a, b], por tanto f = g , entonces g C 1 ([a, b]). Adem as fn (a) = 0; n luego f (a) = 0 desde que la convergencia uniforme implica convergencia puntual. Luego f D (A) y Af = g , lo cual prueba que A es cerrado. A no es cont nuo sobre su dominio D (A). Supondremos sin p erdida de generalidad que a = 0 y b = 1, para el caso general basta hacer el cambio de variable x (x a)/(b a) , el cual aplica [a, b] sobre [0, 1] Para n 0 hacemos fn (x) = n{ xn+2 xn+1 }, 0 x 1 . n+1 n+2

Tambi en sea f (x) = 0 para todo x [0, 1]. Se tiene qu e fn D (A) para n 0 y f D (A). Adem as fn f
=

fn

n{

1 1 n }= 0; si n n+1 n+2 (n + 1)(n + 2)

entonces se sigue que fn f uniformemente sobre [0, 1]. Sin embargo calculando directamente se tiene que
fn f = fn =

sup{nxn (1 x)} = n(

n n 1 ) n+1 n+1

= .

1 1 1 (1 + 1/n)n 1 + 1/n e

En conclusi on vemos que la sucesi on (fn ) = (Afn ) es tal que fn f puntualmente pero no uniformemente, es decir Afn no converge a Af con respecto a la norma . , y por el Teorema (3.4), A no es cont nuo sobre D (A).

En el espacio de Banach (C ([a, b]), . converge a f uniformemente sobre [a, b].

),

la sucesi on (fn ) converge a f si y solo si fn

36

An alisis Funcional Aplicado-UPG/UNMSM

Denici on 3.14. Sean (X1 , normados reales.

1)

y ( X2 ,

2)

espacios vectoriales

i) El producto cartesiano X1 X2 de X1 y X2 es el conjunto (de todos los pares ordenados) X1 X2 = {(f1 , f2 ); f1 X1 , f2 X2 }. ii) La adici on y la multiplicaci on escalar son denidas en X1 X2 por (f1 , f2 ) + (g1 , g2 ) = (f1 + g1 , f2 + g2 ) (f1 , f2 ) = (f1 , f2 ) para todos f1 , g1 X1 , f2 , g2 X2 y R.

Proposici on 3.15. Con la notaci on de la denici on anterior tenemos i) X1 X2 es un espacio vectorial real con relaci on a las operaciones de la denici on (3.14). ii) X1 X2 es un espacio vectorial normado con respecto a la norma denida por (f1 , f2 )
1,2

f1

f2

(3.6)

Prueba. La vericaci on es inmediata, usa el hecho de que normas.

son

Proposici on 3.16. En las condiciones de la Proposici on (3.14), si (X1 , . 1 ) como (X2 , . 2 ) son espacios de Banach, entonces (X1 X2 , . 1,2 ) es espacio de Banach.

Prueba. Por (3.6) vemos que (f1 , f2 X1 X2 es una sucesi on de Cauchy (n) (n) si y s olo si (fi y (f2 ) son sucesiones de Cauchy.

(n)

(n)

A continuaci on estableceremos una conecci on entre operadores cerrados y conjuntos cerrados. 37

Luis Enrique Carrillo D az

Denici on 3.17. Sean (X1 , . 1 ) y (X2 , . 2 ) espacios vectoriales normados. Para cualquier operador A : X1 D (A) R(A) X2 , el gr aco de A es el subconjunto G(A) de X1 X2 denido por G(A) = {(f, g ); g = Af, f D (A)} (3.7)

Teorema 3.18. Sea A un operador en las condiciones de la denici on anterior. A es un operador cerrado si y s olo si G(A) es un subconjunto cerrado de X1 X2 Prueba. Supongamos que A es un operador cerrado. Mostraremos que G(A) es cerrado probando que el contiene todos sus puntos l mites 3 . Sea (g1 , g2 ) X1 X2 un punto l mite de G(A), entonces por denici on existe una sucesi on (fn , Afn ) X1 X2 tal que (fn , Afn ) (g1 , g2)
1,2

0,

cuando n .

Como (fn , Afn ) (g1 , g2 ) = (fn g1 , Afn g2 ), por (3.6) se tiene que fn g1 y que Afn g2 cuando n . Como fn D (A) para todo n 0 y A es un operador cerrado entonces g1 D (A) y g2 = Ag1 . Luego el punto l mite (g1 , g2) = (g1 , Ag1 ) pertenece a G(A) como se quer a probar. La rec proca es an aloga y se deja como ejercicio para el alumno. Observaci on 3.19. La norma (3.6) es frecuenetemente llamada norma del gr aco sobre X1 X2 . Para X1 y X2 dos espacios vectoriales normados cualesquiera, sea C (X1 , X2 ) el conjunto de todos los operadores cerrados A de X1 en X2 , en el sentido que D (A) X1 , R(A) X2 y A es cerrado en el sentido de la denici on (3.9), en particualr el D (A) puede no ser todo X1 y podr a variar con A. Cuando X1 = X2 entonces denotaremos a C (X1 , X2 ) por C (X ). A continuaci on presentamos uno de los m as importantes teoremas en relaci on a operadores cerrados, el cual es usado en las aplicaciones que discutiremos m as adelante. Teorema 3.20. Si A C (X1 , X2 ) y A es inyectivo entonces A1 C ( X2 , X1 ) :
Teorema. Sea (X, . ) un espacio vectorial normado y F X . Entonces F es cerrado si y s olo si F = F , es decir F es cerrado si y s olo si F contiene todos sus puntos l mites.
3

38

An alisis Funcional Aplicado-UPG/UNMSM Prueba. Como A1 : X2 D (A1 ) R(A1 ) X1 entonces G(A1 ) X2 X1 . Usaremos el Teorema (3.18) en la forma siguiente: El operador A es cerrado si y s olo si G(A) = {f, Af ), f D (A)} = {(A1 g, g ), g R(A) = D (A1 )} es cerrado en X1 X2 (cuando Af = g ). Luego G(A) es cerrado en X1 X2 si y s olo si {(g, A1g ); g D (A1 )} es cerrado en X2 X1 ,ver 4 De lo cual se concluye que G(A) es cerrado en X1 X2 si y s olo si (A1 es inyectivo) y A1 ) es cerrado. Aparentemente ser a conveniente que se dotara a C (X1 , X2 ) de una estructura algebraica como la de un espacio vectorial, sin embargo esa estructura no resuelve algunas diculatades que se presentan. Ejemplo 3.21. Sean A, B C (X1 , X2 ). i) Para cualquier 0 = R, A C (X1 , X2 ). En efecto, Si Afn g entonces (A)fn g, para = 0. ii) Lo armado en (i) puede ser falsa si = 0. En efecto, sea S cualquier subconjunto propio no cerrado de X1 . Denimos el operador cero 0S sobre S por 0S f = 2 = el vector cero de X2 , para todo f S. Mostraremos que 0S no es cerrado. Por hip otesis existe un punto l mite g de S el cual pertenece a X1 pero no a S . Por cierto existe una sucesi on (fn ) S tal que fn g . Adem as 0S fn = 2 para todo n por lo que (0S fn ) converge trivialmente a 2 . Si 0S fuera cerrado entonces de deducir a que g S con 0S g = 2 , lo cual es falso ya que g / S. iii) En general no es cierto que A + B C (X1 , X2 ), para ver esto es suciente considerar D (A) = S con S como en (ii), y tomar B =A , el cual es cerrado por (i), entonces A + B = 0S el cual no es cerrado. El siguiente teorema permite contornar en algo las dicultades anteriores. Teorema 3.22. Sean A C (X1 , X2 ), y B : X2 D (B ) R(B ) X2 un operador continuo sobre D (B ), donde D (B ) es cerrado. Entonces A + B C ( X1 , X2 ) . Prueba. Sea (fn ) D (A + B ) y sean f, g tales que fn f,
4

(A + B )fn g,

cuando n .

Estamos suponiendo que D (A + B ) = D (A) D (B ) = .

Ejercicio. Probar que si el conjunto S es cerrado en X1 X2 entonces el conjunto S1 = {(g, f ); (f, g ) S } es cerrado en X2 X1

39

Luis Enrique Carrillo D az Para todo n, fn D (B ) y el dominio D (B ) es cerrado, por lo tanto f D (B ). Por aplicaci on del Teorema (3.4) al operador B se tiene que Bfn Bf . Ahora tenemos, considerando (fn ) D (A); fn f, Afn g Bf, cuando n . Como A es cerrado se concluye que f D (A) y Af = g Bf. Luego f D (A) D (B ) = D (A + B ) y (A + B )f = g con lo cual se obtiene el resultado deseado. Observaci on 3.23. Podemos pensar que el operador A + B es la perturbaci on del operador A por medio del operador B . Hemos visto que una perturbaci on de un operador cerrado por otro cerrado no resulta ser cerrado, y si la la perturbaci on se realiza con un operador continuo con un dominio cerrado, entonces el operador perturbado resulta ser cerrado. Para las aplicaciones el resultado del Teorema (3.22) es suciente. Otro caso especial de perturbaci on continua con dominio cerrado nos lo da el siguiente corolario. Corolario 3.24. Sea X un espacio de Banach real y sea A C (X ). Entonces A + I C (X ) para todo R, donde I es el operador identidad sobre X . Demostraci on. El resultado se sigue del Teorema (3.22) tomando como D (B ) = X el cual es cerrado pues X es un espacio de Banach, y tomando B = I . (En este caso X1 = X2 = X ) En el caso de que X fuera un espacio de Banach complejo, el corolario anterior se verica para todo C.

3.1.

Operadores Lineales

Hasta el momento se ha trabajado con operadores cuyo dominio s olo es un subconjunto del espacio de partida X1 . Cuando este dominio es un subespacio vectorial del espacio X1 la teor a resulta enriquecida notablemente. Denici on 3.25. Sea A : X1 D (A) R(A) X2 , donde D (A) es un subsepacio del espacio vectorial real X1 . Se dice que A es lineal si satisface A(f + g ) = Af + Ag ; f, g D (A), , R Observaci on 3.26. Como D (A) es supuesto un espacio vectorial de X1 entonces se tiene la garant a que para f, g D (A) y , R entonces f + g D (A) quedando bien denido A(f + g ). 40

An alisis Funcional Aplicado-UPG/UNMSM

Proposici on 3.27. Sea A : X1 D (A) R(A) X2 , un operador lineal, se cumple que i) R(A) es un subespacio vectorial de X2 . ii) Si A es invertible, entonces A1 : X2 D (A1 ) = R(A) R(A1 ) = D (A) X1 , es tambi en un operador lineal.

Prueba: Ejercicio para el alumno. Proposici on 3.28. Sea A : X1 D (A) R(A) X2 , un operador lineal, donde X1 y X2 son espacios vectoriales normados reales. Entonces las siguientes sentencias son equivalentes: i) A es cont nuo en 1 , el vector cero de X1 . ii) A es cont nuo sobre D (A). iii) A es Lipschitz sobre D (A). iv) A es acotado sobre D (A).

Prueba. i) ii): Sean (fn )n0 D (A), y f D (A) y supongamos que fn f cuando n . Como D (A) es un subespacio vectorial entonces (fn f ) D (A) para todo n 0 y fn f 1 , por hip otesis A(fn f ) A1 lo cual signica que Afn Af 2 cuando n , es dedcir Afn Af cuando n , por lo tanto A es cont nuo sobre D (A). ii) i) es inmediata, ya que 1 D (A), luego (i) y (ii) son equivalentes. De modo an alogo (iii) y (iv) son equivalentes. Probaremos que (iv ) (i) Usando la equivalencia de (i) y (ii) bastar a probar la continuidad en 1 . Para cualquier > 0 dado, sea = /K donde K es la constante de acotaci on obtenida de la hip otesis (iv). Suponemos tambi en que g D (A) es tal que g 1 1 < . Luego g 1 < ,y como A es acotado Ag 2 < K g 1 < K = . Entonces en conclusi on Ag A1 2 < , en el supuesto que g 1 1 < , con lo cual (iv) implica (i).

41

Luis Enrique Carrillo D az (i) (iv ) Como A es cont nuo en 1 , se tiene que para = 1, existe un = (1, 1 ) > 0 tal que Ag A1
2<

1; cuando

Es decir Ag 2 < 1 : cuando g 1 < ; y g D (A) Sea f D (A) con f = 1 y se g = (/2 f 1 )f , como D (A) es subespacio entonces g D (A) y g 1 = < y como Ag 2 < 1 entonces 2 A( 2 f f ) < 1 es decir ; Af
1 2<

g 1

1<

; y g D (A)

1;

f D (A); con f = 1

Cuando f = 1 ; . Luego en todos los casos se obtiene Af

2

Af

2=

2=

0 = (2/ )

1=

(2/ )

(2/ )

Luego la denici on de operador acotado se cumple con K = 2/ . Por lo gtanto (i) y (iv) son equivalentes, con lo cual se completa la prueba. Analizaremos a continuaci on un caso de operadores donde el dominio coincide con espacio total X1

3.2.

Operadores Acotados

Sean X1 y X2 espacios vectoriales normados. Denotamos con B (X1 , X2 ) al espacio de todos los operadores A los cuales son lineales y acotados de X1 en X2 con dominio D (A) = X1 . Cuando X1 = X2 = X el conjunto B (X1 , X2 ) ser a denotado por B (X ) solamente. Proposici on 3.29. B (X1 , X2 ) es un subconjunto propio de C (X1 , X2 ), luego cada operador A acotado (o cont nuo) sobre X1 es cerrado. Estamos denotando con C (X1 , X2 ), al espacio de todos los operadores cerrados de X1 a X2 . 42

An alisis Funcional Aplicado-UPG/UNMSM

Proposici on 3.30. Sean X1 y X2 dos espacios vectoriales normados reales. (i) B (X1 , X2 ) es un espacio vectorial real respecto a las operaciones (A1 + A2 )f = (A1 f ) + (A2 f ) (A)f = (Af ) para f X1 , A1 , A2 , A B (X1 , X2 ) y , R (ii) B (X1 , X2 ) es un espacio vectorial normado con respecto a la norma A = sup{ Af
2

1; f

X1 ; f = 1 }

(iii) Si X1 y X2 son dos espacios de Banach entonces B (X1 , X2 ) es espacio de Banach. Prueba Ejercicio para el alumno. Observaci on 3.31. Normas equivalentes de B (X1 , X2 ) son dadas por A = sup{ Af o A = inf {K ; Af Luego si Af
2 2 2; f

X1 ; f K f

1=

1}

1 ; f

X1 }

K0

1,

f X1 para algun K0 entonces A K0 .

Cuando X1 es el espacio de Banach real X y X2 = R entonces el correspondiente espacio de Banach real B (X ; R) es el espacio dual de X, y se denota por X = B (X, R) Luego cualquier elemento f X el cual es llamado un funcional lineal acotado, aplica X en R, esto signica que f (u) R; u X . Adem as f (f + g ) = f (f ) + f (g ) para todo f, g X y , R y |f (f )| M f donde M depende de f .

43

Luis Enrique Carrillo D az La norma sobre X es dada por f = sup{|f (f )/ f ; f X ; f > 0}

En el caso que X sea un espacio de Hilbert con producto interno (., .), entonces X puede ser identicado con X mismo y se muestra que cada f X tiene la forma

donde g es un elemento adecuado de X

f (f ) = (f, g ) = (g, f ); para todo f X

Comentario 3.32. En las aplicaciones frecuentemente el inter es est a en mostrar que un cierto operador es cerrado. Para el caso de problemas que involucran operadores lineales que est an relacionados con derivadas existe un protocolo muy u til que en la mayor a de las veces da resultados exitosos. Este protocolo tiene los pasos siguientes. i) Cuando A es invertible, se calcula A1 . ii) Si A fuera un operador diferencial, se espera que A1 sea un operador integral. iii) Los operadores integrales son frecuentemente acotados, asi que se espera que A1 sea acotado y por tanto cerrado, ya que los operadores acotados forman un subespacio propio de los operadores cerrados. iv) Y nalmente, por aplicaci on de la Proposici on 5 , se deduce que 1 1 A = (A ) es cerrado. Ejemplo 3.33. Seguiremos haciendo uso del operador A denido como D (A) = {f C ([a, b]); f C ([a, b]) y f (a) = 0} Supongamos que a un no sabemos que A es cerrado, y obtengamos tal hecho siguiendo el protocolo antes mencionado. i) C alculo de A1 Para obtener una expresi on expl cita para A1 debemos resolver la ecuaci on Af = g donde g C ([a, b]) y la inc ognita f D (A)
5

Af = f ; f D (A)

Proposici on:Si A C (X1 , X2 ) y A es inyectivo, entonces A1 C (X1 , X2 )

44

An alisis Funcional Aplicado-UPG/UNMSM la u ltima ecuaci on es equivalente a f (x) = g (x); a x b integrando desde a hasta x para a x b se tiene
x

f (x) f (a) = Como f (a) = 0 entonces se tiene

x

g (y )dy ; a x b

f (x) =
a

g (y )dy ; a x b
x

es decir que la u nica soluci on de la ecuaci on Af = g en el D (A) es f (x) = (A1 g )(x) =

a

g (y )dy ; a x b

ii) El operador A1 de que tipo es? A1 es un operador integral, de tipo Volterra. iii) El operador A1 es cerrado? Para cada x [a, b] por (i) se tiene que
b

|(A1 g )(x)| luego (A1 g )

=

ax |g (y )|dy

g
a

dy = (b a)

sup{|(A1g )(x)|; a x b} (b a)
1

que

para cualquier g C ([a, b]) = D (A ) de lo cual se concluye que A1 B (X ) para X = C ([a, b]) y adem as se tiene A1 (b a), entonces A1 es un operador cerrado.

iv)A es cerrado? Como A1 es un operador cerrado, y es inyectivo, entonces A = (A1 )1 es cerrado.(Haciendo uso del resultado de la Proposici on en la cita (5)).

45

Luis Enrique Carrillo D az

46

Bibliograf a
[1] Kesavan, S. Topics in Functional Analysis and Applications. John Wiley & Sons, New Delhi, India, (1989). [2] Kreyszig, Erwin. Introductory Functional Analysis with applications. John Wiley & Sons, (1989). [3] Miana,Pedro. Curso de An alisis Funcional. Departamento de Matem atica de la Universidad de Zaragoza, (2006). [4] Pietsch, Albrecht. History of Banach Spaces and Linear Operators. Birkhauser Boston, (2007). [5] Willem,Michel.Functional Analysis,Fundamentals Applications.Springer-Birkhauser, (2007). and

[6] Zeidler, Eberhard. Applied Functional Analysis. Springer-Verlag New York, Inc. (1995).

47

 Indice alfab etico

Aproximaci on num erica, 24 Cuerda el astica, 5 Curvas caracter sticas, 6 Distribuciones, 4 Ecuaci on de Burguer, 5 Elementos nitos, 4 Optimizaci on, 3 Soluciones aproximadas, 4 Teorema de Representaci on de Riesz, 1

48