Lecturas de Analisis Funcional

German Rojas Ph. D.

Escuela Politecnica Nacional
21 de mayo de 2009

Indice general
I

Espacios M
etricos

1. Espacios M
etricos

2. Conceptos Topol
ogicos

14

3. Lmites y Continuidad

17

4. Sucesiones convergentes, de Cauchy y acotadas

21

5. Relaci
on entre conjuntos cerrados y subespacios completos

28

6. Isomorfismos

33

7. Espacios Vectoriales

38

8. Espacios Normados

45

9. Propiedades de los Espacios Vectoriales Normados

48

10.Operadores Lineales Acotados

58

11.Funcionales Lineales

62

12.Caracterizaci
on del dual topol
ogico del algunos EVN

67

II

70

Espacios Eucldeos y de Hilbert

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

16.Conjuntos y Sucesiones Ortogonales

87

17.Series de Fourier

93

18.Teoremas de la Representaci
on de Riesz

98

19.El Operador Adjunto de Hilbert

2

103

INDICE GENERAL

III

Teora Espectral

111

20.Propiedades espectrales de los Operadores Lineales Acotados 112

A. La Triyecci
on

115

Repaso
Sea R el conjunto de sucesiones de n
umeros reales. Sea (xn ) R , l R.
Recuerde que:
def

1. (xn ) converge a R tal que

not

 > 0 N tal que n > N |xn a| <  a = lm xn

n

def

2. (xn ) es de Cauchy

 > 0 N tal que n, m > N () |xn xm | < 

Th

3. (xn ) converge (xn ) es de Cauchy.

Th

4. (xn ) converge su lmite es u

nico.
def

5. (xn ) es acotada R > 0 tal que

not

n 1, |xn | < R {xn |n 1}

es un conjunto acotado.
Th

6. (xn ) es de Cauchy (xn ) es acotada (pero no en el otro sentido).

7. NOTA: Sea A R:
def

(i) A es acotado por abajo

C1 R tal que x A, C1 x
(C1 es una cota inferior ).
def

A es acotado por arriba

C2 R tal que x A, x C2
(C2 es una cota superior ).
def

A es acotado A es acotado por arriba y por abajo

nota

C1 , C2 R tal que x A, C1 x C2
nota

R > 0 tal que x A |x| < R

4

(ii) Sea 6= , f : R es una funci

on acotada
def

Im(f ) es un conjunto acotado

th

R < 0 tq x |f (x)| < R

def

(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

d (x, y) = max |xk yk |

1kN

entonces (KN ,dp ) son espacios metricos p [1, ]. A d2 se le llama

metrica usual o natural en RN o CN .
3. Sea X 6= y
(
d(x, y) =

1
0

si x 6= y
si x = y

para x, y X, entonces (X, d) es un espacio metrico. A d se le llama

metrica discreta.
4. Sean c[a, b] = {f : [a, b] K | f es continua}, K {R, C}. Si para f, g
c[a, b] ponemos
Z b
d1 (f, g) =
|f (x) g(x)|dx;
a

s
dp (f, g) =

|f (x) g(x)|p dx, 1 p <

d (f, g) = max |f (x) g(x)|;

axb

entonces dp es una metrica en c[a, b] p [1, ]. La mas usada es d y

se pone C[a, b] = (c[a, b], d ).
5. Sean K {R, C} , K el conjunto de sucesiones de elementos de K. Si
ponemos para (xn ), (yn ) K ,
d((xn ), (yn )) =

X
1 |xk yk |
2k 1 + |xk yk |

k=1

(K) = (K , d) es un espacio metrico.

6. Sean K {R, K},

K
|
p = {(xn ) K

|xn |p < },

k=1

K
| (xn )es acotada}
= {(xn ) K

Entonces, si ponemos para (xn ), (yn ) K

p :
v
u
uX
p
dp ((xn ), (yn )) = t
|xk yk |p , 1 p <
k=1

d ((xn ), (yn )) = sup{|xk yk | | k N},

p
son espacios metricos (K
p , dp ) =: l (K), 1 p .

7. Si 6= , K {R, C}, b() = {f : K | f es acotada}, si para

f, g b() ponemos
d (f, g) = sup{|f (x) g(x)| | x }
es un espacio metrico el par (b(), d ) =: B(, K). (Notemos que l (K) es
un caso particular de B(, K) con = N. Es decir que l (K) = B(N, K))

Ejercicios
1. Si para x, y R se pone d(x, y) =
espacio metrico.

|x y|, pruebe que (R, d) es un

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)

(M4) Sabemos que |x z| |x y| + |y z|, entonces

p
p
|x z| |x y| + |y z| + 2 |x y| |y z|
p
p
= ( |x y| + |y z|)2
por lo que, extrayendo la raz cuadrada de la desigualdad
p
p
|x z| ( |x y| + |y z|)2 ,
obtenemos la desigualdad triangular buscada:
p
p

|x z| |x y| + y z,
o tambien
d(x, z) d(x, y) + d(y, z)
10

2. Si d(x, y) = (x y)2 , es (R, d) un espacio metrico?

3. Pruebe que en los ejemplos presentados se tienen espacios metricos. Donde
corresponda use los ejercicios 9 y 10.
4. Sea X = a, b, c un conjunto de tres elementos. Halle todas las metricas
d : X 2 R tales que d(a, b) = 5.
5. Si (X, d) es un espaico metrico, halle los R y R tales que d y
d
d + son metricas. Idem para
.
1 + d
t
Sugerencia: analice la monotona de f si f (t) =
.
1 + t
6. Sea X = {0, 1}3 = {(x1 , x2 , x3 ) | x1 , x2 , x3 {0, 1}}.
Para x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) X, sea d(x, y) = n
umero de
coordenadas distintas.
Pruebe que (X, d) es un espacio metrico.
7. Sea (X, d) un espacio metrico. Pruebe que x, y, z, w X:
(a): |d(x, y) d(z, w)| d(x, z) + d(y, w)
(b): |d(x, y) d(y, z)| d(x, z)
8. Sean N 2; ak , bk , ck R, k 1, ..., N .
Pruebe que
[k 1, ..., N , ak bk + ck ] max ak max bk + max ck
1kN

1kN

1kN

9. Sean x, y K, N 1, x = (x1 , ..., xN ), y = (y1 , ..., yN ), p [1, [,

q [1, [ tales que 1q + p1 = 1.
Entonces
v
v
uN
uN
N
uX
uX
X
p
q
|xk yk | t
|xk |p t
|yk |q
k=1

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

es la desigualdad de Cauchy-Schwarz. Demuestre estas desigualdades.

10. Sean (xn ) K

p , (ym ) Kq p, q [1, [, tales que
que p y q son exponentes conjugados).
Pruebe que
v
v
u
u

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

12. Halle (xN ) R tal que lmn xn = 0, pero (xn )

/ `p (R) p [1, [.
13. Halle (xn ) `p (R) con p > 1, pero (xn )
/ `1 (R).
14. Sea (X, d) un espacio metrico, A X no vaco. El diametro de A, notado
(A), es definido por (A) = sup{d(x, y) | x, y A} se dice que A es
acotado si (A) < . Pruebe que
(a) A B (A) (B)
(b) (A) = 0 A tiene un solo punto.
15. Sea (X, d) un espacio metrico; A y B dos subconjuntos no vacos de X. La
distancia entre A y B, D(A, B) se define por D(A, B) = nf{d(x, y) | x
A, y B}. Pruebe que
(a) D no es una metrica en Po (X) = {A X | A 6= }
(b) A B 6= D(A, B) = 0 (Que se puede decir de la recproca?).
16. Sea (X, d) un espacio metrico, A X no vaco, b X. Se llama distancia
de b a A a D(b, A) definido por D(b, A) = sup{d(b, x) | x A}, (que
coincide con D({b}, A)) del ejercicio anterior). Pruebe que
|D(x, A) D(y, A)| d(x, y) x, y X
17. Sean (X1 , d1 ), (X2 , d2 ) dos espacios metricos. Para u = (u1 , u2 ), v =
(v1 , v2 ) X1 X2 , pongamos
p
p (u, v) = p [d1 (u1 , v1 )]p + [d2 (u2 , v2 )]p , 1 p , y
= max{d1 (u1 , v1 ), d2 (u2 , v2 )}.
(a) Pruebe que (X1 X2 , p ) son espacios metricos p [1, ]
(b) Generalize el resultado para el producto cartesiano de N espacios
metricos, N 2.
18. Pruebe que (R2 , d) es un espacio metrico si
(a) d((x1 , x2 ), (y1 , y2 )) = 3|x1 y1 | + 51 |x2 y2 |
(b) d((x1 , x2 ), (y1 , y2 )) = max{7|x1 y1 |, 51 |x2 y2 |}
12

19. Pruebe que:

(a) en la definicion de metrica se puede omitir (M1), ya que resulta de
(M2), (M3) y (M4)
(b) (M3) y (M4) pueden ser obtenidos de (M2) y de (M5)
d(x, y) d(z, x) + d(z, y)

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

 = {x M | xes punto interior de M} = interior de M.

2. M
Es decir que A es abierto si todos sus
3. A es abierto si A = o si A = A.
puntos, de tenerlos, son punos interiores de A.
Dicho de otro modo A es abierto si
x A rx > 0 tal que Brx (x) A.
4. B es cerrado si CB es abierto (CB = X\B)
es abierto. De hecho es el mas grande subconjunto abierto de
NOTA: M
M. Pruebelo!
5. Td = {C X | Ces abierto}, el conjunto de todos los conjuntos abiertos en (X, d) se llama topologa asociada a d. Tiene tres propiedades
fundamentales:
(T1) Td y X Td
(T2) La uni
on finita o infinita de elementos de Td es elemento de Td (la
unon de abiertos es un abierto)
(T3) La intersecci
on finita de elementos de Td es elemento de Td (la
intersecci
on finita de abiertos es un abierto).
Ejercicio: pruebe estas propiedades. Tenga en cuenta la siguiente definicon
de uni
on e intersecci
on:
6. Si 6= es un conjunto de ndices (ejemplos = {1, 2, 3}, = {, , ...},
= N, = R), y si {A | A X, } P (X) es una familia de
subconjuntos de X (finita o infinita seg
un el escogido), entonces
[
def
A = {x X | tal que x A }

def

A = {x X | , x A }

7. Las propiedades de Td inspiran la siguiente definicon: T P (X) es una

topologa definida en X si
(T1) , X T
(T2) Si 6= y {A | } T , entonces

(T3) Si N N y {A1 , ..., AN } T , entonces

TN

k=1

A T

Ak T

Al par (X, T ) se le llama espacio topol

ogico.
8. Si M tiene una infinidad de elementos, un punto b X se llama punto
de acumulaci
on de M , ssi
r > 0, Br (b) contiene una infinidad de puntos de M.
Tambien se lo llama punto lmite de M , que tambien se define as: b X
es punto de acumulaci
on de M si
r > 0, Br (b) contiene un punto de M, distinto de b.
15

Pruebe que las dos definiciones son equivalentes!

Si Ma = {x X | x es punto de acumulacion de M}, al conjunto M =
M Ma se le llama clausura de M .

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

Por la definicon anterior se tiene entonces que f es continua en x0 ssi

 > 0 > 0 tal que dx (x, x0 ) < dy (f (x), f (x0 ))
Definici
on 5. Si D(f ) = X = D(f )a , se dice que f es continua ssi
x0 X, f es continua en x0 .
Notaci
on: Dado B Y se llama preimagen de B por f al conjunto
f 1 (B) = {x X | f (x) B}
Notaci
on: Si A y B son dos conjuntos no vacos y si F : A B es una
funci
on cualquiera, se pone para
A, F () = {F (x) | x D(F )} = {y B | x tal que y = F (x)}
A F () se le llama imagen de por F.
NOTA:
17

1. Si F : A B es inyectiva, existe F 1 : B A, la funci

on inversa de
F definida as: D(F 1 ) = Im(F ), Im(F 1 ) = D(F ), F 1 (y) = x ssi
F (x) = y.
2. Para f : X Y y B Y , si f es inyectiva entonces f 1 (B) representa
tanto la preimagen de B por F, como la imagen de B por f 1 . Es decir que
los dos conceptos coinciden, lo que explica el uso de la misma notacion.
Un resultado fundamental respecto a las funciones continuas es el siguiente:
Teorema 6. (de la funci
on continua). Sean (X, dx ), (Y, dy ) dos espacios
metricos y f : X Y una funci
on para la cual D(f ) = D(f )a = X. Entonces
f es continua B Y, abierto en(Y, dy ), f 1 (B) es abierto en (X, dx ).
Demostraci
on. () Supongamos que f es continua. Sea B Y abierto en
(y, dy ). P.D. f 1 (B) es abierto en (X, dx ). Hay dos casos:
(a) f 1 (B) = . Entonces f 1 (B) es abierto.
(b) f 1 (B) 6= . P.D. x0 f 1 (B) x0 es un punto interior de f 1 (B).
Sea x0 f 1 (B). P.D. x0 es un punto interior de f 1 (B).
Debemos hallar
r > 0 tal que Br (x0 ) f 1 (B)
Sea y0 = f (x0 ). Entonces y0 B. Como B es abierto,
 > 0 tal que B (y0 ) B.
Como f es continua, entonces f es continua en x0 .
Pero entonces
> 0 tal que dx (x, x0 ) < dy (f (x), f (x0 )) < .
Entonces
x B (x0 ) x f 1 (B)
por lo que
B f 1 (B).
Basta entonces tomar
r = .
() Supongamos que B Y , abierto en (Y, dy ), f 1 (B) es abierto en (X, dx ).
P.D. f es continua.
Sea x0 X. P.D. f es continua en x0 .
Sea  > 0. Debemos hallar
> 0 tal que dx (x, x0 ) < dy (f (x), f (x0 )) < .
Sea B = B (y0 ), con y0 = f (x0 ).
Entonces B es abierto en (Y, dy ).
Por lo tanto f 1 (B) es abierto en (X, dx ) y x0 f 1 (B).
18

Existe entonces r > 0 tal que Br (x0 ) f 1 (B).

Por lo tanto
x Br (x0 ) x f 1 (B) f (x) B = B (y0 ).
Esto quiere decir que
dx (x, x0 ) < r dy (f (x), y0 ) < 
Basta entonces tomar
= r.

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 y M tal que d(x, y) < 

 > 0 M B (x) 6= .

7. Sea (X, d) un EM. Se dice que (X, d) es separable ssi M X un

conjunto numerable tal que M = X
(Se dice que M es siempre denso en X si M = X).
Pruebe que B[a, b] no es separable si
B[a, b] = (b[a, b], d (f, g))
b[a, b] = {f : [a, b] R | f es acotada},
d (f, g) = sup |f (x) = g(x)|.
axb

19

8. Pruebe que (X,d) es separable ssi existe A X, un conjunto numerable

tal que
 > 0 y A B (x).
9. Sean (X, dx ), (Y, dy ) dos espacios metricos, A X.
Sea f : X Y tal que X = D(f ) = D(f )a .
(a) Pruebe que f es continua ssi
F Y cerrado en (Y, dy ), f 1 (F ) es cerrado en (X, dx )
(b) Pruebe que f es continua y A es abierto ; f (A) es abierto.

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)

Implcitamente se entiende que tales x siempre existen, por lo que D(f ) es no

acotado por arriba.
Como una sucesi
on numerica (an ) R es una funcion a : N R y su
dominio es N; la definici
on (4.1) puede escribirse, en este caso, as:
l = lm an  > 0 N N tal que n > N () |l an | < 
n+

(4.2)

Generalicemos un poco estos conceptos, reemplazando el conjunto de llegada de

f y de a, que es R, con un conjunto no vaco X, que requiere obviamente estar
dotado de una metrica.
Sean entonces (X, d) un espacio metrico, f : R X x 7 f (x) una funcon
tal que D(f ) es no acotado por arriba y l X. Entonces
l = lm f (x)  > 0 R > 0 x D(f ), x > R() d(l, f (x)) <  (4.3)
x+

Por otro lado si (an ) X , tendremos que (an ) es convergente si existe

l X, llamado lmite de (an ), tal que
 > 0 N N tal que n > N () d(l, an ) < 

(4.4)

Esto se nota
l o an l,
l = lm an o an
n
n

y se dice que (an ) converge a l, o hacia l.

NOTA:
1. Si lmx+ f (x), este es u
nico (Pru
ebelo!)
2. Si lmn an , este es u
nico (Pru
ebelo!)
3. l = lmx+ f (x) lmx+ d(l, f (x)) = 0 (Pru
ebelo)
4. l = lmn an lmn d(l, an ) = 0 (Pru
ebelo)
(en 3 y 4 los lmites de la derecha son los definidos para gunciones R R
y sucesiones de elementos de R).
5. Si (an ) X no es convergente, se dice que (an ) es divergente o que
diverge.

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

2. (an ) es convergente en (Y, d) (an ) es convergente en (X, d).

3. (an ) es convergente en (Y, d) : (an ) es convergente en (X, d).
Si converge en (Y, d) hacia l, en (X, d) tambien converge a l.
NOTA:
1. En la definici
on de sucesion de Cauchy (4.6) se puede poner
n > m > N () d(an , am ) < 
en vez de
n, m > N () d(an , am ) < .
Esto se debe a la simetra de d y a que
d(an , am ) = 0 <  para todo n 1.
Esta trivial observacion es u
til cuando se debe usar la definicion para
demostrar que una sucesion dada es de Cauchy.
2. Para probar 3 (:), se debe hallar un contraejemplo, es decir un espacio
(X, d) en Y X y una sucesion (an ) Y que converja en (X, d) pero
no en (Y, d).

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).

Funciones y sucesiones acotadas

Sea 6= . Se dice, para una funcion f : R:
(a) f es acotada por arriba c2 tal que x , f (x) < c2
(b) f es acotada por abajo c1 tal que x , f (x) > c1
(c) f es acotada c1 , c2 R tales que c1 < c2 y x c1 < f (x) < c2 .
An
alogos conceptos se tienen para sucesiones (an ) R .
Es obvio que: f es acotada (acotada por arriba, acotada por abajo) ssi Im(f ) lo
es.
(an ) es acotada {an | n N} es acotada, etc.
Esto nos permite generalizar estos conceptos para funciones cuyo conjunto
de llegada, digamos X 6= , est
a dotado de una metrica d:
Definici
on 14. Sea (X, d) un espacio metrico:
(a) Sea 6= . Una funci
on f : X es acotada ssi Im(f ) es un conjunto
acotado en (X, d).
(b) (an ) X es una sucesi
on acotada ssi {an | n 1} es acotado en (X, d).
NOTA:
25

(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.

1. () Supongamos que x M . Hay dos casos:

(a) x M : Basta tomar xn = x, n 1

(b) x Ma \ M : Como
x Ma ,  > 0 x() M B (x), x 6= x.
Para n N tomamos  = n1 y xn = x( n1 ) M .
Entonces
1
n 1, 0 d(xn , x) < ,
n
de donde por el teorema del Sanduche,
lm d(xn , x) = 0,

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

1. El subespacio (Y, d) es un espacio metrico completo Y es un conjunto

cerrado en (X, d).
2. Si (X, d) es completo, se tiene que en 1. la recproca, es decir que: (X, d)
es completo e Y es cerrado en (X, d) (Y, d) es completo.
Nota: 1. no requiere que (X, d) sea completo, pero de serlo podemos escribir:
(Y, d) es completo Y es cerrado en (X, d).
Demostraci
on.
1. Supongamos que (Y, d) es completo. P.D. Y es cerrado en
(X, d)
Por 2. del teorema de los conjuntos cerrados, basta probar que si (yn )
Y , yn l, l Y .
Supongamos entonces que yn l. P.D. l Y .
Pero yn l
(yn ) es convergente en (X, d)
(yn ) es de Cauchy en (X, d)
(yn ) es de Cauchy en (Y, d), porque (yn ) Y
Como (Y, d) es completo, entonces (yn ) converge en (Y, d)
y Y tal que yn y en (Y, d)
yn y en (X, d)
y = l (por la unicidad del lmite)
l Y (puesto que y Y ).
2. Supongamos que (X, d) es completo y que Y es cerrado en (X, d)
Probemos que (Y, d) es completo.
Sea (yn ) Y una sucesion de Cauchy en (Y, d)
Debemos hallar y Y tal que yn y en (Y, d).
Pero (yn ) es de Cauchy en (Y, d) (yn ) es de Cauchy en (X, d)
Como (X,d) es completo y X tal que yn y en (X, d).
Basta ver que y Y :
Como (yn ) Y y como Y es cerrado, por 2 del teorema de los conjuntos
cerrados, tenemos que y Y .
En C
alculo Diferencial, vimos que si f : R R es una funcion continua y si
(xn ) R es una sucesion convergente, entonces
lm f (xn ) = f (limn (xn )) .

Es decir que podemos cambiar de orden el lmite y la funcion. Veamos como se

puede generalizar este resultado:
Teorema 19. (de la funci
on continua.) Sean (X, dx ), (Y, dy ) dos espacios
metricos. Sea f : X Y una funci
on y sea a D(f ) D(f )a . Entonces
f es continua en a

(xn ) D(f ),
(xn a en (X, dx )) (f (xn ) f (a) en (Y, dy ))
30

Nota: Recordemos que:

(i)
f es continua en a

0 > 0 > 0 tal que

dx (x, a) < (0 ) dy (f (x), f (a)) < 0

(ii)
xn a en (X, dx ) limn dx (xn , a) = 0

1 > 0 N1 tal que

n > N1 (1 ) dx (xn , a) < 1

(iii)
f (xn ) f (a)en (Y, dy ) limn dy (f (xn ), f (a)) = 0

2 > 0 N2 tal que

n > N2 (2 ) dy (f (xn ), f (a)) < 2 .

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)) < 

dx (xn , a) < () por la nota (i)

n > N1 (()) por la nota (ii).

Basta entonces tomar N = N1 (())

() Supongamos que
(xn ) D(f ), xn a en (X, dx ) f (xn ) f (a) en (Y, dy ).
P.D. f es continua en a.
Por el absurdo: Supongamos que f no es continua en a.
Entonces (por la negaci
on de (i) de la nota),
0 > 0 tal que > 0 x() D(f ) tal que dx (x(), a) <
y tal que
dy (f (x()), f (a)) 0 .
Para n N, tomemos
 
1
1
xn = x
D(f ) tal que dx (xn , a) < y dy (f (xn ), f (a)) 0 .
n
n
Pero entonces xn a y f (xn ) 9 f (a).
Esto contradice la hip
otesis de que
xn a f (xn ) f (a).
Por consiguiente d es continua en 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

Recuerde que l = (R , d ), y que d ((xn ), (yn )) = supk1 |xk yk |.

Pruebe que (M, d ) es incompleto:
(a) hallando en M una sucesion de Cauchy que no converge en (M, d );
(b) aplicando el Teorema del subespacio completo.
4. Pruebe que (Z, d) es completo (d es la distancia usual).

1
n1 . Pruebe que (N, d) es un espacio
5. Para m, n N sea d(m, n) =  m
metrico y que es incompleto.
6. Sean a < b, Y = {f c[a, b] | f (a) = f (b)}. Pruebe que el subespacio
(Y, d ) de C[a, b] es completo.
7. Pruebe que para una sucesion (fn ) (c[a, b]) se tiene:
(fn ) converge en C[a, b] (fn ) converge uniformemente.
8. Use el ejercicio anterior para demostrar el clasico teorema del calculo: Si
(fn ) (c[a, b]) converge uniformemente hacia f : [a, b] R, entonces
f c[a, b].
Rb
9. Pruebe que (c[a, b], d1 ) es incompleto, si d1 (f, g) = a |f (x) g(x)|dx.
10. En M del ejercicio 3, para (xn ), (ym ) M pongamos
X
d1 ((xn ), (ym )) =
|xk yk |.
k1

Pruebe que (M, d) es un espacio metrico y que es incompleto. Ver que

(n)
(xk )n1 es de Cauchy pero no converge, si
(n)
(xk )k1


=

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

3. En resumen, un isomorfismo entre espacios vectoriales es una biyeccion

lineal entre ellos.
Definici
on 22. Sean (X1 , d1 ), (X2 , d2 ) dos espacios metricos. Ellos son isomorfos (en tanto que espacios metricos) si : X1 X2 biyectiva y tal que:
(I) u, v X1 , d1 (u, v) = d2 ((u), (v))
si cumple (I) se dice que es una isometra. A se le llama isomorfismo
de dichos espacios metricos.
NOTA:
1. , al ser biyectiva, es tambien un isomorfismo entre X1 y X2 en tanto que
conjuntos.
2. Un isomorfismo es, en este caso, una isometra biyectiva.
De los tres ejemplos de isomorfismos vemos que conserva la estructura: de
conjuntos en el primer caso, de espacios vectoriales en el segundo, y de espacios
metricos en el tercero.
En el caso de dos espacios metricos isomorfos, por ejemplo, todo lo que le
pase al primero, en tanto que espacio metrico, sera replicado exactamente en el
segundo.

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 ,

1. Sea X1 = [0, 1], d1 (x, y) = |x y|; X2 = [a, b], d2 (u, v) =

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

entonces es un isomorfismo de los espacios metricos (P2 , d) y (R3 , d1 ),

donde
3
X
d1 (u, v) =
|uk vk |,
k=1

si

u1
v1
u = u2 , v = v2 .
u3
v3

Como P2 y R3 son espacios vectoriales con las operaciones usuales de suma y

de multiplicaci
on por un escalar, sugerimos al lector verificar si tambien es
un isomorfismo entre estos espacios vectoriales.
Que sucede si en P2 reemplazamos d por:
y) = |a1 a2 | + 2|b1 b2 | + 1 |c1 c2 |?.
d(x,
3
Halle un isomorfismo, en este caso.

Como completar un espacio m

etrico incompleto?
Recordemos que si en un espacio metrico (X, d), un conjunto M no es cerrado,
lo podemos cerrar.
Su clausura es
M = M Ma = M (Ma \ M ) = M (M \ M ).
Para cerrar M le a
nadamos los puntos que le faltan para ser cerrado, que son
los del conjunto
M \ M = Ma \ M = M \ M.
Esos puntos se toman de X, el universo donde estamos trabajando.
An
alogamente, si un espacio metrico (X, d) es incompleto, quiere decir que
existe al menos una sucesi
on de Cauchy (que es una excelente candidata a ser
convergente), que no converge. Por que?.
Porque en el conjunto X no existe un elemento que sera el lmite de dicha sucesi
on. Por eso decimos que el espacio es incompleto.
Si deseamos completarlo, deberamos a
nadirle los elementos que seran los lmites
de las sucesiones de Cauchy que no convergen. Pero de donde tomarlos, si X ya
es el universo entero donde trabajamos?.
El teorema del subespacio completo nos da la respuesta en el caso en que
el espacio incompleto sea (Y, d) un subespacio de un espacio completo (X, d).
Basta cerrar el conjunto Y en (X, d) y (Y , d) sera el completado buscado.
Pero si el espacio incompleto no esta inmerso en un espacio completo mas
grande, esta va no es posible. C
omo proceder en este caso?. Es posible hallar
una soluci
on al problema de completar un espacio incompleto, digamos (X, d)?.
La respuesta, sorprendentemente, es afirmativa: se lo logra construyendo un
espacio paralelo (X1 , d1 ) que sea completo y que contenga un subespacio denso
(Y, d1 ) que sea isomorfo a (X, d).
Como Y = X1 en (X1 , d1 ), de alguna manera se replica la idea enunciada antes
para un subespacio incompleto de un espacio completo.
35

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

(xn ) (yn ) lm d(xk , yk ) = 0.

k

Entonces es una relacion de equivalencia (pruebelo!). Sea

X1

=
=

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

El par (X1 , d1 ) es un espacio metrico completo (Pruebelo).

d
Sea : X X1 , x 7 (x
n ), donde (xn ) = (x, x, x, ...).
La funci
on : X X1 es inyectiva y D() = X.
Si ponemos Y = Im(), entonces : X Y1 es biyectiva e isometrica.
Por otro lado Y = X1 el isomorfismo buscado. (Pruebe estas propiedades
de y de Y).
Unicidad: Supongamos que (X1 , d1 ) con Y X1 y (X2 , d2 ) con W X2 , son
dos completados de (X, d) Debemos probar que : X1 X2 que sea un
isomorfismo entre (X1 , d1 ) y (X2 , d2 )

36

Sean : X Y y : X W isomorfismos y supongamos que

X1 = Y , la clausura de Y en (X1 , d1 ),
X2 = W , la clausura de W en (X2 , d2 ).
Sea 0 : Y W , 0 = 1 .
Obviamente 0 es un isomorfismo entre (Y, d1 ) y (W, d2 ).
Sea u X1 = Y .
Entonces
(un ) Y tal que d1 (un , u) 0.
Sea vn = 0 (un ), n N.
Como (un ) converge, entonces (un ) es de Cauchy en (X1 , d1 ), y como 0
es una isometra, (vn ) es de Cauchy en (X2 , d2 ).
Pero este espacio es completo, entonces
v X2 tal que d2 (vn , v) 0.
Sea (u) = v.
Pruebe el lector que est
a bien definida (no depende de la sucesion (un )
tomada para cada u X1 ) y que : X1 X2 es un isomorfismo.
Esto concluye el esquema de demostracion del teorema.

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, = .

Ejemplos de espacios vectoriales sobre K {R, C}

1. V 1 , V 2 y V 3 con las operaciones usuales.
2. (KN , +, ), N 1, si para u = (u1 , ..., uN ) KN , v = (v1 , ..., vN ) KN y
K ponemos
u + v = (u1 + v1 , ..., uN + vN ),
u = (u1 , ..., uN )
la suma y la multiplicaci
on de los miembros derechos son las usuales en
K.
3. (K , +, ), si para (un ), (vm ) K , K ponemos
(un ) + (vm ) = (uk + vk ); y,
(un ) = (uk ).
4. (MM N (K), +, ); M, N N, si para A = (amn ), B = (bmn ) y K
ponemos
A + B = (amn + bmn );
A = (amn ).
5. (F(K, K), +, ) si para f, g F(K, K) = {h : K K | D(h) = K} y K
ponemos
f + g : K K, x 7 (f + g)(x) = f (x) g(x)
f : K K, x 7 ( f )(x) = f (x).
6. El super ejemplo:
Sean 6= , (F(, K) = {f : K | D(f ) = . (F(, K), +, ) es un
espacio vectorial sobre K si para f, g (F(, K) y K ponemos:
f + g : K, x 7 (f + g)(x) = f (x) + g(x)
f : K, x 7 ( f )(x) = f (x).
Como en los ejemplos anteriores la suma y la multiplicacion de los miembros derechos son las usuales en K le llamamos el super ejemplo porque
de el derivan los precedentes como caso particular. En efecto, KN puede
ser visto como F({1, ...N }, K); K como F(N, K); y MM N (K) como
F({1, ..., N } {1, ..., M }, K).
39


7. Sea N {1, 2, 3}. Sea V = {v | v = AB es una flecha dibujada en E N ,

que es el segmento dirigido AB con inicio en A E N y fin en B E N }.

Dadas u, v V pondremos kuk y kvk a la longitud de u y v, respectivamente. Entonces escribiremos
u = v kuk = kvk,
u y v son paralelas y tienen el mismo sentido.
Es f
acil ver que = es una relacion de equivalencia en V.
Al conjunto de clases de equivalencias, llamadas vectores, le notamos
V N = {~v | ~v es la clase con representante v V }.
Notamos ~0, llamado vector cero, a la clase de los segmentos cuyo inicio y
fin coinciden.
Obviamente k~0k = 0 y los elementos de ~0 no tienen direccion ni sentido.
En V N se define la suma
+ : V N V N V N (~u, ~v ) 7 ~u + ~v = w
~
donde w es una flecha cuyo inicio es el mismo que el de u ~u y su fin es
el mismo que el de v ~v , si u y v son tales que el fin de u coincide con el
inicio de v.
Se define la multiplicacion por un n
umero R que es la funcion
: R V N V N , (, ~u) 7 ~u = w,
~
donde kwk = || kuk, w k u y w tiene el mismo sentido que u si > 0 y
el sentido contrario si < 0.
Para N {1, 2, 3}, (V N , +, ) es el espacio vectorial natural.
Con las biyecciones naturales entre V N , E N y RN , dadas por la recta
real para N = 1, por el plano cartesiano para N = 2 y por el espacio
cartesiano para N = 3, el espacio vectorial natural V N , induce en los
correspondientes E N y RN la estructura vectorial.
De hecho en RN , N {1, 2, 3}, es la estructura del ejemplo 2.
As, si a ~u, ~v V 2 les corresponden P, Q E 2 con coordenadas (x1 , x2 ),
(y1 , y2 ) R2 , tenemos que a ~u +~v le corresponde R E 2 con coordenadas
(z1 , z2 ) = (x1 + y1 , x2 + y2 ).

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

En este caso al tro (Y, + |y2 , |KY ) se le nota simplemente (Y, +, ) y se le

llama subespacio vectorial de (X, +, ). Por simplicidad se dice Y es SEV de
X.
NOTA:
1. Es f
acil probar que se cumplen las propiedades (S), (M) y (D). En particular:
(S3) Y resulta de (CM) para Y con = 0 y x Y .
(S4) x Y , x Y resulta de (CM) para Y con = 1.
2. Si
/ Y obviamente (Y, +, ) no es un subespacio vectorial.
3. Y = X e Y = {} son ejemplos triviales de SEV.

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

Si M X es no vaco, se llama espacio generado por M al conjunto

Gen(M ) = {v X | v es una combinaci
on lineal de elementos de M}.
NOTA: Gen(M ) es un SEV de X. (Pruebelo!)

Dependencia e independencia lineal

Sea (X, +, ) un EV sobre K {R, C}.
Para N 2 se dice de N vectores v1 , ..., vN X son linealmente dependientes (l.d.) si uno de ellos puede ser escrito como la combinacion lineal de
los otros. Es decir si
N
X

k {1, ..., N }, j {1, ..., N } \ {k} j K tales que vk =

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

2. Si dim X = N N, entonces cualquier base de Hamel B de X tiene N

elementos.
3. Se puede probar que si se admite el axioma de eleccion, todo EV posee
una base de Hamel.
42

Propiedades de los EV de dimensi

on finita
Teorema 31. Sea (X, +, ) un EV sobre K de dimensi
on finita N N {0}.
Si Y X es un SEV propio de X (i.e. Y 6= X), entonces
dim(Y ) < dim(X).
Pruebelo!.
Definici
on 32. Si B = {v1 , ...vN } X es una base de Hamel de X, como
x X! KN tal que = (1 , ..., N ), x =

N
X

k vk ,

k=1

se puede definir la funci

on

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

Pruebe que d es una metrica y que no esta asociada a ninguna norma.

5. Sea (X, k k) un EVN. Sea M X. Pruebe que
M es acotado R > 0 tal que M BR ().
(Recuerde que M es acotado si su diametro D(M) es finito).
6. Sean X = {(xn ) R | (xn ) converge }, X0 = {(xn ) K | xn 0}.
Sea c = (X, k k ), co = (X0 , k k ).

Pruebe que X y X0 son SEV de K

y que X0 es cerrado en l (K) =

(K , k k ) por lo que c0 es completo. (Suponga conocido que l (K) es

de Banach)
7. Sea Y = {(xn ) K | n N tal que xn = 0 n > N }.

Pruebe que Y es un SEV de K

pero no es cerrado en l (K).
As, (Y, k k ) no es completo.
8. Sean (X, kkx ), (Y, kky )pdos EVN, ambos sobre K {R, C}. Para (u, v)
X Y sea k(u, v)kp = p kukpx + kvkpy , si 1 < p < , y sea k(u, v)k =
m
ax{kukx , kvky }. Pruebe que:
(a) Para p [1, ], (X Y, k kp ) es un EVN.
(b) Sean (un ) X , (vn ) Y , a X, b Y . Entonces p [1, ]
k(un , vn ) (a, b)kp

0 kun akx

0 kvn bky

9. Pruebe que en un EVN (X, k k), las operaciones vectoriales + : X 2 X

y : K X X son continuas, si en X 2 y en K X se definen normas
como en el ejercicio precedente.
10. Sean (X, k k) un EVN, (xn ), (yn ) X ; u, v X, (n ) K , a K.
Pruebe que:
(a) xn u, yn v xn + yn u + v
(b) n a, xn u n xn u
11. Sea (X, k k) un EVN y sea Y X un SEV. Pruebe que Y es tambien un
SEV de X.
P
12. Sea (X, k k) un EVN. Sea (xn ) P
X . Pruebe que n=1 kxn k < no

implica la convergencia de la serie n=1 xn , pero:

(X, k k) es completo
(xn ) X ,

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

16. Pruebe que k k es una funci

on continua y que
x, y X, | kxk kyk | kx yk kxk + kyk
.

47

Captulo 9

Propiedades de los Espacios

Vectoriales Normados
Definici
on 37. Sean (X, k kx ), (Y, k ky ) dos EVN, ambos sobre K {R, C}.
Ellos son isomorfos (en tanto que EVNs), si existe : X Y , u 7 (u)
biyectiva, lineal (i.e. es un isomorfismo de X e Y en tanto que conjuntos y en
tanto que espacios vectoriales) y tal que
u X, kukx = k(u)ky
NOTAS:
Si dx y dy son las metricas asociadas a k kx y k ky , respectivamente, los
espacios metricos (X, dx ) y (Y, dy ) tambien son isomorfos, con la misma
biyecci
on , que por la definicion 37 es una isometra.
Si (X, k k) es un EVN y si Y X es un SEV, (Y, k ky ) es un EVN que
lo notaremos (Y, k k) y diremos que es un SEVN de (X, k k).
Teorema 38. del Completamiento. Si (X, kk) es un EVN incompleto, existe
un espacio de Banach (X1 , k k1 ) y un isomorfismo de (X, k k) a (V, k k1 )
que es un SEVN de (X1 , k k1 ) tal que V = X1 . El espacio (X1 , k k1 ) es u
nico,
salvo isomorfismos.
Es decir que si (X2 , k k2 ) de Banach y un isomorfismo de (X, k k) a
(W, k k2 ), donde (W, k k2 ) es un SEVN de (X2 , k k2 ) tal que W = X2 ,
entonces (X1 , k k1 ) y (X2 , k k2 ) son isomorfos.
Demostraci
on. Es similar a la del Teorema del Completamiento de los espacios
d
d
metricos: (X1 , ], ) es un EV si para (x
n ), (yn ) X1 , K, ponemos
d
d def \
(x
n ) ] (yn ) = (xk + yk )
d
\
 (x
n ) = (xk )
Ver que ] y  est
an bien definidas (no dependen de los representantes escogidos
y satisfacen las propiedades de EV).
d
Si para (x
n ) ponemos
d
k(x
m kxk k, entonces k k1 : X1 R
n )k1 = l
k

48

es una norma, (X1 , k k1 ) es de Banach, etc.

Propiedades de los EVN de Dimensi

on Finita
Lema 39. (Lema ?, Lema de las Combinaciones Lineales)
Sean (X, k k) un EVN; N N; v1 , ..., vN X, N vectores l.i. Entonces


N
X



c 0, KN ,
k vk ckk1

(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

tenemos que kk1 = 1 y que entonces (9.1)

N

c 0, K

N
X



tal que kk1 = 1,
k vk c

(9.3)

k=1

Probemos (9.3) por el absurdo. Supongamos entonces que:

N

X



N
k vk < c
c 0, K tal que kk1 = 1, y

(9.4)

k=1

Usando (9.4) con c =

1
n,

para n N, tenemos que

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)

De (9.6) vemos que n 1, k {1, ..., N }, |k | 1, por lo que en (KN , k k1 )

la sucesi
on ( (n) )n1 es acotada.
Para esta sucesi
on aplicaremos el siguiente
Teorema 40. de Bolzano -Weierstrass para (KN , kk1 ). Si ( (n) ) (KN )
es acotada en (KN , k k1 ) entonces existe una subsucesi
on ( (nj ) )j1 de ( (n) )
N
y b K tales que
lm k (nj ) bk1 = 0
(9.7)
j

Ponemos y =

PN

k=1 bk vk .

Entonces
lm ky(nj ) yk = 0

49

(9.8)

En efecto, si ponemos V = max1xN kvk k, entonces V > 0 y

N
N
X

X


(nj )
k vk
lm kynj yk = lm
bk vk
j
j

k=1
k=1


N
X



(n )
= lm (k j bk )vk
j

k=1

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

si n, m > N0 (c). Basta entonces tomar N = N0 (c)

(n)
Al ser (k )n1 de Cauchy en K, para k {1, ..., N }; como K es completo,
50

existen a1 , ..., aN K tales que

(n)

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)

2. Si k ka y k kb son equivalentes, lo son tambien las metricas da y db

asociadas a dichas normas.
Teorema 43. (De las Normas Equivalentes) Si X es un EV sobre K
{R, C} y si dim(x) = N < . Entonces todas las normas definidas en X son
equivalentes.
Demostraci
on. Sean k ka y k kb dos normas definidas en X. Debemos hallar
s, t > 0 tales que x X, kxka skxkb y kxkb tkxka .
Sea B = {v1 , ..., vN } una base de X y sean Va = maxakN kvk ka > 0, Vb =
m
axakb kvk kb > 0.
PN
Sea k X. Sea KN tal que x = k=1 k vk .
51

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

donde s = Vcba y en (*) sabemos que cb > 0 por el lema ? con k kb .

An
alogamente, con t = Vcab , con ca > 0 dado por el lema ? con k ka , tendremos
que kxkb tkxka .
Definici
on 44. (Compacidad) Un espacio metrico (X, d) es compacto si
(xn ) X posee una subsucesi
on (xnk ) convergente (i.e. l X tal que
0).
d(xnk , l)
k
Un conjunto no vaco A X es compacto ssi (A,d) es compacto.
NOTAS:
A es compacto
(xn ) A, (xnk ) (xn ) y l A tal que lm d(xnk , l) = 0
k

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

Pero xn n l, entonces xnk k l.

Por la unicidad del lmite l = a A l A.

52

(1.2) Por el absurdo: supongamos que A no es acotado (i.e. x0 = X,

R > 0 A 6 BR (x0 )).
Sea x0 A. Sea R1 = 1. Entonces x0 BR1 (x0 ) A 6 BR1 (x0 )
x1 A tal que d(x0 , x1 ) 1.
Sea R2 = d(x0 , x1 ) + 1. x0 , x1 BR2 (x0 ) A 6 BR2 (x0 ) x2 A
tal que d(x0 , x2 ) R2 .
Como R2 2 y R2 > d(x0 , x1 );
d(x0 , x2 ) 2 > 1 y d(x1 , x2 ) d(x0 , x2 ) d(x0 , x1 ) 1
Sea R3 = m
ax0j2 d(x0 , xj ) + 1 x0 , x1 , x2 BR3 (x0 ),
A 6 BR3 (x0 ) x3 A tal que d(x0 , x3 ) R3 .
Como i {0, 1, 2}, d(x0 , xi ) max0j2 d(x0 , x1 ), i {0, 1, 2},
d(xi , x3 ) d(x3 , x0 ) d(x0 , xi ) R3 max d(x0 , x1 ) = 1
0j2

Y as sucesivamente, para n 1 tomamos

Sea Rn = m
ax0jn1 d(x0 , xj ) + 1 x0 , .., xn1 BRn (x0 ),
A 6 BRn (x0 ) xn A tal que d(x0 , xn ) Rn .
Como i {0, ..., n 1}, d(x0 , xi ) max0jn1 d(x0 , xj ) se tiene
que i {0, ..., n 1},
d(xi , xn ) d(xn , x0 ) d(x0 , xi ) Rn

max

0jn1

d(x0 , xj ) = 1

En resumen hemos obtenido una sucesion (xn ) A tal que

d(xm , xn ) 1 si m 6= n.
Esta sucesi
on no puede tener subsucesiones de Cauchy y, por ende,
no puede tener subsuceciones convergentes.
2. Veamos que la recproca es en general falsa: En l (R) sea para n 1,
xn = (nk )k1 . Entonces d (xn , 0) = 1 y d (xn , xm ) = mn .
e1 (0) es cerrada y acotada pero (xn ) A no puede tener subsuceA=B
siones de Cauchy y, por ende, subsucesiones convergentes.
Teorema 46. (Compacidad y dimensi
on finita 1.) Sea (X, k k) un EVN
de dimensi
on N < . Sea un conjunto no vaco A X. Entonces:
A es compacto A es cerrado y acotado.
Demostraci
on. () Resulta del lema precedente.
() Supongamos que A es cerrado y acotado. P.D. A es compacto.
Sea (xn ) A una sucesi
on cualquiera. Debemos hallar una subsucesion
(xnk ) (xn ) y y A tales que kxnk ykk 0.
Sean B = v1 , ..., vn una base de X y ((n) ) KN tales que
n 1, xn =

N
X

n(n) vk

k=1

Probemos que ((n) ) es acotada en (KN , k k1 ): Debemos hallar r > 0 tal

que n 1 kxn k1 < r.
53

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

Basta entonces tomar r = R/c.

Como ((n) ) es acotada en (K, k k1 ), por el Th. de Bolzano-Weierstrass,
0.
existe ((nc ) ) ((n) ) y a KN tales que k(nk ) ak1
k
PN
Si ponemos y = k=1 ak vk , de manera analoga a lo hecho en el Th. de
Completitud de los EVN de dimension finita se tiene que lmk kxnk
yk = 0.

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

Teorema 49. (Invarianza de la Compacidad.) Sea (X, dx ), (Y, dy ) dos

espacios metricos y f : X Y una funci
on continua. Sea A X no vaco.
Entonces:
A es compacto en (X, dx ) f (A) es compacto en (Y, dy )
Demostraci
on. Sea (yn ) f (A). Debemos hallar una subsucesion (ynk ) (yn )
y l Y tales que lmk dy (ynk , l) = 0.
Como n 1 yn f (A), tomamos xn A tal que yn = f (xn ).
Como (xn ) A y A es compacto, existen (xnk ) (xn ) y a A tal que
lmk dx (xnk , a) = 0.
Sea l = f (a). Probemos que lmk dy (ynk , l) = 0.
En efecto:
lm dy (ynk , l)

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))

NOTA: Como corolario tenemos el Th. de los extremos absolutos:

Teorema 50. (de los extremos absolutos.) Sea (X,d) un EM. A X
compacto y f : X K continua en A. Entonces:
xm , xM A tales quef (xm ) = mn f (x), f (xM ) = max f (x)
xA

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)

14. Saen (x1 , x2 , ..., xN )n1 KN y l = (l1 , ..., ln ) KN . Sea p [1, [

(n)
0.
o p = . Pruebe que kxn lkp
0 k {1, ...N }, |xk lk |
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

donde = (1 , ..., N ), x = (x1 , ..., xN ).

2. Im(T ) es SEV de Y.
3. N (T ) = {x D(T ) | T x = 0} = n
ucleo de T, es SEV de X.
4. Si dim D(T ) = N < y si ponemos = dim Im(T ), = dim N (T ),
entonces N = + .
5. Si dim X = N , dim Y = M y si B = {u1 , ..., uN } y C = {v1 , ..., vM } son
bases de X e Y respectivamente. A un operador lineal T : X Y x 7 y
est
a asociada una matriz TBC MM N (K) tal que [y]c = TBC [x]B , donde
[x]B KN e [y]c KN son los vectores de coordenadas de x e y en las
bases B y C, respectivamente.
Adem
as TBC = ([T u1 ]c [T u2 ]c ...[T uN ]c )
6. Si T : X Y es lineal, entonces:
58

(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]

(b) Si T 1 , D(T 1 ) = Im(T ), Im(T 1 ) = D(T ) y T 1 es lineal.

(c) Si T : X Y es lineal y si A D(T ) es l.d. entonces T(A) tambien
es l.d.
Definici
on 55. Sean (X, k kx ), (Y, k ky ) dos EVN, ambos sobre K {R, C}.
Un operador lineal T : X Y es acotado ssi
c 0 tal que x D(T ), kT xky ckxkx

(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 ) \ {},

2. T es acotado ssi el conjunto



kT xky
| x D(T ) \ {} = {kT uky | u D(T ), kukx = 1} =: R
kxkx
es acotado por arriba. (Lo es por toda c 0 tal que (10.1), o (10.2) o
(10.3)).
En este caso sup es por definicion la menor de tales c. Ponemos
kT xky
=
sup
kT uky = mn{c 0 | (10,1)}
uD(T ), kukx =1
xD(T )\{} kxkx
(10.4)
A kT k se le llama norma de T. Veremos luego por que.
def

kT k =

sup

3. Si T es acotado, kT xky kT kkxkx x D(T ).

4. Para el c
alculo de kT k se suelen usar las siguientes observaciones:
(a) u D(T ) con kukx = 1, kT uky kT k
(b) x D(T ) \ {},

kT xky
kT k
kxkx

(c) kT k c c 0 tal que (10.1)

(d) Si se puede hallar u D(T ) con kukx = 1 y c 0 que cumpla (10.1)
y como kT uky kT k c, si kT uky = c entonces esta sera kT k.
59

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

(e) T : C[a, b] C[a, b], x 7 y, y(t) = tx(t)

(f ) T : (KN , k kq ) (KM , k kp ), x 7 T x = Ax;
donde A MM N (K); p, q 1
Rb
(g) T : C[a, b] C[c, d], x 7 T x, (T x)(t) = a k(s, t)x(s)ds, donde
k c([a, b] [c, d]) es una funcion no negativa.


xk xk+1 + xk+2

(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

(j) T : C[, ] C[, ], x 7 T x, (Tx )(t) =

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

2. Interprete geometricamente los siguientes operadores Tk : R2 R2 y diga

cu
al es lineal y cu
al no y por que:
(a) T1 : (x1 , x2 ) 7 (x1 , 0);
(b) T2 : (x1 , x2 ) 7 (0, x2 );
(c) T3 : (x1 , x2 ) 7 (x2 , x1 );
(d) T4 : (x1 , x2 ) 7 (ax1 , ax2 ), a R
3. Halle D(Tk ), Im(Tk ) y N (Tk ) para k {1, 2, 3} y N (T4 ) del ejercicio
anterior.
4. Halle N (I), N () y N (D) del ejercicio 1.
5. Para D : P [a, b] P [a, b] p 7 p0 halle N (D) e Im(D), si P [a, b] = {p :
[a, b] R | p es polinomio}
6. Para D : PN [a, b] PN [a, b], halle la matriz asociada DBB si B =
{v0 , v1 , ..., vN }; vk (t) = tk , 0 k N , N N, y PN [a, b] = {p : [a, b]
R | p es un polinomio de grado N }
7. Sea Ipq : (c[a, b], k kp ) (c[a, b], k kq ), x 7 x; p, q [1, [. Pruebe que:
(a) Ipq es acotado si q p;
(b) Ipq no es acotado si p < q.
8. Sea x = {x c[a, b] | x0 c[a, b]}; kxk = kxk + kx0 k . Sea Tk : x x,
x 7 Tk x; donde (T1 x)(t) = x0 (c)x(t), (Tk x)(t) = x0 (c)+x(t). Es Tk lineal?.
Es acotado? y si lo es calcule kTk k.

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 =

mn{c 0 | x D(f ), |f (x)| ckxk}

|f (x)|
=
sup
xD(f )\{} kxk

sup

|f (u)|

uD(f ),kuk=1

Al espacio de Banach L(X, K) se le nota X y se llama dual topol

ogico de X
para diferenciarlo del dual algebraico X del EV X, que es X = {f : X K |
f es lineal}
(X 0 = (l(X, K), k k), l(X, K) = {f X | f es acotado}).
NOTA:
1. X es un EV sobre K (SEV de {f : X K | f es funcion y D(f ) = X})
2. A(X ) =: X se le llama segundo dual algebraico de X o bidual algebraico de X.
3. La funci
on
def

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

Entonces f es acotado y kf k (b a).

Si tomamos u(t) = 1, entonces kuk = 1 y

Z

 b


1dt = (b a) kf k
|f (u)| = 

 a
Por consiguiente kf k = b a
2. f : C[a, b] R, x 7 f (x) = x(a) + x(b).
f es lineal y como x,
|f (x)| = | x(a) + x(b)| |x(a)| + |x(b)| 2kxk
Entonces f es acotada y kf k 2.
Por otro lado si u : [a, b] R es continua, f (a) = 1, f (b) = 1 y f es
creciente, tenemos que kuk y
|f (a)| = (1) + 1 = 2 kf k
de donde kf k = 2.

Funcionales lineales en espacios de dimensi

on finita
Sea X un EV sobre K de dimension N < .
Dada una base B = {b1 , ..., bN } en X, para x X ponemos [x]B = (1 , ..., N )
PN
KN , donde es el u
nico elemento de KN tal que x = k=1 x bx . Llamamos a
[x]B el vector de coeficientes de x para la base B.
Dado f X , es decir un funcional lineal f : X K, le podemos asociar
KN poniendo para 1 k N , = f (bk ). Por otro lado tenemos que
f (x) =

N
X

k f (bk )

(11.1)

k=1

Vemos que f est

a dado si conocemos los valores f (bk ), k {1, ..., N }.
def

Por ello, dado KN , podemos definir f poniendo f (bk ) = k y usamos

(11.1) para hallar f(x) para cualquier x X. Se tiene entonces una biyeccion
: KN X 7 f .
63

Si tomamos en KN la base canonica E = {e1 , ..., eN }, e1 = (1, 0, .., 0), ...

, ek = (0, ..., 0, 1, 0, ..., 0), ...,eN = (0, ..., 0, 1), y para k {1, ..., N } ponemos
fk = (ek ), es decir
(
1 si k = j
fk (bj ) = kj =
(11.2)
0 si no
resulta que f = {f1 , ..., fN } es una base de X , llamada base dual de B, la
base que tomamos en X. Se tiene, en efecto, el siguiente teorema:
Teorema 61. (dimensi
on del dual) Si X es un EV sobre K de dimensi
on
N < y si B = {b1 , ..., bN } es una base de X, entonces f = {f1 , ..., fN },
definida por (11.2) es una base de X , el dual algebraico de X, y dim X = N .
Por otra parte tenemos el siguiente lema para verificar la igualdad en espacios
vectoriales de dimensi
on finita:
Lema 62. (de la igualdad) Sea X un EV sobre K {R, C}, de dimensi
on
N < . Entonces:
1. x X, [x = f (x) = 0 f X ]
2. u, v X, [u = v f (u) = f (v) f X ]
Demostraci
on. Sea B = {b1 , ..., bN } una base de X y E = {f1 , ..., fN } X la

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

Entonces = y, por ende, x = 0.

2. resulta de (11.1) poniendo x = u v.

Corolario 63. Todo EV X de dimensi

on finita es algebricamente reflexivo. La
aplicaci
on can
onica
C : X X , x 7 gk
es lineal y biyectiva.
Demostraci
on. (a) C es lineal. Sea K, u, v X. P.D. C(u + v) = Cu +
Cv.
C(u + v) = gu+v y f X gu+v (f ) = f (u + v) = f (u) + f (v) y
como f X , (Cu + Cv)(f ) = (Cu)(f ) + (Cv)(f ) = f (u) + f (v)
tenemos que C(u + v) = Cu + Cv.
64

(b) Inyectividad. Sea x X tal que Cx = . P.D. x = 0.

Cx =

f X (Cx)(f ) = (f ) = 0

f X f (x) = 0 x = 0

* (Cx)(f ) = f (x). ** por 1 del lemma.

(c) Sobreyectiva. Por el Th. de la dimension del dual dim X = dim X =
dim X = N .
Al ser C inyectiva dim Im(C) = dim X = N
Entonces dim X = dim Im(C), por lo que X = Im(C).

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

Sea C 1 [a, b] = (X, k k), con kxk = kxk + kx0 k .

Pruebe que k k es una norma en el EV X.
Sea f : X R, x 7 f (x) = x0 (c). Pruebe que f es lineal y que es acotado
en C 1 [a, b]. Calcule kf k. Demuestre que f no es acotado en (X, k k ).


1 3 2
10. Halle el n
ucleo de T : R3 R2 , x 7 T x = Ax, A =
2 1 0
11. Halle la base dual de B = {b1 , b2 , b3 }, base de R3 , con b1 = (0, 1, 1),
b2 = (1, 0, 1), b3 = (1, 1, 0). Halle fk (x) si k {1, 2, 3}, x = (1, 1, 1).
12. Halle una base de N (f ), si f : R3 R, x 7 f (x) = x1 + x2 x3 .
65

13. Sea X un EV de dim N < , Y X un SEV de dim(N 1).

(a) Halle f X tal que Y = N (f ). Ver que es u
nico, salvo una constante
multiplicativa.
(b) Sea x0 X \ Y . Halle f X tal que f (x0 ) = 1 y f (x) = 0 x Y .
14. Sea X un EV de dim N < y sea Y X un SEV propio (Y 6= X). Sea
f Y . Halle fe X tal que fe |y = f .
15. Sea f : Y R3 R, x 7 f (x) = 4x1 3x2 , Y = {(x1 , x2 , 0) | x1 , x2 R}.
Halle todas las extensiones lineales fe a R3 .

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

mn{c 0 | x D(T ), |f (x)| kxkx }

|f (x)|
=
sup
xD(f )\{} kxkx

|f (u)|

sup
uD(f ),kukx =1

Obviamente x D(f ), |f (x) kf kkxkx .

2. Si el EV X es de dimensi
on finita N y si k kx : X R es una norma,
sabemos que:
(a) dim X = N y X es algebricamente reflexivo.
67

(b) l(X, K) = X (toda funcional lineal es acotado).

(c) Tiene lugar el lema de la igualdad:
(i) x X, [x = 0 f (x) = 0 f X ]
(ii) u, v X, [u = v f (u) = f (v) f X ]
La estrecha relaci
on entre un EVN de dimension finita y su dual se ve a
un
m
as evidenciado en el siguiente ejemplo:

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

| |xk |p < }, p [1, [

K
p = {(xn ) K

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.

3. (l )0 no es isomorfo a l1 . Pero tenemos que:

4. (c0 )0 ' l1
NOTA:
1. Es interesante la anomala que representa el resultado de 3 y 4 del teorema.
2. Para caracterizar el dual topologico de otros espacios, como por ejemplo
C[a, b], se requieren herramientas mas avanzadas, como es el Teorema de
Hahn-Banach. Por ello se los estudiara en cursos superiores.
68

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

5. Pruebe que (KN , k k1 ) ' (KN , k k )

6. Caracterice el dual de (KN , k k )
7. Sea X un EV. Pruebe que todo f X esta unicamente determinado por
sus valores en los elementos de una base de Hamel de X.
8. Sean X, Y dos EVN, ambos sobre K {R, C}. Pruebe que si Y 6= {} y
dim X = , entonces T : X Y lineal pero no acotado.
9. Sea X un EVN de dimensi
on finita. Pruebe que l(X, K) 6= X 0 .
10.
Definici
on 67. Sea X un EVN y sea M X, M 6= . El aniquilador
de M es el conjunto
M a = {f l(X, K) | f (x) = 0 x M }
(a) Pruebe que M a es un SEV de l(X, K) y que es cerrado en X 0 .
(b) Halle {}a y X a .
(c) Si dim X = N < y Y es un SEV de X de dim k N , pruebe que Y a
es un SEVN de X 0 de dimension N K. Escriba este resultado como
un teorema sobre las soluciones de un sistema lineal de ecuaciones.
(d) Sea X = R3 , M = {(1, 0, 1), (1, 1, 0), (0, 1, 1)}. Halle una base
de M a .
11. Demuestre el teorema.

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 >

d(x, y) = kx yk = < x y, x y >

entonces kk es una norma y d es una distancia, llamadas norma asociada
a < , > y metrica asociada a < , >. (Demostraremos mas tarde que
kk es una norma).
2. Todo espacio eucldeo es entonces a la vez un espacio vectorial normado y
un espacio metrico.
3. Si (X, d) es completo, se dice que (X, < , >) es un espacio de Hilbert.
En este caso (X, kk) es de Banach.
71

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

1. xy < x, y >= 0 (se dice x es ortogonal a y).

72

def

2. xB < x, b >= 0 b B(se dice x es ortogonal a B).

def

3. AB < a, b >= 0 a A b B(se dice A es ortogonal a B).

NOTA:
1. xy yx
2. 0x x X
3. xB xb b B
4. AB ab a A, b B

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

(d) X = l2 (K) = {(xn ) K |

k=1

< (xn ), (yn ) >=

|xk |2 < }; (xn ), (yn ) X

(xk )(yk ) si K = R

k=1

< (xn ), (yn ) >=

(xn )(yn ) si K = C

k=1

2. Pruebe que si (X, < , >) es un espacio euclideo y si k k es la norma

asociada a < , >, se cumple
(a) x, y X, la identidad del paralelogramo.
(b) x, y X, xy kx + yk2 = kxk2 + kyk2 (Th. de Pitagoras).
3. Pruebe que si K = R, en 2(b) se tiene la recproca (kx + yk2 = kxk2 +
kyk2 xy), y de un ejemplo que muestre que si K = C, la recproca no
se cumple.
4. Pruebe que si (X, < , >) es un espacio eucldeo entonces:
73

(a) x1 , x2 X \ {}, x1 x2 {x1 , x2 } es linealmente independiente.

(b) El resultado de (a) es valido para N vectores x1 , ..., xN con n 2,
xi xj si i 6= j.
5. Sean (X, < , >) un espacio eucdeo; Y X un subespacio vectorial
de X denso en X (i.e. Y = X) y M X un subconjunto total (i.e.
Gen(M ) = X). Sean u, v, w X. Entonces:
(a)
u=

ux x X
uy y Y
uz z M

(b)
v=w

< v, x >=< w, x > x X

< v, y >=< w, y > y Y
< v, z >=< w, z > z M

x, ym m
y < xk , yk > < x, y >)
(Suponga conocido que xn n
k

6. En (C, < , >), con < z1 , z2 >= z1 z2 , que significa que z1 z2 ?.

7. En C2 sea kxk1 = |x1 | + |x2 |. Pruebe que k k1 no esta asociado a ning
un
producto escalar.
def

8. C[a, b] = (c[a, b], k k ). Pruebe que k k no esta asociada a ning

un
producto escalar.
9. Sea X un espacio vectorial de dimension finita N N. Sea B = {b1 , ..., bn }
una base de X. Pruebe que un producto escalar < , > esta plenamente definido si conocemos ij =< bi , bj > para 1 i j N .
Que propiedades deben satisfacer estos n
umeros ij ?.
10. En l2 (R) calcule

k(xn )k2 y k(ym )k

2 , si k k2 es la norma asociada a < , >
y si (xn ) = n1 ; (ym ) = 2m/2
Rb
11. En (c[a, b], < , >) con < f, g >= a f (x)g(x)dx, caracterice el conjunto
{f } = {g c[a, b] | f g}, si:
h
i

(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:

Teorema 71. (Desigualdad de Cauchy-Schwarz-Bu

nakovski) Sea (X, <
, >) un espacio eucldeo. Entonces, x, y X,
1. (C.S.B.) |< x, y >| kxk kyk
2. La igualdad se da si y solo si el conjunto {x, y} es linealmente dependiente
(l.d.).
Demostraci
on.

1. Hay dos casos:

(1.1) y = (se tiene la igualdad y {x, y} es l.d.).

(1.2) y 6= : Consideremos el caso K = C (si K = R es similar).
Sea C arbitrario (luego escogeremos un adecuado). Entonces
0

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 >

de donde |< x, y >|2 kxk kyk , y tambien (C.S.B.).

2. La igualdad se obtiene ssi y = o kx yk = 0,
es decir ssi [y = 0 o x y = ] ssi {x, y} es l.d.
Corolario 72. Sea (X, < , >) un espacio eucldeo. Entonces
1. Se cumple (N4): x, y X, kx + yk kxk + kyk
2. la igualdad se da [y = o [0, [ tal que x = y]
Demostraci
on.

1. Sean x, y X:
kx + yk

= kxk + < x, y > + < y, x > + kyk

2

= kxk + kyk + < x, y > +< x, y >

=

kxk + kyk + 2Re < x, y >

kxk + kyk + 2 |< x, y >|

por la desigualdad (C.S.B.)

(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)

Como por (CSB) se tiene

kxk kyk |< x, y >|
Entonces
(14,1) Re < x, y > | < x, y > |,
Sabemos que x C, Rez |z|,
por lo tanto
| < x, y > | Re < x, y >= kxk kyk | < x, y > |,
de donde
| < x, y > | = kxk kyk.
Por la parte 2. del teorema se tiene entonces que
y = o [y 6= y K tal que x y = ]
Basta probar que [0, [.
Por (14.2) se tiene que
Re < x, y >= | < x, y > | [0.[,
76

(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.

Continuidad del Producto Escalar

El producto escalar es una funci
on < , >: X 2 K.
Para definir la continudad de una funcion F : X 2 K, necesitamos la nocion
de lmite en X 2 y en K, que se la puede tener si tanto en X 2 como en K estan
definidas, por ejemplo, distancias. En K tenemos la distancia usual y en X la
distancia asociada a la norma que, a su vez, es asociada al producto escalar.
En X 2 pordemos definir varias normas. Por ejemplo: Si (x, y) X 2 :
def

k(x, y)kp =

p
p

kxkp + kykp , 1 p < , o

k(x, y)k = max{kk, kyk}.

Es f
acil probar el LEMA: Si ((xn , yn ) (X Y ) y (a, b) X Y , entonces
k(xn , yn ) (a, b)kp 0 kxn ak 0 y kyn bk 0
para toda norma k kp , 1 p < o para k k .
Teorema 73. (Continuidad del Producto escalar). < , >: X 2 R es
continua, si en X 2 tomamos
k kp con p [1, [ o k k
77

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

k(x, y) (x0 y0 )k < | < x, y > < x0 , y0 > | < 

Sea (x, y) X 2 tal que k(x, y) (x0 , y0 )kp < 1.
Notemos que como
k(x, y) (x0 , y0 )k = k(x x0 , y y0 )k, kx x0 k 1 y ky y0 k 1.
| < x, y > < x0 , y0 > | = | < x, y > < x0 , y > + < x0 , y > < x0 , y0 > |
= | < x x0 , y > + < x0 , y y0 > |

| < x x0 , y > | + | < x0 , y y0 > |

kx x0 k kyk + kx0 k ky y0 k,
por la desigualdad (C.S.B.)

kx x0 k(ky y0 k + ky0 k) + kx0 k ky y0 k,

por kyk = ky y0 + y0 k ky y0 k + ky0 k,

< (1 + kx0 k + ky0 k)k(x, y) (x0 , y0 )kp ,

pork(x, y) (x0 , y0 )kp < 1
<

, pork(x, y) (x0 , y0 )kp <


1 + kx0 k + ky0 k



Basta entonces tomar = mn 1,
.
1 + kx0 k + ky0 k

Isomorfismos de espacios eucldeos

Definici
on 74. Dos espacios eucldeos (X, < , >x ) e (Y, < , >y ) son isomorfos ssi : X Y una biyecci
on lineal tal que
u, v X, < u, v >x =< (u), (v) >y
NOTA: si k kx y k ky son las normas asociadas a < , >x y < , >y , y
si dx y dy son las distancias asociadas a k kx y k ky , entonces:
(X, k kx ) es isomorfo a (y, k ky (en tanto que espacios normados),
(X, dx ) es isomorfo a (Y, dy ) (como espacios metricos).

Completamiento de espacios eucldeos

Teorema 75. Si (X, < , >) es un espacio eucldeo incompleto, existe un
espacio de Hilbert (H, < , >1 ) y un subespacio vectorial Y de H tales que
Y = H y (X, < , >) es isomorfo a (Y, < , >1 ).
A (H, < , >) se le llama el completado de (X, < , >) y es u
nico salvo
isomorfismos.
78

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

2. A cada xt , con t [0, 1] se le llama combinaci

on convexa de x0 y x1 .
3. Un subconjunto no vaco M de X es convexo ssi
x0 , x1 M, [x0 , x1 ] M.
NOTAS:
1. Todo subespacio vectorial de X es convexo.
2. La intersecci
on de convexos es un convexo.
3. La uni
on de convexos no es necesariamente convexa.
En el ejemplo con M = M2 = {1} [1; 2,5], x = (0, 2) vimos que existe
un u
nico punto, en este caso y = (1, 2), que es solucion del problema de
aproximaci
on siguiente: Dado x X, hallar y M tal que d2 (x, y) = D(x, M ).
En este caso el segmento [x,y] es perpendicular al conjunto M que es el
segmento [(1, 1), (1; 2, 5)]. Notemos que M es un conjunto convexo y que M
es cerrado. Resulta que estas dos condiciones son suficientes para garantizar
la existencia y unicidad de soluci
on al problema de aproximacion mencionado.
Tenemos el
Teorema 77. del Vector Minimizante. Sea (X, < , >) un espacio eucldeo
y M 6= un conjunto convexo y completo (con la metrica d asociada a k k, la
norma asociada a < , >). Entonces
x X !y M tal quekx yk = nf kx vk = D(x, M ) =:
vM

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.

Aniquilador y complemento ortogonal

Sea (X, < , >) un espacio eucldeo. Sea M X un conjunto no vaco. El
aniquilador ortogonal de M es el conjunto M , definido por:
M = {x X | x y y M } = {x X |< x, y >= 0 y M }
La segunda igualdad explica el nombre y la primera la notacion de M . Este
conjunto M es en realidad un subespacio vectorial cerrado de X:
Teorema 79. Propiedades de M . Sea (X, < , >) un espacio eucldeo y
sea M X, M 6= . Entonces:
81

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

Py (H) = Y (i.e. Im(Py ) = Y ), Py (Y ) = Y , Py (Y ) = {}

Py2 = Py (i.e. Py es idempotente)
Py |y es la identidad de Y a Y
5. Por 3 de la nota, se tiene obviamente el operador Pz : H H, x 7 z,
que es el proyector ortogonal de H sobre Z = Y , que tiene propiedades
an
alogas a las de Py .

El Teorema del Vector Cero y el Lema de Totalidad

Frecuentemente necesitamos saber, dados x X o u1 , u2 X si x = o
si u1 = u2 . Si X es un espacio vectorial los problemas son equivalentes, pues si
ponemos x = u1 u2 vemos que
x = u1 u2 = u1 = u2 .
Ahora bien, si X es un espacio eucldeo, notemos que X = {}, por lo que
x = x X x y y X < x, y >= 0 y X.
La u
ltima equivalencia nos da la idea de verificar indirectamente si x = ,
verificando como redireccionar x, multiplicandolo escalarmente por diversos y
X.
Para que x 6= basta que y X tal que < x, y >6= 0.
Nos preguntamos si es posible aflojar la condici
on
< x, y >= 0 y X
restituyendo X con un subconjunto M. Que condiciones exigir a M para tener
el resultado siguiente?
x = < x, y >= 0 y M
la respuesta inmediata es que basta que M sea denso en X pero resulta que este
requisito se puede debilitar a
un m
as.
Si A X es total (es decir si Gen(A) es denso en X) se tiene que
x = < x, y >= 0 y M.
En resumen tenemos el
Teorema 80. del Vector Cero. Sea (X, < , >) un espacio euclideo, sea
x X, M X un subconjunto denso en X (i.e. M = X), sea A X un
subconjunto de X total en X (i.e. Gen(A) = X). Entonces:
(i) x = < x, y >= 0 y X
(ii) x = < x, v >= 0 v M
(iii) x = < x, w >= 0 w A
83

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

porque k {1, 2, ..., N }, < x, wk >= 0, puesto que wk A.

Como consecuencia de este teorema tenemos el

Corolario 81. Sean (X, < , >), M y A como en el teorema; u1 , u2 X.
Entonces:
(i) u1 = u2 < u1 , y >=< u2 , y > y X
(ii) u1 = u2 < u1 , v >=< u2 , v > v M
(iii) u1 = u2 < u1 , w >=< u2 , w > w A
Frecuentemente se requiere saber si un conjunto es total. El teorema precedente inspira el siguiente (muy u
til) resultado:
Teorema 82. (del Conjunto Total.) Sea (H, < , >) un espacio de Hilbert.
Sea A H. Entonces
A es total A = {}
Demostraci
on. () Supongamos que A es total. Probemos que A = {}.
Obviamente basta probar que x A x = .
Sea x A . Entonces < x, w >= 0 w A.
La parte (iii) del teorema nos asegura entonces que x = .
() Supongamos que A = {}. Sea V = Gen(A). Probemos que V = H.
Por 2 de la nota que sigue al teorema de propiedades de M , que dice
que si H es de Hilbert y si Y es un subespacio vectorial cerrado, entonces
H = Y Y (y por lo tanto Y = H Y = {}), basta probar que
84

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

Pruebe que (xn ) converge. De ejemplos en R2 y en R3 .

2. En (CN , < , >), con
< (z1 , ..., zN ), (w1 , ..., wN ) >=

N
X

zk wk ,

k=1

sea
M {x CN |

zk = 1}.

Pruebe que M es convexo y completo. Halle y M de mnima norma. (i.e.

kyk = m
axxM kxk, donde k k es la norma asociada a < , >)
3. Halle R3 dos subespacios algebricamente complementarios.
(a) Que sean ortogonales;
(b) que no lo sean.
4. Pruebe que si a > 0, X = c([a, a]), R = {f : [a, a] R | f es continua}
es la suma directa de Xp y XI , donde Xp = {f X | f es par}, XI =
{f X | f es impar}.
5. Sea (X, < , >) un espacio eucldeo M X no vaco. Pruebe que:
(a) M es un subespacio vectorial de X
(b) M es cerrado.
(c) M M
6. Sea X = R3 . Halle M si:
(a) M = {a}, con a X \ {}
(b) M = {u, v}, con {u, v} X l.i.
(c) M = Gen{u, v}, con {u, v} X l.i.
7. Pruebe que si Y = {(xn ) l2 | x2k = 0 k 1}, Y es un SEV cerrado de
l2 (K). Halle Y .
8. Sea en = (nk )k1 para n N. Sea Yn = Gen{e1 , ..., en } l2 (K). Halle
Y .
85

9. Sea (X, < , >) un espacio euclideo. A X, B X, no vacos. Pruebe

que:
(a) A B B A ;
(b) A = A
10. Sea (H, < , >) de Hilbert, Y H un SEV de H. Pruebe que
Y es cerrado Y = Y

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

(por la linealidad de < , > respecto a la primera variable)

j < vj , vj >= 0
(los dem
as sumandos son 0 porque M es ortogonal)
j = 0
(porque < vj , vj >= kvj k2 6= 0, ya quevj 6= 0)
87

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

Teorema 88. Sea Y X un SEV y sea x X. Entonces

x Y < x, y >= 0 y B
donde B es una base de Hammel de Y.
Demostraci
on. () Es obvio, por definicion x Y < x, z >= 0 z Y .
88

() Sea z Y . P.D. < x, z >= 0

Sea B una base de Hammel de
Entonces existen N 1, y1 , ..., yN B,
PY.
N
1 , ..., N K tales que z = k=1 k yk .
Entonces
< x, y >=< x,

N
X

k yk >=

k=1

N
X

k < x, yk >= 0

k=1

porque y B, < x, y >= 0.

NOTA: En particular si v1 , ..., vN X son N vectores l.i. y si
Y = Gen{v1 , ..., vN }, entonces
x Y < x, vk >= 0 k {1, ..., N }.

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

Exigimos que si z = x y, entonces z Y .

Por la nota que sigue al teorema anterior esto significa que
k {1, ..., n}, z ek
Pero entonces k {1, ..., n},
<x

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 .

Queda por verificar la u

ltima igualdad:
kyn k

= <

n
X

< x, ej > ej ,

j=1
n X
n
X

n
X

< x, ek > ek >

k=1

< x, ej > < x, ek >jk

j=1 k=1
n
X

< x, ek > < x, ek >

k=1
n
X

| < x, ek > |2 .

k1

Podemos ahora probar el siguiente (muy importante):

Teorema 90. (Desigualdad de Bessel) Sea (X, < , >) un espacio eucldeo,
(en ) X una sucesi
on ortonormal. Entonces
x X,

| < x, ek > |2 kxk2 .

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

| < x, ek > |2 kxk2 n 1. ()

k=1

Tomando lmn se obtiene la desigualdad buscada.

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

< vn+1 , ek > ek

k=1

Entonces, por el lema que precede al Th. de la Desigualdad de Bessel,

wn+1 Gen{e1 , ..., en }.
Obviamente wn+1 6= 0 (si no, se tendra una contradiccion con la hipotesis de
que v1 , ..., vn+1 son l.i.).
1
kwn+1 k, se tiene entonces que en+1 Gen{e1 , ..., en }
Si ponemos en+1 =
kwn+1 k
y que ken+1 k = 1 y {e1 , ...en , en+1 } es ortonormal.

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

< x, ek > ek k = mn kx yk,

yYn

k=1

donde Yn = Gen{e1 , ..., eN }.

91

5. Sean (X, < , >) un espacio eucldeo y (en ) X una sucesion ortonormal. Pruebe que
x, y X,

| < x, ek >< y, ek > | kxk kyk,

k=1

si k k es la norma asociada al producto escalar < , >. (Sugerencia: use

la desigualdad (C-S-B) y luego la de Bessel).
6. Sea (X, < , >) un espacio eucldeo, 6= un conjunto infinito de ndices
y {ew X | w } una familia ortonormal. Sea x X. Pruebe que
a) m N, el conjunto {w | | < x, ew > | >

1
m}

es finito.

b) {w |< x, ew >6= 0} es finito o numerable.

(Sugerencia: usea la desigualdad de Bessel).

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

llamada serie de Fourier de x respecto a (ek ).

Nos preguntamos:
1. Converge la serie?
2. Si la serie converge, digamos hacia s (o sea que s = lmn
x, ek > ek ), x = s?

PN

k=1

<

Para responder estas preguntas veamos algunos resultados concernientes a

series de la forma
N
X
k ek
k=1

con (k ) K. Ponemos sn =

PN

k=1

k ek .

Teorema 92. Sea H un espacio de Hilbert, (ek ) H una sucesi

on ortonormal
y (k ) K. Entonces:
PN
PN
2
1.
k=1 k ek converge
k=1 |k | < .
93

2. Supongamos que converge

N
X

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

< x, ek > ek , la serie de Fourier de x respecto a (ek ),

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

Como (sn ) H , (n ) R , y como H y R son completos,

(sn ) converge

(sn ) es de Cauchy

(n ) converge

(n ) es de Cauchy

Debemos entonces probar que

(sn ) es de Cauchy (n ) es de Cauchy
Esto resulta de que si n > m 1:
2

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

Tomamos lmn y teniendo en cuenta la continuidad de < , >:

lm < sn , ek >= k

< 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

< f1 , fk+1 > fk+1 = 0 6= f1 = 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

Es decir ssi H = Gen{ek | k 1}.

NOTA: Por el Th. del Conjunto total tendremos que:
x H, x =

n
X

< x, ek > ek {ek | k 1} = {}.

k=1

Los resultados precedentes se pueden generalizar para familias ortogonales

infinitas m
as grandes que numerables:
Por el ejercicio 6 del capitulo 16 tenemos el
Lema 95. Sean (X, < , >) un espacio euclideo, 6= un conjunto infinito
de ndices y {ew X | w } una familia ortonormal. Sea x X. Entonces
{w |< x, ek >6= 0} es finito o numerable.
95

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

< x, ewk > ewk

k=1

es la serie de Fourier de x respecto a la familia {ew H | w }.

NOTA:
P
1. Es f
acil probar (ver Kreyszig, pag 165-166) que s = k=1 < x, ewk > ewk
no depende del ordenamiento tomado.
P
2. La pregunta, cuando x = k=1 < x, ewk > ewk ? se responde analogamente: cuando {ew H | w } es total, es decir si Gen{ew | w } =
H.
3. Se puede probar (ver Kreyszig, pag 170) que
{ew H | w } es total x H,

| < x, ewk > |2 = kxk2

k=1

llamada identidad de Parseval.

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

4. Sea H de Hilbert, (en ) H una sucesion ortonormal. Pruebe que:

P
(a) x H, si ponemos s = k=1 < x, ek > ek , entonces xs ek k
1.
(b) Sea M = Gen{ek | k 1}. Pruebe que x H se tiene que x M
x=s.
96

5. (Lema del Vector Cero) Demuestre el lema:

Sea (X, < , >) un espacio eucldeo, Y X denso en X y M X total
(i.e. Gen(M ) = X). Sean x, u, v X. Entonces:
(a) x = < x, y >= 0 y X
(b) x = < x, y >= 0 y Y
(c) x = < x, y >= 0 y M
(a1) u = v < u, y >=< v, y > y X
(a2) u = v < u, y >=< v, y > y Y
(a3) u = v < u, y >=< v, y > y M

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

Este teorema generaliza el conocido resultado de Algebra

Lineal:
Teorema 98. Sea X un espacio vectorial de dimensi
on finita N N; x0 X.
Sea X = {f : X K | f es lineal}, el dual algebr
aico de X. Entonces
x0 = f (x0 ) = 0 f X
Demostraci
on. Ver Th. 2.9-2 (Lema del Vector Cero) en Kreyszig.
Este teorema se generaliza facilmente para dimension infinita:
Teorema 99. (del Vector Cero para Dimensi
on Infinita) Sea X un espacio vectorial de dimensi
on infinita. Sea x0 X. Entonces
x0 = f (x0 ) = 0 f X
donde X = {f : X K | f es lineal} es el dual algebrico de X.
Demostraci
on. () Supongamos que x0 = f (x0 ) = 0 f X por ser f
lineal.
98

() Supongamos que f (x0 ) = 0 f X.

Probemos, por el absurdo, que x0 = 0. Supongamos entonces que x0 6= 0.
Sea e1 = x0 . Podemos entonces hallar B X, una base de Hamel de X
tal que eq B.
Entonces x X
!N 2, !e2 , e3 , ..., eN B, !1 , 2 , ..., N K tales quex =

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

(b) x N (f ), < x, zf >= f (x) = 0, i.e. zf N (f ) .

(c) Por (a) y (b) se deberia tener N (f ) 6= {}. Y as es, en efecto:
f 6= N (f ) 6= H y, por lo tanto N (f ) 6= {}. (ya que N (f ) es
un SEV cerrado de H y por 2 de la Nota que sigue al Th. Propiedades
de M , el aniquilador de M, se tiene que H = N (f ) N (f ) ).
Tomemos entonces z N (f ) \ {} y busquemos zf de la forma zf = z,
con K por determinar:
Como se debe tener f (x) =< x, zf > x H, tomando, en partcular
x = z, se debe tener
f (z) =< z, zf >=< z, z >= kzf k2 ,
f (z)
f (z)
f (z)
, y zf =
, o tambien =
z, necesariamente!.
2
2
kzkH
kzkh
kzk2H
Veamos si un tal zf nos sirve. Sea x H. Probemos que, en este caso,
f (x) =< x, zf >:
Sea vx = f (x)z f (z)x.
Entonces
f (vx ) = f (x)f (z) f (z)f (x) = 0,

de donde =

por lo que vx N (f ). Como z N (f ) , tendremos entonces que

0

= < 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,

2. Unicidad Sea f H 0 y sean z1 , z2 H tales que

f (x) =< x, z1 >=< x, z2 > x H.
Entonces (por el Ej. 2) z1 = z2 .
3. Norma de zf : kzf kH = kf kH 0 , por el Ej. 1.

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

2. En el caso dimH = N < , este resultado es obvio, ya que f puede ser

visto como el operador lineal f : H K, y como f 6= , dimIm(f ) = 1,
por lo tanto la igualdad conocida N = dimN (f ) + dimIm(f ), nos da el
resultado.
3. Averiguar si X, Y son dos EV ambos sobre K, y si (X, < , >) es un
espacio eucldeo.
T : X Y es un operador lineal tal que dimIm(T ) = M < , entonces
dimN (T ) = M .
Para representar el Th. de la representacion de Riesz II, necesitamos introducir algunos conceptos:
Definici
on 101. Sean X, Y dos EV ambos sobre R (resp. C). Una funci
on
h : X Y K se llama forma o funcional bilineal (sesquilineal) si es lineal
respecto a la primera variable [i.e. x1 , x2 X, y Y, R o C, h(x1 +
x2 , y) = h(x, y) + h(x2 , y), h(x1 , y) = h(x, y)]
y es lineal (resp. semilineal) respecto a la segunda variable. [i.e. x X, y1 , y2
Y, R (resp K), h(x, y1 + y2 ) = h(x, y1 ) + h(x, y2 ), y h(x, y1 ) = h(x, y1 )
(resp. h(x, y1 ) = h(x, y1 ))].
Definici
on 102. Sean X,Y dos EVN sobre K {R, C}. Sea h : X Y K
una forma bilineal o sesquilineal, seg
un el caso.
1. Si c 0 tal que (x, y) X Y, |h(x, y)| ckxkx kyky se dice que h es
acotada.
2. Si h es acotada se llama norma de h y se nota khk el n
umero
khk = mn{c 0 | |h(x, y)| ckxkx kyky (x, y) X Y }.
Aqu k kx y k ky son las normas definidas en X e Y, respectivamente.
NOTA: Es f
acil ver que:
1.
khk =

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

< f, g >0 = < zg , zf >, para f, g H 0 ,

donde zf y zg son dados por el Th. de la Representacion de Riesz I.
8. Pruebe que todo espacio de Hilbert H es isomorfo con su bidual topologico
H 00 = (H 0 )0 (i.e. H es reflexivo).
9. Sea H un espacio de Hilbert, M H no vaco.
Sean M a = {f H 0 | f (x) = 0 x M }, M = {x H | x y y
M }. Que relaci
on hay entre M a y M ?.
10. Sea (H, < , >) un espacio eucldeo.
Sea h : X 2 K, (x, y) 7 h(x, y) =< x, y >. Pruebe que h es sesquilineal
(o bilineal si K = R) acotada y halle khk.
11. Sean X,Y dos EVN ambos sobre K {R, C} y h : X Y K una forma
sesquilineal acotada. Pruebe que h es continua.

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

Antes de enunciar y probar algunas propiedades del operador adjunto, veamos

el siguiente lema, que sera u
til aqu y en lo sucesivo:
Lema 106. Sea X un espacio vectorial y sea (Y, < , >) un espacio eucldeo,
ambos sobre R {R, C}. Sea Q : X Y un operador lineal. Entonces, si
: X Y es el operador cero:
1.
Q = < Qx, y >= 0 (x, y) X Y
2. Si X = Y y K = C, entonces
Q = < Qu, u >= 0 u X.
Corolario 107. Si T1 : X Y , T2 : X Y son dos operadores lineales:
1.
T1 = T2 < T1 x, y >=< T2 x, y > (x, y) X Y
2. Si X = Y y K = C, entonces
T1 = T2 < T1 u, u >=< T2 u, u > u X.
Demostraci
on. (del Lema).
1. () es obvio.
() Sea x X. Debemos probar que Qx = 0.
Como < Qx, y >= 0 y Y , basta tomar y = Qx y tendremos
0 =< Qx, Qx >= kQxk2 Qx = 0.
2. () es obvio.
() Por 1, para (x, y) X Y arbitrario, probemos que < Qx, y >= 0.
Como < Qu, u >= 0 u X tenemos que:
(a) Si u = x + y 0 =< Q(x + y), x + y >=< Qx, x > + < Qy, y >
+ < Qx, y > + < Qy, x >
(b) Si u = ix + y 0 =< Q(ix + y), ix + y >=< Qx, x > + <
Qy, y > +i < Qx, y > i < Qy, x >
Como < Qx, x >=< Qy,
( y >= 0, de (a) y de (b) multiplican< Qx, y > + < Qy, x >= 0
do por (i) obtenemos:
, de donde
< Qx, y > < Qy, x >= 0
< Qx, y >= 0.

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

Teorema 108. (Propiedades del Operador Adjunto de Hilbert)

Sean (H1 , < , >1 ) y (H2 , < , >2 ) dos espacios de Hilbert ambos sobre
K {R, C}; S, T L(H1 , H2 ), K. Entonces:
1. < T y, x >1 =< y, Tx >2 (y, x) H2 H1 .
2. (S + T ) = S + T
3. (T ) = T
def

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

2. Sea (y, x) H2 H1 . Por el corolario precedente basta probar que

< (S + T ) y, x >1 =< (S + T )y, x >1 .
< (S + T ) y, x >1

= < y, (S + T )x >2 , por 1

= < y, Sx >2 + < y, T x >2 ,
(propiedad del producto escalar)
= < S y, x >1 + < T y, x >, por 1
= < S y + T y, x >,
(propiedad del producto escalar)
= < (S + T )y, x >1 .

3. Sea(y, x) H2 H1 . P.D. < (T ) y, x >1 =< (T )y, x >1 .

< (T ) y, x >1

= < y, (T )x >2 , por 1

= < y, (T x) >2 ,
= < T y, x >2
= < T y, x >1 por 1
= < (T y), x >1
= < (T )y, x >1

4. Sea (y, x) H2 H1 . P.D. < (T ) x, y >2 =< T x, y >2

< (T )8 x, y >2

< x, T y >1 , por 1

< T x, y >2 , por definition de T

105

5. Vemos que T T L(H1 , H1 ), T T L(H2 , H2 ) y, por la desigualdad de

Cauchy-Schwarz-Bu
nakovski (C-S-B):
x H1 : kT xk22

< T x, T x >2 =< T T x, x >1 , por 1,

kT T xk1 kxk1 , por (C-S-B),

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

= kT k2 usando (**) en T en vez de T

= kT k2

6. Es inmediato, por 5.
7. Sean (y, x) H2 H1 = H H
(H = H1 = H2 , < , >=< , >1 =< , >2 ).
< (ST ) y, x >

= < y, (ST )x >, por 1

= < y, S(T x) >=< S y, T x >, por 1,
= < T (S y), x >, por 1,
= < (T S )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.

1. Supongamos que T es autoadjunto. Sea x H. Entonces

< T x, x >

< x, T x >

< T x, x >

< T x, x >

< T x, x > R.

2. Supongamos que K = C y que x H, < T x, x > R:

Usemos 2 del lema del Operador Cero. Sea x H.
P.D. < T x, x >=< T x, x >
< T x, x >

= < T x, x > porque < T x, x > R

= < x, T x > por definicion de T
= < T x, x > .

3. Por 7 del Th anterior

(ST )

T S

T S ya que S y T son autoadjunto

4. P.D. T = T , es decir que kT T k = 0. Como

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 =

(a) S1 y S2 son autoadjuntos.

(b) S = S1 + iS2 y S = S1 iS2 y que esta representacion de S es
u
nica (i.e. si R1 , R2 , T1 , T2 L(H) son autoadjuntos y si R1 + iR2 =
T1 + iT2 , entonces R1 = T1 y R2 = T2 )
16. Con H = C2 , sea C2 C2 , S(x1 , x2 ) = (x1 + ix2 , x1 ix2 ). Halle S ,
pruebe que S S = SS = 2I y halle S1 y S2 definidos en el ejercicio
precedente.
17. Sea H de Hilbert, T L(H) un operador autoadjunto 6= 0. Pruebe que
T n 6= :
(a) n N par;
(b) n N.

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

segmento de recta de extremos A y B, que lo notamos AB.

Se tiene la funci
on dg : E E R (A B) 7 d(A, B).
Podemos notar que se verifican las siguientes propiedades:
Si E {E 1 , E 2 , E 3 } :
M1 (No Negatividad) A, B E, dg(A, B) 0
M2 (Unicidad) A, B E, dg(A, B) = 0 A = B
M3 (Simetra) A, B E, dg(A, B) = dg(B, A)
M4 (Desigualdad triangular)
A, B, C E, dg(A, C) dg(A, B) + dg(B, C)

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

lado de 0 si a > 0 y el otro lado si a < 0 se establece la biyeccion

G : R E 1 , a 7 G(a) = A
A es el gr
afico o representacion geometrica de a o tambien diremos que a es la
coordenada del punto A. Al espacio E 1 , visto como imagen de G, se le llama
entonces recta real. Aunque, para ser mas precisos, recta real es la funcion G.
Gracias a la biyecci
on G : R E 1 , se puede definir la distancia entre dos
n
umeros a y b, notada d(a, b)
d(a, b) = dg(A, B),
donde A = G(a) y B = G(b).
Es f
acil probar que para todo a, b R se tiene d(a, b) = |a b|.
La funci
on d : R2 R (x, y) 7 d(x, y) se llama distancia usual o natural
y tiene las propiedades analogas a (M1), (M2), (M3) y (M4) que vimos para
dg : E E R.
La biyecci
on G ha permitido enriquecer R con el concepto de distancia que
es una propiedad inherente a los espacios geometricos E 1 , E 2 , E 3 .

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 ,

y que d : R2 R2 R cumple las propiedades analogas a (M1), (M2), (M3) y

(M4) que vimos para dg : E E R.

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

d((a1 , a2 , a3 ), (b1 , b2 , b3 )) = dg(G(a1 , a2 , a3 ), G(b1 , b2 , b3 ))

. Es f
acil probar que
d((a1 , a2 , a3 ), (b1 , b2 , b3 )) =

|a1 b1 |2 + |a2 b2 |2 + |a3 b3 |2 ,

y que d : R3 R3 R, cumple con propiedades analogas a (M1), (M2), (M3)

y (M4) que vimos para dg : E E R. Y definido as el vector cuyo inicio
coincide con el de ~u y cuyo fin coincide con la punta del vector igual a ~v , cuyo
inicio coincide con el del vector ~u (obviamente hay un u
nico vector igual a ~v con
esta propiedad).
Por otra parte, dado un n
umero R y un vector ~u V \ {~0}. El producto
de por ~u es el vector notado ~u, cuya longitud o norma es k ~uk = || k~uk,
cuya direcci
on coincide con la de ~u. El sentido de ~u es el mismo que el de ~u si
117

 > 0 y es el sentido contrario al de ~u si < 0.

Por definici
on R, ~0 = ~0
Obviamente 0 ~u = ~0, ~u E. Con estas definiciones es facil verificar que:
~u, ~v , w
~ V y , R:
(S1) Asociatividad de la suma: (~u + ~v ) + w
~ = ~u + (~v + w)
~
(S2) Conmutatividad de la suma: ~u + ~v = ~v + ~u
(S3) Existencia del neutro aditivo: ~u + ~0 = ~u
(S4) Existencia del inverso aditivo: ~u tal que ~u + (~u) = ~0 (de hecho
~u = (1)~u).
(M1) Asociatividad del producto por un escalar: ( ~u) = () ~u
(M2) Neutro multiplicativo: 1 ~u = ~u
(D1) Distributividad para la suma de escalares: ( + ) ~u = ~u + ~u
(D2) Distributividad para la suma de vectores: (~u + ~v ) = ~u + ~v
Notemos que a la norma se la puede ver como una funcion kk : V N R,
~u 7 k~uk, N = 1, 2, 3. Con las propiedades: ~u, ~v V N , R:
(N1) (No negatividad) k~uk 0


(N2) (Unicidad) ~0 = 0 ~u = ~0
(N3) (Cierta homogeneidad) k~uk = || k~uk
(N4) (Desigualdad triangular) k~u + ~v k k~uk + k~v k.
En V V 1 , V 2 , V 3 se define tambien el producto interno o producto
escalar de dos vectores ~u, ~v V , que se nota h~u, ~v i y es el n
umero real dado
por:
(
0
si ~u = ~0 o ~v = ~0
h~u, ~v i =
k~uk k~v k cos si ~u 6= ~0 y ~v 6= ~0
donde es el
angulo formado por vectores iguales a ~v y ~v cuyos inicios coinciden.
El producto escalar puede ser visto como la funcion h, i : V V R y se puede
constatar que se cumplen las siguientes propiedades: ~u, ~v , w
~ V , , R:
(E1) (No negatividad) h~u, ~ui 0
(E2) (Unicidad) h~u, ~ui = 0 ~u = ~0
(E3) (Simetra) h~u, ~v i = h~v , ~ui
(E4) (Linealidad respecto a la 1ra variable)
(
h~u + ~v , wi
~ = h~u, wi
~ + h~v , wi
~
aditividad
h ~u, ~v i = h~u, ~v i
homogeneidad
118

Vectores en los espacios E 1 , E 2 , E 3 : Los Espacios V

E E 1 , E 2 , E 3 es un conjunto de puntos. Dados dos puntos A, B E,
podemos dibujar una flecha con inicio en A y la punta o fin en B que la notaremos
~ y la llamaremos vector.
AB
~ tiene como caractersticas o propiedades:
Si A 6= B, el vector AB
1. su direcci
on (que es la de todas las rectas paralelas a la recta que pasa por
A y B, en particular esta u
ltima)

2. su sentido (puesto que tiene un inicio y un fin; as AB tiene el sentido

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

NOTA: Obviamente G : RN V N es tambien biyectiva, as como su

inversa.
Su utilidad consiste en que toda buena propiedad en uno de estos tres espacios, RN , E N , V N , se traslada automaticamente a los otros dos.
Vimos por ejemplo que la distancia geometrica dg definida en E, da origen natural a la distancia en R, R2 , R3 .
Obviamente tambien se puede definir la distancia entre dos vectores ~a y ~b, que
ser
a el n
umero
~ y ~b = OB.
~
dv(~a, ~b) = dg(A, B), si ~a = OA
Por otra parte en V definimos las operaciones de suma + y producto por un
escalar; y vimos que la estructura (V, +, ) cumple con algunas propiedades ((S1)

a (S4), (M1), (M2), (D1) y (D2)), que en Algebra

Lineal se generalizan para
estructuras con iguales propiedades a lo que se llama un Espacio Vectorial. Esta
estructura de espacio vectorial se puede trasladar de V a RN y a E, de manera
natural.
Para n = 2, si (a1 , a2 ), (b1 , b2 ) R2 y R pondremos:
def

(a1 , a2 ) + (b1 , b2 ) = ( G)1 ( G(a1 , a2 ) + G(b1 , b2 ))

def

(a1 , a2 ) = ( G)1 ( ( G)(a1 , a2 ))

Es f
acil probar que
(a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 )
(a1 , a2 ) = ( a1 , a2 )
An
alogamente, para N = 3, con una definicion analoga se tiene que si
(a1 , a2 , a3 ), (b1 , b2 , b3 ) R3 y si R:
(a1 , a2 , a3 ) + (b1 , b2 , b3 ) = (a1 + b1 , a2 + b2 , a3 + b3 )
(a1 , a2 , a3 ) = (a1 , a2 , a3 )
R2 y R3 con las operaciones + y que acabamos de definir cumplen con las
propiedades an
alogas a (S1), ... (S4), (M1), (M2), (D1), (D2) por lo que los tros
(R2 , +, ) y (R3 , +, ) son espacios vectoriales.
Para V V 1 , V 2 , V 3 definimos la norma kk : V R, donde k~uk es la
longitud o norma del vector ~u.
Podemos trasladar este concepto a los espacios E N o RN , N 1, 2, 3 correspondientes.
def
Por ejemplo, si (a1 , a2 ) R2 podremos k(a1 , a2 )k = k~ak, donde ~a =
~ donde A es el grafico de (a1 , a2 ).
G((a1 , a2 )) = OA,
p
Es f
acil probar que: k(a1 , a2 )k2 = |a1 |2 + |a2 |2 .
def

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 =

|a1 |2 + |a2 |2 + |a3 |2

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