Professional Documents
Culture Documents
Indice general
I
Espacios M
etricos
1. Espacios M
etricos
2. Conceptos Topol
ogicos
14
3. Lmites y Continuidad
17
21
5. Relaci
on entre conjuntos cerrados y subespacios completos
28
6. Isomorfismos
33
7. Espacios Vectoriales
38
8. Espacios Normados
45
48
58
11.Funcionales Lineales
62
12.Caracterizaci
on del dual topol
ogico del algunos EVN
67
II
70
13.Espacios Eucldeos
71
14.Desigualdades de Cauchy-Schwarz-Bu
nakovski y Triangular
75
15.Aproximaci
on de un punto con elementos de un convexo
80
87
17.Series de Fourier
93
18.Teoremas de la Representaci
on de Riesz
98
103
INDICE GENERAL
III
Teora Espectral
111
115
Repaso
Sea R el conjunto de sucesiones de n
umeros reales. Sea (xn ) R , l R.
Recuerde que:
def
def
2. (xn ) es de Cauchy
C1 R tal que x A, C1 x
(C1 es una cota inferior ).
def
C2 R tal que x A, x C2
(C2 es una cota superior ).
def
C1 , C2 R tal que x A, C1 x C2
nota
th
(iii) sup A = m
as peque
na de las cotas superiores, si A es acotado por
arriba y + si no.
def
Si sup A A se llama maximo de A, i.e. en este caso max A =
sup A <
Si sup A
/ A se escribe @ max A
def
nf A = m
as grande de las cotas inferiores de A, si A es acotado por
abajo y si no.
Si nf A A se le llama mnimo de A (en este caso mn A = nf A)
Si nf A
/ A, entonces @ mn A.
Ejercicios
1. Pruebe que (xn ) es de Cauchy y que converge usando las definiciones
n+1
(xn ) =
2n + 21
n + sin n
(xn ) =
2n + 3
2
2n 7
(xn ) =
5n2 + 8
3n2 1
(xn ) =
n2 + n + 1
cos2 n
(xn ) =
1 + n2
2
4n + 3n
(xn ) =
2n2 + 1
2. Pruebe que:
(xn ) converge (xn ) es de Cauchy.
(xn ) es de Cauchy (xn ) es acotada.
(xn ) es acotada 6 (xn ) converge. (de un contraejemplo)
3. Pruebe que sin y cos son funciones acotadas. Tienen maximo y mnimo?
4. Pruebe que tan y sec son no acotadas
5. Halle sup A, nf A y si existen max A y mn A:
A = {2 +
3
p
| p es un n
umero primo}
A = {y R | x R tq y = 3 sin x + 4 cos x}
2
2n + 3
| n N, n >
A=
5n2 + 7
A=
3n + sin(n/2)
|nN
n+5
6. Resuelva la ecuaci
on o inecuacion dadas
1 x < 5x 30 x
3x + 1
2
4
3
0 < |15 7x| 5
3 x
7 < 1
5x + 2
5 > 1
|x + 5| < 12 x
x + 1
x 1 > 1
7. Grafique el conjunto A:
A = {(x, y) R2 | |x + y 1| + |x 2y 3| = 5}
A = {(x, y) R2 | |x2 3y + 1| = 1}
A = {(x, y) R2 | |x + y 1| + |y x2 | 5}
Parte I
Espacios M
etricos
Captulo 1
Espacios M
etricos
Definici
on 1. Sea X 6= . A una funci
on d : X 2 R, (x, y) 7 d(x, y) tal
que x, y, z X
(M1) d(x, y) 0 (No negatividad)
(M2) d(x, y) = 0 x = y (Unicidad)
(M3) d(x, y) = d(y, x) (Simetra)
(M4) d(x, z) d(x, y) + d(y, z) (Desigualdad Triangular)
se le llama m
etrica o distancia en X y al par (X, d) espacio m
etrico.
Definici
on 2. Si (X, d) es un espacio metrico y Y X es no vaco, d|y2 :
Y 2 R es obviamente una metrica en Y y a (Y, d|y2 ) se le llama subespacio
de (X, d) y se nota por comodidad (Y, d). A d|y2 se le llama metrica inducida
en Y por d
Ejemplos
1. Si para x, y R ponemos d(x, y) = |x y|, entonces d es una distancia en
R, llamada distancia natural o usual. Con la misma definicion para d se
obtiene una metrica en C, siende en este caso |x y| el modulo de x y.
2. Sea KN {RN , CN }, n 2. Definiremos en KN algunas metricas. Si
x1
x2
N
x=
... = (x1 , x2 , ..., xN ) K ,
xN
y1
y2
N
y=
... = (y1 , y2 , ..., yN ) K
yN
8
y ponemos:
v
uN
uX
d2 (x, y) = t
|xk yk |2
k=1
d1 (x, y) =
N
X
|xk yk |
k=1
v
uN
uX
p
|xk yk |p , 1 p <
dp (x, y) = t
k=1
1
0
si x 6= y
si x = y
s
dp (f, g) =
X
1 |xk yk |
2k 1 + |xk yk |
k=1
K
|
p = {(xn ) K
|xn |p < },
k=1
K
| (xn )es acotada}
= {(xn ) K
Ejercicios
1. Si para x, y R se pone d(x, y) =
espacio metrico.
Demostraci
on. Sean x, y, z R. Debemos probar (M1), (M2), (M3) y
(M4) para d:
p
(M1) d(x, y) = |x y| 0
(M2)
d(x, y) = 0
(M3) d(x, y) =
|x y| =
p
|x y| = 0
|x y| = 0
xy =0
x=y
p
|y x| = d(y, x)
|x z| |x y| + y z,
o tambien
d(x, z) d(x, y) + d(y, z)
10
1kN
1kN
k=1
k=1
es la desigualdad de H
older.
En particular
N
X
k=1
v
v
uN
uN
uX
uX
t
2
|xk | t
|yk |2
|xk yk |
k=1
k=1
X
uX
uX
p
q
p
t
|xk yk |
|xk | t
|yk |q
k=1
k=1
11
k=1
1
q
1
p
= 1 (se dice
la desigualdad de Holder.
En particular
v
v
u
u
X
uX
uX
|xk yk | t
|xk |2 t
|yk |2
k=1
k=1
k=1
la desigualdad de Cauchy-Schwarz.
11. Pruebe que x = (x1 , ...xN ) KN ,
N
X
!2
|xk |
k=1
N
X
|xk |2
k=1
13
Captulo 2
Conceptos Topol
ogicos
Definici
on 3. Sea (X, d) un espacio metrico; sean a X, r > 0:
Br (a) = {x X|d(x, a) < r} es una bola abierta con centro a y radio r.
er (a) = {x X|d(x, a) r} es una bola cerrada con centro a y radio
B
r.
Sr (a) = {x X|d(x, a) = r} es una esfera con centro a y radio r.
er (a) es la union disjunta de Br (a) y Sr (a)
NOTA: B
Ejemplos
1. En (R, d), donde d es la distancia usual (d(x, y) = |x y|),
Br (a) =]a r, a + r[,
er (a) = [a r, a + r],
B
Sr (a) = {a r, a + r}.
2. En (R2 , d2 ), donde d2 es la distancia usual, si a = (a1 , a2 ),
el gr
afico de Sr (a) es la circunferencia de centro A(a1 , a2 ) y radio r;
el gr
afico de Br (a) es el crculo (excluida la circunferencia), con centro en
A(a1 , a2 ) y radio r.
3. En (R3 , d2 ), donde d2 es la distancia usual, si = (a1 , a2 , a3 ),
el gr
afico de Sr (a) es la esfera de centro A(a1 , a2 , a3 ) y radio r;
mientras que el gr
afico de Br (a) es la bola con centro en A(a1 , a2 , a3 ) y
radio r (excluida la esfera).
Conceptos Topol
ogicos
Definici
on 4. Sea (X, d) un espacio metrico. Sean M X, M 6= ; A, B X
1. a M es un punto interior de M si r > 0 tal que Br (a) M .
14
def
A = {x X | , x A }
TN
k=1
A T
Ak T
Ejercicios
1. Grafique S1 ((0, 0)), la esfera unidad en (R2 , dp ), para p {1, 1,5, 2, 3} y
para d . C
omo se comporta S1 ((0, 0)) dibujado para dp si p 1+ y si
p +?.
e2 (cos).
2. Describa en C[0, ] = (c[0, ], d ), los conjuntos S2 (cos), B2 (cos), B
3. Sea (X, d) un espacio metrico, donde d es la metrica discreta. Sea a X.
e0,5 (a), B
e1 (a), B
e2 (a), S0,5 (a), S1 (a), S2 (a)
Halle B0,5 (a), B1 (a), B2 (a), B
4. Pruebe que toda bola abierta es un abierto y que toda bola cerrada es un
cerrado.
5. Pruebe que si (X, d) es un espacio metrico y M X, entonces:
(a) Ma es cerrado,
(b) M es cerrado,
(c) M es cerrado M = M ,
(d) a M r > 0 Br (a) contiene al menos un punto de M ,
(e) F X es cerrado y M F M F , (M es el mas peque
no cerrado
que contiene a M ),
(f ) si A B X entonces Aa Ba , y ,por ende A B,
(g) A B = A B,
(h) A B A B.
6. Sea (X, d) un espacio metrico. Sean A, M X no vacos. Supongamos
que A es abierto. Pruebe que:
(a) A M = A M = ,
(b) M = M M , donde M = {x X | xes un punto de frontera deM
= frontera de M (x X es punto de frontera de M si r > 0, Br (x)
contiene al menos un punto de M y al menos un punto de CM ),
(c) M es abierto M es la union de bolas abiertas.
7. Pruebe que en R, si a, b R, a < b, [a, b] no es abierto, [a, b[, ]a, b] no son
abiertos ni cerrados; {a} no es abierto, {a} es cerrado, [a, b] es cerrado y
]a, b[ es abierto.
8. Realice los ejercicios indicados en los numerales 4, 5 y 8 de la definicion 4.
16
Captulo 3
Lmites y Continuidad
Sean (X, dx ), (Y, dy ) dos espacios metricos.
Sea f : X Y x 7 f (x) tal que D(f )a 6= (o sea que el dominio de f tiene al
menos un punto de acumulaci
on).
Sea x0 un punto de acumulaci
on de D(f ). Se dice que l Y es el lmite de f (x)
si x tiende a x0 , lo que se escribe
l = lm
xx0
l
f (x)
xx
0
ssi
> 0 > 0 tal que 0 < dx (x, x0 ) < dy (f (x), l) <
(en esta definici
on esta implcito que x D(f )).
Si adem
as x0 D(f ) y si f (x0 ) = l, se dice entonces que f es continua en x0 .
NOTA:
Para que f sea continua en x0 se requiere que
x0 D(f ) D(f )a y que f (x0 ) = lm f (x).
xx0
Ejercicios
1. Sea (X, d) un espacio metrico. Sea A X, A 6= . Pruebe que:
A es abierto A es la uni
on de bolas abiertas.
2. Pruebe que si (X, d) es un EM con la metrica discreta, entonces A X,
A es abierto y cerrado a la vez.
3. Describa M si:
(a) M = Q en R
(b) M = Q + iQ en C
(si A, B R, A + iB = {x + iy | x A, y B} C)
(c) M = {z C | |z| < 1}, en C
fr (a) (la clausura de una bola abierta no
4. De un ejemplo cuando Br (a) 6= B
coincide con la bola cerrada del mismo centro y radio).
5. Sean f, h c[a, b] tales que x [a, b] f (x) < h(x). Sea
M = {g c[a, b] | f (x) < g(x) < h(x) x [a, b]}.
Pruebe que M es abierto en C[a, b] = (c[a, b], d ).
c[a, b] = {f : [a, b] R | f es continua};
d (f, g) = m
axaxb |f (x) g(x)|.
6. Sean (X, d) un espacio metrico, M X. Pruebe que
xM
> 0 M B (x) 6= .
19
20
Captulo 4
Sucesiones convergentes, de
Cauchy y acotadas
Sucesiones
Notemos que si X 6= , los elementos de X 2 , X 3 , X 4 , X 5 , etc. son pares,
tros, cu
adruples, quntuples, etc. de elementos de X.
En general (x1 , x2 , ..., xN ) X N , N 1, es un N-tuple ordenado de elementos de X.
Es decir que a la entrada o casillero n
umero 1 de (, , ..., ) le asignamos el
elemento x1 , a la n
umero 2 el elemento x2 , ..., etc. y al casillero n
umero N le
asignamos el elemento xN .
Esto quiere decir que al tomar un elemento (x1 , x2 , ..., xN ) de X N , lo que
hacemos es asociar a cada entero k {1, 2, ..., N }, un elemento xk de X.
Pero esto es lo que hace una funcion
x : {1, 2, ..., N } X, n 7 x(n) = xn .
Por ello a cada elemento de X N lo podemos ver como una funcion
x : {1, 2, ..., N } X, n 7 xn .
Si en vez de {1, 2, ..., N }, tomamos como domimio de la funcion a N, es decir si
tomamos funciones
x : N X, n 7 xn ;
a cada funci
on de este tipo le asociamos un -tuple (x1 , x2 , ...), llamado en
realidad no as sino sucesi
on de elementos de X.
Al conjunto de sucesiones de elementos de X lo notaremos X y a la sucesion
(x1 , x2 ) la notaremos (xn ).
(xn ) X quiere decir que (xn ) puede ser vista como una funcion
x : N X, n 7 xn .
Sucesiones convergentes
Para una funci
on f : R R y un n
umero l R, tenamos que
l = lm f (x),
x
21
si l poda ser aproximado con los valores f (x) con la presicion que se deseara.
Para ello bastaba tomar x suficientemente grande. Esto se escribe
l = lm f (x) > 0 R > 0 tal que x > R() |l f (x)| <
x+
(4.1)
(4.2)
(4.4)
Esto se nota
l o an l,
l = lm an o an
n
n
Sucesiones de Cauchy
Dada la importancia de las sucesiones convergentes y lo inutilizable de la
definici
on para averiguar si una sucesion numerica es convergente (puesto que
se requerira adivinar cual es el lmite y recien ah ver si > 0 N...), se vio
la necesidad de hallar criterios de convergencia de facil aplicacion.
Estos son en general condiciones suficientes que garantizan la convergencia
de una sucesi
on, sin conocer su lmite.
22
Por ejemplo:
(1) Una sucesi
on no decreciente y acotada por arriba es convergente;
(2) Una sucesi
on no creciente y acotada por abajo es convergente.
Cauchy descubri
o el siguiente criterio:
Criterio 7. (de Cauchy) Si para (xn ) R , los valores an s se pueden
acercar entre s tanto como querramos, tomando, para garantizar esto, ndices
suficientemente grandes, entonces (an ) es convergente.
La condici
on exigida por Cauchy puede escribirse:
> 0 N N tal que n, m > N () |an am | <
(4.5)
A las sucesiones que cumplen esta propiedad se las llama ahora sucesiones de
Cauchy. Algo extraordinario es que esta condicion no es solo suficiente sino
tambien necesaria para la convergencia de sucesiones numericas. Se tiene pues
el:
Teorema 8. (de Cauchy): Si (an ) R entonces
(an ) es convergente (an ) es de Cauchy
Si reemplazamos R con un conjunto X dotado de una metrica, tenemos la
siguiente:
Definici
on 9. Sea (an ) X donde (X, d) es un espacio metrico. Diremos
que:
(an )es de Cauchy > 0 N N tal que n, m > N () d(an , am ) <
(4.6)
Se tiene que si una sucesi
on (an ) es convergente, necesariamente es de Cauchy
pero en general el ser de Cauchy no es suficiente para la convergencia. El lector
puede probar el siguiente:
Teorema 10. Sean (X, d) un espacio metrico y (xn ) X . Entonces
(xn ) es convergente (xn ) es de Cauchy
pero no al reves.
(Para probar : halle un espacio metrico y una sucesion que sea de Cauchy
pero que no converja).
NOTA IMPORTANTE: la convergencia o no de una funcion o, en particular, de una sucesi
on, as como el ser o no de Cauchy, depende del espacio
metrico donde se trabaje.
Una sucesi
on, digamos (an ) Y , puede ser convergente en un espacio (X, d1 )
y divergente en otro espacio (Y, d), Y X).
El lector puede probar el siguiente:
Lema 11. Sean (X, d) un espacio metrico; Y X, Y 6= ; (an ) Y . Entonces, si notamos (Y, d) al subespacio (Y, d |y2 ):
1. (an ) es de Cauchy en (Y, d) (an ) es de Cauchy en (X, d).
23
Conjuntos Acotados
Recordemos que si A R, se dice que A es acotado si A es acotado por
arriba (c2 R tal que x A, x < c2 ) y A es acotado por abajo (i.e. c1 R
tal que x A, c1 < x). Por ello:
1. A es acotado c1 , c2 R tales que c1 < c2 y x A, c1 < x < c2 .
2. A es acotado c1 , c2 R tal que c1 < c2 y x A, x ]c1 , c2 [.
3. A es acotado a R, r > 0 x A, a r < x < a + r.
4. A es acotado a R, r > 0 tales que x A, x ]a r, a + r[.
5. A es acotado a R, r > 0 tales que x A, x Br (a).
6. A es acotado a R, r > 0 tales que A Br (a).
7. A es acotado R > 0 tal que x A, R < x < R.
8. A es acotado R > 0 tal que x A, |x| < R.
9. A es acotado R > 0 tal que x A, x Br (0).
10. A es acotado R > 0 tal que A Br (0).
Sugerimos al lector divertirse verificando estas equivalencias.
2
Por ejemplo, si conocemos c1 y c2 tome a = c1 +c
el punto medio del intervalo
2
c2 C1
]c1 , c2 [ y r = 2 , la mitad de la longitud de ]c1 , c2 [.
Si reemplazamos R con un conjunto no vaco X, dotado de una metrica d,
podemos usar (6) para generalizar el concepto de conjunto acotado:
24
Definici
on 12. Sean (X, d) un espacio metrico, A X. Entonces
A es acotado r > 0 y a X tal que A Br (a).
Si X es un espacio vectorial podemos usar (10):
Definici
on 13. Sea (X, d) un espacio metrico donde X es un espacio vectorial.
Sea A X. Entonces:
A es acotado R > 0 tal que A Br (0).
NOTA:
1. En una secci
on anterior definimos lo que es un conjunto acotado de otro
modo:
Sea (X, d) un espacio metrico y A X un conjunto no vaco. Se llama
di
ametro de A al n
umero
D(A) = sup{d(x, y) | x, y A}
si existe. Si no existe se pone D(A) = +.
Se dice que A es acotado si A es vaco o si su diametro es finito.
Poniendo D() = 0, se puede escribir
A es acotado D(A) < .
2. Las dos definiciones son equivalentes. El lector puede probar que
D(A) < a X, r > 0 tales que A Br (a).
(a) f : X es acotada
ssi existe a X, r > 0 tales que Im(f ) Br (a), ssi a X, r > 0 tales
que x D(f ), f (x) Br (a).
(b) (an ) X es acotada ssi a X, r > 0 tales que n 1 an Br (a).
El lector puede probar el:
Lema 15. Sean (X, d) un espacio metrico, (xn ) X . Entonces
(a) (xn ) es de Cauchy (xn ) es acotada.
(b) (xn ) es de Cauchy : (xn ) es acotada.
NOTA:
1. para probar (b) halle un contraejemplo.
2. Volviendo a los conceptos antes vistos tenemos que:
(xn ) es convergente (xn ) es de Cauchy (xn ) es acotada
(xn ) es convergente : (xn ) es de Cauchy : (xn ) es acotada
3. El espacio metrico (R, d), donde d es la distancia usual dada por d(x, y) =
|x y|, es especial en el sentido que (xn ) es de Cauchy (xn ) es convergente.
A los espacios que cumplen con esta propiedad se los llama completos. Su
nombre se explica porque una sucesion (xn ) que sea de Cauchy, no converge si
al conjunto X le falta un punto l que sera el lmite de (xn ). Una sucesion
de Cauchy es casi convergente, entonces tenemos la siguiente:
Definici
on 16. Un espacio metrico (X, d) es completo ssi (xn ) X ,
(xn ) es de Cauchy (xn ) es convergente.
Subsucesiones
Si (nk ) N es una sucesion estrictamente creciente y si para X 6= , (xn )
X a la composici
on de x : N X; n 7 xn con n : N N k 7 nk , que se
nota (xnk ), se le llama subsucesi
on de (xn ) y se escribe (abreviadamente, si se
quiere) (xnk ) (xn ). Notemos que al ser (nk ) estrictamente creciente, se tiene
que
k 1 k nk .
Ejemplos
1. (x2k ) = (x2 , x4 , x6 , ....) es una subsucesion de (xn ) = (x1 , x2 , ...)
2. (apk ) = (a1 , a2 , a3 , a5 , a7 , a11 , a13 , ...) es subsucesion de (an ) = (a1 , a2 , ...)
si (pk ) = (1, 2, 3, 5, 7, 11, 13, ...), donde pk es el k-esimo n
umero primo.
26
Ejercicios
Sea (X, d) un espacio metrico.
1. Sea (xn ) X convergente. Sea l = lmn xn . Pruebe que toda subsucesi
on de (xn ) converge hacia l.
2. Sea (xn ) X una sucesi
on de Cauchy que posee una subsucecion (xnk )
convergente. Sea l = lmk xnk . Pruebe que l = lmn xn .
3. Sea (xn ) X . Pruebe que
(xn ) es convergente (xn ) es de Cauchy (xn ) es acotada
(xn ) es convergente : (xn ) es de Cauchy : (xn ) es acotada
4. Suponga conocido que(R, d) es completo. Pruebe que(R2 , d2 ) es completo.
5. Sea (X, dx ), (Y, dy ) dos espacio metricos completos. Si
1
d((x, y), (u, v)) = max{3dx (x, u), dy (y, v)},
5
pruebe que (X Y, d) es completo.
6. Sea X 6= dotado de dos metricas dA y dB . Se dice que dA y dB son
equivalentes ssi r, s > 0 tales que
x, y X, rdA (x, y) dB (x, y) sdA (x, y).
Escribiremos dA dB . Pruebe que en el conjunto
D = {d | d : X 2 R es una metrica,
la relaci
on definida por es una relacion de equivalencia.
7. Sea X 6= dotado de dos metricas equivalentes dA y dB . Sean A X,
(xn ) X , l X. Entonces:
(a) (xn ) es acotada en (X, dA ) (xn ) es acotada en (X, dB )
(b) (xn ) es de Cauchy en (X, dA ) (xn ) es de Cauchy en (X, dB )
(c) (xn ) converge hacia l en (X, dA ) (xn ) converge hacia l en (X, dB )
(d) A es abierto en (X, dA ) A es abierto en (X, dB )
(e) A es cerrado en (X, dA ) A es cerrado en (X, dB )
8. Pruebe que si X 6= y d es la metrica discreta, (X, d) es completo.
9. Pruebe que si X = {a1 , a2 , ..., an }, n N, y d : X 2 R es una metrica
cualquiera, (X, d) es completo.
10. Para x, y R sea d(x, y) = | arctan x arctan y|. Pruebe que (R, d) es un
espacio metrico incompleto.
11. Pruebe que si a < b, [a, b[, ]a, b] y ]a, b[ con la distancia usual d, dada por
d(x, y) = |x, y|, son incompletos y que ([a, b], d) es completo.
27
Captulo 5
Relaci
on entre conjuntos
cerrados y subespacios
completos
Empecemos dando una muy u
til caracterizacion de los puntos de la clausura
de un conjunto y de los conjuntos cerrados.
Teorema 17. (de la Clausura y de los Conjuntos Cerrados) Sea (X, d)
un espacio metrico. Sean M X un conjunto no vaco, y x X. Entonces:
1. x M (xn ) M tal que xn x.
2. M es cerrado [(xn ) M , xn l l M ].
Demostraci
on.
y por lo tanto
xn x, con (cn ) M .
() Supongamos que (xn ) M tal que xn x. P.D. x M .
Consideramos los dos casos posibles:
(a) x M x M Ma = M x M .
28
(b) x
/ M . Como
(xn ) M tal que xn x
entonces
> 0 N tal que n > N () d(xn , x) < xn B (x).
Probemos que x Ma :
Sea r > 0. Debemos hallar
y(r) M Br (x), y(r) 6= x.
Basta tomar
y(r) = xn con n > N (r)
(como (xn ) M , y(n) M , y como x
/ M , xn 6= x).
2. () Supongamos que M es cerrado.
Sea (xn ) M . Supongamos que xn l. P.D. l M .
Por (1) () tenemos que l M .
Como M es cerrado, sabemos que M = M , entonces l M .
() Supongamos que
[(xn ) M , xn l l M ].
P.D. M M .
Sea x M . P.D. x M .
Por (1) ():
x M (xn ) M tal que xn x.
Por la hip
otesis, x M .
Dado un espacio metrico (X, d) y un subconjunto no vaco Y de X, queremos
establecer una correlaci
on entre dos propiedades: El subespacio (Y, d) es un
espacio metrico completo y M es un conjunto cerrado en el espacio metrico
(X, d). Veamos un ejemplo (X, d) = (R, d), con la distancia usual y para a < b,
(Y, d) = ([a, b[, d).
El espacio (Y, d) es incompleto. En efecto, si ponemos xn = b ba
2n para
n N , tenemos que (xn ) Y es de Cauchy pero no converge en (Y, d).
En efecto: Obviamente lmn xn = b en (R, d).
Entonces (xn ) es de Cauchy en (R, d), por lo cual (xn ) es de Cauchy en
(Y, d) pero no converge en (Y, d). (Si lo hiciera, entonces existita l Y tal que
lmn xn = l en (Y, d), por lo cual lmn xn = l en (X, d). Pero entonces,
por la unicidad del lmite, b = l. Pero entonces b Y = [a, b[; lo que es un
absurdo).
El resultado cambia con Y = [a, b]. En este caso (Y, d) es completo. La
causa es que [a, b] es cerrado en (R, d), que es un espacio completo. Esto es una
aplicaci
on del siguiente teorema:
Teorema 18. (del Subespacio Completo). Sea (X, d) un espacio metrico.
Sea Y X un subconjunto no vaco de X. Entonces:
29
(xn ) D(f ),
(xn a en (X, dx )) (f (xn ) f (a) en (Y, dy ))
30
(ii)
xn a en (X, dx ) limn dx (xn , a) = 0
(iii)
f (xn ) f (a)en (Y, dy ) limn dy (f (xn ), f (a)) = 0
Demostraci
on. () Supongamos que f es continua en a.
Sea (xn ) D(f ). Supongamos tambien que xn a en (X, dx ).
P.D. f (xn ) f (a) en (Y, dy ).
Sea > 0. Debemos hallar
N tal que n > N dy (f (xn ), f (a)) < (por (iii) de la nota).
Pero
dy (f (xn ), f (a)) <
31
Ejercicios
1. Sea a < b. Pruebe que ] , b], [a, b] y [a, +[ son completos, mientras
que ] , b[, [a, b[, ]a, b[, ]a, b] y ]a, [ son incompletos, con la distancia
usual en todos los casos.
2. Pruebe que (Rn , d ) es completo n 2. Se conoce ya que (R, d) es
completo (d es la distancia usual).
3. Sea M = {(xn ) R | n N tal que xk = 0 k > n}.
Obviamente M R
| (xn )es acotada}.
= {(xn ) R
=
es decir
1
1 1
1, 2 , 2 , ..., 2 , 0, 0, ... ,
2 3
n
(
(n)
xk
k 2
0
32
si 1 k n
.
si k > n
Captulo 6
Isomorfismos
Etimol
ogicamente isometra viene del griego (iso: igual; morphos: forma). Si
varios entes matem
aticos tiene una estructura similar de la que derivan ciertas
propiedades, sin importar la naturaleza concreta de los componentes de dichos
entes, nos podemos limitar al estudio abstracto de la estructura com
un de ellos.
Por ejemplo: si estudiamos un conjunto de tres elementos, puede no importarnosla naturaleza de los elementos del conjunto: da lo mismo si es {, , } o
{1, , 2} o {luna, sol, estrella}, etc. lo que importa en cada caso es que es un
conjunto de tres elementos. De hecho aquello que tienen de com
un estos conjuntos es lo que cada ser humano entiende por n
umero tres. Dichos conjuntos
son isomorfos.
Definici
on 20. Dos conjuntos no vacos X e Y son isomorfos (en tanto que
conjuntos) si existe una funci
on biyectiva : X Y , llamada en este caso
isomorfismo (de conjuntos).
NOTA:
1. es biyectiva D() = X, Im() = Y y es inyectiva.
2. X e Y son isomorfos |X| = |Y | (|A| = potencia de A).
Definici
on 21. Sean (X1 , +1 , 1 ), (X2 , +2 , 2 ) dos espacios vectoriales ambos
sobre K {R, C}. Ellos son isomorfos (en tanto que espacios vectoriales) si
: X1 X2 biyectiva y tal que:
(A) u, v X1 , (u +1 v) = (u) +2 (v)
(H) K, y X1 ( 1 u) = 2 (u)
A se le llama isomorfismo de los espacios vectoriales dados.
NOTA:
1. (A) es la propiedad de aditividad y (H) la de homogeneidad de , que
juntos constituyen la propiedad de linealidad (L) de .
2. En la estructura de cada espacio vectorial hay un conjunto no vaco (X1
y X2 , respectivamente). Al ser biyectiva, tambien es un isomorfismo
entre X1 y X2 , en tanto que conjuntos.
33
Ejemplos
|u v|
.
ba
Ver que si ponemos (x) = a + (b a)x entonces : X1 X2 es un
isomorfismo.
En efecto, es obviamente biyectiva y
x, y X1 ,
d2 ((x), (y))
1
|[a + (b a)x] [a + (b a)y]|
ba
= |x y|
=
= d1 (x, y).
Note el lector que si ponemos (x) = b (b a)x, entonces tambien es
un isomorfismo.
Note tambien que : [0, 1[]a, b] es un isomorfismo entre ([0, 1[, d1 ) y
(]a, b], d2 ).
2. Sea P2 = {p : R R | p es un polimonio de grado 2} y
d(p1 , p2 ) = |a1 a2 | + |b1 b2 | + |c1 c2 |, si pk (x) = ak x2 + bk x + ck ,
k {1, 2}.
Si ponemos
a
: P2 R3 , p 7 (p) = b ,
c
34
si
u1
v1
u = u2 , v = v2 .
u3
v3
De hecho tenemos el
Teorema 23. (del Completamiento de un espacio metrico). Sea (X, d) un espacio metrico incompleto. Entonces existe (X1 , d1 ), un espacio metrico completo
en el cual existe un subconjunto no vaco Y denso en (X1 , d1 ) (es decir que si
Y es la clausura de Y en (X1 , d1 ), entonces X1 = Y ), de modo que (X,d) es
isomorfo a (Y, d1 ). Al espacio (X1 , d1 ) se le llama completamiento o completado de (X, d) y es u
nico, salvo isomorfismos.
Es decir que si existe otro espacio, digamos (X2 , d2 ), que sea completo y posea
un subconjunto W denso en (X2 , d2 ) y tal que (X, d) sea isomorfo a (W, d2 ),
entonces los espacios (X1 , d1 ) y (X2 , d2 ) son isomorfos.
Demostraci
on. Existencia: Sea Xc = {(xn ) X | (xn ) es de Cauchy en(X, d)}.
Para (xn ), (yn ) Xc pongamos:
def
=
=
Xc /
d
d
{(x
n ) | (xn ) es la clase de equivalencia
con representante (xn ) Xc }.
d
d
Para (x
n ), (yn ) X1 sea
d
d
d1 ((x
m d(xn , yn ).
n ), (yn )) = l
n
36
Ejercicios
1. Sea (Q, d), con la distancia usual d. Pruebe que es incompleto y que (R, d)
es un completado de (Q, d).
2. Sea a < b. Halle dos completados distintos para (]a, b], d), donde d es la
distancia usual. (Por ejemplo tome X1 = [0, 1], X2 = [1, 3] y halle d1 y d2
convenientes).
3. Pruebe que si (X1 , d1 ) y (X2 , d2 ) son isomorfos, entonces
(X1 , d1 ) es completo (X2 , d2 ) es completo.
Definici
on 24. Sean (X, dx ), (Y, dy ) dos espacios metricos. Una funci
on
: X Y es un homeomorfismo si es biyectiva y bicontinua, es
decir que tanto como 1 son continuas.
4. Pruebe que:
(a) (X, dx ) e (Y, dy ) son isomorfos (X, dx ) e (Y, dy ) son homeomorfos.
(b) De un ejemplo de 2 espacios homeomorfos, el uno completo y el otro
no. (lo que implica que en (a) la recproca no siempre tiene lugar,
dado el resultado del ejercicio 3).
5. Pruebe que C[0, 1] y C[a, b] son isomorfos.
6. Sea (X, d) un espacio metrico. Sea d = d/(1 + d). Pruebe que
es completo.
(X, d) es completo (X, d)
7. Pruebe los puntos no demostrados en el esquema de demostracion del
teorema del completamiento de un espacio metrico que hemos presentado.
37
Captulo 7
Espacios Vectoriales
Sea K {R, C}. Sea X 6= . Supongamos que en X estan definidas dos
operaciones: una suma, que es una funcion
+ : X 2 X, (x, y) 7 x + y
y una multiplicaci
on por un n
umero (o escalar), que es una funcion
: K X X (, x) 7 x.
Al tro (X, +, ) se le llama espacio vectorial sobre K si cumplen las siguientes propiedades:
(C) Propiedades de Clausura:
(CS) Clausura de la suma: x, y X, x + y X.
(CM) Clausura de la multiplicacion: K, x X, x X.
(S) Propiedades de la Suma:
(S1) Asociatividad: x, y, z X, (x + y) + z = x + (y + z).
(S2) Conmutatividad: x, y X, x + y = y + x
(S3) Existencia del neutro aditivo: X, x X, x + = x.
(S4) Existencia de los inversos aditivos: x X, x X, x + (x) =
(M) Propiedades de la Multiplicaci
on:
(M1) Asociatividad: , K, x X, ( x) = () x.
(M2) El 1 es neutro multiplicativo: x X, 1 x = x.
(D) Distributividades:
(D1) K, x, y X, (x + y) = x + y
(D2) , K, x X, ( + ) x = x + x.
NOTAS:
(0) A los elementos de X se les llama vectores y a los de K escalares.
38
(1) (C) , K, x, y X, x + y X
N 2, 1 , ..., N K, x1 , ..., xN X, 1 x1 + ... + N xN X.
(2) (S) (X, +) es un grupo aditivo abeliano.
(3) El neutro aditivo , llamado tambien vector cero, es u
nico. En efecto:
u, v X, u + v = u v = .
(4) x X, su inverso aditivo x es u
nico. Ademas u = (1) u.
(5) x X, 0 x = y K, = .
7. Sea N {1, 2, 3}. Sea V = {v | v = AB es una flecha dibujada en E N ,
Subespacios Vectoriales
Dado un espacio vectorial (EV) sobre K(X, +, ) y un subconjunto no vaco Y
de X, nos preguntamos si Y, con las restricciones naturales de + y , se convierte
en espacio vectorial. Es decir nos preguntamos si (Y, + |y2 , |KY ) es un EV.
La respuesta es que no siempre es as, pero tenemos el siguiente:
Teorema 25. del Subespacio Vectorial: Sea (X, +, ) un EV sobre K y sea
Y X; Y 6= . Entonces (Y, + |y2 , |KY ) es un EV sobre K ssi:
(CS) para Y: x, y Y , x + y Y
(CM) para Y: K, x Y , x Y .
40
Combinaciones lineales
Definici
on 26. En un EV (X, +, ) sobre K. Dados N 1, 1 , ..N K,
v1 , ..., vN X, al vector 1 v1 + ... + N vN se le llama combinaci
on lineal de
v1 , ..., vN con coeficientes o pesos 1 , ..., N .
Se nota
N
X
k vk = 1 v1 + ... + N vN
k=1
j vj
j=1,j6=k
NOTA: Es f
acil ver que esta definicion equivale a decir que
(1 , ..., N ) KN \ {(0, ..,0)} tal que
N
X
k vk =
k1
Definici
on 27. Para N 2 se dice que N vectores v1 , ..., vN X son linealmente independientes (l.i.) si no son linealmente dependientes.
41
NOTA: Es f
acil ver que v1 , ..., vN son l.i. ssi:
(1 , ..., N ) KN ,
N
X
k vk = 1 = 2 = ... = N = 0
k=1
De hecho esta u
ltima propiedad se suele usar como definicion.
Definici
on 28. Un conjunto M X infinito es linealmente independiente
(l.i.) si todo subconjunto finito de M lo es.
M es linealmente dependiente (l.d.) si M no es linealmente independiente, es
decir si existe un subconjunto finito de M que sea l.d.
Dimensi
on
Definici
on 29. Si para un EV sobre K, (X, +, ), X 6= {} existe un N N de
modo que v1 , ..., vN X l.i. y cualquier subconjunto de X que contenga N + 1
vectores sea l.d. se dice que X es de dimensi
on finita y que N es la dimensi
on
de X, lo que se nota
dim(X) = N.
En caso contrario se dice que X es de dimensi
on infinita y se escribe
dim(X) = .
Por definici
on dim({}) = 0 y tambien es considerado de dimensi
on finita.
NOTA: Si dim(X) = N N, entonces N es el maximo n
umero de vectores
l.i. que podemos hallar en X y por otra parte es el mnimo n
umero de vectores
necesarios para generar todo X.
Nos preguntamos, dado un EV (X, +, ), si existe B X de modo que
X = Gen(B) es decir si x X puede escribirse como una combinacion lineal
de elementos de B. Obviamente siempre existe un tal B (basta tomar B = X).
Pero si adicionalmente queremos que la representacion de cada x X como
combinaci
on lineal de elementos de B sea
unica, necesitaremos que B sea l.i.
(Pruebelo!).
En este caso diremos que B es una base de Hamel de X. Tenemos la
Definici
on 30. B X es una base de Hamel de X ssi
1. B es l.i. y
2. X Gen(B).
NOTA:
1. En este caso
x X !N 1 !1 , ..., N K, !v1 , ..., vN B tales que x =
N
X
k vk
k=1
N
X
k vk ,
k=1
1
2
[]B : X KN , x 7 [x]B = =
...
N
A se le llama vector de coordenadas de x para la base B o simplemente vector
de B coordenadas de x X.
Teorema 33. Si C = {w1 , ..., wN } es otra base de X, para cualquier x X se
tiene que
[x]C = PCB [x]B ,
donde PCB MN N (K) es la matriz de cambio de base, que no depende de
x. Se tiene que
PCB = ([v1 ]C [v2 ]C ...[vN ]C ).
Ejercicios
1. Para n 1 pruebe que RN y CN son espacios vectoriales sobre R y C,
respectivamente, de dimensi
on N.
2. Pruebe que si (V, +, ) es un espacio vectorial sobre K {R, C}:
(a) 0x = x V ;
(b) = K;
(c) (1)x es el inverso aditivo de x, x V ;
(d) Notamos al neutro aditivo. Pruebe que este es u
nico (i.e. que u, v
V tal que u + v = u v = ).
3. Describa Gen({(1, 1, 1), (0, 0, 1)}) en R3 (el espacio generado por esos dos
vectores).
4. Diga cu
al de los siguientes subconjuntos de R3 es un subespacio vectorial
3
de R y el por que de su respuesta.
(a) {(x1 , x2 , x3 ) | x1 = x2 , x3 = 0}
43
(b) {(x1 , x2 , x3 ) | x2 = x3 + 1}
(c) {(x1 , x2 , x3 ) | x1 , x2 , x3 0}
(d) {(x1 , x2 , x3 ) | 2x1 3x2 + 5x3 = k} donde k es constante.
5. Sea PN (K) = {p : K K | p es un polinomio de grado N }, N
0. Pruebe que PN (K) es un espacio vectorial sobre K {R, C} y que
{e0 , e1 , ..., eN } es una base (llamada canonica) de PN (K) : ek (t) = tk
k 0.
6. Sea V un espacio vectorial sobre K de dimension N N, y sea B =
{v1 , ..., vN } una de sus bases. Halle una base de V visto como espacio
vectorial real y calcule su dimension.
7. Sea X un EV sobre K; Y y Z dos subespacios vectoriales (SEV) de X.
Pruebe que Y Z tambien lo es, y de ejemplos cuando Y Z lo es y
cuando no lo es.
8. Sea X un EV y sea M 6= , M X. Pruebe que Gen(M ) es un SEV de
X.
9. Sea MM N (K) el conjunto de matrices de M filas y N columnas definidas
para K {R, C}. Pruebe que MM N (K) es un EV sobre K.
Halle una base.
De ejemplos de SEVs de este EV.
Si S = {A MN N | M es simetrica } y si T = {A MN N | A es
singular }, diga si S y T son SEVs de MN N . (M, N N).
10. Sea X un EV sobre K y sea Y X un SEV de X. Sea para x X,
x
b = {x + y | y Y }
Pruebe que X/Y = {b
x | x X} es una particion de X (i.e. los elementos
de X/Y son 2 e 2 disjuntos y su union es X).
Sea, para x, y X, K:
x
b ] yb = x[
+ y; x
b = d
x
Pruebe que (X/Y, ], ) es un EV sobre K, al que llamaremos espacio
cociente de X sobre Y, y a su dimension dim(X/Y ) =: codimY (en X),
codimensi
on de X en Y.
Note que si ponemos x y y Y tal que x = z + y, entonces es
una relaci
on de equivalencia y sus clases de equivalencia son justamente
los elementos de X/Y .
11. Sea X = R3 . Halle X/Y si
(a) Y = R3
(b) Y = {0, 0, 0}
(c) Y = Gen({(1, 1, 0)}).
12. Pruebe que el conjunto de soluciones de la EDO ay 00 + by 0 + cy = 0, con
a, b, c R dados es un EV.
13. Sea M = {f c[a, b] | 2f (a) + 3f (b) = k}. Para que valores de k, M es un
EV?.
44
Captulo 8
Espacios Normados
Definici
on 34. Sea K {R, C}, X un EV sobre K. Una funci
on k k : X 2 R
se llama norma si:
(N1) No negatividad: x X, kxk 0
(N2) Unicidad: x X, kxk = 0 x =
(N3) Cierta homogeneidad: K, x X, kxk = || kxk
(N4) Desigualdad triangular: x, y X, kx + yk kxk + kyk.
Al par (X, k k) se le llama espacio vectorial normado.
NOTA: Si ponemos para x, y X, d(x, y) = kx yk, entonces d es una
metrica (pruebelo!), llamada distancia asociada a k k. Si (X, d) resulta ser
completo se dice que (X, k k) es un espacio de Banach.
Lema 35. Sea (X, k k) un EVN. Si d es la metrica asociada a k k, entonces :
(a) u, v, w X, d(u + w, v + w) = d(u, v) (Invarianza por traslaci
on)
(b) K, u, v X, d(u, v) = ||d(u, v).
Definici
on 36. Sea (X, kP
k) un EVN. Si para (en ) X se tiene que x X
!(n ) K tal que x = k=1 k ek , se dice que (en ) es una base de Schauder
de (X, k k)
Ejercicios
1. Pruebe q
que en KN , k kp son normas (p [1, ]), si para p [1, [,
PN
kxkp = p k=1 |xk |p y kxk = max1kN |xk |.
2. Pruebe que toda bola en un EVN es convexa.
p
p
3. Sea : R2 R, (x, y) 7 ( |x1 | + |x2 |)2 . Pruebe que no es norma.
4. Sea X un EV, d : X 2 R una metrica. Para x, y X sea
(
d(x, y) + 1 si x 6= y
d(x, y) =
0
si x = y
45
0 kun akx
0 kvn bky
kxn k <
n=1
xn converge
n=1
13. Sea (X, kk) un EVN que posee una base de Schauder. Pruebe que (X, kk)
es separable.
14. Pruebe que para l (K), si ponemos para n N, en = (kn )k1 entonces
(en ) es una base de Schauder.
15. Sea (X, kk) un EVN. Sea Y X un SEV cerrado. Para x
b X/Y definido
en el ejercicio 10 del captulo 7, si ponemos kb
xk0 = nf xbx kxk, entonces
(X/Y, k k0 ) es un EV.
46
47
Captulo 9
48
(9.1)
k=1
donde kk1 =
PN
k=1
|k |, si = (1 , 2 , ..., N )
Demostraci
on. Ver que si en (9.1) reemplazamos KN con KN \ {} la definicion
no cambia.
Entonces (9.1)
P
N
k=1 k vk
N
c 0, K \ {},
c
(9.2)
kk1
Pero poniendo =
(9.2)
1
kk1
c 0, K
N
X
tal que kk1 = 1,
k vk
c
(9.3)
k=1
(9.4)
k=1
1
n,
n N (n) KN
N
X
1
(n)
k vk
<
tal que k (n) k1 = 1,
n
(9.5)
k=1
PN
(n)
Tomando lmn en (9.5) y si ponemos yn = k=1 k vn tenemos entonces
que
N
X
(n)
|k | = 1 n 1
(9.6)
lm kyn k = 0 y que k (n) k1 =
n
k=1
(n)
Ponemos y =
PN
k=1 bk vk .
Entonces
lm ky(nj ) yk = 0
49
(9.8)
lm
N
X
|k bk | kvk k
k=1
V lm
N
X
(nj )
|k
bk |
k=1
(n )
V lm
k j b
= 0
j
por (9.7). Por (9.6) y (9.7), dada la unicidad del lmite tenemos que y = y
como j N k (nj ) k1 = 1, por la continuidad de la norma tenemos que tambien
kbk1 = 1 y por ende b 6= .
PN
En resumen k=1 = y = con (b1 , ..., bn ) 6= (0, ..., 0). Esto es imposible
dada la dependencia lineal de {v1 , ..., vN }
Teorema 41. Completitud de los EVN de dimensi
on finita. Sea (X, kk)
un EVN y sea Y un SEV de X de dimensi
on N < . Entonces (Y, k k) es de
Banach y por lo tanto Y es cerrado en (X, k k).
En particular, si dim X es finita, entonces (X, k k) es de Banach.
Demostraci
on. Sea = {v1 , ..., vN } Y una base de Y.
Sea (yn ) Y una sucesion de Cauchy.
0.
Debemos hallar y Y tal que kyn yk
n
PN
(n)
(n)
N
Sea, para n N, K tal que yn = k=1 k vk .
(n)
Probemos que k {1, ..., N }, (k )n1 es de Cauchy en K.
Como (yn ) es de Cauchy, 0 > 0 N0 tal que n, m > N0 (0 ) kyn ym k < .
Sea n, m 1:
(n)
(m)
|k k |
N
X
(n)
|j
(m)
j=1
=
lema?
k(n) (m) k1
N
X (n)
1
( (m) )vj
j
j
c
j=1
N
N
X
1
X (n)
(m)
j vj
(j vj
c
k=1
k=1
1
kyn ym k <
c
0
k {1, ..., N }, |k ak |n
PN
Sea y = k=1 ak vk .
0 ya que y Y , obviamente.
Nos queda por probar que kyn yk
n
Si ponemos V = m
ax1kN kvk k tenemos que
0 lm kyn yk
n
N
N
X
X
(n)
k vk
= lm
ak vk
n
k=1
k=1
N
X
(n)
= lm
(k ak )vk
n
k=1
V lm
N
X
= V
N
X
k=1
(n)
|k ak |
k=1
(n)
lm |k ak |
El teorema del s
anduche nos da el resultado.
Definici
on 42. (Normas Equivalentes) Sea X un EV sobre K {R, C}.
Diremos que dos normas k ka y k kb definidas en X son equivalentes si
r1 , r2 > 0 tales que x X r1 kxka kxkb r2 kxka
(9.9)
NOTA:
1. (9.9)
s, t > 0 tales que x X, kxka skxkb ; kxkb tkxka
(9.10)
Entonces:
kxka
N
X
k vk ka
k=1
N
X
|k |kvk ka
k=1
Va
N
X
|k |
k=1
=
()
Va kk1
N
Va
X
k vk
cb
k=1
skxkb
Por definici
on (xnk ) es la composicion de (xn ) con la sucesion estrictamente creciente (nk ) N .
Lema 45. Condiciones necesarias de compacidad. Sean (X, d) un EM y
AX
1. A es compacto A es cerrado y acotado.
2. La recproca, en general es falsa.
NOTA: En los cursos de Calculo se define: A RN es compacto ssi A es
cerrado y acotado. Veremos que a pesar de que en el lema la recproca no siempre
tiene lugar (existen conjuntos cerrados y acotados que no son compactos), en
RN y en general en todo EVN de dimension finita, si es valida.
Demostraci
on.
1. Supongamos que A es compacto. P.D. (1.1) A es cerrado;
(1.2) A es acotado.
. P.D. l A.
(1.1) Sea (xn ) A y l X tales que xn n
a.
Como A es compacto, (xnk ) (xn ) y a A tal que xnk
k
52
max
0jn1
d(x0 , xj ) = 1
N
X
n(n) vk
k=1
Como A es acotado en (X, k k), existe R > 0 tal que x A, kxk < R.
Como (xn ) A entonces n 1 kxn k < R.
Por el lema ?, n 1
N
1
R
X (n)
1
(n)
k vk
= kxn k <
k k1
=: r
c
c
c
k=1
NOTA: La relaci
on entre la compacidad de un conjunto cerrado y acotado
y la dimensi
on del EVN se evidencia a
un mas en el siguiente teorema.
Teorema 47. (Compacidad y dimensi
on finita 2.) Sea (X, k k) un EVN.
Entonces:
f1 () es compacta.
dim X es finita B
Demostraci
on. () resulta del Th. precedente.
() Usaremos el siguiente lema, que demostraremos luego.
Lema 48. (Lema de Riesz.) Sea (X, k k) un EVN y sean Y, Z dos
SEV de X tales que Y Z, Y 6= Z e Y es cerrado. Entonces:
]0, 1[ z Ztal quekz k = 1 y kz yk 0 y Y
f1 () es compacto. P.D. dim(X) < .
Supongamos que B
Por el absurdo: Supongamos que dim(X) = .
Sea x1 X \ {}. Sea Y1 = Gen{x1 } (es cerrado porque dim(Y1 ) = 1.
Aplicamos el lema de Riesz con Z = X, Y = Y1 , = 21 .
Entonces x2 X tal que kx2 k = 1 y kx2 yk 21 y Y1 . En particular
kx2 x1 k 12 .
Obviamente x1 y x2 son l.i., porque x2
/ Y1 = Gen{x1 }.
Apliquemos otra vez el lema de Riesz con Z = X y, esta vez con Y = Y2 =
Gen{x1 , x2 }, = 21 . Entonces x3 X tal que kx3 k = 1 y kx3 x1 k 21
y Y .
En particular kx3 x2 k 21 y kx3 x1 k 21 y, por otro lado x3
/ Y3 ,
por lo que x1 , x2 , x3 son l.i.
Se aplica otra vez el lema de Riesz con Y = Y3 = Gen{x1 , x2 , x3 }, etc. y
se obtiene (xn ) X tal que kxn k = 1 n 1 y kxn xm k 21 n 6= m.
f1 () no puede tener subsucesiones de Cauchy y,
Una tal sucesi
on (xn ) B
por ende, ninguna subsucesion convergente.
f1 () no es compacta. Contradiccion.
Esto indica que B
54
lm dy (f (xnk ), f (a))
continuidad de dy
dy ( lm , f (a))
k
continuidad de f
dy (f ( lm ), f (a))
dy (f (a), f (a))
xA
Demostraci
on. Por el Th. precedente f(A) es compacto en R y por ende f(A)
es acotado y cerrado. Entonces ym , yM f (A) tales que ym = mn f (A),
yM = m
ax f (A) (pruebelo en detalle!). Basta tomar xm , xM A tales que
ym = f (xm ), yM = f (xM ).
Lema 51. (Lema de Riesz.) Sea (X, k k) un EVN y sean Y, Z dos SEV de
X tales que Y Z, Y 6= Z e Y es cerrado. Entonces:
]0, 1[ z Z tal que kz k = 1 y kz yk 0 y Y
Demostraci
on. Sea v Z \ Y . Sea a = D(v, Y ) = nf yY kv yk.
Obviamente a > 0 por ser Y cerrado.
Sea ]0, 1[. Debemos hallar z Z de acuerdo al enunciado.
on de nfimo
Como 1 > 1, a > a, por definici
b {kv yk | y Y } Rtal quea b
Es decir que y Y tal que a b = kv y k < a .
1
Sea z = kvy
(v y ).
k
55
Entonces kz k = 1. Ademas y Y , kz yk .
En efecto: Sea y Y :
1
kz yk =
(v y ) y
kv y k
1
=
kv y kv y kyk
kv y k
1
=
kv yek
kv y k
a
kv y k
a
>
a/
= 0
* con ye = y kv y0 ky Y por lo que kv yek a, por definicion de a.
Ejercicios
1. De ejemplos de subespacios de l2 y de l que no sean cerrados.
2. Halle el mayor c > 0 dado por el lema ?, si:
(a) X = R2 , v1 = (1, 0), v2 = (0, 1);
(b) X = R3 , v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1);
(c) X = R2 , v1 = (1, 1), v2 = (1, 1);
(d) X = R3 , v1 = (0, 1, 1), v2 = (1, 0, 1), v3 = (1, 1, 0).
3. Sea Xm EV sobre K y sea N = {k k : X R | k k es una norma} para
k ka , k kb N pongamos k ka k kb k ka y k kb son equivalentes.
Pruebe que es una relacion de equivalencia en N .
4. Sin usar el Th. de las normas equivalentes pruebe que en RN , N 1, son
equivalentes k k2 y k k y que para toda norma k k en RN existen
a, b > 0 tales que x RN kxk bkxk2 y akxk2 kxk. Pruebe ademas
que x RN , 1N kxk1 kxk2 kxk1 .
5. Pruebe que RN y CN no son compactos.
6. Pruebe que si X es infinito y d : X @ R es la metrica discreta entonces
(X,d) no es compacto.
7. De ejemplos de curvas en E 2 que sean compactas y otras que no.
8. Demuestre el Th. de Bolzano-Weierstrass para KN , K {R, C} N N.
9.
Definici
on 52. Compacidad local. Un EM (X,d) es localmente compacto si b X Vb una vecindad de b compacta en (X,d). (V es una
r > 0 tal que Br (b) V ).
vecindad de b b V
Pruebe que si NN es localmente compacto N N.
56
10. Pruebe que si en un EVN (X, k k), dim(X) = N < , en el lema de Riesz
se puede tomar ]0, 1[.
11. Sea (X,d) un EM compacto y A X un cerrado 6=. Pruebe que A es
compacto.
12.
Definici
on 53. Sean (X, dx ), (Y, dy ) dos EM, f : X Y . Se dice que f
es un homeomorfismo si f es biyectiva y si f y f 1 son continuas (dicen
en este caso que f es bicontinua).
Pruebe que si (X, dx ) es compacto y si f es biyectiva y continua entonces
f 1 es continua (i.e. f es un homeomorfismo).
13. Sean (X,d) EM, b X, (xn ) X tal que n 1 d(xn , b) > n. Pruebe
que @(xnk (xn )) tal que (xnk ) no es acotada.
(n)
(n)
(n)
57
Captulo 10
Operadores Lineales
Acotados
Definici
on 54. Sean X,Y dos EV, ambos sobre K {R, C}. Una funci
on T :
X Y , x 7 T x se llama operador lineal si D(T ) es un SEV de X y si:
(
(A) x1 , x2 D(T ), T (x1 + x2 ) = T x1 + T x2
(L)
(H) K, x D(T ), T ( x) = T x
NOTA:
1.
(L) (L1) : K, x1 , x2 D(T ), T ( x1 + x2 ) = T x1 + T x2
(L2) : , K, u, v D(T ), T (u + v) = T u + T v
(LN ) : N 2, KN , x (D(T ))N ,
!
N
N
X
X
T
k xk =
k T xk
k=1
k=1
(a)
T 1 Y X
def
T es inyectivo
[T u = T v u = v] u, v D(T )
[T u = 0 u = ] u D(T )
N (T ) = {}
u, v D(T ), [u 6= v T u 6= T v]
(10.1)
NOTA:
1.
(10,1)
kT xky
c
(10.2)
kxkx
c 0 u D(T ) para el cual kukx = 1, kT uky (10.3)
c
c 0 tal que x D(T ) \ {},
kT k =
sup
kT xky
kT k
kxkx
Teorema 56. Sean (X, k kx ), (Y, k ky ) dos EVN, ambos sobre K {R, C}.
Sea l(X, Y ) = {T : X Y | D(T ) = X}, T es lineal y acotado. Entonces:
L(X, Y ) = (l(X, Y ), k k) es un EVN.
L(X, Y ) es de Banach si (Y, k ky ) es de Banach.
Teorema 57. Sea T : X Y un operador lineal.
Si dim D(T ) = N < entonces T es acotado.
Teorema 58. Sean (X, k kx ), (Y, k ky ) dos EVN, ambos sobre K {R, C} y
T : X Y lineal.
Entonces son equivalentes las tres propiedades siguientes:
(a) T es acotado;
(b) T es continuo;
(c) x0 D(T ) tal que T es continua en x0 .
Corolario 59. Si T : X Y es lineal y acotado, entonces
(a) (xn ) D(T ), x D(T ), xn x T xn = T x
(b) N (T ) es cerrado.
Teorema 60. Sean (X, kkx ) un EVN y (Y, kky ) un espacio de Banach, ambos
sobre K. Sea T : D(T ) X Y lineal y acotado. Entonces
!Te : D(T ) Y lineal y acotado tal que Te |D(T ) = T
Adem
as kT k = kTek.
Ejercicios
1. Para los operadores siguientes T : X Y , pruebe que son lineales y diga
si son acotados. De serlo, calcule kT k. Si no lo es, demuestrelo.
(a) I : X X, x 7 Ix = x
(b) : X Y, x 7 x =
(c) D : C[a, b] C[a, b], x 7 Dx = x0
(d) J : C[a, b] C[a, b], x 7 y, y(t) =
Rt
a
x(s)ds
(h) T : l l , (xn ) 7
k!
R1
(i) T : C[0, 1] C[0, 1], x 7 T x, (T x)(t) = t 0 x(s)ds
60
sin x( )d
Rt
(k) Tk : C[1, 1] C[1, 1], x 7 Tk y, (Tk x)(t) = 1 s|s|k x(s)ds, k N
61
Captulo 11
Funcionales Lineales
Son un caso particular de los operadores lineales, cuando Y = K. Es decir
que f : X K. x 7 f (x), con X un EV sobre K es un funcional lineal si
K, x1 , x2 D(f ), f (x1 + x2 ) = f (x1 ) + f (x2 ) y f (x1 ) = f (x1 )
Si (X, k k) es un EVN, f es acotado si
c 0 tal que x D(f ), |f (x) ckxk
Tenemos que
kf k =
sup
|f (u)|
uD(f ),kuk=1
C : X X , x 7 gx ; gx : X K, f 7 gx (f ) = f (x)
es un operador lineal inyectivo cuyo dominio D(C) = X, se le llama
inmersi
on can
onica de X en X
4. Si C es sobreyectiva se dice que X es alg
ebricamente reflexivo. En este
caso C es un isomorfismo de X y X en tanto que espacios vectoriales.
62
Ejemplos
Rb
1. f : C[a, b] R, x 7 f (x) = a x(t)dt es obviamente lineal.
Veamos que es acotado. Sea x c[a, b]:
Z
Z
b
b
|x(t)|dt
x(t)dt
|f (x)| =
a
a
Z b
kxk
dt = (b a)kxk
a
N
X
k f (bk )
(11.1)
k=1
base de X dual de B.
1. () es obvio.
() Sea x X tal que f X f (x) = 0. P.D. x = 0
Sea = [x]B .
Entonces k {1, ..., N }
N
N
X
X
fk (x) = fk (x)
j bj =
j fk (bj ) = j = 0
j=1
j=1
f X (Cx)(f ) = (f ) = 0
f X f (x) = 0 x = 0
Ejercicios
1. Sea (X, k k) un EVN. Pruebe que k k no es lineal
2. Para X = (KN , k k2 ), N 2 sea a KN y sea fa : X R, x 7 fa (x)
PN
definido por fa (x) = k=1 ak xk , si x = (x1 , ..., xN ).
Pruebe que f es lineal, acotado y que kf k = kak2 .
Rb
3. Sea f : C[a, b] R, x 7 f (x) = a (t)x(t)dt, donde c[a, b] y (t) > 0
t [a, b].
Pruebe que f C[a, b] y halle kf k.
4. Sea f : C[a, b] R, x 7 f (x) = x(a) x
Pruebe que f c[a, b] y halle kf k.
a+b
+ x(b).
2
P
5. Sea f : l2 (R) R, (xn ) 7 f ((xn )) = k=1 ak xk , donde (am ) l2 (R).
Pruebe que f es lineal, continua y que kf k = k(am )k2 .
R1
6. Halle kf k si fn : C[1, 1] R, x 7 fn (x) = 1 tn x(t)dt, n N.
7. Para x c[a, b] sean f1 (x) = maxatb |f (x)|, f2 (x) = mnatb |f (x)|.
Son f1 y f2 lineales? Son acotados?.
8. Sean n N, fn : l (R) R, (xm ) 7 fn ((xm )) = xn . Diga si f es lineal y
acotado. Si lo es calcule kfn k.
9. Sean X = {x c[a, b] | x0 c[a, b]}, J = [a, b], c =
a+b
.
2
66
Captulo 12
Caracterizaci
on del dual
topol
ogico del algunos EVN
Definici
on 64. Sea (X, k kx ) un EVN sobre K {R, C}. Un funcional lineal
f : D(f ) X K, x 7 f (x) es acotado ssi
c 0 tal que x D(T ), |f (x)| ckxkx
se pone, en este caso
kf k = mn{c 0 | x D(T ), |f (x)| ckxkx }
NOTA: Un funcional lineal acotado es de hecho un operador lineal acotado
X Y para el cual Y = K.
Definici
on 65.
X 0 = L(X, K) = (l(X, K), k k)
se llama dual topol
ogico de X.
Aqu l(X, K) = {f X | f es acotado}; X = {f : X K | D(f ) =
X y f es lineal}
NOTA:
1. Si f : D(f ) X K es un funcional lineal acotado,
kf k
|f (u)|
sup
uD(f ),kukx =1
Ejemplo
Sea N 1.
Si p, q ]1, [ y p1 + 1q = 1 (se dice entonces que p y q son exponentes conjugados), entonces el dual topologico de (KN , k kp ), que lo notamos (KN , k kp )0 , es
isomorfo a (KN , k kq ).
En particular para p = q = 2, k k2 es la norma usual de RN y, en este caso,
(KN , k k2 )0 ' (KN , k k2 ).
NOTA: Hemos puesto ' en vez de es isomorfo a. En la practica, abusando
algo del lenguaje, se dice es en vez de es isomorfo a y se pone = en vez de '.
Los resultados obtenidos para caracterizar al dual topologico en espacios de
dimensi
on finita, motivan la b
usqueda de resultados analogos para espacios de
dimensi
on finita.
En particular es de gran utilidad hallar un EVN que sea isomorfo al dual
topol
ogico X 0 de un EVN (X, k kx ) dado. Se tienen los siguientes resultados:
Teorema 66. Pongamos:
P
K
| (xn )es acotada}.
= {(xn ) K
p
P
p
p p
Para (xn ) K
p , k(xn )kp =
k=1 |xk | , l = (Kp , k kp ).
= (K
Para (xn ) K
, k k ).
, k(xn )k = sup{|xk | | k N}, l
0}, k k ) (es SEVN de l , obviamente).
c0 = ({(xn ) K | xn n
Entonces:
1. (l1 )0 ' l
2. (lp )0 ' lp , si p, q ]1, [ y
1
p
1
q
= 1.
Ejercicios
1. Demuestre el resultado del ejemplo: (KN , k kp )0 ' (KN , k kq ) si N N,
p, q ]1, [, p1 + 1q = 1.
2. Sean (X, k kx ) un EVN, f : D(f ) X K y g : D(g) X K dos
funcionales lineales acotados. Pongamos para , K h : D(h) X K,
con D(h) = D(f ) D(g), h = f + g.
Pruebe que h es lineal y acotado.
3. Obtenga un resultado an
alogo para S, T L(X, Y ), donde X e Y son dos
EVNs, ambos sobre K {R, C}.
0.
4. Sean (Tn ) L(X, Y ), T L(X, Y ) tales que kTn T k n
Pruebe que para a X y R > 0 dados, la sucesion (Tn ) converge unieR (a).
formemente hacia T en B
eR (a), n > N kTn x T xk < )
(es decir > 0 N tal que x B
69
Parte II
Espacios Eucldeos y de
Hilbert
70
Captulo 13
Espacios Eucldeos
Definici
on 68. Sea X un espacio vectorial sobre K {R, C}. Una funci
on
< , >: X 2 K, (x, y) 7< x, y >
se llama producto escalar si se cumplen las propiedades:
Para x, y X, K:
(E1) (No negatividad) < x, x > [0, [
(E2) (Unicidad) < x, x >= 0 x =
( es el neutro aditivo de X)
(E3) (Simetra si K = R) < x, y > = < y, x >
(Simetra conjugada K = C) < x, y >= < y, x >
(E4) (Linealidad respecto a la primera variable)
(A) (Aditividad) < x + y, z >=< x, z > + < y, z >
(H) (Homogeneidad) < x, y >= < x, y >
Al par (X, < , >) se le llama Espacio Eucldeo.
NOTA:
1. Si para x, y X ponemos
kxk =
< x, x >
4. Se tiene que x, y, z X y K:
(i) < x, y + z >=< x, y >=< x, z >
(ii) < x, y >= < x, y > (si K = R),
< x, y >= < x, y > (si K = C)
Es decir que para la segunda variable se tiene la aditividad, y la homogeneidad (K = R) o la homogeneidad conjugada (K = C).
Es decir que si K = R < , > es tambien lineal respecto a la segunda
variable por lo que se dice que es bilineal.
En el caso K = C se dice que es semilineal respecto a la segunda variable
y que < , > es sesquilineal (el prefijo sesqui significa 1 21 ).
5. Se tiene que x, y, z X, , K:
(i) < x + y, z > = < x, z > + < y, z >
(ii) < x, y + z > = < x, y > + < x, z >, si K = R;
< x, y + z > = < x, y > + < x, z >, si K = C.
(iii) < , y >= 0 , < x, >= 0
6. Identidad del Paralelogramo (IP)
2
x, y X, kx + yk + kx yk = 2(kxk + kyk )
7. No todo espacio vectorial normado es un espacio eucldeo. Es decir que
puede haber normas que no estan asociadas a ning
un producto escalar. Es
m
as se tiene el siguiente:
Teorema 69. Sea X un espacio vectorial sobre K dotado de una norma
kk : X [0, [
Entonces kk est
a asociada a un producto escalar
< , >: X 2 K
si y solo si x, y X se cumple la identidad del paralelogramo.
Demostraci
on. () Es (6) de la nota precedente.
() Suponer v
alida (IP) para x, y X. Poner
2
2
< x, y > = 41 (kx
h + yk kx yk ), si K = R;
i
2
2
2
2
< x, y > = 41 (kx + yk kx yk ) + i(kx + iyk kx iyk ) ,
si K = C.
Queda por probar que h, i definido as es un producto escalar cuya norma
asociada es justamente k k.
Definici
on 70. (Ortogonalidad). Sean (X, < , >) un espacio eucldeo;
x, y X; A, B X dos conjuntos no vacos:
def
def
Ejercicios
1. Pruebe que el par (X, < , >) es un espacio eucldeo si:
(a) X = RN , N 1, K = R,
PN
< x, y >= k=1 xk yk ,
x = (x1 , ..., xn ), y = (y1 , ..., yN ).
(b) X = CN , N 1, K = C,
PN
< x, y >= k=1 xk yk ,
x = (x1 , ..., xn ), y = (y1 , ..., yN ).
(c) X = c[a, b] = {x : [a, b] K | x es continua}; x, y X
b
Z
< x, y >=
x(t)y(t)dt si K = R
a
b
x(t)y(t)dt si K = C
< x, y >=
a
k=1
(xk )(yk ) si K = R
k=1
(xn )(yn ) si K = C
k=1
ux x X
uy y Y
uz z M
(b)
v=w
x, ym m
y < xk , yk > < x, y >)
(Suponga conocido que xn n
k
(x a) ;
(a) f (x) = sin ba
(b) f (x) = (x a)2n , n N,
(c) f (x) = (x a)2n1 , n N.
12. Sea (X, < , >) un espacio eucldeo. Pruebe que
x, y, z X, kz xk2 + kz yk2 =
(Identidad de Apolonio).
74
1
1
kx yk2 + 2kz (x + y)k2
2
2
Captulo 14
Desigualdades de CauchySchwarz-Bu
nakovski y
Triangular
Sea (X, < , >) un espacio eucldeo. Si para x X ponemos kxk =
< x, x >, se define la funci
on kk : X R, que cumple con las propiedades
de norma. El lector puede verificar facilmente (N1), (N2) y (N3). Para probar
(N4), la desigualdad triangular, es fundamental el siguiente:
kx yk
= < x y, x y >
= < x, x > < x, y > [< y, x > < y, y >]
Si tomamos de modo que la expresion entre corchetes se anule, es
decir si = <y,x>
, tendremos entonces
kyk2
0
kx yk
= < x, x >
2
= kxk
75
< y, x >
2
kyk
| < x, y > |2
2
kyk
< x, y >
1. Sean x, y X:
kx + yk
(kxk + kyk )2 ,
de donde (N4).
2. () Supongamos que se da la igualdad. P.D.
[y = o [0, [ tal que x = y]
Vemos que la igualdad se da si y solo si
Re < x, y >= kxk kyk .
(14.1)
(14.2)
por lo que
Im < x, y >= 0,
y, por ende,
< x, y >= Re < x, y > [0, [.
Finalmente, como
0 < x, y >=< y, y >= kyk2 ,
se tiene que [0, [.
() Supongamos que
[y = o [0, [ tal que x = y].
Probemos que en (N4) se da la igualdad.
Por la hip
otesis tenemos que:
o bien kx + yk = kxk = kxk + 0 = kxk + kyk (si y = ),
o bien (si [0, [ tal que x = y):
kx + yk
= ky + yk
= k( + 1)yk
=
( + 1)kyk
= kyk + kyk
= kxk + kyk.
k(x, y)kp =
p
p
Demostraci
on. Sea p [1, ]. Sea (x0 , y0 ) X 2 . P.D.
0.
k < x, y > < x0 , y0 > k
(x,y)(x0 ,y0 )
(
kxk k(x, y)kp
Notemos que x, y X,
kyk k(x, y)kp
Sea > 0. Debemos hallar > 0 tal que
kx x0 k kyk + kx0 k ky y0 k,
por la desigualdad (C.S.B.)
1 + kx0 k + ky0 k
Basta entonces tomar = mn 1,
.
1 + kx0 k + ky0 k
NOTA: la unicidad significa que, si existe otro espacio de Hilbert (H2 , <
, >2 ) y si H2 posee un subespacio vectorial W tal que W = H2 y (X, < , >) es
isomorfo a (W, < , >2 ), entonces (H, < , >1 ) y (H2 , < , >2 ) son isomorfos.
Demostraci
on. Es an
aloga a la de los teoremas de completamiento de espacios
metricos y de espacios normados.
Si Xc = {(xn ) X | (xn ) es de Cauchy},
(xn ), (ym ) Xc son equivalentes ((xn ) (ym )) ssi lmk kxk yk k = 0 donde
k k es la norma asociada a < , >,
d
d
y si H = {(x
n ) | (xn ) es la clase de equivalencia con respresentante (xn ) Xc },
d
[
se pone, para (x
n ), (ym ) H:
d
[ def m < xk , yk > .
< (x
n ), (ym ) > = l
k
El resto de la demostraci
on es similar.
Ejercicios
1. Que significa la desigualdad (C-S-B) en R2 ?. Y en R3 ?. De otra demostraci
on de (C-S-B) en estos casos.
2. Sea X = P2 [a, b] = {p : [a, b] R | p es un polinomio de grado 2}.
Rb
< f, g >= a f (x)g(x)dx, para f, g X. Probar que (X, < , >) es de
Hilbert.
Sea Y = {f X | f (a) = 0}. Es Y un SEV de X?. Lo es Z, si Z = {f
X | f es de segundo grado}?
3. Pruebe que si (X, < , >) es un espacio eucldeo; (xn ) X ; x, y X
entonces:
(a) y xn n 1, xn x y x
(b) kxn k kxk y < xn , x > kxk2 xn x
(c) x y kx yk = kx + yk K
(d) x y kx + yk kxk K.
4. Sean c[a, b] = {f : [a, b] C | f es continua}; para f, g c[a, b], <
Rb
f, g >= a f (x)g(x)dx, k k2 la norma asociada a < , >; kf k =
m
axaxb |f (x)|, C[a, b] = (c[a, b], k k ).
(a) Pruebe que el operador identidad I : c[a, b] c[a, b] x 7 Ix = x, es
continuo si se lo considera C[a, b] (c[a, b], k k2 )
(b) Es continuo si se lo considera (c[a, b], k k2 ) C[a, b]?
5. Sea (X, < , >) un espacio eucldeo complejo. Sea T : X X lineal y
acotado.
(a) Pruebe que T = < T x, x >= 0 x X
(b) Pruebe que no siempre es valido el resultado si X es un EV sobre R.
79
Captulo 15
Aproximaci
on de un punto
con elementos de un
convexo
Definici
on 76. Sea (X,d) un espacio metrico, x X y M X un conjunto
no vacio. La distancia de x a M es el n
umero D(x,M) definido por:
D(x, M ) = nf{d(x, y) | y M }
Obviamente D(x, M ) 0. Si queremos aproximar x con elementos de M,
para todo > 0 hallaremos siempre un y M tal que
D(x, M ) d(x, y) < D(x, M ) + .
Si de casualidad D(x, M ) = 0, podemos aproximar x con elementos de M, con
la presici
on que deseemos.
Pero surge la pregunta: existe alg
un y M tal que d(x, y) = D(x, M )?.
De existir, ese y sera la mejor aproximacion de x con un elemento de M.
Veamos un ejemplo: En R2 con la distancia usual d2 sean:
M = M1 = {1}]1, 2[, x = (x1 , x2 ) = (0, 2)
M = M2 = {1} [1, 2,5], x = (0, 2)
M = M3 = {(x1 , x2 ) R2 | x21 + (x2 2)2 = 4}, x = (0, 2)
Veamos que D(x, M ) = 1 y que @y = (y1 , y2 ) M1 tal que D(x, M1 ) = d2 (x, y);
D(x, M2 ) = 1, y y = (1, 2) M2 y D(x, M2 ) = d2 (x, y) = 1 D(x, M3 ) = 2,
el gr
afico de M3 es la circunferencia de radio 2 y centro (0,2) y por la que
y = (y1 , y2 ) M3 , d(x, y) = D(x, M3 ).
La respuesta a la pregunta es pues muy diferente en cada ejemplo. Veremos
que si trabajamos en un espacio eucldeo y si M es cerrado y convexo, se tiene
un resultado de existencia y unicidad para el problema.
Precisemos algunos conceptos:
1. Sea X un espacio vectorial. Dados x0 , x1 X se llama segmento de
extremos x0 y x1 y se lo nota [x0 , x1 ] al conjunto
[x0 , x1 ] = {xt X | xt = tx1 + (1 t)x0 , t [0, 1]}
80
Demostraci
on. Ver en Kreyszig, p
ag. 144.
Si M es un subespacio vectorial Y de X, dado x X, el y M del teorema
se obtiene bajando una perpendicular de x a Y :
Corolario 78. Si M = Y un subespacio vectorial de X, entonces x X,
poniendo z = x y, se tiene
z Y ; es decir v Y ; z v.
Demostraci
on. Ibidem.
1. M es un SEV cerrado de X.
2. Si ponemos M = (M ) , entonces M M .
3. Si M = Y un SEV de X, entonces Y Y = {0}.
4. Si X = H un espacio de Hilbert y si M = Y un subespacio vectorial cerrado
de H, entonces Y = Y .
Demostraci
on. 1 y 2 los proponemos como ejercicio.
3 ver Kreyszig, p
ag 149.
NOTA:
1. Si Y es un subespacio vectorial de X, el aniquilador Y se lo llama complemento ortogonal de Y.
2. Si X = H un espacio de Hilbert y si Y es un subespacio vectorial cerrado
de H, entonces H es la suma directa de Y y Y , i.e. H = Y Y .
Recordemos que en Algebra Lineal si X es un EV y si Y,Z son dos espacios
vectoriales de X, se dice que X es la suma directa de Y y Z y se escribe
X = Y Z, si
x X !y Y, tales quex = y + z.
En este caso se dice que Y es el complemento algebrico de Z en X y
viceversa, o que Y y Z son algebricamente complementarios en X.
Demostraci
on. Sea x H. Debemos hallar y Y , z Y u
nicos tales
que x = z + y.
La existencia la da el corolario del Teorema del Vector Minimizante. Para
ver la unicidad, supongamos que existen
y1 , y2 Y, z1 , z2 Y tales que z = x1 + z1 = y2 + z2 .
Entonces
y1 y2 = z2 z1 Y Y
(porque Y y Y son SEV de H).
Pero 3 del Teorema anterior nos da que
y1 y2 = z2 z1 = 0
de donde y1 = y2 y z1 = z2
3. Si X = H un espacio de Hilbert, si ponemos Z = Y , Z es un SEV cerrado
de H, por lo que tambien se tiene H = Z Z , que de hecho es H = Z Y ,
porque Z = Y = Y en este caso.
4. Si H es de Hilbert y si Y es un SEV cerrado de H, la funcion Py : H
H, x 7 y, con el y dado por el teorema del Vector Minimizante, se tiene
que Py es un operador lineal, acotado, kPy k = 1 si Y 6= {}.
A Py se le llama proyector ortogonal de H sobre Y y se tiene las
siguientes propiedades adicionales:
82
Demostraci
on. x = < x, y >= 0 y M es obvio, por lo que en los tres
casos nos basta probar la recproca.
(i) Supongamos que < x, y >= 0 y X. Probemos que x = .
Basta tomar y = x, entonces < x, x >= 0, y por ende x = .
(ii) Supongamos que < x, v >= 0 v M .
Por (i) basta probar que y X, < x, y >= 0.
Sea y X. Como X = M , existe (vn ) M tal que vn y.
Como n 1 vn M , entonces: < x, vn >= 0 ; n 1.
En esta u
ltima igualdad tomamos lmn y por la continuidad del producto escalar tenemos que:
0 = lm < x, vn >=< x, lm vn >=< x, y >
n
(iii) Por (ii) bassta probar que < x, v >= 0 v Gen(A), suponiendo que
< x, w >= 0 w A.
Sea v Gen(A). Entonces existen n 1; w1 , ..., wn A y 1 , ..., N K,
PN
tales que v = k=1 k wk . Por lo tanto
< x, v >=< x,
N
X
k wk >=
N
X
k < x, wk >= 0
k=1
k=1
V = {}.
Sea x V . Entonces x V . Como A V , x A, por lo que x A ,
de donde x = . Por lo tanto V = {}.
Finalmente V V V V V = {}.
Ejercicios
1. Sea H de HIlbert, M H un conjunto convexo, y 6= . Sea (xn ) M
tal que
lm kxn k = nf kxk.
n
xM
N
X
zk wk ,
k=1
sea
M {x CN |
zk = 1}.
86
Captulo 16
Conjuntos y Sucesiones
Ortogonales
Sea (X, < , >) un espacio euclideo.
Definici
on 83. Un conjunto no vaco M X es ortogonal ssi
u, v M, u 6= v < u, v >= 0
El conjunto es ortonormal si, adem
as, u M, kuk = 1.
NOTA:
1. M es ortonormal
u, v M, < u, v >= uv
(
1 si u = v
=
0 si u 6= v
2. Si M es ortogonal, nada impida que M contenga el vector cero, pero tenemos el siguiente lema:
Lema 84. (Independencia lineal y Ortogonalidad). Si M es ortogonal y
0 M , entonces M es l.i. En particular si M es ortonormal, M es l.i.
Demostraci
on. Sean N 1, {v1 , ..., vN } M . P.D. {v1 , ..., vN } es l.i.
PN
Supongamos que para 1 , ..., N K, k=1 k vk = 0(*). P.D. j 1, j = 0.
Sea j {1, ..., N }. Multiplicamos escalarmente los dos lados de (*) por vj :
*N
+
X
k vk , vj =< o, vj >
k=1
N
X
k < vk , vj >= 0
k=1
Definici
on 85. Una sucesi
on (vk ) X es ortogonal si
m, n 1, m 6= n < vm , vn >= 1.
Si adem
as, k 1 kvk k = 1, se dice que la sucesi
on es ortonormal.
NOTA: Obviamente que el conjunto {vk | k 1} que es la imagen de la
sucesi
on, ser
a ortogonal u ortonormal, seg
un el caso, si la sucesion (vk ) lo es.
La generalizaci
on del concepto de sucesion de elementos de un conjunto X,
que no es sino una funcion N X, es la de conjunto indexado o familia
de elementos de X. En este caso se toma un conjunto no vaco de ndices
(por ejemplo = {1, ..., N }, = N, = [1, 2], etc) y a toda funcion v :
X, w 7 vw , que se nota (vw )w o simplemente (vw ), se le llama familia de
elementos de X o conjunto indexado de elementos de X con ndices w .
Abusivamente se nota (vw ) X para decir que es una familia de elementos de
X.
Definici
on 86. Sea 6= un conjunto de ndices y sea (vw )w una familia
indexada de elementos de X.
1. (vw )w es ortogonal , , 6= < v , vw >= 0
2. (vw )w es ortonormal , , < v , v >=
NOTA: Si (vw )w es ortogonal y ortonormal, su imagen que es el conjunto
{vw | w } tambien lo sera.
Son muy u
tiles los siguientes resultados.
Teorema 87. de Pit
agoras. x, y X,
< x, y >= 0 kx + yk2 = kxk2 + kyk2
Demostraci
on. Sea x, y X tales que < x, y >= 0.
kx + yk2
= < x + y, x + y >
= < x, x > + < x, y > + < y, x > + < y, y >
= kxk2 + kyk2 ,
puesto que < x, y >= 0, < y, x >= < x, y > = 0 = 0
N
X
k yk >=
k=1
N
X
k < x, yk >= 0
k=1
El Problema de la Proyecci
on
Dado un subespacio completo Y de un espacio eucldeo (X, < , >), sabemos
que x X !y Y tal que z = x y Y y que y es la mejor aproximacion
de x con elementos de Y.
Desearamos poder calcular ese vector y para un x dado la solucion es sencilla
si Y es un SEV de dimensi
on finita, digamos n, y si Y esta dotado de una base
ortogonal {e1 , ..., en }.
Sean 1 , ..., n K tal que el y buscado se exprese mediante
y=
n
X
j ej
j=1
n
X
j ej , ek >= 0
< x, ek >
j=1
n
X
< ej , ek >= 0
j=1
< x, ek > k = 0
k =< x, ek >
Tenemos entonces el
Lema 89. Sea (En ) X una sucesi
on ortonormal. Para n 1 sea Y =
Gen{e1 , ..., en }. Sea x X. Entonces, si ponemos
yn =
n
X
< x, ek > ek , zn = x yn
k=1
se tiene que
yn = Pyn x, zn Yn , kyn k2 =
n
X
k=1
89
| < x, ek > |2 .
= <
n
X
< x, ej > ej ,
j=1
n X
n
X
n
X
k=1
j=1 k=1
n
X
k=1
n
X
| < x, ek > |2 .
k1
k=1
Demostraci
on. Con las notaciones del lema,
n 1 yn zn , x = yn + zn
por lo que (Th. de Pit
agoras)
kxk2 = kyn k2 + kzn k2 n 1.
De donde
kxk2 kyn k2 n 1
(porque kzn k2 0).
Por el lema anterior
kyn k2 =
n
X
k=1
El M
etodo de Ortogonalizaci
on de Gram-Schmidt
Los resultados precedentes muestran la utilidad de familias finitas o sucesiones ortonormales.
Dados, por ejemplo, N vectores l.i. (n N), v1 , ..., vN sera interesante hallar N
vectores ortonormales e1 , ..., eN tales que
Gen{v1 , ..., vN } = Gen{e1 , ..., eN }
Esto se puede lograr f
acilmente gracias al Metodo de Gram-Schmidt:
90
Teorema 91. (M
etodo de Gram-Schmidt) Sean (X, < , >) un espacio
eucldeo; N N; v1 , ..., vN , N vectores ortonormales e1 , ..., eN , tales que
n {1, ..., N }, Gen{v1 , ..., vn } = Gen{e1 , ..., eN }.
NOTA: Naturalmente el resultado es valido si en vez de N vectores l.i. se
tiene una sucesi
on (vn ) de vectores l.i. En este caso existe (en ) una sucesion
ortonormal tal que
n N, Gen{v1 , ..., vn } = Gen{e1 , ..., eN }.
Demostraci
on. (Por Inducci
on)
1
Sea e1 =
v1 . Entonces ke1 k = 1 y Gen{v1 } = Gen{e1 }. Sea n 1. Supongkv1 k
amos que el resultado es v
alido para n, es decir, existen n vecotes ortonormales
e1 , ..., en tales que
n {1, ..., N }, Gen{v1 , ..., vn } = Gen{e1 , ..., eN }.
Probemos que el resultado es v
alido para n + 1: Sea
wn+1 = vn+1
n
X
k=1
Ejercicios
1. Pruebe que todo EV eucldeo de dimension finita, posee una base ortonormal.
2. Use (*) de la demostraci
on del Th de la Desigualdad de Bessel, para probar
la Desigualdad de Cauchy-Schwarz-Bu
nakovski (C-S-B).
3. De un ejemplo en l2 (R) para el cual la desigualdad de Bessel sea estricta.
4. Sean (X, < , >) un espacio eucldeo; n N y {e1 , ..., en } un conjunto
ortonormal. Sea x X. Pruebe que:
kx
N
X
k=1
5. Sean (X, < , >) un espacio eucldeo y (en ) X una sucesion ortonormal. Pruebe que
x, y X,
k=1
1
m}
es finito.
7. En R3 ortonormalice el conjunto {
v1 ,
v2 ,
v3 } si
v1 = (0, 1, 1),
v2 = (1, 0, 1),
v3 = (1, 1, 0).
R1
8. En (c[1, 1], < , >) con < f, g >= 1 f (x)g(x)dx ortonormalice lso
conjuntos l.i. {v1 , v2 , v3 } y {w1 , w2 , w3 }, si vk (t) = tk , wk (t) = t2k , k
{0, 1, 2}. Compare los resultados.
92
Captulo 17
Series de Fourier
Sea (X, < , >) un espacio euclideo de dimension N < . Entonces siempre
podemos hallar una base ortonormal B = {e1 , ..., eN }. (Basta ortogonalizar
cualquier base {v1 , ..., vN } usando el metodo de Gram-Schmidt).
Entonces cualquier vector x X puede escribirse
x=
N
X
< x, ek > ek
k=1
A la expresi
on de la derecha la llamamos suma de Fourier de x respecto
a {e1 , ..., eN } y a cada coeficiente < x, ek >, coeficientes de Fourier de x
respecto a ek , 1 k N .
Si (X, < , >) es un espacio euclideo de dimension infinita y si (en ) X
es una sucesi
on ortonormal, para x X y para cada k N podemos calcular
< x, ek > el coeficiente de Fourier de x respecto a ek y escribir la serie
N
X
< x, ek > ek
k=1
PN
k=1
<
con (k ) K. Ponemos sn =
PN
k=1
k ek .
k ek =: s.
k=1
Entonces
k N k =< s, ek >,
por lo que se puede escribir
s=
N
X
< s, ek > ek .
k=1
3. x H,
converge.
PN
k=1
Demostraci
on.
1. Sean, para n 1, sn =
Por definici
on de serie
k ek = lm sn ,
n
k=1
Pn
k=1
n
X
k ek y vn =
Pn
|k |2 = lm n .
n
k=1
(sn ) es de Cauchy
(n ) converge
(n ) es de Cauchy
ksn sm k
=
=
n
2
m
X
X
k ek
k ek
k=1
k=1
2
n
X
k ek
k=m+1
n
X
<
n
X
i ei ,
i=m+1
n
X
j=m+1
|k |2
k=m+1
n
X
m
X
k=1
k=1
|k |2
|n m |.
94
|k |2
j ej >
k=1
|k |2 .
2. Sea k 1. Entonces
n k, < sn , ek >=<
n
X
j ej , ek >= k
j=1
< lm sn , ek >= ek
n
< s, ek >= k
3. Resulta
que por la desigualdad de Bessel
P de 1 con (2k ) = (<2 x, ek >), ya
P
2
k=1 | < x, ek > | kxk , la serie
k=1 | < x, ek > | converge.
Pn
Vimos que en caso de espacios de dimension finita x = k=1 < x, ek > ek y
nos gustara saber si algo an
alogo acurre y bajo que condiciones en losP
espacios
n
de dimensi
on infinita. Nos preguntamos entonces: cuando x = s =
k=1 <
x, ek > ek ?.
Obviamente que no siempre. Ve
amoslo en el siguiente ejemplo:
Ejemplo 93. Si (fn ) es ortonormal y si ponemos (en )n1 = (fn+1 ) = (f2 , f3 , ...)
y x = f1 tendremos que
s=
n
X
< x, ek > ek =
k=1
n
X
k=1
Notemos que como s = lmn sn y como sn Gen{ek | k 1} entonces s Gen{ek | k 1}. Esta observacion justifica el siguiente resultado
para garantizar que x = s x H:
Teorema 94. Sea H de Hilbert y sea (en ) H una sucesi
on ortonormal. Entonces
n
X
x X, x =
< x, ek > ek {ek | k 1} es total.
k=1
n
X
k=1
Definici
on 96. Dado un espacio de Hilbert H y {ew H | w } una familia
ortonormal infinita, para x H numeramos el conjunto
{ew H |< x, ew >6= 0, w } =: E(x),
es decir podemos escribir E(x) = {ewn | nN} y diremos que
k=1
k=1
Ejercicios
1. Sea H de Hilbert y (en ) H una sucesi
Pon ortonormal.
Pruebe que si para (k ) H, la serie k=1 k ek converge, entonces
|k |2 = k
k ek k
k=1
k=1
P
2. Sea (X, < , >) un espacio eucldeo y (xn ) X tal que k=1 kxn k <
.
PnPruebe que (sn ) es de Cauchy en (X, < , >) si ponemos (sn ) =
( k=1 xk ).
3. Sea H un espacio de Hilbert y (xn ) H . Pruebe que
<
k=1
xk converge
k=1
97
Captulo 18
Teoremas de la
Representaci
on de Riesz
Dado un espacio vectorial normado (X, k kx ) es de sumo interes caracterizar
a su dual topol
ogico (X 0 , k kx0 ) que es el EVN ({f ; XK | f es lineal y acotado},
k kx0 ), donde
kf kx0 = sup
x6=0
|f (x)|
= sup |f (u)| = mn{c 0 | x X, |f (x)| ckxkx }
kxkx
kuk=1
Su importancia radica, por ejemplo, se puede conocer indirectamente si un vector x0 X es cero, viendo c
omo reacciona ante diversos f X 0 . Concretamente
se tiene el siguiente:
Teorema 97. Sea (X, k kx ) un espacio vectorial normado, x0 X. Entonces
x0 = f (x0 ) = 0 f X 0
N
X
k ek
k=1
Sea g : X K, x 7 g(x) = 1 .
Entonces g es lineal (i.e. g X ); y g(x0 ) = g(e1 ) = 1.
Pero esta contradice la suposicion de que f X , f (x0 ) = 0.
Para el caso de que (X, kkx ) sea un EVN, este resultado se mejora sustancialmente pues en vez de X basta tomar X 0 = {f : X K | f es lineal y acotado}.
Caracterizar X 0 para un EVN puede ser complicado a
un para conocidos espacios
como se vi
o en secciones anteriores.
Sin embargo, cuando en vez de un EVN (X, k kx ) cualquiera, se tiene un
espaico de Hilbert (H, < , >), la caracterizacion del dual topologico H 0 resulta
sencilla gracias al famoso teorema siguiente:
Teorema 100. (de la Representaci
on de Riesz I) Sea (H, < , >) un
espacio de Hilbert, k kH la norma asociada a < , >. Entonces
H 0 !zf H tal que f (x) =< x, zf > x H()
Adem
as kzf kH = kf kH 0 , donde (H 0 , k kH 0 ) es el dual topol
ogico de (H, k kH )
NOTA: El Th. se llama as porque f (x) puede representarse mediante (*).
Demostraci
on. Recordemos un par de ejercicios que propusimos antes:
Ej. 1
Sean (H, < , >) un espacio eucldeo y z X.
Sea f : X K, x 7 f (x) =< x, z >.
Entonces f es lineal, acotado y kf kx0 = kzkx
Ej. 2
Sea (H, < , >) un espacio eucldeo y sean u, v X.
Entonces u = v < , >=< , > x X.
Probemos ahora el teorema:
Sea f H 0 :
1. Debemos hallar zf H tal que f (x) =< x, zf > x H.
2. Debemos probar la unicidad.
3. Debemos probar que kf kH 0 = kzf kH .
1. Existencia: Hay dos casos: f = (basta tomar zf = ) y f 6= .
Para hallar zf , en este caso, veamos que propiedades debera tener:
(a) zf 6= (si no, tendramos f (x) =< x, >= 0 x, por lo que f = ,
que no es el caso) .
99
de donde =
= < vx , z >
= < f (x)z f (z)x, z >
= f (x)kzk2H f (z) < x, z >
f (x)
f (z)
< x, z >
kzk2H
f (z)
z>
kzk2H
= < x, zf >
= < x,
NOTA:
1. Como en la demostracion de la existencia, en el caso f 6= tomamos un
z N (f ) \ {} arbitrario y por la unicidad de zf veamos que zf y z son
colineales, entonces {zf } es una base de N (f ) y, por ende,
dimN (f ) = 1
100
sup
x6=, y6=
|h(x, y)|
=
sup
|h(x, y)|.
kxkx kyky
kuk=1, kvky =1
2.
(x, y) X Y, |h(x, y)| khkkxkx kyky
Teorema 103. (de la Representaci
on de Riesz II) Sean (H1 , < , >1 )
y (H2 , < , >2 ) dos espacios de Hilbert, ambos sobre K {R, C}. Sea h :
H1 H2 K una forma bilineal (o sesquilineal si K = C) acotada. Entonces
!S L(H1 , H2 ) tal que (x, y) H1 H2 , h(x, y) =< Sx, y >2 .()
Adem
as kSk = khk, donde kSk es la norma de S en el espacio L(H1 , H2 ).
NOTA: Sea llama as porque la expresion h(x, y) puede ser respresentada
mediante (**).
101
Demostraci
on. (Idea) Para definir S debemos determinar Sx para x H1 .
Sean x X y la funci
on fx : H2 K, y 7 fx (y) = h(x, y).
Entonces fx H 0 2 el dual topologico de H2 .
El Th. de la Representacion de Riesz I nos dice entonces que
zx H2 tal quey H2 , fx (y) =< y, zx >2
Poniendo Sx = zx , se obtiene el operador buscado.
NOTA: Ver detalles en Kreyszig, pag 192-193.
Ejercicios
1. Pruebe 1 y 2 de la Nota que sigue a la definition 102.
2. Redacte la demostracion del Th. de la Representacion de Riesz II.
3. Sea f (RN )0 , N 2, RN con el producto escalar usual. Halle z RN
PN
tal que x RN , f (x) = k=1 xk zk .
2
0
2
2
4. Sea
P f (l (C)) . Halle (zn ) l (C) tal que (xn ) l (C), f ((xn )) =
k=1 xk zk .
5. Resuelva los ejercicios con que inicia la demostracion del Th. de la Representaci
on de Riesz I.
6. Pruebe que el dual topologico de l2 (C) es isomorfo a l2 (C).
7. Pruebe que el dual topologico H de un espacio de Hilbert (H, < , >) es
tambien de Hilbert con el producto escalar < , >0 definido por
def
102
Captulo 19
El Operador Adjunto de
Hilbert
Entre los operadores lineales continuos, clase aparte la constituyen los operadores autoadjuntos, por sus propiedades en diversos aspectos como en Teora
Espectral. Para estudiarlos necesitamos los siguientes conceptos:
Definici
on 104. Sean (H1 , < , >1 ) y (H2 , < , >2 ) dos espacios de Hilbert
ambos sobre K {R, C}. Sea T L(H1 , H2 ). Al operador T L(H2 , H1 ) tal
que
< T x, y >2 =< x, T y >1 (x, y) H1 H2
(19.1)
se le llama operador adjunto de Hilbert del operador T.
NOTA:
1. Lo que sigue es v
alido si K {R, C} pero lo redactaremos para el caso K = C. Para R = R es similar y debemos entender bilineal donde
este sesquilineal y = si R, etc.
2. La definici
on tiene sentido solo si existe T . Esto esta garantizado por el
siguiente teorema.
Teorema 105. (Existencia del Adjunto de Hilbert) T de la definic
on
precedente existe, es u
nico y
kT k = kT k.
NOTA:
Ponemos kT k en vez de kT kL(H2 ,H1 ) y kT k en vez de kT kL(H1 ,H2 ) , para
simplificar la escritura.
Demostraci
on. Se basa en el Th. de la Representacion de Riesz II aplicando a
la forma sesquilineal
h : H2 H1 K, (y, x) 7 h(y, x) =< y, T x >2
que es acotada (Pruebelo! ) y cuya norma khk = kT k (verifquelo! ), lo que nos
garantiza que T L(H2 , H1 ) tal que kT k = khk y
h(y, x) =< T y, x >1 (y, x) H2 H1
T es el operador buscado.
103
Demostraci
on. (del corolario) Se aplica el lema al operador Q = T1 = T2 .
NOTA: En 2 del lema y su corolario es esencial la hipotesis K = C: si
X = R2 y Q es el giro en angulo recto, < Qx, x >= 0 x X, pero obviamente
Q 6= .
Podemos ahora enunciar y probar algunas propiedades dadas del operador
adjunto de Hilbert.
104
4. T = (T ) = T
5. kT T k = kT T k = kT k2 = kT k2
6. T T = T =
7. Si H1 = H2 , (ST ) = T S
Demostraci
on.
1. Sea (y, x) H2 H1 :
< T y, x >1 = < x, T y >1 = < T x, y >2 =< y, T x >2
kT T kkxk1 kxk1
p
de donde kT xk2 p
kT T kkxk1 x H1 ; y,
por lo tanto, kT k kT T k, y kT k2 kT T k. (*)
Por otra parte, kT T k kT kkT k = kT k2 , ya que kT k = kT k.
Esto, con (*) nos da la igualdad buscada
kT T k = kT k2
Finalmente, como T = T ,
kT T k = kT T k
6. Es inmediato, por 5.
7. Sean (y, x) H2 H1 = H H
(H = H1 = H2 , < , >=< , >1 =< , >2 ).
< (ST ) y, x >
de donde (ST ) = T S .
Ejemplo 109. Sea H1 = KN , H2 = KM ; N, M N, con el producto escalar
usual en los dos casos
N
u1
x1
X
<
u,
x >1 =
un xn ;
u = ... ,
x = ... KN ,
n=1
uN
xn
N
v1
y1
X
<
v ,
y >2 =
vm ym ;
v = ... ,
y = ... KM
m=1
vN
yn
Sea T : KN KM ,
x 7
y = T
x un operador lineal (acotado por estar
definido en un espacio de dimension finita).
Sea A = (T
e1 T
e2 ... T
e
onica asociada (T
x = A
x ), A
N ) la matrix can
T
T
T
MM N (K); e1 = (1 0 ... 0) , e2 = (0 1 ... 0) , ..., eN = (0 0 ... 1) .
Sea B MN M (K) la matrix canonica asociada a T .
x, <
v ,
y >1 =
v T
y , viendo a los miembros
Notemos que <
u,
x >1 =
u T
T
de la derecha como productos de matrices con u y v T las transpuestas de
u
y v , respectivamente.
106
Lema 110.
B=A
Demostraci
on. Se requiere del resultado siguiente:
Lema 111. (de Algebra Lineal) Sean M, N N; C, D MM N . Entonces
C=D
x T C
y =
x T D
y
x KN
y KM
Sean
x KN ,
y KM . Como:
y =
x T AT
y ;y
< T
x,
y >2 =< A
x,
y >2 = (A
x )T
y >1 =<
x , B
y >1 =
x )T B
<
x , T
y =
x T B
y,
Al ser iguales los primeros miembros de estas dos expresiones, lo seran tambien
los u
ltimos, es decir:
x KN ,
y KM ,
x T AT
y =
x B
y . El lema 111 nos
da entonces que
AT = B,
de donde B = AT .
En Algebra Lineal, si N = M y A = AT , se dice que A es una matriz
hermitiana (simetrica si K = R).
Definici
on 112. Sean (H, < , >) un espacio de Hilbert sobre K {R, C},
y T L(H, H) =: L(H). Se dice que T es autoadjunto o hermitiano si
T = T.
NOTA: En el ejemplo anterior con H = KN , N = M , si
T es autoadjunto A es hermitiana (simetrica si K = R)
Teorema 113. (Propiedades de los operadores autoadjuntos)
Sean (H, < , >) un espacio de Hilbert sobre K {R, C}, y S, T L(H).
Entonces:
1.
T es autoadjunto < T x, x > R x H
2.
K = C y < T x, x > R x H T es autoadjunto
3. Si S y T son autoadjuntos, entonces
S T es autoadjunto ST = T S
4. Sea (T n) L(H) una sucesi
on de operadores autoadjuntos tal que
0.
kT n T k
n
Entonces es autoadjunto.
107
Demostraci
on.
< x, T x >
< T x, x >
< T x, x >
< T x, x > R.
T S
kT n T k = k(T n T ) k = kT n T k
n 1 T T = (T T n) + (T n T n) + (T n T )
T n = Tn
entonces
0 kT T k
kT T nk + kT n T nk + kT n T k
= kT T nk + 0 + kT n T k n 1
Pasando el lmn , el Th. del sanduche nos da: kT T k = 0.
Ejercicios
1. Redacte detalladamente la demostracion del Th. de existencia del operador
adjunto de Hilbert.
2. Demuetre el lema del Algebra Lineal del ejemplo
3. Demuestre la siguiente generalizacion del lema del Operador Cero:
Lema 114. Sea X un espacio vectorial normado, (Y, < , >) un espacio
eucldeo, ambos sobre K {R, C}. Sea Q L(X, Y ).
Sean U X y V Y tales que U = X, V = Y ; L X y M Y tales
que Gen(L) = X, Gen(M ) = Y . (i.e. U y V son densos y L y M son
totales en X e Y, respectivamente). Entonces:
108
a)
Q = 0 < Qu, v >= 0 u U, v V
< Qr, w >= 0 r L, w M.
b)
Si K = C y X = Y, Q = 0 < Qu, u >= 0 u U
< Qr, r >= 0 r L
4. Enuncie y demuestre un corolario analoggo al del lema del operador cero
para el lema del ejercicio 3.
5. Pruebe que = y que I = I.
6. Sea H de Hilbert, T L(H) biyectivo cuya inversa T 1 es acotado. Pruebe
que (T )1 = (T 1 )
7. Sean H1 y H2 de Hilbert, (Tn ) L(H1 , H2 ) y T L(H1 , H2 ). Pruebe que
kT n T k 0 kT n T k 0
8. Sean H1 y H2 de Hilbert, T L(H1 , H2 ); M1 H1 , M2 H2 . Pruebe
que:
(a) T (M1 ) M2 T (M2 ) M1 .
(b) Si M1 y M2 son SEV de H1 y M2 entonces T (M1 ) M2 T (M2 )
M1 .
(c) Si M = N (T ) = {x H1 | T x = } entonces:
(c1) T (H2 ) M1
(c2) [T (H1 )] N (T )
(c3) M1 = [T (H2 )]
9. Sean H de Hilbert, T L(H), S = I + T T . Pruebe que existe S 1 :
S(H) H.
10. Sean H un espacio de Hilbert separable, (en ) H una sucesion ortonormal
total. Sea T : H H tal que n 1 T en = en+1 . T se llama operador de
desplazamiento a la derecha (explique el nombre) Halle Im(T ), N (T ), kT k
y T .
Rb
11. Si L2 [a, b] es el completado de (c[a, b], < , >), con < f, g >= a f (s)g(s)ds
y k c([a, b] [c, d]), sea T : L2 [a, b] L2 [c, d] tal que x c[a, b],
Rb
(T x)(t) = a k(s, t)x(s)ds. Halle T .
12. Sea T : l2 l2 , (xn ) 7 (0, 0, x1 , x2 , ...). Halle T .
13. Sea (n ) R acotada y T : l2 l2 , (xn ) 7 (m xm ). Halle T .
14. Sean H de Hilbert, S, T L(H) dos operadores autoadjuntos y , R.
Pruebe que:
109
(a) S + T es autoadjunto
(b) T n es autoadjunto n 1.
15. Sean H de Hilbert complejo, S L(H). Sean S1 =
1
2i (S S ). Pruebe que:
1
2 (S
+ S ), S2 =
110
Parte III
Teora Espectral
111
Captulo 20
Propiedades espectrales de
los Operadores Lineales
Acotados
Se resumen en el siguiente:
Teorema 115. Sea X un espacio de Banach complejo. Sea T : X X un
operador lineal acotado. (i.e. T L(X, X) =: L(x)). Entonces:
1. El conjunto resolvente de T, (T ), es abierto en C.
2. El espectro de T, (T ), es cerrado en C.
ekT k () (i.e. (T ), || kT k).
3. (T ) es compacto y (T ) B
Demostraci
on. Se basa en el siguiente:
Lema 116. Sea S L(x). Si kSk < 1 entonces
(I S)1 y(I S)1 =
Sk
k=0
1. Si (T ) = es abierto.
Si (T ) 6=, para 0 (T ), se prueba que
Br (0 ) (T )
si se toma
r=
1
k(T 0 I)1 k
.
2. Resulta de 1.
3. Sea C tal que || > kT k. Probemos que (T ).
1
(T I)
1
=
1
k
1
1X 1
I T
=
T
k=0
112
1
que converge por el lema con S = 1 T , kSk = ||
kT k < 1.
Al ser (T ) cerrado y acotado en C, entonces es compacto.
NOTA:
1. Ver detalles de la demostraci
on en Kreyszig, seccion 7.3.
2. Podemos encerrar (T ) en una bola lo mas peque
na posible:
Definici
on 117. Al n
umero r (T ) = sup{|| | (T )} se le llama radio
espectral de T. Obviamente
er (0)
(T ) B
NOTA:
1. Por 3 del Teorema, obviamente, r (T ) kT k.
2. Se puede probar (ver Kreyszig, seccion 7.5-5.) que
p
r (T ) = lm n kT n k
n
Ejercicios
1. Sea X un EVN complejo. Sea I : X X el operador identidad. Halle
p (I) y los correspondientes espacios propios, as como (I) y I1 .
2.
Definici
on 118. Sea X un EVN, Y X es invariante para T, con
T : X X, un operador lineal, ssi T (Y ) Y
Pruebe que si E X es un espacio propio de T, E es invariante para T.
3. Sea H un espacio de Hilbert separable y sea T : H H el operador lineal
tal que n 1 T en = en+1 , donde (en ) H es una sucesion ortonormal
total, y R es obtenido extendiendolo de manera que sea lineal y continuo.
Pruebe que p (T ) = y halle subespacios de H invariante para T.
4. Sea X1 un EVN y sea X X1 un SEV. Sea T L(X, X1 ) y sea T1 :
X1 X1 una extensi
on lineal de T (i.e. T1 |x = T ). Pruebe que:
(a) p (T ) p (T1 )
(b) p (T ), si E (T ) y E (T1 ) son los espacios propios de T y T1
correspondientes a , E (T ) E (T1 )
(c) r (T1 ) r (T )
(d) c (T ) c (T1 ) p (T1 )
(e) (T1 ) (T ) r (T )
5. Sea v c[0, 1] y T : C[0, 1] C[0, 1], x 7 T x = vx. Halle (T ).
6. Halle un T : C[0, 1] C[0, 1] tal que (T ) = [a, b] dado.
113
7. Sea X un EVN, T L(X, X). Sea V X un subespacio vectorial invariante para T. Pruebe que V tambien es invariante para T.
8. Sea X un EVN, T : X X lineal, p (T ), E (T ) el espacio propio
correspondiente a . Si Y = E (T ), halle (T |y ).
9. Sea (n ) [0, 1] tal que {n | n 1} es denso en [0, 1]. Sea T : l2 l2 ,
(xn ) = (m xm ).
(a) Halle p (T ) y (T )
(b) Sea (T ) \ p (T ) Pruebe que T1 no es continuo
(c) Sea K C compacto. Halle S : l2 l2 tal que p (S) sea denso en K
y (S) = K.
10. Sea X = C[0, 1], T : D(T ) c[0, 1] c[0, ], x 7 x00 , donde D(T ) =
{x c[0, ] | x0 , x00 c[0, ], x(0) = x() = 0}. Pruebe que (T ) no es
compacto.
11. Sea T : l6 l , (xn ) 7 (xn+1 ). Pruebe que:
(a) || > 1 (T )
(b) || 1 p (T ). Halle E (T ), el espacio propio correspondiente.
12. Sea T : lp lp , (xn ) 7 (xn+1 ), 1 p < . Si || = 1. p (T ) como
en el ejercicio precedente?.
114
Ap
endice A
La Triyecci
on
Espacios geom
etricos, longitud de un segmento y
distancia entre puntos
Notaremos E 1 al conjunto de puntos de una recta, E 2 al conjunto de puntos
de un plano y E 3 al conjunto de puntos del espacio (geometrico).
Si en E E 1 , E 2 , E 3 tomamos un segmento finito de una recta UL podemos
definir la longitud de cualquier otro segmento L como el n
umero l de veces que
cabe UL en L. Pondremos
lg(L) = l
Obviamente l > 0 pero podemos extender el concepto de longitud a un segmento
cuyo inicio y fin coinciden, en cuyo caso tendra longitud cero.
El concepto de longitud de un segmento da lugar al de distancia geometrica
entre dos puntos. En efecto si A y B son elementos de E, podemos poner
dg(A, B) = lg(AB),
es decir la distancia geometrica entre A y B no es otra cosa que la longitud del
La Recta Real
Tomando en E 1 un punto 0 al cual le asociamos el n
umero 0 y si a todo
n
umero a le asociamos el punto A situado a una distancia |a| del punto 0, a un
115
El Plano Cartesiano
Si en el espacio geometrico E 2 escogemos un segmento de recta UL como
unidad de longitud podemos escoger dos rectas perpendiculares entre si que se
cortan en un punto 0 (por simplicidad digamos que la una es horizontal y la
otra es vertical), y con ellas construir dos rectas reales. Convengamos en que
el n
umero 1 est
a representado geometricamente por un punto I situado a la
derecha de O en la recta horizontal y por un punto J situado encima de 0 en la
recta vertical.
Todo punto A E 2 esta asociado con un punto A1 de la recta horizontal
definido como el corte de esta recta con la recta vertical que pasa por A y con
un punto A2 de la recta vertical definida como el corte de esta con la recta
horizontal que pasa por A.
Si a1 es la coordenada de A1 en la recta real horizontal y si a2 es la coordenada
de A2 en la recta real vertical entonces se define el par ordenado (a1 , a2 ) R2
al que llamaremos coordenadas de A.
Por el contrario, dados (a1 , a2 ) R2 , si A1 es el grafico de a1 en la recta
real horizontal y A2 es el grafico de a2 en la recta real vertical, el corte A de la
recta horizontal que pasa por A2 y la recta vertical que pasa por A1 , define la
funci
on biyectiva G : R E 2 , (a1 , a2 ) 7 G(a1 , a2 ) = A
El punto A = G(a1 , a2 ) se llama grafico o representacion geometrica de
(a1 , a2 ).
Gracias al plano cartesiano podemos trasladar de E 2 a R2 el concepto de
distancia, poniendo para (a1 , a2 ), (b1 , b2 )
d((a1 , a2 ), (b1 , b2 )) = dg(A, B),
donde A = G(a1 , a2 ) es el grafico o representacion geometrica de (a1 , a2 ) y
B = G(b1 , b2 ) lo es de (b1 , b2 ), y dg(A, B) = lg(AB).
Dado A E 2 , si G1 (A) = (a1 , a2 ), se dice que (a1 , a2 ) son las coordenadas
de A.
116
Es f
acil probar que
d((a1 , a2 ), (b1 , b2 )) =
|a1 b1 |2 + |a2 b2 |2 ,
El Espacio Cartesiano
De manera an
aloga, si tomamos en el espacio geometrico E 3 un segmento
de recta UL como unidad de medida de la longitud de un segmento de recta
cualquiera. Escogemos un punto 0 y un plano que pasa por 0 (por simplicidad
supongamos que es horizontal) y construyamos con el un plano cartesiano. Luego
tomemos la recta que pasa por 0 y es perpendicular al plano y construyamos
con ella una tercera recta real, con el punto K correspondiente al n
umero 1, por
encima del plano.
Definamos la funci
on G : R3 E 3 (a1 , a2 , a3 ) A de la siguiente manera:A
la pareja (a1 , a2 ) le hallamos su gr
afico en el plano cartesiano horizontal, digamos
En la vertical que pasa por A hallamos un punto A situado a una distancia
A.
por encima de A si a3 > 0 y por debajo si a3 < 0 (si a3 = 0, A = A).
|a3 | de A,
Ponemos G(a1 , a2 , a3 ) = A. Al punto A le llamamos grafico o representacion
geometrica de (a1 , a2 , a3 ). Evidentemente G es biyectiva y al tro de n
umeros
(a1 , a2 , a3 ) = G1 (A) les llamaremos coordenadas de A.
A la funci
on G : R3 E 3 le llamaremos espacio cartesiano. Gracias a G
podemos trasladar de E 3 el concepto de distancia, poniendo
def
contrario al de BA); y,
~ que de paso vemos que coincide con la
3. su longitud (la del segmento AB,
del segmento BA, que es la
longitud
de BA), llamada modulo o norma
~
~ y que se nota
AB
del vector AB
.
Notemos que para dos parejas diferentes de puntos (A, B) y (C, D) E
~ y CD
~ pueden coincidir estas tres
E, para los correspondientes vectores AB
caractersticas (direcci
on, norma y sentido). En este caso los consideraremos
iguales. As tenemos que si A(1, 1), B(2, 3), C = (2, 2) y D = (1, 4), entonces
~ = CD
~ (dib
AB
ujelos y compruebelo). En particular
p
~
AB
= dg(A, B) = |2 1|2 + |3 1|2 = 5
p
~
CD
= dg(C, D) = | 1 (2)|2 + |4 2|2 = 5
Llamaremos vector cero al vector cuyo inicio y fin coinciden y lo notaremos ~0.
~ = P~P , etc.
As ~0 = AA
Obviamente ~0 no tiene direcci
on ni sentido y
~0
= 0. Notaremos como V k al
conjunto de vectores de E k , k {1, 2, 3}, teniendo en cuenta la definicion de
igualdad dada.
En V V 1 , V 2 , V 3 se pueden definir dos operaciones: la suma de vectores y la
multiplicaci
on de un escalar (n
umero) por un vector, de la siguiente manera:
Dados ~u, ~v V , la suma de ~u y ~v es el vector notado ~u + ~v =.
La Triyecci
on RN E N V N
Supongamos que en E E 1 , E 2 , E 3 esta dado un segmento UL como unidad
de longitud y que hemos definido ya una recta real, un plano cartesiano o un
espacio cartesiano, seg
un el caso.
La biyecci
on V N E N : Dado un vector cualquiera ~a V V 1 , V 2 , V 3 ,
obviamente existe un u
nico punto A E tal que ~a = 0A. Se define as la funcion
~
V E, ~a 7 A, que es biyectiva. Su inversa es : E V , A 7 (A) = OA.
Como ya tenemos la biyecci
on G : RN E N se puede definir lo que llamaremos
~
triyecci
on RN E N V N , que es el conjunto de trios ordenados (a, A, OA)
~
~
para n = 1, ((a1 , a2 ), A, OA) para n = 2 y ((a1 , a2 , a3 ), A, OA) para n = 3,
donde A = G(a) para n = 1, A = G(a1 , a2 ) para n = 2 y A = (a1 , a2 , a3 ) para
n = 3.
119
3
An
alogamente para (a1 , a2 , a3 ) R tendremos que si k(a1 , a2 , a3 )k2 =
~
afico de (a1 , a2 , a3 ), entonces
OA
, donde A es el gr
k(a1 , a2 , a3 )k2 =
120
Es inmediata la verificaci
on de que las propiedades (N1), (N2), (N3) y (N4) que
vimos para la norma de los vectores, se cumplen tambien para kk2 : RN R,
n 1, 2, 3.
En el caso N = 1, si a R, kak = |a|, obviamente.
Ahora bien, en V hemos definido el producto interno o producto escalar
h, i : V V R. Esta definici
on puede trasladarse a RN .
Por ejemplo, para N = 2 dados (a1 , a2 ), (b1 , b2 ) R2 , pondremos
D
E
def
h(a1 , a2 ), (b1 , b2 )i = OA, OB ,
donde A = G((a1 , a2 )) es el gr
afico de (a1 , a2 ) y B = G((b1 , b2 )) es el grafico de
(b1 , b2 ).
Es f
acil probar la sorprendente f
ormula:
h(a1 , a2 ), (b1 , b2 )i = a1 a2 + b1 b2
(A.1)
An
alogamente, si para N = 3, dados (aD1 , a2 , a3 ),E(b1 , b2 , b3 ) R3 definimos
def
an
alogamente h(a1 , a2 , a3 ), (b1 , b2 , b3 )i = OA, OB , se tiene que
h(a1 , a2 , a3 ), (b1 , b2 , b3 )i = a1 b1 + a2 b2 + a3 b3
(A.2)
Valga decir que en estos casos se cumplen las propiedades (E1), (E2), (E3)
y (E4) que vimos para el producto escalar en V , las cuales se pueden verificar
tambien utilizando las f
ormulas (1) y (2) que acabamos de escribir.
Smbolos A la triyecci
on R-E-V la representaremos con los smbolos RN
N
N
E V .
121