Lecturas de Analisis Funcional

German Rojas Ph. D.

Escuela Politecnica Nacional

21 de mayo de 2009
Indice general

I Espacios Metricos 7
1. Espacios Metricos 8

2. Conceptos Topologicos 14

3. Lmites y Continuidad 17

4. Sucesiones convergentes, de Cauchy y acotadas 21

5. Relacion 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.Caracterizacion del dual topologico del algunos EVN 67

II Espacios Eucldeos y de Hilbert 70

13.Espacios Eucldeos 71

14.Desigualdades de Cauchy-Schwarz-Bunakovski y Triangular 75

15.Aproximacion de un punto con elementos de un convexo 80

16.Conjuntos y Sucesiones Ortogonales 87

17.Series de Fourier 93

18.Teoremas de la Representacion de Riesz 98

19.El Operador Adjunto de Hilbert 103

2
INDICE GENERAL 3

III Teora Espectral 111

20.Propiedades espectrales de los Operadores Lineales Acotados 112

A. La Triyeccion 115
Repaso

Sea R el conjunto de sucesiones de numeros 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 unico.
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 funcion acotada
def
Im(f ) es un conjunto acotado
th
R < 0 tq x |f (x)| < R
def
(iii) sup A = mas pequena 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 = mas 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:

3
A = {2 + p | p es un numero primo}
A = {y R | x R tq y = 3 sin x + 4 cos x}
 2 
2n + 3
A= | n N, n >
5n2 + 7
  
3n + sin(n/2)
A= |nN
n+5
6. Resuelva la ecuacion 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}

6
 Parte I

Espacios Metricos

7
Captulo 1

Espacios Metricos

Definicion 1. Sea X 6= . A una funcion 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 metrica o distancia en X y al par (X, d) espacio metrico.

Definicion 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
... = (x1 , x2 , ..., xN ) K ,
x=

xN

y1
y2 N
... = (y1 , y2 , ..., yN ) K
y=

yN

8
 y ponemos: v
uN
uX
d2 (x, y) = t |xk yk |2
k=1

N
X
d1 (x, y) = |xk yk |
k=1
v
uN
uX
p
dp (x, y) = t |xk yk |p , 1 p <
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 (
1 si x 6= y
d(x, y) =
0 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
Z b
p
dp (f, g) = |f (x) g(x)|p dx, 1 p <
a

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 ,

X 1 |xk yk |
d((xn ), (yn )) =
2k 1 + |xk yk |
k=1

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

6. Sean K {R, K},

X
K
p = {(xn ) K

| |xn |p < },
k=1

K
= {(xn ) K

| (xn )es acotada}

9
 Entonces, si ponemos para (xn ), (yn ) K
p :
v
u
uX
dp ((xn ), (yn )) = t
p
|xk yk |p , 1 p <
k=1

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

son espacios metricos (K p
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
p
1. Si para x, y R se pone d(x, y) = |x y|, pruebe que (R, d) es un
espacio metrico.

Demostracion. Sean x, y, z R. Debemos probar (M1), (M2), (M3) y

(M4) para d:
p
(M1) d(x, y) = |x y| 0
(M2)
p
d(x, y) = 0 |x y| = 0
|x y| = 0
xy =0
x=y
p p
(M3) d(x, y) = |x y| = |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) = numero 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
XN uN
uX
uN
uX
p q
|xk yk | t |xk |p t |yk |q
k=1 k=1 k=1

es la desigualdad de Holder.
En particular v v
N
X
uN
uX
uN
uX
|xk yk | t 2
|xk | t |yk |2
k=1 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
1
q + 1
p = 1 (se dice
que p y q son exponentes conjugados).
Pruebe que v v
X u u
uX uX
|xk yk | p
t p
|xk | tq
|yk |q
k=1 k=1 k=1

11
 la desigualdad de Holder.
En particular v v
X u u
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
!2 N
X X
|xk | N |xk |2
k=1 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 Topologicos

Definicion 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.

NOTA: B
er (a) es la union disjunta de Br (a) y Sr (a)

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 grafico de Sr (a) es la circunferencia de centro A(a1 , a2 ) y radio r;
el grafico 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 grafico de Sr (a) es la esfera de centro A(a1 , a2 , a3 ) y radio r;
mientras que el grafico de Br (a) es la bola con centro en A(a1 , a2 , a3 ) y
radio r (excluida la esfera).

Conceptos Topologicos
Definicion 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
2. M = {x M | xes punto interior de M} = interior de M.
3. A es abierto si A = o si A = A. Es decir que A es abierto si todos sus
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)

NOTA: M es abierto. De hecho es el mas grande subconjunto abierto de
M. Pruebelo!
5. Td = {C X | Ces abierto}, el conjunto de todos los conjuntos abier-
tos en (X, d) se llama topologa asociada a d. Tiene tres propiedades
fundamentales:
(T1) Td y X Td
(T2) La union finita o infinita de elementos de Td es elemento de Td (la
unon de abiertos es un abierto)
(T3) La interseccion finita de elementos de Td es elemento de Td (la
interseccion finita de abiertos es un abierto).
Ejercicio: pruebe estas propiedades. Tenga en cuenta la siguiente definicon
de union e interseccion:
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 segun 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
S
(T2) Si 6= y {A | } T , entonces A T
TN
(T3) Si N N y {A1 , ..., AN } T , entonces k=1 Ak T
Al par (X, T ) se le llama espacio topologico.
8. Si M tiene una infinidad de elementos, un punto b X se llama punto
de acumulacion 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 acumulacion 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 . Como se comporta S1 ((0, 0)) dibujado para dp si p 1+ y si
p +?.
2. Describa en C[0, ] = (c[0, ], d ), los conjuntos S2 (cos), B2 (cos), B
e2 (cos).

3. Sea (X, d) un espacio metrico, donde d es la metrica discreta. Sea a X.

Halle B0,5 (a), B1 (a), B2 (a), B
e0,5 (a), B
e1 (a), B
e2 (a), S0,5 (a), S1 (a), S2 (a)

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 pequeno 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 acumulacion).
Sea x0 un punto de acumulacion 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 o f (x) l
xx 0
xx0

ssi
 > 0 > 0 tal que 0 < dx (x, x0 ) < dy (f (x), l) < 
(en esta definicion esta implcito que x D(f )).
Si ademas 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 ))

Definicion 5. Si D(f ) = X = D(f )a , se dice que f es continua ssi

x0 X, f es continua en x0 .

Notacion: Dado B Y se llama preimagen de B por f al conjunto

f 1 (B) = {x X | f (x) B}

Notacion: Si A y B son dos conjuntos no vacos y si F : A B es una

funcion 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 funcion 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 funcion continua). Sean (X, dx ), (Y, dy ) dos espacios

metricos y f : X Y una funcion 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 ).

Demostracion. () 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 union 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

4. De un ejemplo cuando Br (a) 6= B fr (a) (la clausura de una bola abierta no

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) = maxaxb |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, cuadruples, quntuples, etc. de elementos de X.
En general (x1 , x2 , ..., xN ) X N , N 1, es un N-tuple ordenado de elemen-
tos de X.
Es decir que a la entrada o casillero numero 1 de (, , ..., ) le asignamos el
elemento x1 , a la numero 2 el elemento x2 , ..., etc. y al casillero numero 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 funcion de este tipo le asociamos un -tuple (x1 , x2 , ...), llamado en
realidad no as sino sucesion 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 funcion f : R R y un numero 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)| <  (4.1)
x+

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

acotado por arriba.
Como una sucesion numerica (an ) R es una funcion a : N R y su
dominio es N; la definicion (4.1) puede escribirse, en este caso, as:

l = lm an  > 0 N N tal que n > N () |l an | <  (4.2)

n+

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 = lm an o an l o an l,
n
n

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

NOTA:
1. Si lmx+ f (x), este es unico (Pruebelo!)
2. Si lmn an , este es unico (Pruebelo!)
3. l = lmx+ f (x) lmx+ d(l, f (x)) = 0 (Pruebelo)
4. l = lmn an lmn d(l, an ) = 0 (Pruebelo)
(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
definicion 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 sucesion, sin conocer su lmite.

22
 Por ejemplo:
(1) Una sucesion no decreciente y acotada por arriba es convergente;
(2) Una sucesion no creciente y acotada por abajo es convergente.
Cauchy descubrio 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 condicion 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:

Definicion 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 sucesion (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 par-
ticular, de una sucesion, as como el ser o no de Cauchy, depende del espacio
metrico donde se trabaje.
Una sucesion, 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 . En-

tonces, 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 definicion 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 util 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.
Por ejemplo, si conocemos c1 y c2 tome a = c1 +c 2
2
el punto medio del intervalo
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
Definicion 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):

Definicion 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 seccion 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
diametro de A al numero

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 .

Analogos 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= , esta dotado de una metrica d:

Definicion 14. Sea (X, d) un espacio metrico:

(a) Sea 6= . Una funcion f : X es acotada ssi Im(f ) es un conjunto

acotado en (X, d).

(b) (an ) X es una sucesion 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 conver-
gente.

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:

Definicion 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 composicion de x : N X; n 7 xn con n : N N k 7 nk , que se
nota (xnk ), se le llama subsucesion 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 numero primo.

26
Ejercicios
Sea (X, d) un espacio metrico.
1. Sea (xn ) X convergente. Sea l = lmn xn . Pruebe que toda sub-
sucesion de (xn ) converge hacia l.

2. Sea (xn ) X una sucesion 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 relacion 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

Relacion entre conjuntos

cerrados y subespacios
completos

Empecemos dando una muy util 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 ].

Demostracion. 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,
n

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 hipotesis, x M .

Dado un espacio metrico (X, d) y un subconjunto no vaco Y de X, queremos

establecer una correlacion 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
aplicacion 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).

Demostracion. 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 Calculo 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 )) .

n

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

puede generalizar este resultado:

Teorema 19. (de la funcion continua.) Sean (X, dx ), (Y, dy ) dos espacios
metricos. Sea f : X Y una funcion 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 .

Demostracion. () 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 negacion 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 hipotesis 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 ) R

| (xn )es acotada}.

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 
5. Para m, n N sea d(m, n) =  m n1 . Pruebe que (N, d) es un espacio
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) 1 1 1
(xk )k1 = 1, 2 , 2 , ..., 2 , 0, 0, ... ,
2 3 n

es decir (
(n) k 2 si 1 k n
xk = .
0 si k > n

32
Captulo 6

Isomorfismos

Etimologicamente isometra viene del griego (iso: igual; morphos: forma). Si

varios entes matematicos 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 comun de ellos.
Por ejemplo: si estudiamos un conjunto de tres elementos, puede no impor-
tarnosla 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 comun estos con-
juntos es lo que cada ser humano entiende por numero tres. Dichos conjuntos
son isomorfos.
Definicion 20. Dos conjuntos no vacos X e Y son isomorfos (en tanto que
conjuntos) si existe una funcion 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).
Definicion 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.

Definicion 22. Sean (X1 , d1 ), (X2 , d2 ) dos espacios metricos. Ellos son iso-
morfos (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|
1. Sea X1 = [0, 1], d1 (x, y) = |x y|; X2 = [a, b], d2 (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
d2 ((x), (y)) = |[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 multiplicacion 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 metrico 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 anadamos 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.
Analogamente, si un espacio metrico (X, d) es incompleto, quiere decir que
existe al menos una sucesion 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 suce-
sion. Por eso decimos que el espacio es incompleto.
Si deseamos completarlo, deberamos anadirle 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. Como proceder en este caso?. Es posible hallar
una solucion 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 espa-
cio 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 com-
pletado de (X, d) y es unico, 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.
Demostracion. 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 /
= {(x
dn ) | (xn ) es la clase de equivalencia
d
con representante (xn ) Xc }.
Para (x n ), (yn ) X1 sea
d d

d1 ((x
d n ), (yn )) = lm d(xn , yn ).
d
n

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

Sea : X X1 , x 7 (x d n ), donde (xn ) = (x, x, x, ...).
La funcion : 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 esta 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.
Definicion 24. Sean (X, dx ), (Y, dy ) dos espacios metricos. Una funcion
: 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 multiplicacion por un numero (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 sigu-

ientes 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 Multiplicacion:

(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 unico. En efecto:
u, v X, u + v = u v = .
(4) x X, su inverso aditivo x es unico. 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 multiplicacion 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 miem-

bros 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, respectiva-
mente. Entonces escribiremos

u = v kuk = kvk,

u y v son paralelas y tienen el mismo sentido.

Es facil 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 numero 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 facil probar que se cumplen las propiedades (S), (M) y (D). En partic-
ular:

(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
Definicion 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 combinacion lineal de
v1 , ..., vN con coeficientes o pesos 1 , ..., N .
Se nota
XN
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 combinacion 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 depen-
dientes (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 facil ver que esta definicion equivale a decir que

N
X
(1 , ..., N ) KN \ {(0, ..,0)} tal que k vk =
k1

Definicion 27. Para N 2 se dice que N vectores v1 , ..., vN X son lineal-

mente independientes (l.i.) si no son linealmente dependientes.

41
 NOTA: Es facil ver que v1 , ..., vN son l.i. ssi:
N
X
(1 , ..., N ) KN , k vk = 1 = 2 = ... = N = 0
k=1

De hecho esta ultima propiedad se suele usar como definicion.

Definicion 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.

Dimension
Definicion 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 dimension finita y que N es la dimension
de X, lo que se nota
dim(X) = N.
En caso contrario se dice que X es de dimension infinita y se escribe
dim(X) = .
Por definicion dim({}) = 0 y tambien es considerado de dimension finita.
NOTA: Si dim(X) = N N, entonces N es el maximo numero de vectores
l.i. que podemos hallar en X y por otra parte es el mnimo numero 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
combinacion 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
Definicion 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
N
X
x X !N 1 !1 , ..., N K, !v1 , ..., vN B tales que 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 dimension finita
Teorema 31. Sea (X, +, ) un EV sobre K de dimension finita N N {0}.
Si Y X es un SEV propio de X (i.e. Y 6= X), entonces

dim(Y ) < dim(X).

Pruebelo!.
Definicion 32. Si B = {v1 , ...vN } X es una base de Hamel de X, como
N
X
x X! KN tal que = (1 , ..., N ), x = k vk ,
k=1

se puede definir la funcion

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 dimension 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 unico (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 cual de los siguientes subconjuntos de R3 es un subespacio vectorial
de R3 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,
b = {x + y | y Y }
x
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 + y;  x
b ] yb = x[ x
b = d
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),
codimension de X en Y.
Note que si ponemos x y y Y tal que x = z + y, entonces es
una relacion 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

Definicion 34. Sea K {R, C}, X un EV sobre K. Una funcion 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 traslacion)
(b) K, u, v X, d(u, v) = ||d(u, v).
k) un EVN. Si para (en ) X se tiene que x X
Definicion 36. Sea (X, kP

!(n ) K tal que x = k=1 k ek , se dice que (en ) es una base de Schauder
de (X, k k)

Ejercicios
que en KN , k kp son normas (p [1, ]), si para p [1, [,
1. Pruebe q
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 =
max{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

n 0 kun akx
n 0 kvn bky
n 0

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
X . Pruebe que n=1 kxn k < no
12. Sea (X, k k) un EVN. Sea (xn ) P

implica la convergencia de la serie n=1 xn , pero:
(X, k k) es completo

X
X
(xn ) X , kxn k < xn converge
n=1 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 funcion continua y que

x, y X, | kxk kyk | kx yk kxk + kyk

47
Captulo 9

Propiedades de los Espacios

Vectoriales Normados

Definicion 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
biyeccion , 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 unico,
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.
Demostracion. Es similar a la del Teorema del Completamiento de los espacios
metricos: (X1 , ], ) es un EV si para (x
d n ), (yn ) X1 , K, ponemos
d

(x
d d def \
n ) ] (yn ) = (xk + yk )
 (x d \
n ) = (xk )

Ver que ] y  estan bien definidas (no dependen de los representantes escogidos
y satisfacen las propiedades de EV).
Si para (x
d n ) ponemos

k(x
d n )k1 = lm kxk k, entonces k k1 : X1 R
k

48
es una norma, (X1 , k k1 ) es de Banach, etc.

Propiedades de los EVN de Dimension 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

XN
c 0, KN , k vk ckk1 (9.1)


k=1
PN
donde kk1 = k=1 |k |, si = (1 , 2 , ..., N )
Demostracion. 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
1
Pero poniendo = kk1 tenemos que kk1 = 1 y que entonces (9.1)
(9.2)
XN
N
c 0, K tal que kk1 = 1, k vk c (9.3)


k=1
Probemos (9.3) por el absurdo. Supongamos entonces que:
N
X
N
c 0, K tal que kk1 = 1, y k vk < c (9.4)


k=1
1
Usando (9.4) con c = n, para n N, tenemos que
N
X
(n)
1
n N (n) KN tal que k (n) k1 = 1, k vk < (9.5)

n
k=1
PN (n)
Tomando lmn en (9.5) y si ponemos yn = k=1 k vn tenemos entonces
que
N
(n)
X
lm kyn k = 0 y que k (n) k1 = |k | = 1 n 1 (9.6)
n
k=1
(n)
De (9.6) vemos que n 1, k {1, ..., N }, |k | 1, por lo que en (KN , k k1 )
la sucesion ( (n) )n1 es acotada.
Para esta sucesion aplicaremos el siguiente
Teorema 40. de Bolzano -Weierstrass para (KN , kk1 ). Si ( (n) ) (KN )
es acotada en (KN , k k1 ) entonces existe una subsucesion ( (nj ) )j1 de ( (n) )
y b KN tales que
lm k (nj ) bk1 = 0 (9.7)
j
PN
Ponemos y = k=1 bk vk . Entonces
lm ky(nj ) yk = 0 (9.8)
j

49
 En efecto, si ponemos V = max1xN kvk k, entonces V > 0 y

XN N
(nj )
X
lm kynj yk = lm k vk bk vk

j j
k=1 k=1

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

j
k=1
N
X
lm |k bk | kvk k
j
k=1
N
(nj )
X
V lm |k bk |
j
k=1

(n )
V lm k j b = 0

j 1

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 dimension finita. Sea (X, kk)
un EVN y sea Y un SEV de X de dimension 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.
Demostracion. Sea = {v1 , ..., vN } Y una base de Y.
Sea (yn ) Y una sucesion de Cauchy.
Debemos hallar y Y tal que kyn yk 0.
n
(n) N
PN (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
(n) (m) (n) (m)
X
|k k | |j j |
j=1

= k(n) (m) k1

N
lema? 1 ( (m) )vj
X (n)
j j
c j=1


N N

1 X (n) X (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)
k {1, ..., N }, |k ak |n
0

PN
Sea y = k=1 ak vk .
Nos queda por probar que kyn yk 0 ya que y Y , obviamente.
n
Si ponemos V = max1kN kvk k tenemos que
N N

X
(n)
X
0 lm kyn yk = lm k vk ak vk

n n
k=1 k=1
N
X
(n)
= lm (k ak )vk

n
k=1
N
(n)
X
V lm |k ak |
n
k=1
N
(n)
X
= V lm |k ak |
n
k=1
= 0

El teorema del sanduche nos da el resultado.

Definicion 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.

Demostracion. 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 =
maxakb kvk kb > 0.
PN
Sea k X. Sea KN tal que x = k=1 k vk .

51
Entonces:
N
X
kxka = k k vk ka
k=1
N
X
|k |kvk ka
k=1
N
X
Va |k |
k=1
= Va kk1
N
() Va
X
k vk

cb


k=1 b
= skxkb

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

Analogamente, con t = Vcab , con ca > 0 dado por el lema ? con k ka , tendremos
que kxkb tkxka .
Definicion 44. (Compacidad) Un espacio metrico (X, d) es compacto si
(xn ) X posee una subsucesion (xnk ) convergente (i.e. l X tal que
d(xnk , l) 0).
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 definicion (xnk ) es la composicion de (xn ) con la sucesion estricta-

mente 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.
Demostracion. 1. Supongamos que A es compacto. P.D. (1.1) A es cerrado;
(1.2) A es acotado.
(1.1) Sea (xn ) A y l X tales que xn n
. P.D. l A.
Como A es compacto, (xnk ) (xn ) y a A tal que xnk a.
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 = max0j2 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 = max0jn1 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 d(x0 , xj ) = 1

0jn1

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

d(xm , xn ) 1 si m 6= n.
Esta sucesion 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 .
A=B e1 (0) es cerrada y acotada pero (xn ) A no puede tener subsuce-
siones de Cauchy y, por ende, subsucesiones convergentes.

Teorema 46. (Compacidad y dimension finita 1.) Sea (X, k k) un EVN

de dimension N < . Sea un conjunto no vaco A X. Entonces:
A es compacto A es cerrado y acotado.
Demostracion. () Resulta del lema precedente.
() Supongamos que A es cerrado y acotado. P.D. A es compacto.
Sea (xn ) A una sucesion 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
X
n 1, xn = 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
(n) 1 X (n) 1
R
k k1 k vk = kxn k < =: 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,
existe ((nc ) ) ((n) ) y a KN tales que k(nk ) ak1 0.
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 relacion entre la compacidad de un conjunto cerrado y acotado

y la dimension del EVN se evidencia aun mas en el siguiente teorema.

Teorema 47. (Compacidad y dimension finita 2.) Sea (X, k k) un EVN.

Entonces:

dim X es finita B
f1 () es compacta.

Demostracion. () 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

Supongamos que B f1 () es compacto. P.D. dim(X) < .

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.
Una tal sucesion (xn ) B f1 () no puede tener subsucesiones de Cauchy y,
por ende, ninguna subsucesion convergente.
Esto indica que B f1 () no es compacta. Contradiccion.

54
Teorema 49. (Invarianza de la Compacidad.) Sea (X, dx ), (Y, dy ) dos
espacios metricos y f : X Y una funcion continua. Sea A X no vaco.
Entonces:

A es compacto en (X, dx ) f (A) es compacto en (Y, dy )

Demostracion. 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))

k k
continuidad de dy
= dy ( lm , f (a))
k
continuidad de f
= dy (f ( lm ), f (a))
k
= dy (f (a), f (a))
= 0

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

Demostracion. 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 = max 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

Demostracion. 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.
Como 1 > 1, a > a, por definicion de nfimo
a
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 k
(v y ).

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
1
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.
Definicion 52. Compacidad local. Un EM (X,d) es localmente com-
pacto si b X Vb una vecindad de b compacta en (X,d). (V es una
vecindad de b b V r > 0 tal que Br (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.
Definicion 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)
o p = . Pruebe que kxn lkp 0 k {1, ...N }, |xk lk |
n
0.
n

57
Captulo 10

Operadores Lineales
Acotados

Definicion 54. Sean X,Y dos EV, ambos sobre K {R, C}. Una funcion 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} = nucleo 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
esta 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.
Ademas TBC = ([T u1 ]c [T u2 ]c ...[T uN ]c )

6. Si T : X Y es lineal, entonces:

58
 (a)
def
T 1 Y X 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.

Definicion 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.
kT xky
(10,1) c 0 tal que x D(T ) \ {}, c (10.2)
kxkx
c 0 u D(T ) para el cual kukx = 1, kT uky (10.3)
c

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

def kT xky
kT k = sup = sup kT uky = mn{c 0 | (10,1)}
xD(T )\{} kxkx uD(T ), kukx =1
(10.4)
A kT k se le llama norma de T. Veremos luego por que.

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

4. Para el calculo de kT k se suelen usar las siguientes observaciones:

(a) u D(T ) con kukx = 1, kT uky kT k

kT xky
(b) x D(T ) \ {}, 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

Ademas 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
Rt
(d) J : C[a, b] C[a, b], x 7 y, y(t) = 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
 R
(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

cual es lineal y cual 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 topologico 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 alge-
braico de X.
3. La funcion
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

inmersion canonica de X en X
4. Si C es sobreyectiva se dice que X es algebricamente 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
|f (x)| =  x(t)dt |x(t)|dt
 
 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 
|f (u)| =  1dt = (b a) kf k
 
 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 dimension fini-

ta
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 unico 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
N
X
f (x) = k f (bk ) (11.1)
k=1

Vemos que f esta 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. (dimension del dual) Si X es un EV sobre K de dimension

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 dimension finita:

Lema 62. (de la igualdad) Sea X un EV sobre K {R, C}, de dimension

N < . Entonces:

1. x X, [x = f (x) = 0 f X ]

2. u, v X, [u = v f (u) = f (v) f X ]

Demostracion. 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 }

XN N
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 dimension finita es algebricamente reflexivo. La

aplicacion canonica
C : X X , x 7 gk
es lineal y biyectiva.

Demostracion. (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.
a+b
4. Sea f : C[a, b] R, x 7 f (x) = x(a) x + x(b).
2
Pruebe que f c[a, b] y halle kf k.
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.
a+b
9. Sean X = {x c[a, b] | x0 c[a, b]}, J = [a, b], c = .
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 nucleo 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 unico, 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

Caracterizacion del dual

topologico del algunos EVN

Definicion 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.

Definicion 65.
X 0 = L(X, K) = (l(X, K), k k)
se llama dual topologico 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

= sup |f (u)|
uD(f ),kukx =1

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

2. Si el EV X es de dimension 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 relacion entre un EVN de dimension finita y su dual se ve aun

mas 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 conjuga-
dos), 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
dimension finita, motivan la busqueda de resultados analogos para espacios de
dimension finita.
En particular es de gran utilidad hallar un EVN que sea isomorfo al dual
topologico X 0 de un EVN (X, k kx ) dado. Se tienen los siguientes resultados:

Teorema 66. Pongamos:

K
| |xk |p < }, p [1, [
P
p = {(xn ) K

K
= {(xn ) K

| (xn )es acotada}.
p P
Para (xn ) K
p , k(xn )kp =
p p p
k=1 |xk | , l = (Kp , k kp ).

Para (xn ) K
, k(xn )k = sup{|xk | | k N}, l

= (K
, k k ).

c0 = ({(xn ) K | xn n
0}, k k ) (es SEVN de l , obviamente).

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 analogo para S, T L(X, Y ), donde X e Y son dos
EVNs, ambos sobre K {R, C}.
4. Sean (Tn ) L(X, Y ), T L(X, Y ) tales que kTn T k n
0.
Pruebe que para a X y R > 0 dados, la sucesion (Tn ) converge uni-
formemente hacia T en B eR (a).
(es decir  > 0 N tal que x B
eR (a), n > N kTn x T xk < )

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 dimension finita. Pruebe que l(X, K) 6= X 0 .
10.

Definicion 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

Definicion 68. Sea X un espacio vectorial sobre K {R, C}. Una funcion

< , >: 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 homo-

geneidad (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 2 2 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 ningun producto escalar. Es
mas se tiene el siguiente:

Teorema 69. Sea X un espacio vectorial sobre K dotado de una norma

kk : X [0, [

Entonces kk esta asociada a un producto escalar

< , >: X 2 K

si y solo si x, y X se cumple la identidad del paralelogramo.

Demostracion. () Es (6) de la nota precedente.

() Suponer valida (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.

Definicion 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
Z b
< x, y >= x(t)y(t)dt si K = R
a
Z b
< x, y >= x(t)y(t)dt si K = C
a
P
(d) X = l2 (K) = {(xn ) K | k=1 |xk |2 < }; (xn ), (yn ) X

X
< (xn ), (yn ) >= (xk )(yk ) si K = R
k=1

X
< (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

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

x, ym m
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 ningun
producto escalar.
def
8. C[a, b] = (c[a, b], k k ). Pruebe que k k no esta asociada a ningun
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 plena-
mente definido si conocemos ij =< bi , bj > para 1 i j N .
Que propiedades deben satisfacer estos numeros 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

(a) f (x) = sin ba (x a) ;
(b) f (x) = (x a)2n , n N,
(c) f (x) = (x a)2n1 , n N.
12. Sea (X, < , >) un espacio eucldeo. Pruebe que
1 1
x, y, z X, kz xk2 + kz yk2 = kx yk2 + 2kz (x + y)k2
2 2
(Identidad de Apolonio).

74
Captulo 14

Desigualdades de Cauchy-
Schwarz-Bunakovski y
Triangular

Sea (X, < , >) un espacio eucldeo. Si para x X ponemos kxk =

< x, x >, se define la funcion 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-Bunakovski) 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.).
Demostracion. 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
2
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>
kyk2
, tendremos entonces

2
0 kx yk
< y, x >
= < x, x > 2 < x, y >
kyk
2 | < x, y > |2
= kxk 2
kyk

75
 2 2
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]
Demostracion. 1. Sean x, y X:
2 2 2
kx + yk = kxk + < x, y > + < y, x > + kyk
2 2
= kxk + kyk + < x, y > +< x, y >
2 2
= kxk + kyk + 2Re < x, y >
2 2
kxk + kyk + 2 |< x, y >|
por la desigualdad (C.S.B.)
2 2
= (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 > |, (14.2)

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
 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 hipotesis 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 funcion < , >: 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 p
p
k(x, y)kp = kxkp + kykp , 1 p < , o

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

Es facil 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
Demostracion. Sea p [1, ]. Sea (x0 , y0 ) X 2 . P.D.
k < x, y > < x0 , y0 > k 0.
(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

Definicion 74. Dos espacios eucldeos (X, < , >x ) e (Y, < , >y ) son iso-
morfos ssi : X Y una biyeccion 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 unico 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.

Demostracion. Es analoga 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 < , >,
y si H = {(x d n ) | (xn ) es la clase de equivalencia con respresentante (xn ) Xc },
d
se pone, para (x d [
n ), (ym ) H:

< (x
d [ def
n ), (ym ) > = lm < xk , yk > .
k

El resto de la demostracion es similar.

Ejercicios
1. Que significa la desigualdad (C-S-B) en R2 ?. Y en R3 ?. De otra de-
mostracion 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 =
maxaxb |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

Aproximacion de un punto
con elementos de un
convexo

Definicion 76. Sea (X,d) un espacio metrico, x X y M X un conjunto

no vacio. La distancia de x a M es el numero 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 presicion que deseemos.
Pero surge la pregunta: existe algun 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 grafico 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 combinacion 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 interseccion de convexos es un convexo.

3. La union de convexos no es necesariamente convexa.

En el ejemplo con M = M2 = {1} [1; 2,5], x = (0, 2) vimos que existe

un unico punto, en este caso y = (1, 2), que es solucion del problema de
aproximacion 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 solucion 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

Demostracion. Ver en Kreyszig, pag. 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.

Demostracion. 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 .
Demostracion. 1 y 2 los proponemos como ejercicio.
3 ver Kreyszig, pag 149.

NOTA:
1. Si Y es un subespacio vectorial de X, el aniquilador Y se lo llama com-
plemento 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.

Demostracion. Sea x H. Debemos hallar y Y , z Y unicos 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
analogas a las de Py .

El Teorema del Vector Cero y el Lema de Totali-

dad
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 ultima 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 condicion

< 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 aun mas.
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
Demostracion. 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 ultima igualdad tomamos lmn y por la continuidad del pro-
ducto escalar tenemos que:

0 = lm < x, vn >=< x, lm vn >=< x, y >

n 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
N
X N
X
< x, v >=< x, k wk >= 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 prece-
dente inspira el siguiente (muy util) resultado:
Teorema 82. (del Conjunto Total.) Sea (H, < , >) un espacio de Hilbert.
Sea A H. Entonces
A es total A = {}
Demostracion. () 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

N
X
< (z1 , ..., zN ), (w1 , ..., wN ) >= zk wk ,
k=1

sea X
M {x CN | zk = 1}.

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

kyk = maxxM 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.

Definicion 83. Un conjunto no vaco M X es ortogonal ssi
u, v M, u 6= v < u, v >= 0
El conjunto es ortonormal si, ademas, u M, kuk = 1.
NOTA:
1. M es ortonormal
(
1 si u = v
u, v M, < u, v >= uv =
0 si u 6= v

2. Si M es ortogonal, nada impida que M contenga el vector cero, pero ten-

emos 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.
Demostracion. 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 demas sumandos son 0 porque M es ortogonal)
j = 0
(porque < vj , vj >= kvj k2 6= 0, ya quevj 6= 0)

87
Definicion 85. Una sucesion (vk ) X es ortogonal si

m, n 1, m 6= n < vm , vn >= 1.

Si ademas, k 1 kvk k = 1, se dice que la sucesion es ortonormal.

NOTA: Obviamente que el conjunto {vk | k 1} que es la imagen de la

sucesion, sera ortogonal u ortonormal, segun el caso, si la sucesion (vk ) lo es.
La generalizacion 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.

Definicion 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 utiles los siguientes resultados.

Teorema 87. de Pitagoras. x, y X,

< x, y >= 0 kx + yk2 = kxk2 + kyk2

Demostracion. 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.

Demostracion. () 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 PY. Entonces existen N 1, y1 , ..., yN B,
N
1 , ..., N K tales que z = k=1 k yk .
Entonces
N
X N
X
< x, y >=< x, k yk >= k < x, yk >= 0
k=1 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 Proyeccion
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 dimension 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
n
X
y= 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},
n
X n
X
<x j ej , ek >= 0 < x, ek > < ej , ek >= 0
j=1 j=1
< x, ek > k = 0
k =< x, ek >
Tenemos entonces el
Lema 89. Sea (En ) X una sucesion ortonormal. Para n 1 sea Y =
Gen{e1 , ..., en }. Sea x X. Entonces, si ponemos
n
X
yn = < x, ek > ek , zn = x yn
k=1

se tiene que
n
X
yn = Pyn x, zn Yn , kyn k2 = | < x, ek > |2 .
k=1

89
 Queda por verificar la ultima igualdad:
n
X n
X
2
kyn k = < < x, ej > ej , < x, ek > ek >
j=1 k=1
n X
X n
= < x, ej > < x, ek >jk
j=1 k=1
Xn
= < x, ek > < x, ek >
k=1
Xn
= | < x, ek > |2 .
k1

Podemos ahora probar el siguiente (muy importante):

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

X
x X, | < x, ek > |2 kxk2 .
k=1

Demostracion. Con las notaciones del lema,

n 1 yn zn , x = yn + zn

por lo que (Th. de Pitagoras)

kxk2 = kyn k2 + kzn k2 n 1.

De donde
kxk2 kyn k2 n 1
(porque kzn k2 0).
Por el lema anterior
n
X
kyn k2 = | < x, ek > |2 kxk2 n 1. ()
k=1

Tomando lmn se obtiene la desigualdad buscada.

El Metodo de Ortogonalizacion de Gram-Schmidt

Los resultados precedentes muestran la utilidad de familias finitas o suce-
siones 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 facilmente gracias al Metodo de Gram-Schmidt:

90
Teorema 91. (Metodo 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 sucesion (vn ) de vectores l.i. En este caso existe (en ) una sucesion
ortonormal tal que

n N, Gen{v1 , ..., vn } = Gen{e1 , ..., eN }.

Demostracion. (Por Induccion)

1
Sea e1 = v1 . Entonces ke1 k = 1 y Gen{v1 } = Gen{e1 }. Sea n 1. Supong-
kv1 k
amos que el resultado es valido 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 valido para n + 1: Sea

n
X
wn+1 = vn+1 < 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
Si ponemos en+1 = kwn+1 k, se tiene entonces que en+1 Gen{e1 , ..., en }
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 ortonor-
mal.

2. Use (*) de la demostracion del Th de la Desigualdad de Bessel, para probar

la Desigualdad de Cauchy-Schwarz-Bunakovski (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:

N
X
kx < 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 ortonor-
mal. Pruebe que

X
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
1
a) m N, el conjunto {w | | < x, ew > | > 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
N
X
x= < x, ek > ek
k=1

A la expresion 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 sucesion 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?
PN
2. Si la serie converge, digamos hacia s (o sea que s = lmn k=1 <
x, ek > ek ), x = s?
Para responder estas preguntas veamos algunos resultados concernientes a
series de la forma
XN
k ek
k=1
PN
con (k ) K. Ponemos sn = k=1 k ek .
Teorema 92. Sea H un espacio de Hilbert, (ek ) H una sucesion 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

N
X
s= < s, ek > ek .
k=1

PN
3. x H, k=1 < x, ek > ek , la serie de Fourier de x respecto a (ek ),
converge.
Pn Pn
Demostracion. 1. Sean, para n 1, sn = k=1 k ek y vn = k=1 |k |2 .
Por definicion de serie

X n
X
k ek = lm sn , |k |2 = lm n .
n n
k=1 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:

n m
2
X X
2
ksn sm k = k ek k ek



k=1 k=1
2
X n
= k ek



k=m+1
Xn n
X
= < i ei , j ej >
i=m+1 j=m+1
n
X
= |k |2
k=m+1
Xn m
X
= |k |2 |k |2
k=1 k=1
= |n m |.

94
 2. Sea k 1. Entonces
n
X
n k, < sn , ek >=< j ej , ek >= k
j=1

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

lm < sn , ek >= k < lm sn , ek >= ek

n n
< s, ek >= k

3. Resulta
P de 1 con (2k ) = (<2
x, ek >), ya
Pque por la desigualdad de Bessel
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 analogo acurre y bajo que condiciones en losP
espacios
n
de dimension infinita. Nos preguntamos entonces: cuando x = s = k=1 <
x, ek > ek ?.
Obviamente que no siempre. Veamoslo en el siguiente ejemplo:

Ejemplo 93. Si (fn ) es ortonormal y si ponemos (en )n1 = (fn+1 ) = (f2 , f3 , ...)
y x = f1 tendremos que
n
X n
X
s= < x, ek > ek = < f1 , fk+1 > fk+1 = 0 6= f1 = x
k=1 k=1

Notemos que como s = lmn sn y como sn Gen{ek | k 1} en-

tonces 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 sucesion ortonormal. En-
tonces
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:

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

Los resultados precedentes se pueden generalizar para familias ortogonales

infinitas mas 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
Definicion 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
< x, ewk > ewk
k=1

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

NOTA:
P
1. Es facil 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 analoga-
mente: cuando {ew H | w } es total, es decir si Gen{ew | w } =
H.
3. Se puede probar (ver Kreyszig, pag 170) que

X
{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 sucesion
P ortonormal.
Pruebe que si para (k ) H, la serie k=1 k ek converge, entonces

X
X
|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

X
X
< xk converge
k=1 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
Representacion de Riesz

Dado un espacio vectorial normado (X, k kx ) es de sumo interes caracterizar

a su dual topologico (X 0 , k kx0 ) que es el EVN ({f ; XK | f es lineal y acotado},
k kx0 ), donde

|f (x)|
kf kx0 = sup = sup |f (u)| = mn{c 0 | x X, |f (x)| ckxkx }
x6=0 kxkx kuk=1

Su importancia radica, por ejemplo, se puede conocer indirectamente si un vec-

tor x0 X es cero, viendo como 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 dimension finita N N; x0 X.

Sea X = {f : X K | f es lineal}, el dual algebraico de X. Entonces

x0 = f (x0 ) = 0 f X

Demostracion. 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 Dimension Infinita) Sea X un es-
pacio vectorial de dimension 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.

Demostracion. () 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
X
!N 2, !e2 , e3 , ..., eN B, !1 , 2 , ..., N K tales quex = 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 sustancial-
mente 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 aun para conocidos espacios
como se vio 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 Representacion 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()

Ademas kzf kH = kf kH 0 , donde (H 0 , k kH 0 ) es el dual topologico de (H, k kH )

NOTA: El Th. se llama as porque f (x) puede representarse mediante (*).

Demostracion. 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)

de donde = 2 , o tambien = 2 , y zf = z, necesariamente!.
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,
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 (z)
f (x) = < x, z >
kzk2H
f (z)
= < x, z>
kzk2H
= < x, zf >

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 intro-

ducir algunos conceptos:

Definicion 101. Sean X, Y dos EV ambos sobre R (resp. C). Una funcion
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 ))].

Definicion 102. Sean X,Y dos EVN sobre K {R, C}. Sea h : X Y K
una forma bilineal o sesquilineal, segun 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 numero

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 facil ver que:

1.
|h(x, y)|
khk = sup = sup |h(x, y)|.
x6=, y6= kxkx kyky kuk=1, kvky =1

2.
(x, y) X Y, |h(x, y)| khkkxkx kyky

Teorema 103. (de la Representacion 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 .()

Ademas 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
Demostracion. (Idea) Para definir S debemos determinar Sx para x H1 .
Sean x X y la funcion 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
P f (l (C)) . Halle (zn ) l (C) tal que (xn ) l (C), f ((xn )) =
4. Sea
k=1 xk zk .

5. Resuelva los ejercicios con que inicia la demostracion del Th. de la Rep-
resentacion 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 relacion 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 oper-
adores autoadjuntos, por sus propiedades en diversos aspectos como en Teora
Espectral. Para estudiarlos necesitamos los siguientes conceptos:
Definicion 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 valido si K {R, C} pero lo redactaremos para el ca-
so K = C. Para R = R es similar y debemos entender bilineal donde
este sesquilineal y = si R, etc.
2. La definicion tiene sentido solo si existe T . Esto esta garantizado por el
siguiente teorema.
Teorema 105. (Existencia del Adjunto de Hilbert) T de la definicon
precedente existe, es unico 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.
Demostracion. 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 util 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.

Demostracion. (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.

Demostracion. (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

Demostracion. 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-Bunakovski (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
<
u, un xn ;

u = ... ,

X
x >1 = x = ... KN ,
n=1 uN xn

N v1 y1
<v ,
vm ym ;
v = ... ,

X
y >2 = y = ... KM
m=1 vN yn

Sea T : KN KM ,
x 7
y = Tx un operador lineal (acotado por estar
definido en un espacio de dimension finita).
Sea A = (T
e1 T

e2 ... T
e


N ) la matrix canonica asociada (T x = A x ), A

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 .
Notemos que < u,
x >1 = u T

x, <
v ,

y >1 = v T

y , viendo a los miembros
de la derecha como productos de matrices con u y v T las transpuestas de

T

u


y v , respectivamente.

106
Lema 110.
T
B=A

Demostracion. 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:

< T

x,

y >2 =< A

x,
x )T
y >2 = (A

y =

x T AT

y ;y

x , T
<

y >1 =<

x , B

y >1 =

x )T B

y =

x T B

y,
Al ser iguales los primeros miembros de estas dos expresiones, lo seran tambien
los ultimos, 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).

Definicion 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 sucesion de operadores autoadjuntos tal que

kT n T k 0.
n

Entonces es autoadjunto.

107
Demostracion. 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

2 (S + S ), S2 =
1
2i (S S ). Pruebe que:

(a) S1 y S2 son autoadjuntos.

(b) S = S1 + iS2 y S = S1 iS2 y que esta representacion de S es
unica (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.

3. (T ) es compacto y (T ) B
ekT k () (i.e. (T ), || kT k).

Demostracion. Se basa en el siguiente:

Lema 116. Sea S L(x). Si kSk < 1 entonces

X
(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
1
r=
k(T 0 I)1 k
.
2. Resulta de 1.
3. Sea C tal que || > kT k. Probemos que (T ).
 1  k
1 1 1 1X 1
(T I) = I T = T

k=0

112
 que converge por el lema con S = 1 T , kSk = ||
1
kT k < 1.
Al ser (T ) cerrado y acotado en C, entonces es compacto.

NOTA:

1. Ver detalles de la demostracion en Kreyszig, seccion 7.3.

2. Podemos encerrar (T ) en una bola lo mas pequena posible:

Definicion 117. Al numero r (T ) = sup{|| | (T )} se le llama radio

espectral de T. Obviamente
(T ) Ber (0)

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.

Definicion 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 extension 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 invari-
ante 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
Apendice A

La Triyeccion

Espacios geometricos, 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 numero 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 funcion 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 numero 0 y si a todo
numero 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 grafico 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 biyeccion G : R E 1 , se puede definir la distancia entre dos
numeros a y b, notada d(a, b)

d(a, b) = dg(A, B),

donde A = G(a) y B = G(b).

Es facil probar que para todo a, b R se tiene d(a, b) = |a b|.
La funcion 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 biyeccion 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 numero 1 esta 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
funcion 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 facil probar que
p
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 analoga, 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 numero 1, por
encima del plano.

Definamos la funcion G : R3 E 3 (a1 , a2 , a3 ) A de la siguiente manera:A

la pareja (a1 , a2 ) le hallamos su grafico en el plano cartesiano horizontal, digamos
A. En la vertical que pasa por A hallamos un punto A situado a una distancia
|a3 | de A, por encima de A si a3 > 0 y por debajo si a3 < 0 (si a3 = 0, A = 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 numeros
(a1 , a2 , a3 ) = G1 (A) les llamaremos coordenadas de A.
A la funcion 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 facil probar que

p
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 unico vector igual a ~v con
esta propiedad).
Por otra parte, dado un numero 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 direccion 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 definicion 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 numero 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
Si A 6= B, el vector AB ~ tiene como caractersticas o propiedades:

1. su direccion (que es la de todas las rectas paralelas a la recta que pasa por
A y B, en particular esta ultima)

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
del vector AB AB~
.

Notemos que para dos parejas diferentes de puntos (A, B) y (C, D) E

E, para los correspondientes vectores AB ~ y CD ~ pueden coincidir estas tres
caractersticas (direccion, 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
AB ~ (dibujelos 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 direccion 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
multiplicacion de un escalar (numero) por un vector, de la siguiente manera:
Dados ~u, ~v V , la suma de ~u y ~v es el vector notado ~u + ~v =.

La Triyeccion 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, segun el caso.
La biyeccion V N E N : Dado un vector cualquiera ~a V V 1 , V 2 , V 3 ,

obviamente existe un unico 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 biyeccion G : RN E N se puede definir lo que llamaremos
triyeccion 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 espa-
cios, 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 nat-
ural a la distancia en R, R2 , R3 .
Obviamente tambien se puede definir la distancia entre dos vectores ~a y ~b, que
sera el numero

dv(~a, ~b) = dg(A, B), si ~a = OA

~ y ~b = OB.
~

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 facil probar que

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

(a1 , a2 ) = ( a1 , a2 )
Analogamente, 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 analogas 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 corre-
spondientes.
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 facil probar que: k(a1 , a2 )k2 = |a1 |2 + |a2 |2 .
def
Analogamente
para (a1 , a2 , a3 ) R3 tendremos que si k(a1 , a2 , a3 )k2 =
~
OA , donde A es el grafico de (a1 , a2 , a3 ), entonces
p
k(a1 , a2 , a3 )k2 = |a1 |2 + |a2 |2 + |a3 |2

120
Es inmediata la verificacion 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 definicion puede trasladarse a RN .
Por ejemplo, para N = 2 dados (a1 , a2 ), (b1 , b2 ) R2 , pondremos
def
E
D
h(a1 , a2 ), (b1 , b2 )i = OA, OB ,

donde A = G((a1 , a2 )) es el grafico de (a1 , a2 ) y B = G((b1 , b2 )) es el grafico de

(b1 , b2 ).
Es facil probar la sorprendente formula:

h(a1 , a2 ), (b1 , b2 )i = a1 a2 + b1 b2 (A.1)

Analogamente, si para N = 3, dados (aD1 , a2 , a3 ),E(b1 , b2 , b3 ) R3 definimos

def

analogamente 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 formulas (1) y (2) que acabamos de escribir.
Smbolos A la triyeccion R-E-V la representaremos con los smbolos RN
E V N.
N

121