Mates78 PDF

Apuntes de
ETODOS MATEM
ATICOS
Curso 2010-2011
Eusebio Corbacho y Ricardo Vidal
October 26, 2010
2
Contenido
Presentaci on 7
1 Prerrequisitos 9
1.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Relaciones de equivalencia y de orden . . . . . . . . . . . . . 11
1.3 Semigrupos, grupos, anillos y cuerpos . . . . . . . . . . . . . 13
1.4 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Convexidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Espacios metricos y espacios normados . . . . . . . . . . . . . 26
1.7 Espacios de Banach . . . . . . . . . . . . . . . . . . . . . . . 39
1.8 Bases de Schauder . . . . . . . . . . . . . . . . . . . . . . . . 48
1.9 Teoremas de Stone-Weierstrass . . . . . . . . . . . . . . . . . 54
1.10 Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . 65
1.11 C alculo diferencial . . . . . . . . . . . . . . . . . . . . . . . . 79
1.12 Espacios de medida . . . . . . . . . . . . . . . . . . . . . . . . 84
2 Teora de grafos 93
2.1 Deniciones b asicas . . . . . . . . . . . . . . . . . . . . . . . . 93
2.2 Cuasimetricas y metricas en grafos . . . . . . . . . . . . . . . 98
2.3 Problemas tpicos modelizados por grafos . . . . . . . . . . . 120
2.3.1 Problemas de congesti on y abastecimiento . . . . . . . 120
2.4 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3 Problemas lineales. 137
3.1 El problema lineal inverso . . . . . . . . . . . . . . . . . . . . 137
3.2 Metodos directos . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.2.1 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . 138
3.2.2 Eliminaci on de Gauss . . . . . . . . . . . . . . . . . . 138
3.2.3 Factorizaci on LU . . . . . . . . . . . . . . . . . . . . . 141
3.2.7 Factorizaci on de Cholesky . . . . . . . . . . . . . . . . 143
3.2.9 Factorizaci on QR . . . . . . . . . . . . . . . . . . . . . 144
3.3 Condicionamiento del problema lineal inverso . . . . . . . . . 145
3.4 Metodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . 148
3
4 CONTENIDO
3.4.5 Metodo de Jacobi . . . . . . . . . . . . . . . . . . . . 152
3.4.6 Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . 152
3.4.7 Metodo de relajaci on . . . . . . . . . . . . . . . . . . . 153
3.5 Metodo del gradiente conjugado . . . . . . . . . . . . . . . . . 153
3.6 Ejemplos de problemas lineales inversos . . . . . . . . . . . . 154
3.7 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
4 Problemas espectrales 163
4.1 Ejemplos tpicos de problemas espectrales . . . . . . . . . . . 164
4.2 Teora espectral nito dimensional . . . . . . . . . . . . . . . 167
4.2.6 Metodo de la potencia . . . . . . . . . . . . . . . . . . 172
4.3 Teora espectral en espacios de Hilbert . . . . . . . . . . . . . 173
4.4 Problemas de Sturm-Liouville . . . . . . . . . . . . . . . . . . 181
4.5 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
5 Problemas no lineales 201
5.1 Metodos directos, de bisecci on y de punto jo . . . . . . . . . 201
5.2 Metodos de linealizaci on . . . . . . . . . . . . . . . . . . . . . 203
5.2.1 Metodo de Newton . . . . . . . . . . . . . . . . . . . . 204
5.2.4 Metodo de elementos nitos . . . . . . . . . . . . . . . 208
5.2.5 Metodo de diferencias nitas . . . . . . . . . . . . . . 211
5.2.6 Antitransformada r apida de Fourier . . . . . . . . . . 212
5.3 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
6 Optimizaci on 221
6.1 Algoritmos de descenso . . . . . . . . . . . . . . . . . . . . . 222
6.1.1 Algoritmo de Newton . . . . . . . . . . . . . . . . . . 222
6.1.2 Algoritmo relajado . . . . . . . . . . . . . . . . . . . . 223
6.1.3 Algoritmo del gradiente . . . . . . . . . . . . . . . . . 224
6.2 Programaci on lineal . . . . . . . . . . . . . . . . . . . . . . . 224
6.2.4 Problemas tpicos de programaci on lineal . . . . . . . 227
6.3 Programaci on convexa . . . . . . . . . . . . . . . . . . . . . . 229
6.3.8 Ejemplos tpicos de programaci on convexa . . . . . . . 234
6.4 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
7 Aproximaci on no hilbertiana 235
7.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
7.2 Mejor aproximaci on en (C[o, /], | |
) . . . . . . . . . . . . . . 239
7.2.3 Subespacios de Chebychev . . . . . . . . . . . . . . . . 241
7.2.8 Caracterizaci on de la mejor aproximaci on . . . . . . . 243
7.2.15 El algoritmo de Remez . . . . . . . . . . . . . . . . . . 248
7.3 Proyecci on versus Aproximaci on . . . . . . . . . . . . . . . . 249
7.3.1 Proyecciones interpolatorias . . . . . . . . . . . . . . . 249
7.3.2 Proyecciones ortogonales . . . . . . . . . . . . . . . . . 251
CONTENIDO 5
7.4 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
8 Teora de control 255
8.1 Control de las oscilaciones lineales . . . . . . . . . . . . . . . 255
8.2 Control optimo . . . . . . . . . . . . . . . . . . . . . . . . . . 259
8.3 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
9 Metodos numericos para EEDD 267
9.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
9.2 Metodos de un paso . . . . . . . . . . . . . . . . . . . . . . . 270
9.2.6 Metodo de Euler . . . . . . . . . . . . . . . . . . . . . 272
9.2.7 Metodos de Taylor . . . . . . . . . . . . . . . . . . . . 273
9.2.8 Metodos de Runge-Kutta . . . . . . . . . . . . . . . . 274
9.3 Metodos multipaso . . . . . . . . . . . . . . . . . . . . . . . . 276
9.3.1 Metodos de Adams-Bashforth . . . . . . . . . . . . . . 276
9.3.2 Metodos de Adams-Moulton . . . . . . . . . . . . . . 277
9.4 Pr acticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Bibliografa 282
Presentacion
Estas notas recogen la informaci on te orica y pr actica ofrecida a los alumnos
de la asignatura de Metodos Matem aticos del 4
o
curso de las titulaciones de
Ingeniera Industrial e Ingeniera Electr onica y Autom atica de la Universidad
de Vigo durante las horas de encargo docente asignadas al Departamento de
Matem atica Aplicada I. Se han seguido elmente las notaciones y el estilo
empleados en las clases para facilitar la labor personal de estudio a quienes
han asistido a ellas.
El texto se completa con la carpeta Modus de programas de MATLAB
que ha sido utilizada en el aula inform atica para obtener las soluciones
de los ejercicios propuestos. Nos parece que una atenta lectura de estos
programas, hasta su entendimiento, no s olo puede servir de repaso de las
cuestiones te oricas esenciales sino que puede proporcionar un buen metodo
de consolidaci on de ideas y ser un acicate para adquirir y programar nuevos
conocimientos. Esperamos que dicha carpeta, personalizada con el a nadido
de los comentarios y aclaraciones que cada cual estime conveniente en cada
programa, sea una herramienta util para el alumno, incluso, tras superar la
asignatura.
Hemos pretendido, ante todo, convencer al lector de que es m as pr actico
entender bien las grandes ideas, las deniciones y los enunciados de los teore-
mas, y programar su uso para obtener las soluciones de problemas concretos,
que repetir ejercicios de examen hasta adquirir la habilidad de resolverlos,
descuidando la perspectiva general que da el conocimiento abstracto de las
cosas. Programar, nos parece un buen entrenamiento para ese ir y venir de
lo concreto a lo abstracto que constituir a la esencia del ejercicio profesional
del tecnico superior. Cuando tengamos situado un problema en el marco
te orico que determina la existencia y tipologa de sus soluciones, podremos
dar las ordenes oportunas para organizar los c alculos y obtener la soluci on
particular adecuada en los terminos que m as interesen: numericos o gr acos,
con mayor o menor precisi on, con menor o mayor economa. Animamos a
los lectores a que lo intenten y deseamos ser una ayuda para que lo consigan.
7
8 CONTENIDO
Tema 1
Prerrequisitos
1.1 Introduccion
Desde nales del siglo XIX la matem atica sigue el metodo axiom atico deduc-
tivo como sistema de trabajo en todas sus parcelas. Como si quisiera cons-
truir los juegos reunidos educativos del mundo, dise na diferentes tableros,
donde los avances se producen bajo reglas estrictas que los jugadores deben
conocer antes de empezar la partida. Mas tarde, las t acticas, estrategias y
conclusiones de esos ejercicios de la raz on, inocuos y de bajo coste, se apli-
can a diversos aspectos de la realidad fsica, tecnica, econ omica, biol ogica,
sociol ogica, ling ustica o los oca y se observa que la capacidad predictiva
de la realidad es sorprendente.
Cada tablero es un conjunto nito o innito A, cuyos elementos pueden
ser los n umeros naturales, los enteros, los racionales, los reales o los comple-
jos; las n-tuplas de esos n umeros; los polgonos, los poliedros o los politopos
de cualquier espacio; las funciones reales, complejas o valoradas en cualquier
conjunto \ y denidas en cualquier dominio 1; los signos de un alfabeto; los
habitantes de un pais; los enfermos de un hospital; los bienes disponibles en
una economa, etc., etc. Sobre cada tablero se jan axiom aticamente, rela-
ciones, operaciones o familias de subconjuntos que determinan su estructura
ordinal, algebraica, topol ogica o de medida.
Este proceso de rigorizaci on de la matem atica recibi o el extraordinario im-
pulso de Frege, Dedekind y Cantor para fundamentar la aritmetica en la
teora de conjuntos y, m as tarde, sustentar el algebra y el an alisis en la base
rme de la aritmetica. Dedekind, por ejemplo, comienza su artculo Que
son y para que sirven los n umeros? de la siguiente manera:
En el mundo hay cosas y para hablar m as c omodamente de ellas cuando las
hacemos objeto de nuestro pensamiento, las designamos por letras min usculas
9
10 TEMA 1. PRERREQUISITOS
r, j, ., . Si todo lo que podemos pensar de la cosa r lo podemos pensar
de j y todo lo que podemos pensar de la cosa j lo podemos pensar de r,
escribimos r = j o j = r.
Sucede con frecuencia que distintas cosas r, j, ., , consideradas por cual-
quier motivo bajo un mismo punto de vista, son reunidas mentalmente para
constituir una clase /. Escribimos, entonces, / = r, j, ., . Cada
cosa constituyente de una clase es un elemento de la misma. As, r es
elemento de /. Tambien se dice que r pertenece a / y se escribe r /.
Si todos los elementos de la clase / son elementos de la clase B se dice que
/ es una subclase de B o que / est a contenida en B y se escribe / B.
Si / B tanto puede suceder que B / como no suceder. En el primer
caso, ambas clases son la misma cosa y, por tanto, / = B o B = /. En el
segundo caso decimos que / es una subclase propia de B o que el contenido
/ B es estricto.
Las cosas tienen propiedades que expresamos en forma de proposiciones
como, por ejemplo, r = j, r / o / B. En general, las desig-
namos por letras j, , y, as, escribimos
j[r] si y s olo si la cosa r cumple la proposici on j.
j si alguna de las dos proposiciones es verdadera.
j si ambas proposiciones son verdaderas.
j si y s olo si j es falsa. En particular,
(r = j) se escribe r ,= j
(r /) se escribe r , /
(/ B) se escribe / , B
j si y s olo si (j) .
j si y s olo si (j ) ( j).
Para establecer el alcance de una proposici on utilizamos los cuanticadores:
existe, ! existe un unico y para todo.
Ya en los primeros a nos del siglo XX, Russell apunt o el peligro que se
puede derivar de suponer que para cualquier propiedad j existe una clase
/(j) constituida por todas las cosas que tienen dicha propiedad: La clase
de todos los hombres, no es un hombre, luego hay clases que no pertenecen
a s mismas. Si : es la propiedad que tienen las clases que no pertenecen a
s mismas e intentamos responder a la pregunta de si /(:) cumple : o :,
caemos en la siguiente antinomia:
:[/(:)] /(:) /(:) :[/(:)] /(:) , /(:) :[/(:)]
1.2. RELACIONES DE EQUIVALENCIA Y DE ORDEN 11
Zermelo observ o que las propiedades : y : se reeren a clases que pertenecen
a clases y, si la clase /(:) no fuera de este tipo, la pregunta de si cumple : o
: carecera de sentido. As lleg o a la necesidad de distinguir las clases que
pertenecen a otras clases y reserv o para ellas el nombre de conjuntos y las
letras may usculas no cursivas , 1, A, Y, para designarlas. Cualquier
propiedad j tiene su clase asociada /(j) pero no siempre esta clase es un
conjunto.
Bernays, G odel y von Neumann establecieron once axiomas que jan
la obtenci on de nuevas clases a partir de clases ya conocidas y determinan
si los resultados son conjuntos o no lo son. La axiom atica BGN (ver, por
ejemplo,[26]) constituye una gua segura para la manipulaci on de clases y
conjuntos que ha disipado la antinomia de Russell y, hasta ahora, no ha gen-
erado otras nuevas. El undecimo axioma BGN es el axioma de elecci on
y postula que
Dada una familia de conjuntos no vacos y disjuntos dos a dos
i
[ i 1,
existe un conjunto 1 que consta exactamente de un elemento de cada con-
junto
i
.
Este axioma ha sido el m as contestado de todo el sistema BGN, sin em-
bargo, G odel prob o en 1938 que si la teora basada en los 10 primeros
axiomas es consistente, tambien lo es la basada en los 11 axiomas, y Cohen
prob o en 1963 que el axioma de elecci on no se deriva de los otros 10. As
pues, nosotros usaremos el derecho que tenemos a un universo matem atico
donde poder elegir sin restricciones.
1.2 Relaciones de equivalencia y de orden
En cualquier conjunto A la axiom atica BGN nos permite considerar el con-
junto de sus pares ordenados AA y el conjunto de todos sus subconjuntos
T(A). En consecuencia, tambien podemos considerar el conjunto T(AA)
de todos los subconjuntos de A A.
Cada 1 T(A A) tiene su traspuesto (1) := (j, r) [ (r, j) 1 y,
as, induce en A las relaciones binarias R y R
denidas como sigue:

r R j (r, j) 1 (j, r) (1) j R
r.
En particular, = (r, r) [ r A induce la relaci on de igualdad en A. El
par (A, R) indica que en el conjunto A consideramos la relaci on R. Diremos
que la relaci on R es
1. reexiva si 1.
2. simetrica si 1 = (1).
3. antisimetrica si 1 (1) = .
4. transitiva si (r, .) 1 (., j) 1 (r, j) 1.
5. total si 1 (1) = A A.
6. de equivalencia si es reexiva, simetrica y transitiva. Se suele de-
notar .
7. de orden si es reexiva, antisimetrica y transitiva. Se suele denotar
_ y se suele escribir r j en lugar de (r _ j r ,= j).
En (A, ) cada elemento r A genera su clase de equivalencia
[r] = r
t
A[ r
t
r
y ello origina una partici on en A puesto que r, j A tenemos la disyuntiva
[r] [j] = o [r] = [j].
El conjunto [r] [ r A es el conjunto cociente A, .
En un conjunto ordenado (A, _) son de interes los siguientes conceptos:
1. Un elemento : A es maximal si : _ r r _ :.
2. Un subconjunto C A es una cadena si (C, _) es totalmente orde-
nado.
3. Un elemento : A es cota superior de A si r _ : r .
4. Un elemento i A es cota inferior de A si i _ r r .
5. Un elemento o A es supremo de A si es cota superior de y
o _ : para toda otra : que sea cota superior de . La existencia de
un supremo de implica su unicidad. Lo designamos sup .
6. Un elemento 1 A es nmo de A si es cota inferior de y
i _ 1 para toda otra i que sea cota inferior de .. La existencia de un
nmo de implica su unicidad. Lo designamos inf .
En un conjunto ordenado (A, _), dado un A, interesa averiguar si exite
o no el sup o el inf y, en caso armativo, si pertenecen o no al conjunto
. Cuando las dos respuestas son armativas hablamos del m aximo de o
del mnimo de y se designan max y min.
En un conjunto totalmente ordenado (A, _) decimos que A tiene
primer elemento si existe un j tal que j _ r r . Si todo
subconjunto no vaco de A tiene primer elemento, se dice que (A, _) est a
bien ordenenado.
Los dos lemas siguientes se deducen del axioma de elecci on (ver [26]).
1.3. SEMIGRUPOS, GRUPOS, ANILLOS Y CUERPOS 13
Lema 1.2.1 (Zorn)
En un conjunto ordenado (A, _) en el que toda cadena tiene cota superior,
existe al menos un elemento maximal.
Lema 1.2.2 (Zermelo)
En un conjunto cualquiera A se puede denir un orden total _ tal que
(A, _) est a bien ordenado.
1.3 Semigrupos, grupos, anillos y cuerpos
Una aplicaci on
: A A A
(r, j) r j
se llama operaci on interna en A. El conjunto A dotado de la operaci on
se denota (A, ) y se llama magma. Un magma (A, ) se dice
1. asociativo si (r j) . = r (j .) r, j, . A
2. conmutativo si r j = j r r, j A
3. l-cancelativo si r j = r . j = . r, j, . A
4. r-cancelativo si r j = . j r = . r, j, . A
5. cancelativo si es l-cancelativo y r-cancelativo.
6. que tiene elemento absorbente o si or = ro = o r A
7. que tiene elemento neutro si r = r = r r A
8. que tiene inversos si r A r
1
A tal que
r r
1
= r
1
r =
Un magma asociativo se llama semigrupo. Si, adem as, es conmutativo, el
semigrupo se dice abeliano. Un semigrupo con elemento neutro es un
monoide y se denota (A, , ). Si el monoide tiene inversos se llama grupo
y puede ser abeliano o no abeliano.
Teorema 1.3.1
Todo semigrupo abeliano cancelativo (A, ) se puede sumergir en un grupo
abeliano.
Demostraci on:
En A A podemos denir la relaci on de equivalencia
(r, j) (r
t
, j
t
) r j
t
= r
t
j
Claramente, es reexiva y simetrica y, adem as, es transitiva:
_
(r, j) (r
t
, j
t
)
(r
t
, j
t
) (r
tt
, j
tt
)
_
r j
t
= r
t
j
r
t
j
tt
= r
tt
j
t
r j
t
r
t
j
tt
= r
t
j r
tt
j
t
y, por ser conmutativa y cancelativa, r j
tt
= r
tt
j.
En el conjunto cociente
A := (A A), podemos denir la operaci on

interna
_:
A
([r
1
, j
1
], [r
2
, j
2
]) [r
1
r
2
, j
1
j
2
]
pues los resultados no dependen de los representantes elegidos:
_
(r
1
, j
1
) (r
t
1
, j
t
1
)
(r
2
, j
2
) (r
t
2
, j
t
2
)
_
r
1
j
t
1
= r
t
1
j
1
r
2
j
t
2
= r
t
2
j
2
(r
1
r
2
, j
1
j
2
) (r
t
1
r
t
2
, j
t
1
j
t
2
)
(
A, _, ) es un grupo abeliano pues la operaci on _ conserva la asociativi-

dad y conmutatividad que ya posea , la diagonal es el elemento neutro
y cada elemento [r, j] tiene su inverso [j, r] que operado con el da el neutro:
[r, j] _[j, r] = [r j, j r] = . Fijado un o A, la aplicaci on )
a
: A
A,
r [r, o], es inyectiva y )
a
(A) es un semigrupo identicable con A y con-
tenido en
A. Todo monoide abeliano cancelativo (A, , ) est a contenido

can onicamente en el grupo abeliano (
A, _, ), si tomamos o = .
Sean (A, ) y (A, ) dos magmas. Se dice que es
1. l-distributiva con si r(j.) = (rj)(r.) r, j, . A
2. r-distributiva con si (rj). = (r.)(j.) r, j, . A
3. distributiva con si es l-distributiva y r-distributiva.
A dotado de las operaciones y se denota (A, , ). Cuando (A, , ) es
grupo abeliano y es asociativa y distributiva con , se llama anillo y se
denota (A, , , ). Un anillo es abeliano si es conmutativa, es unitario si
tiene elemento neutro c y es ntegro si rj = (r = j = ). Un
anillo unitario (A, , , , c) tal que (A, , c) es grupo, se llama cuerpo
y puede ser abeliano o no abeliano.
Teorema 1.3.2
Todo anillo abeliano e ntegro (A, , , ) se puede sumergir en un cuerpo
de fracciones.
Demostraci on:
1. Si designamos A
= A y denimos en AA
la relaci on binaria
(r, j) (r
t
, j
t
) r j
t
= r
t
j,
podemos probar (como en el teorema 1.3.1) que es una relaci on de
equivalencia puesto que es conmutativa y cancelativa para elementos
distintos de por ser ntegro el anillo.
2. El cociente F(A) := (A A
), , cuyos elementos son las clases de

equivalencia
r
j
= (r
t
, j
t
) [ (r
t
, j
t
) (r, j),
tiene los elementos distinguidos
0 :=

j
y 1 :=
j
j
con j A
.
En el podemos denir de modo consistente las operaciones internas
_: F(A) F(A) F(A)
_
r
1
j
1
,
r
2
j
2
_

r
1
j
2
r
2
j
1
j
1
j
2
y
_: F(A) F(A) F(A)
_
r
1
j
1
,
r
2
j
2
_

r
1
r
2
j
1
j
2
pues los resultados no dependen de los representantes. Adem as, es f acil
ver que (F(A), _, 0, _) es anillo abeliano y (F(A) 0, _, 1)
es grupo abeliano. Por tanto, (F(A), _, 0, _, 1) es un cuerpo abeliano
al que llamaremos cuerpo de fracciones de (A, , , ).
Fijado un j A
, la aplicaci on )
y
: A F(A) tal que r
r
j
es
inyectiva y, por tanto, podemos considerar que A F(A).
Las operaciones internas y el orden pueden combinarse. As, un cuerpo
ordenado es una estructura (A, , , , c; _) que cumple:
1. (A, , , , c) es un cuerpo.
2. (A, _) es un conjunto totalmente ordenado.
3. r _ j r . _ j . . A
4. ( _ r _ j) _ r j
Un cuerpo ordenado (A, , , , c; _) es arquimediano si
( r _ j) n N tal que j _ r
n
r
Dedekind construy o un cuerpo abeliano ordenado en el que todo subcon-
junto con cota superior tiene supremo. A los cuerpos con esta propiedad los
llam o cuerpos abelianos ordenados completos y prob o que todos son arqui-
medianos e identicables entre s. As pues, en esencia, s olo hay un prototipo
de cuerpo abeliano ordenado completo, que es el cuerpo (R, +, 0, , 1, ) de
los n umeros reales que constituye la herramienta matem atica b asica del hom-
bre actual en la que se puede sumar, restar, multiplicar, dividir salvo por 0
y resolver cualquier ecuaci on
r
n
= / con n N y 0 /
En efecto:
= . R
+
[ .
n
/ contiene al 0 y tiene cota superior 1 + / pues
. .
n
/ < 1 + / < (1 + /)
n
. < 1 +/
Si r = sup es imposible que r
n
< / y que r
n
/.
- Si r
n
< /, / R tal que 0 < / < min
_
1,
/ r
n
(1 + r)
n
r
n
_
y
resultara que r + / , en contra del car acter supremo de r.
- Si r
n
/, / R tal que 0 < / < min
_
1, r,
r
n
/
(1 + r)
n
r
n
_
y r / sera una cota superior de menor que el supremo.
Por tanto, r
n
= /. Adem as, es f acil observar que no puede existir otra
soluci on positiva de la ecuaci on r
n
= / puesto que r
2
r r
1

0 r
n
2
/ r
n
1
.
Desde el siglo X, se han planteado problemas del tipo j(r) = /, donde /
es un n umero real positivo conocido, j : R R es un polinomio y r es otro
n umero real positivo que necesitamos conocer. Los arabes los llamaron pro-
blemas de al-jabr y al-muq abala, palabras que signican, respectivamente,
pasar terminos de un miembro a otro y cancelar terminos iguales en ambos
miembros de la ecuaci on.
Muchos problemas tecnicos, empresariales o de la vida diaria, y la mayor
parte de los problemas que tratamos en este libro, son generalizaciones de
esta cuesti on y se llaman problemas inversos: Un objeto x debe ser
obtenido a partir de un dato d con el que se relaciona mediante una ecuaci on
del tipo )(x) +u = d siendo ) una transformaci on del objeto x y u una
perturbaci on o ruido. Pensemos, por ejemplo, que x es el mensaje que nece-
sitamos conocer, d es el mensaje encriptado que recibimos, ) es la f ormula
de encriptaci on y u son los errores aleatorios cometidos por el encriptador.
Desde el punto de vista matem atico cuatro lneas de actuaci on son nece-
sarias ante un problema de este tipo:
1. Fijar el modelo:
Se debe establecer claramente la estructura del conjunto Y en el que
suponemos el dato d y la del conjunto A en el que nos disponemos
a buscar nuestra inc ognita x, y se debe entender la transformaci on )
como una funci on ) : A Y . La perturbaci on u ser a un elemento de
Y y debemos establecer si depende o no de )(x).
2. Las restricciones a priori:
Debemos saber si el objeto x o la perturbaci on u est an sometidos a
ligaduras como
o
1
= x A [
1
(x) = o o o
2
= x A[
2
(x) < / o
o
3
= x A [
3
(d)(x)) = o o o
4
= x A [
4
(d)(x)) < /
3. Los criterios de aceptaci on:
Se deben jar criterios que determinen si la soluci on x obtenida es
aceptable o incluso optima desde alg un punto de vista. As, para
determinadas funciones de costo c : A R habr a que hallar las
x
o
o =
o
i
tales que c(x
o
) = minc(r) [ x o
4. Los metodos numericos:
Aun en el caso de una ecuaci on polin omica j(r) = /, pocas veces se
conocen f ormulas directas que nos den la soluci on. Sabemos que
r
2
3r = 1 tiene la soluci on r =
3 +
13
2
pero quien conoce una f ormula para resolver r
5
3r = 1? Por ello
se deben programar algoritmos numericos que nos aproximen en lo
posible a los objetos x
o
que satisfagan todas las condiciones anteriores.
La teora nos facilita el entendimiento abstracto del problema. Le quita
el camuaje de lo superuo y lo clasica para determinar la existencia
y tipologa de sus soluciones pero muchas veces es necesario programar
el camino hacia una soluci on particular adecuada, numerica o gr aca,
con mayor o menor precisi on, con menor o mayor economa.
1.4 Espacios vectoriales
Un conjunto A es interesante en el mundo tecnol ogico cuando cada elemento
x A puede ser descrito por un conjunto 1 de n umeros reales. As, A puede
ser interpretado como el conjunto R
I
:= x : 1 1 de todas las funciones
reales denidas en 1. Si 1 = 1, , n, cada funci on x : 1, , n R se
identica con una n-tupla (r
1
, , r
n
) R
n
.
El conjunto R
I
recibe, transferida desde R, la suma puntual
R
I
R
I
R
I
, ) p : 1 R
(), p) ) p i )(i) +p(i)
de modo que, si 0 : 1 R es la funci on nula, (R
I
, , 0) es grupo abeliano.
R
I
tambien recibe desde R el producto puntual
R
I
R
I
R
I
, ) p : 1 R
(), p) ) p i )(i) p(i)
de modo que, si 1 : 1 R es la funci on que toma constantemente el valor 1,
(R
I
, , 0, , 1) es un anillo abeliano unitario. Sin embargo, no es un anillo
ntegro ya que puede suceder que ) p = 0 sin que ) = 0 ni p = 0
y, en consecuencia, no puede sumergirse en un cuerpo. Se opta, entonces,
por considerar la operaci on externa
: R R
I
R
I
, ) : 1 R
(, )) ) i )(i)
que tiene las buenas propiedades:
1. () p) = ) p R y ), p R
I
2. ( +j) ) = ) j ) , j R y ) R
I
3. ( j) ) = (j )) , j R y ) R
I
4. 1 ) = ) ) R
I
Peano deni o la estructura algebraica (A, +, 0; R, ), llamada espacio
vectorial real, que recoge las buenas propiedades de los conjuntos R
I
:
1. (A, +, 0) es un grupo abeliano
2. (x +y) = x + y R y x, y A
3. ( +j) x = x + j x , j R y x A
4. ( j) x = (j x) , j R y x A
1.4. ESPACIOS VECTORIALES 19
5. 1 x = x x A
Los elementos de un espacio vectorial se llaman vectores y los del cuerpo
R, escalares. Una combinaci on lineal es una suma nita de productos
externos de escalares y vectores como
1
x
1
+ +
n
x
n
=
n
i=1
i
x
i
El conjunto de todas las combinaciones lineales que se pueden formar con los
elementos de es su envoltura lineal y se denota []. Cuando []=A deci-
mos que es generador de A. Un conjunto nito x
1
, x
2
, ..., x
n
A se dice
linealmente independiente cuando cada elemento de [x
1
, x
2
, ..., x
n
] ad-
mite una expresi on unica como combinaci on lineal de dichos vectores. Para
ello es necesario y suciente que
n
i=1
i
x
i
= 0
i
= 0 i = 1, ..., n.
Un subconjunto 1 A se dice libre cuando todos sus subconjunto nitos
son linealmente independientes. Un subconjunto de A generador y libre
es una base de Hamel y su existencia est a asegurada por el axioma de
elecci on.
Teorema 1.4.1
Sea (A, +, 0; R, ) un espacio vectorial, sea G A un subconjunto generador
y sea 1 G un subconjunto libre. Entonces, existe una base de Hamel 1
de A tal que 1 1 G.
Demostraci on:
Sea A el conjunto de todos los subconjuntos de G que contienen a 1 y son
libres. Este conjunto es no vaco, pues 1 A, y la inclusi on es un orden.
Dada una cadena
i
[i 1, su uni on
_
iI
i
es una cota superior que est a
en A pues, claramente, es libre. El lema de Zorn nos asegura que A tiene
un elemento maximal 1. Su envoltura lineal [1] debe coincidir con A pues
sino, existira un r G tal que x , [1]. Entonces, 1x sera un elemento
de A que negara la maximalidad de 1.
Todas las bases de un espacio vectorial A son biyectables y, por tanto,
tienen el mismo cardinal dimA, que es su dimensi on algebraica.
Si (Y, +, 0; R, ) es otro espacio vectorial, una 1 : A Y es lineal cuando
1. 1(x
1
+x
2
) = 1(x
1
) +1(x
2
) x
1
, x
2
A
2. 1( x) = 1(x) x A, R
Son importantes los subespacios vectoriales
ker 1 = x A [ 1(x) = 0 A y im1 = 1(x) [ x A Y
y, si dimA < , se cumple la ecuaci on de dimensiones
(11) dimker 1 + dimim 1 = dimA .
Las aplicaciones lineales son las m as importantes de las denidas entre espa-
cios vectoriales. Si A e Y tienen bases de Hamel u
1
, , u
n
y v
1
, v
m
,
la aplicaci on lineal 1 : A Y queda determinada por los vectores
1(u
j
) = a
j
=
m
i=1
o
ij
v
i
, = 1, , n
o por la matriz
= (o
ij
) =
_
_
_
o
11
o
1n
.
.
.
.
.
.
.
.
.
o
m1
o
mn
_
_
_
pues si x =
n
j=1
r
j
u
j
, se tiene que
1(x) =
n
j=1
r
j
a
j
=
_
a
1
a
n
_
_
_
_
r
i
.
.
.
r
n
_
_
_ =
_
_
_
o
11
o
1n
.
.
.
.
.
.
.
.
.
o
m1
o
mn
_
_
_
_
_
_
r
i
.
.
.
r
n
_
_
_ = x
El problema inverso 1(x) = b o, si se preere, el sistema lineal x = b,
tiene soluci on si y s olo si
b im 1 = [a
1
, , a
n
].
Adem as, si x
0
es una soluci on, cualquier otra estar a en x
0
+ ker 1 y, as, la
soluci on es unica si ker 1 = 0 o, por (11), si a
1
, , a
n
son lin-
ealmente independientes.
El teorema de Rouche-Frobenius expresa esto en terminos de la matriz :
1. 1(x) = b tiene soluci on si y s olo si rang() = rang([, b])
2. 1(x) = b tiene soluci on unica si y s olo si rang() = rang([, b]) = n
1.4. ESPACIOS VECTORIALES 21
Designamos L(A, Y ) al conjunto de todas las aplicaciones lineales de A en
Y . Deniendo del modo habitual la suma de aplicaciones y el producto por
escalares, L(A, Y ) es un espacio vectorial real. Escribiremos A
a
en vez de
L(A, R). Este espacio es el dual algebraico de A y sus elementos se llaman
funcionales lineales. Todo subespacio de A de codimensi on 1 es el n ucleo
de un funcional lineal no nulo. Por ello, todo hiperplano H A es de la
forma
H = x
0
+ ker ) = x A [ )(x) = )(x
0
)
para un cierto x
0
A y un cierto ) A
a
. El hiperplano H determina los
semiespacios
_
H
= x A [ )(x) )(x
0
)
H
+
= x A [ )(x) )(x
0
)
Un funcional j : A 1 se dice sublineal si cumple
1. j(x) = j(x) x A, R
+
2. j(x + y) j(x) + j(y) x, y A
Los funcionales sublineales controlan bien a los lineales:
Teorema 1.4.2 (Hahn-Banach)
Sea A un espacio vectorial y j : A R un funcional sublineal. Sea
Y A un subespacio vectorial en el que tenemos denido un funcional
lineal ) : Y R dominado por j. Entonces, existe una extensi on lineal de
),

) : A R, que tambien est a dominada por j.
Demostraci on:
Sea x
1
A Y . Una extensi on de ) en Y
1
= Y [x
1
] dominada por j
debe cumplir )
1
(y + x
1
) j(y + x
1
) y Y y R. En particular,
con 0 deducimos que )
1
(x
1
) j(y + x
1
) )(y) y Y , y con < 0
deducimos que )
1
(x
1
) j(y x
1
) + )(y) y Y . As pues, para que
exista la extensi on es necesario que
sup)(y) j(y x
1
) [ y Y infj(x
1
+ y) )(y) [ y Y
Pero tal cosa sucede pues para cualesquiera y
1
, y
2
Y , )(y
1
) + )(y
2
) =
)(y
1
+y
2
) j(y
1
+y
2
) = j(y
1
x
1
+ x
1
+ y
2
) j(y
1
x
1
) + j(x
1
+ y
2
)
y, por tanto, )(y
1
) j(y
1
x
1
) j(x
1
+ y
2
) )(y
2
).
Tomando =sup)(y) j(y x
1
) [ y Y , el funcional )
1
: Y [x
1
] 1
tal que y +x
1
)(y) + es una extensi on de las buscadas.
Consideramos ahora el conjunto de todas las parejas (7, p) donde 7 es un
subespacio vectorial Y 7 A y p : 7 R es una extensi on lineal de )
controlada por j. Lo dotamos del preorden (7
i
, p
i
) (7
j
, p
j
) 7
i
7
j
y p
j
es extensi on de p
i
. En este conjunto preordenado toda cadena (7
i
, p
i
)[i 1
tiene claramente cota superior. El lema de Zorn asegura que existe un ele-
mento maximal (7
m
, p
m
). Es evidente que 7
m
= A pues si 7
m
A, dado
un x A7
m
construiramos en 7
m
[x] una extensi on de p
m
que negara
la maximalidad de (7
m
, p
m
).
Una aplicaci on ` : A A Y es bilineal si
`(x
1
, ): A Y es lineal x
1
A
x `(x
1
, x)
`(, x
2
): A Y es lineal x
2
A
2
x `(x, x
2
)
El conjunto de todas las aplicaciones bilineales dotado de las habituales
suma y producto por escalares, es el espacio vectorial B(A A; Y ) y es
isomorfo al espacio L(A, L(A, Y)).
1.5 Convexidad
Sea A un espacio vectorial real. Una combinaci on lineal
n
i=1
i
x
i
se llama
afn si
n
i=1
i
= 1, se llama c onica si
i
0 i = 1, , n y se llama
convexa si es afn y c onica.
El conjunto de todas las combinaciones anes de elementos de A es la
variedad afn generada por y se denota af(). Un conjunto de vectores
x
1
, , x
k+1
A se dice afnmente independiente cuando
_
k+1
i=1
i
x
i
= 0 y
k+1
i=1
i
= 0
_

i
= 0 i = 1, , / + 1
Esto sucede si y s olo si ning un x
i
est a en la variedad afn generada por los
/ vectores restantes y, a un, si y s olo si x
2
x
1
, , x
k+1
x
1
es indepen-
diente.
El conjunto de todas las combinaciones c onicas de elementos de A
es el cono generado por y se denota cono(). Si es nito, cono() se
dice nitamente generado.
El conjunto de todas las combinaciones convexas de elementos de A
es su envoltura convexa co(). Si es nito, co() se llama politopo. Si
\ = x
1
, , x
k+1
es anmente independiente, el politopo o = co(\ ) se
1.5. CONVEXIDAD 23
llama /-simplex de vertices \ .
Si = co() sabemos que es convexo y esto sucede si y s olo si
(
1
+
2
) =
1
+
2

1
,
2
R
+
.
Si y 1 son convexos, tambien son convexos , 1, + 1 y 1.
Si es convexo, x y x es convexo, decimos que x es punto
extremal de . El conjnto de puntos extremales de se denota ext().
Es inmediato observar que
x ext()
_
_
_x =
1
x
1
+
2
x
2
con
_
_
x
1
, x
2

i
0
1
+
2
= 1
x = x
1
= x
2
_
_
_
Teorema 1.5.1
Sea A un espacio vectorial.
1. Si A es no vaco y C = co() se tiene que ext(C) .
2. Si o A es un /-simplex de vertices \ se tiene que ext(o) = \ .
Demostraci on:
1. Sea e ext(C). Si e , tenemos que C e. Entonces,
C = co() co(C e) = C e y, por tanto e , C. Absurdo.
2. Sea o = co(\ ) con \ = x
1
, , x
k+1
anmente independiente. Por
el apartado anterior ext(o) \ . Veamos que x
i
ext(o) i =
1, , / + 1:
Cualquier expresi on de x
i
como combinaci on convexa de elementos de
o es de la forma
x
i
=
k+1
j=1
j
x
j
con
j
0 y
k+1
j=1
j
= 1 luego 0 =
j,=i
j
(x
j
x
i
)
Como x
1
x
i
, , x
i1
x
i
, x
i+1
x
i
, x
k+1
x
i
son linealmente
independientes, resulta que
j
= 0 , ,= i y, en consecuencia, x
i
s olo admite la expresi on trivial x
i
= x
i
. Luego x
i
ext(o).
La noci on de punto extremal se puede extender a subconjuntos. Sea A
un convexo. Decimos que 1 es un subconjunto extremal de si
_
_
_
1
x
1
+
2
x
2
1 con
_
_
x
1
, x
2

i
0
1
+
2
= 1
_
_
_ (x
1
1 x
2
1)
Si 1 es subconjunto extremal de es claro que 1 es convexo y si 1 = x,
x ext(). Adem as, hay transitivdad: Si 1 es subconjunto extremal de 1,
1 tambien lo es de .
Teorema 1.5.2 (Caratheodory)
Sea A un espacio vectorial de dimA = n y sea A. Cada punto de
co() es combinaci on convexa de, a lo m as, n + 1 puntos de .
Demostraci on:
Si x co(), existe una convexa
k
i=1
i
x
i
= x con x
1
, , x
k
. Si
x
i
,= 0 y
i
0 i = 1, , / y suponemos que / 1 + n, es claro
que x
2
x
1
, , x
k
x
1
no es linealmente independiente y, por tanto,
existen escalares j
2
, , j
k
no todos nulos tales que
k
i=2
j
i
(x
i
x
1
) = 0.
Deniendo j
1
:=
k
i=2
j
i
, tenemos
k
i=1
j
i
x
i
= 0 y
k
i=1
j
i
= 0 con alg un j
i
0
y, en consecuencia,
x =
k
i=1
i
x
i

k
i=1
j
i
x
i
=
k
i=1
(
i
j
i
) x
i
R.
Tomando :=

i
0
i
0
= min
i
[ j
i
0 tenemos
0,
i
j
i
0 i ,= i
0
,
i
0
j
i
0
= 0 y
k
i=1
(
i
j
i
) = 1
luego x =
k
i=1
(
i
j
i
) x
i
es una combinaci on convexa en la que no
interviene x
i
0
. Podemos seguir quitando vectores hasta que / = 1 + n
Teorema 1.5.3 (Radon)
Sea A un espacio vectorial de dimA = n y sea A con [[ n + 2.
Entonces, existe una bipartici on de en subconjuntos no vacos 1 y C tal
que co(1) co(C) ,= .
Demostraci on:
Sea = x
1
, , x
N
. Es claro que x
2
x
1
, , x
N
x
1
no es lineal-
mente independiente. Como en teorema 1.5.2 aseguramos la existencia de
j
1
, , j
N
tales que
N
i=1
j
i
x
i
= 0 y
N
i=1
j
i
= 0 con alg un j
i
0.
1.5. CONVEXIDAD 25
Si 1 = 1, , , J = , 1 [ j
j
0 y 1 = / 1 [ j
k
< 0 es
claro que J y 1 son no vacos y constituyen una bipartici on de 1. Adem as,
si
: :=
jJ
j
j
=
kK
(j
k
) 0,
j
=
j
j
:
, J y
k
=
j
k
:
/ 1
resulta que las siguientes combinaciones convexas son iguales:
jJ
j
x
j
=
kK
k
x
k
.
Por tanto, 1 = x
j
[ , J y C = x
k
[ / 1 cumplen todas las
exigencias.
Teorema 1.5.4 (Helley)
Sea A un espacio vectorial de dimA = n y sea T una familia nita de
subconjuntos convexos de A. Si cada n+1 miembros de T tienen un punto
com un, toda la familia tiene un punto com un.
Demostraci on:
Lo probaremos por inducci on sobre el n umero de miembros de la familia
T.
Si = n+1, toda la familia T tiene un punto com un. Supong amoslo cierto
para n + 1 y probemoslo para + 1: Sea T = C
1
, , C
N+1
. Las
subfamilias
T
i
= C
1
, , C
i1
, C
i+1
, , C
N+1
i 1 := 1, , + 1
cumplen la hip otesis de inducci on y, por tanto,
T
i
= C
1
C
i1
C
i+1
C
N+1
,= i 1
Tomamos x
i
T
i
y formamos el conjunto = x
1
, , x
N+1
. Como
[[ = + 1 n + 2, el teorema 1.5.3 asegura una partici on de 1 en
subconjuntos J y 1 y un
x co(x
j
[ , J) co(x
k
[ / 1)
Este x est a en todos los C
i
pues, para cada i 1, tenemos la alternativa:
1. Si i J, T
k
C
i
/ 1 luego x co(x
k
[ / 1) C
i
2. Si i 1, T
j
C
i
, J luego x co(x
j
[ , J) C
i

Sea A un espacio vectorial y sea A un conjunto convexo. Un funcional
) : R se llama convexo si cumple una cualquiera de las siguientes
condiciones equivalentes:
1. )(x
1
+(1)x
2
) )(x
1
)+(1))(x
2
) (x
1
, x
2
, ) [0, 1]
2. )
_
n
i=1
i
x
i
_
i=1
i
)(x
i
) para toda
n
i=1
i
x
i
co()
3. Su epigrafo E(), ) = (x, :) R[ )(x) : es convexo en
A R.
Un funcional p : R se dice c oncavo si p : R es convexo o su
hipografo H(), ) = (x, :) R[ : )(x) es convexo en A R.
Una funci on 1 : R
m
se llama convexa si son convexos todos sus
funcionales componentes 1
i
: R.
Algunas operaciones preservan la convexidad de los funcionales:
1. Si ) : R es convexo y 0, ) es convexo.
2. Si )
i
: R son convexos y
i
0,
i
)
i
es convexo.
3. Si )
i
: R son convexos, max)
i
: R es convexo.
4. Si ) : A R es convexo, 1 : Y A es lineal y b A
/ : Y R
y )(1y +b)
es un funcional convexo.
1.6 Espacios metricos y espacios normados
En un A ,= una metrica es una funci on d : A A R que cumple:
1. d(r, j) = 0 si y s olo si r = j
2. d(r, j) d(r, .) + d(j, .) para cualesquiera r, j, . A
Tomando r = j, comprobamos que 0 2d(r, .) r, . A.
Tomando r = ., comprobamos que d(r, j) = d(j, r) r, j A.
As, toda metrica es positiva y simetrica.
La estructura (A, d) recibe el nombre de espacio metrico. Los espacios
metricos son estructuras adecuadas para hablar de proximidad, convergen-
cia de sucesiones y continuidad de funciones. Recordemoslos brevemente.
En un espacio metrico (A, d) llamamos entorno b asico de radio : 0 de
un punto r A al conjunto
c
r
(r) = j A [ d(r, j) < :.
1.6. ESPACIOS M
ETRICOS Y ESPACIOS NORMADOS 27

Decimos que una sucesi on (r
n
) A es de Cauchy si
: 0 n
0
N tal que d(r
n
, r
m
) < : n, : n
0
Decimos que una sucesi on (r
n
) es convergente a r A si
: 0 n
0
N tal que r
n
c
r
(r) n n
0
Si toda sucesi on de Cauchy es convergente, el espacio metrico (A, d) se dice
completo.
Un conjunto A es acotado si existe un c
r
(r) que lo contiene. Un
punto r A es punto interior de si existe un c
r
(r) . La colecci on
de puntos interiores de es el interior de y se denota
. es abierto
si =
y es cerrado si su complementario
c
es abierto. La uni on de una
familia de abiertos es un abierto y la intersecci on de una familia de cerrados
es un cerrado. La intersecci on de todos los cerrados que contienen a es
la clausura de y se denota

. Si existe un conjunto numerable cuya
clausura es A decimos que (A, d) es separable. Un conjunto A es
una :-net de A si

_
xN
c
r
(r).
es totalmente acotado si tiene una :-net nita para cualquier : 0. Un
conjunto 1 A es compacto si es cerrado y totalmente acotado. Tambien
son interesantes las dos siguientes caracterizaciones de la compacidad:
1. 1 es compacto si de cada uno de sus cubrimientos abiertos se puede
extraer un subcubrimiento nito.
2. 1 es compacto si toda familia de cerrados contenidos en 1, con inter-
secci on vaca, tiene una subfamilia nita con intersecci on vaca.
Si (Y, d
t
) es otro espacio metrico una aplicaci on ) : A Y se dice continua
en r A si
:
t
0 : 0 tal que )(c
r
(r)) c
r
()(r))
y se dice continua globalmente si es continua en todo punto r A.
Teorema 1.6.1
Si ) : A Y es continua y 1 A es compacto, )(1) tambien es compacto
Demostraci on:
Si G
i
[ i 1 es cubrimiento abierto de )(1), )
1
(G
i
) [ i 1 lo es de
1 y existe un J 1 nito tal que )
1
(G
i
) [ i J es cubrimiento de 1.
Entonces G
i
[ i J cubre a )(1) y asegura su compacidad.
En R, el valor absoluto [r[ = maxr, r induce la metrica d
c
(r, j) = [rj[.
Teorema 1.6.2
Si ) : A R es continua, alcanza en todo compacto 1 A su m aximo y
su mnimo absolutos.
Demostraci on:
Sabemos que )(1) es un compacto en R, luego es cerrado y totalmente
acotado. Por ser R un cuerpo totalmente ordenado en el que todo conjunto
acotado tiene nmo y supremo, ) alcanza en 1 un m aximo y un mnimo
absolutos.
En un espacio vectorial (A, +, 0; R, ) las metricas que m as interesan son
las que cumplen
(3) d(x + z, y +z) = d(x, y) x, y, z A
(4) d( x, y) = [[d(x, y) x, y A , R
La propiedad (3) es la invariancia por traslaciones y la (4) es, in nuce, el
teorema de Tales. Dar en A una metrica con estas buenas propiedades es
equivalente a dar una norma o funci on | | : A R que satisface:
1. |x| = 0 si y s olo si x = o
2. | x| = [[|x| x A, R
3. |x +y| |x| +|y| x, y A
La estructura (A, | |) es un espacio normado y, en el, la metrica can onica
d
c
(x, y) = |xy| cumple las propiedades (3) y (4). Si (A, d
c
) es completo,
(A, | |) recibe el nombre de espacio de Banach. En el espacio normado
(A, | |) son importantes los siguientes conjuntos:
La bola unidad 1(A) = x A [ |x| 1 y la esfera unidad o(A) =
x A [ |x| = 1. Observamos que 1(A) coincide con la clausura del
entorno b asico c
1
(0) y o(A) coincide con la frontera o borde de 1(A).
Adem as, c
r
(x) = x +: 1(A).
Teorema 1.6.3 (Minkowski)
Sea A un espacio vectorial y A un convexo que cumple A =
_
nN
n.
Entonces, el funcional
j
A
: A R
x inf 0 [ x
1.6. ESPACIOS M

es sublineal. Adem as, si = y [x] , x A 0, j
A
es norma.
Demostraci on:
Como 0 [ x R es no vaco y acotado inferiormente,
tiene nmo. Por tanto, la aplicaci om j
A
est a bien denida. Es claro que
j
A
(x) 0 x A y, como 0 , j
A
(0) = 0. Adem as, x, y A se
cumple:
1. j
A
(0x) = j
A
(0) = 0 = 0j
A
(x)
j
A
(x) = inf 0 [ x

= inf
t
0 [ x
t
=
j
A
(x) 0.
2. Por denici on de nmo, 0 se tiene que
1
, j
A
(x) <
1
j
A
(x) + tal que
x
2
, j
A
(y) <
2
j
A
(y) + tal que
y
2

y, por ser convexo,
1
+
2
x
2
+

1
1
+
2
y
2
=
x +y
1
+
2
.
Luego j
A
(x +y)
1
+
2
j
A
(x) +j
A
(y) + 2.
As, j
A
es un funcional sublineal. Si suponemos que = se cumple que
(3) j
A
(x) = inf 0 [ [[x = [[j
A
(x) R
y, nalmente, si suponemos que [x] , x A 0, se cumple
(4) x ,= 0 n N tal que nx , , luego j
A
(x)
1
n
0.
Dado un subconjunto no vaco C de un espacio normado (A, | |) y dado un
x A siempre podemos denir su distancia al conjunto C,
d(x, C) = inf|x y| [ y C.
Sin embargo, no siempre existe un y
0
C tal que d(x, C) = |x y
0
| de
modo que el nmo sea un mnimo. Cuando tal cosa sucede decimos que y
0
es una mejor aproximaci on de x en C y escribimos y
0

C
(x).
Decimos que C es proximinal en (A, | |) cuando
C
(x) ,= x A
y que es de Chebychev en (A, | |) cuando
C
(x) es at omico x A. En
este ultimo caso podemos denir la aplicaci on de aproximaci on
C
: A A
x
C
(x)
cuya imagen es C y, trivialmente, es idempotente:
C

C
=
C
.
Si A es un espacio vectorial de dimensi on nita, cada x A puede identi-
carse con un (r
1
, , r
n
) R
n
y podemos denir la funci on
| |
: A R
x max[r
i
[ [ i = 1, , n
que cumple, trivialmente, todas las propiedades de norma. El espacio nor-
mado (A, | |
) es un espacio de Banach. Adem as, dada cualquier otra

norma | | en A, existen reales 0 < /
1
< /
2
tales que
/
1
|x|
|x| /
2
|x|
x A
En efecto:
Es f acil ver que | | : A R es continua si consideramos en A la metrica
d
(x, y) = |x y|
y en R la del valor absoluto. Como o
(A) es com-
pacta, | | alcanza en ella sus extremos absolutos /
1
< /
2
, luego
/
1
|x| /
2
x A tal que |x|
= 1.
Como 0 , o
(A), 0 < /
1
y, adem as, por homogeneidad,
/
1
|x|
|x| /
2
|x|
x A
As tenemos el siguiente resultado importante
Teorema 1.6.4
En un espacio vectorial de dimensi on nita A, dos normas cualesquiera
| |
1
,| |
2
son equivalentes, es decir,
/
1
, /
2
0 tales que /
1
|x|
1
|x|
2
/
2
|x|
1
x A.
Los espacios normados de dimensi on nita son siempre espacios de Banach.
En ellos la acotaci on total equivale a la acotaci on y, en consecuencia, los
compactos son los cerrados acotados. En R
n
, adem as de | |
es habitual
considerar, para 1 j < , las normas
|x|
p
= (
n
i=1
[r
i
[
p
)
1
p
El espacio normado (R
n
, | |
p
) se suele denotar /
n
p
. Tambien es frecuente
escribir 1
n
p
en lugar de 1(/
n
p
) y o
n1
p
en lugar de o(/
n
p
).
Debemos conocer tambien algunos espacios normados de dimensi on innita:
1.6. ESPACIOS M

1. /
, constitido por todas las sucesiones acotadas (r

n
) R, dotado de
la norma |(r
n
)|
= sup
nN
[r
n
[.
2. c
0
, constitido por todas las sucesiones (r
n
) R que convergen a 0,
dotado de la norma |(r
n
)|
= sup
nN
[r
n
[.
3. /
p
, con 1 j < , constitido por todas las sucesiones (r
n
) R tales
que
n=1
[r
n
[
p
< , dotado de la norma |(r
n
)|
p
=
_

n=1
[r
n
[
p
_1
p
4. ([o, /], constituido por todas las funciones reales continuas denidas
en el intervalo [o, /], dotado de la norma |)|
= sup[)(t)[ [ t [o, /]
Todos ellos son espacios de Banach.
Una aplicaci on lineal 1 : A Y entre los espacios normados (A, | |) e
(Y, | |) no tiene por que ser continua. Si lo es en 0, tambien lo es global-
mente puesto que x A se tiene:
1(x + : 1(A)) 1(x) +:
t
1(Y ) 1(1(A))
:
t
:
1(Y )
Vemos, de paso, que la continuidad de 1 equivale a su acotaci on, es decir, a
la existencia de un / 0 tal que 1(1(A)) / 1(Y ). Designamos L
c
(A, Y )
al subespacio de L(A, Y ) de las aplicaciones acotadas y es claro que
inf/ 0 [ 1(1(A)) / 1(Y ) = sup|1(x)| [ |x| = 1
La funci on que asigna este valor com un a cada aplicaci on lineal acotada
| | : L
c
(A, Y ) R
1 sup|1(x)| [ |x| = 1
es una norma importante. Por homogeneidad tendremos que
|1(x)| |1| |x| x A
Si 1 L
c
(A, Y ) y ` L
c
(Y, 7), es claro que `1 L
c
(A, 7) y, adem as,
|`1| |`| |1|
Escribimos L
c
(A) en lugar de L
c
(A, A) y la identidad 1 : A A cumple
que |1| = 1.
Si dimA < y u
1
, , u
n
es una base, 1 L(A, Y ) se tiene que
|1(x)|
n
i=1
[r
i
[|1(u
i
)|
_
n
i=1
|1(u
i
)|
_
|x|
y, por la equivalencia de todas las normas en A, resulta que 1 es aco-
tada cualquiera que sea la norma de A. Sin embargo, si dimA = ,
L
c
(A, Y ) L(A, Y ) estrictamente.
El espacio L
c
(A, R) de los funcionales lineales acotados es el dual topol ogico
de (A, | |) y se designa A
. Dotado de la norma
| | : A
R
) sup[)(x)[ [ |x| = 1
es un espacio de Banach aunque (A, | |) no lo sea. Es claro que
[)(x)[ |)| |x| x A
y cuando )(x) = |)| |x| se dice que ) est a alineado con x. En los
siguientes corolarios del teorema 1.4.2 se destaca que todo espacio normado
es rico en funcionales lineales continuos.
Corolario 1.6.5
Si (A, | |) es un espacio normado, Y A es un subespacio vectorial y
) Y

, existe un

) A
que es extensi on de ) y cumple que |
)| = |)|.
Demostraci on:
El funcional sublineal
|)| | |: Y R
j |)| |j|
domina al funcional ). El teorema 1.4.2 asegura la existencia de una ex-
tensi on lineal

) : A R tambien dominada por |)| | |, es decir,
[
)(x)[ |)| |x| x A

Esto asegura que

) A
y que |
)| |)|. Adem as, es inmediato que

|
)| sup[)(j)[ [ |j| = 1 = |)|

y, por tanto, se da la igualdad |
)| = |)|
Corolario 1.6.6
Sea (A, | |) un espacio normado y sea x
0
A no nulo. Siempre existe un
) o(A
) alineado con x
0
.
Demostraci on:
El funcional p : [x
0
] R tal que p(x
0
) = |x
0
| es lineal y |p| = 1.
Podemos extenderlo a un un funcional ) : A R de igual norma 1. Por ser
1.6. ESPACIOS M

extensi on, )(x
0
) = p(x
0
) = |x
0
|.
En cualquier espacio normado (A, | |) el n ucleo de un funcional lineal aco-
tado no nulo es un subespacio cerrado de codimensi on 1. As, todo hiper-
plano cerrado H es de la forma
H = x
0
+ ker ) = x A [ )(x) = )(x
0
) con (), x
0
) A
A
y es el borde de los semiespacios cerrados
_
H
= x A [ )(x) )(x
0
)
H
+
= x A [ )(x) )(x
0
)
Escribimos A
en vez de L
c
(A
, R). El espacio A
es el bidual topol ogico

de (A, | |). Sus elementos son los funcionales lineales continuos n : A
R
con |n| = sup[n())[ [ |)| = 1. (A
, | |) es un espacio de Banach aunque

(A, | |) no lo sea.
Teorema 1.6.7
Todo espacio normado (A, | |) est a contenido isometricamente en su bidual.
Demostraci on:
Para cada x A denimos el funcional lineal
n
x
: A
R
) )(x)
Puesto que [n
x
())[ = [)(x)[ |x| |)| ) A
resulta que n
x
A
y
es claro que |n
x
| |x|. Adem as, el corolario 1.6.6 asegura la existencia de
un p A
unitario tal que p(x) = |x| luego tambien es cierta la desigualdad

contraria |n
x
| |x|. La aplicaci on
J: A A
x n
x
es lineal e isometrica y, por tanto, inyectiva. J(A) es un subespacio de A
identicable con A. Esto se suele expresar abreviadamente A A
.
Como (A
, | |) es completo, la clausura de A en (A
, | |) es un subespacio
cerrado de un espacio completo y, por tanto, completo. As, aunque un es-
pacio normado no sea completo, siempre podemos completarlo. Un tipo im-
portante de espacio normado es el (A, | |) en que la aplicaci on J : A A
es suprayectiva. Entonces, A se puede identicar con A
y se dice que
(A, | |) es reexivo. Un espacio reexivo es siempre un espacio de Banach.
Todos los espacios normados de dimensi on nita son reexivos.
Si (A, | |) e (Y, | |) son espacios normados cualesquiera, para cada 1
L
c
(A, Y ) podemos denir su aplicaci on adjunta
1
: Y

A
p p 1
que, evidentemente, es lineal. Tambien es acotada, pues
|1
(p)| = |p 1| |1| |p| p Y
Por tanto, 1
L
c
(Y
, A
) y |1
| |1|. Adem as, es cierta la desigualdad

contraria:
Dado un 0 existe un x
0
A unitario tal que |1| < |1(x
0
)|. Por el
corolario 1.6.6 existe p
0
Y

unitario tal que p(1(x
0
)) = |1(x
0
)|. As,
|1
| |1
(p)| |p(1(x
0
))| = |1(x
0
)| |1|
y, como es cierto 0, se tiene que |1
| |1|. Luego |1
| = |1|.
Teorema 1.6.8 (Separaci on de convexos)
Sea (A, | |) un espacio normado y sean y 1 dos subconjuntos convexos
no vacos y disjuntos. Entonces,
1. Si es abierto, (), c) A
R tal que
)(a) < c )(b) a , b 1
2. Si es compacto y 1 es cerrado, (), c
1
, c
2
) A
RR tal que
)(a) < c
1
< c
2
< )(b) a , b 1
Demostraci on:
Tomamos al arbitrio a
0
y b
0
1, designamos x
0
= b
0
a
0
y conside-
ramos C = x
0
+ 1 que, obviamente, es convexo y contiene al 0.
1. Si es abierto, C es abierto y, por contener al 0, A =
_
nN
n C. As,
por el teorema 1.6.3, j
C
es un funcional sublineal y, como x
0
, C, se
tiene que j
C
(x
0
) 1. El funcional p : [x
0
] R tal que p(x
0
) = es
lineal y est a dominado por j
C
:
(a) Si 0, p(x
0
) = j
C
(x
0
) = j
C
(x
0
)
(b) Si < 0, p(x
0
) < 0 j
C
(x
0
)
El teorema 1.4.2 asegura la existencia de un ) : A R, extensi on
de p, tambien dominado por j
C
. En particular, )(x) 1 x C
y )(x) 1 x C, luego [)(x)[ 1 x C (C) y, en
consecuencia, ) A
.
1.6. ESPACIOS M

Ahora buscamos la constante c: a y b 1 tenemos
)(a))(b)+1 = )(a))(b)+)(x
0
) = )(ab+x
0
) j
C
(ab+x
0
) < 1
luego )(a) < )(b) y, en consecuencia, los convexos de R, )() y )(1),
son intervalos disjuntos. Como es abierto en (A, | |), )() es abierto
en (R, [ [) y, tomando c igual al extremo derecho de )(), concluimos.
2. Si es un compacto disjunto con el cerrado 1, existe una bola abierta
\ centrada en 0 tal que + \ es disjunto con 1. Como + \
es abierto, por la primera parte del teorema existe ) A
tal que
los intervalos reales )( + \ ) y )(1) son disjuntos. Pero )() es
un intervalo cerrado contenido en el intervalo abierto )( + \ ) y, en
consecuencia, entre el extremo derecho de )() y el extremo derecho
de )(+\ ) existen c
1
< c
2
que cumplen lo deseado.
Teorema 1.6.9
Sea (A, | |) un espacio normado y A un convexo compacto. Los sub-
conjuntos extremales y compactos de tienen las siguientes propiedades:
1. Si 1
i
[ i 1 son extremales y compactos de y 1 =
iI
1
i
,= , se
tiene que 1 tambien es subconjunto extremal y compacto de .
2. Sea ) A
y sean
_
_
_
: = min
xA
)(x) y 1
m
= x [ )(x) = :
` = max
xA
)(x) y 1
M
= x [ )(x) = `
Entonces, 1
m
y 1
M
son subconjuntos extremales y compactos de .
3. Si 1 es subconjunto extremal y compacto de con cardinal [1[ 2,
existe un subconjunto propio 1
1
1 que tambien es subconjunto
extremal y compacto de .
Demostraci on:
1. Inmediato.
2. 1
m
y 1
M
son cerrados contenidos en el compacto , luego compactos.
Si x 1
m
y x [x
1
, x
2
] con x
1
, x
2
tiene que suceder que
)(x
1
) = )(x
2
) = : puesto que si )(x
1
) : llegamos a la con-
tradicci on : = )(x) = )(
1
x
1
+
2
x
2
) :. Por tanto, 1
m
es
conjunto extremal de . De modo similar se prueba que lo es 1
M
.
3. Si 1 tiene dos puntos x
1
,= x
2
, existe un ) A
que los separa,

)(x
1
) < )(x
2
). Si ` = max
xE
)(x) y 1
M
= x 1 [ )(x) = `,
x
1
, 1
M
y, por tanto, 1
M
1 estrictamente. Adem as, 1
M
es
conjunto extremal de 1 y, por tanto, de .
Teorema 1.6.10 (Krein-Milman)
Sea (A, | |) un espacio normado y sea A un convexo compacto. En-
tonces,
1. Para todo ) A
se cumple que
(a) x ext() tal que )(x) )(a) a .
(b) y ext() tal que )(y) )(a) a .
2. = co(ext())
Demostraci on:
(1a) Por 1.6.9,2 sabemos que 1
m
es subconjunto extremal y compacto de
. Sea 1
i
[ i 1 la familia de todos los subconjuntos compactos
de 1
m
que son subconjuntos extremales de . El lema de Zorn nos
asegura un elemento minimal 1
i
0
en dicha familia y 1.6.9,3 nos dice
que 1
i
0
debe tener un solo punto x. Este punto cumple que
x ext() y )(x) = : )(a) a
(1b) Se demuestra de manera an aloga.
(2) Sea C = co(ext()) y probemos que = C: Es claro que C . Si
no se diera el contenido contrario existira un x tal que x , C.
Entonces, como C es convexo y compacto y x es cerrado, el teorema
de separaci on de convexos nos asegura la existencia de (), c) A
R
tal que
)(y) < c < )(x) y C
pero esto contradice a (1b). .
Sea (A, | |) un espacio normado y A un subconjunto convexo. Si
) : R es un funcional convexo denimos su conjugado )
R
de modo que
= h A
[ sup
xA
h(x) )(x) < y
)
R
h sup
xA
h(x) )(x)
1.6. ESPACIOS M

Es f acil comprobar que
es convexo y )
R es convexo.
Si 1 A es convexo y p : 1 R es c oncavo, denimos su conjugado
p
: 1
R de modo que
1
= h A
[ inf
xB
h(x) p(x) y
p
: 1
R
h inf
xB
h(x) p(x)
Es f acil comprobar que 1
es convexo y p
: 1
R es c oncavo.
Teorema 1.6.11 (Fenchel)
Sea (A, | |) un espacio normado y sean y 1 subconjuntos convexos tales
que int() int(1) ,= . Si ) : R es convexo, p : 1 R es c oncavo y
verican _
_
_
int(E(), )) int(H(p, 1) ,=
inf
xAB
)(x) p(x) <
se cumple que
inf
xAB
)(x) p(x) = max
hA
(h) )
(h).
Demostraci on:
Para cualquier h
y cualquier x 1 tenemos que

_
)
(h) h(x) )(x)

p
(h) h(x) p(x)

luego )(x) p(x) p
(h) )
(h)
y, por tanto,
inf
xAB
)(x) p(x) sup
hA
(h) )
(h).
El teorema quedar a probado si encontramos un h
0

tal que
inf
xAB
)(x) p(x) = p
(h
0
) )
(h
0
)
Siendo j := inf
xAB
)(x) p(x), la hip otesis nos asegura que E() j, ) y
H(p, 1) son dos convexos con interiores disjuntos y, al menos, uno de ellos
no vaco, luego, existe un hiperplano H R A que los separa y, como
y 1 son inseparables, H no puede ser vertical. As,
h
0
A
y c R tal que H = (:, x) [ h

0
(x) : = c
y
_
E() j, ) H
+
H(p, 1) H
Es decir,
_
x , )(x) j : h
0
(x) : c
x 1, p(x) : h
0
(x) : c
.
Por tanto,
c = sup
xA
h
0
(x) )(x) +j = inf
xB
h
0
(x) p(x)
y, en consecuencia, h
0

y j = p
(h
0
) )
(h
0
).
Teorema 1.6.12 (Minimax)
Sea A un espacio reexivo y A
su dual. Si A y 1 A
son subcon-
juntos convexos y compactos, se cumple que
max
hB
_
min
xA
h(x)
_
= min
xA
_
max
hB
h(x)
_
Demostraci on:
El funcional
) : A R
x max
hB
h(x)
est a bien denido porque el funcional continuo
x : 1 R
h h(x)
alcanza en el compacto 1 su m aximo absoluto. Adem as, ) : A R es
convexo puesto que A es convexo y (x
1
, x
2
, ) A A (0, 1) se
tiene que
)(x
1
+ (1 )x
2
) = max
hB
h(x
1
) + (1 )h(x
2
)
max
hB
h(x
1
) + (1 ) max
hB
h(x
2
) = )(x
1
) + (1 ))(x
2
).
Por otra parte, p : R, con p(x) = 0 x , es, trivialmente, un
funcional c oncavo. Aplicando el teorema 1.6.11 al par de funcionales ) :
A R y p : R, aseguramos que
inf
xA
)(x) = max
hX
(h) )
(h).
Si calculamos los conjugados )
: A
R y p
R obtenemos
A
= h A
[ sup
xX
h(x) max
hB
h(x) < = 1
1.7. ESPACIOS DE BANACH 39
)
: 1 R
h sup
xX
h(x) max
hB
h(x) = 0.
y
= h A
[ inf
xA
h(x) = A
: A
R
h min
xA
h(x)
En consecuencia,
inf
xA
)(x) = max
hB
min
xA
h(x).
Para concluir, s olo queda observar que, por ser ) : A R continuo y
compacto,
inf
xA
)(x) = min
xA
)(x) = min
xA
max
hB
h(x),
luego
min
xA
max
hB
h(x) = max
hB
min
xA
h(x).
1.7 Espacios de Banach
Dedicamos esta secci on a dar diferentes caracterizaciones de la completitud.
Necesitamos recordar que una familia
i
[ i 1 de subconjuntos de un
espacio metrico (A, d) tiene la propiedad de intersecci on nita si toda
subfamilia nita tiene intersecci on no vaca y se llama de Cauchy si para
cada 0 i
0
1 tal que
i
0

i
0
\ (c) siendo \ () la vecindad
(r, j) A A [ d(r, j) < .
Teorema 1.7.1 (Encaje de Cantor)
(A, d) es completo si y s olo si toda familia de cerrados con la propiedad de
intersecci on nita y de Cauchy, tiene intersecci on no vacia que consta de un
unico punto.
Demostraci on:
Si) Sea (r
n
) una sucesi on de Cauchy en (A, d). La familia de cerrados
1
n
[ n N donde 1
n
= r
n
, r
n+1
,
tiene, obviamente, la propiedad de intersecci on nita. Adem as, es de Cauchy
pues, dado 0 n
0
tal que d(r
p
, r
q
) <

3
j, n
0
y, por tanto,
1
n
0
1
n
0
\ ().
Por la hip otesis, existe o
1
n
y es f acil construir una subsucesi on de (r
n
)
convergente a o. Entonces, la propia (r
n
) es convergente a o y (A, d) es
completo.
S olo si) Sea ( una familia de Cauchy de cerrados con la propiedad de in-
tersecci on nita. Formamos la familia T = 1
i
[ i 1 de todas las intersec-
ciones de las subfamilias nitas de (. Esta familia T tambien es una familia
de Cauchy de cerrados con la propiedad de intersecci on nita y, adem as,
cumple la siguiente condici on ltrante:
i, , 1 / 1 tal que 1
k
1
i
1
j
Para cada n N i
n
1 tal que 1
in
1
in
\ (
1
n
) y podemos suponer
que 1
i
n+1
1
in
n N. Eligiendo r
n
1
in
formamos la sucesi on (r
n
)
que, obviamente, es de Cauchy. Por la hip otesis, ser a convergente a un punto
o A y es claro que
o
iI
1
i
=
C(
C
Adem as, esta intersecci on no puede contener otro punto distinto de o:
Si d(o, /) 0 C ( tal que C C \ (
d(a,b)
2
) y, por tanto, / , C
El siguiente resultado caracteriza los espacios de Banach en el marco de
los espacios normados
Teorema 1.7.2 (Banach)
Un espacio normado (A, | |) es un espacio de Banach si y s olo si (x
n
) es
sumable cuando (|x
n
|) es sumable.
Demostraci on:
Supongamos que (A, ||) es un espacio de Banach y que (|x
n
|) es sumable.
La sucesi on de sumas parciales de la serie
n=1
x
n
es de Cauchy porque
_
_
_
_
_
p+m
n=1
r
n
n=1
r
n
_
_
_
_
_
p+m
n=p+1
|x
n
|.
Por tanto, la serie
n=1
x
n
es convergente o si, se preere, (x
n
) es sumable.
Supongamos, ahora, que la sumabilidad en norma implica la sumabilidad y
probemos que (A, | |) es un Banach. Sea (x
n
) de Cauchy. / N n
k
N
tal que |x
p
x
q
| <
1
2
k
si j, n
k
. Podemos elegir n
k
< n
k+1
/ N
y considerar la subsucesi on (x
n
k
) de la sucesi on de partida. La sucesi on
_
|x
n
k+1
x
n
k
|
_
, al estar mayorada por la sucesi on sumable
_
1
2
k
_
, tambien
es sumable y, en consecuencia, tambien es sumable la sucesi on telesc opica
(x
n
k+1
x
n
k
) cuya suma vale limx
n
k
. Es decir, (x
n
) es una sucesi on de
Cauchy que tiene una subsucesi on convergente. Ella misma tiene que ser
convergente. .
El siguiente resultado es un autentico teorema de estructura de los espa-
cios metricos completos.
Teorema 1.7.3 (Baire)
En todo espacio metrico completo se cumplen las siguientes propiedades:
1. Si G
n
[n N es una familia de abiertos densos, G =
n=1
G
n
tambien
es denso.
2. Si 1
n
[n N es una familia de cerrados con interior vaco, 1 =
_
n=1
1
n
tambien tiene interior vaco.
Demostraci on:
La equivalencia de ambas propiedades es clara pues el complementario de
un abierto denso es un cerrado con interior vaco. Probaremos, por ejemplo,
que se cumple la primera:
Si r es un punto cualquiera del espacio y c es un entorno cualquiera de r,
basta probar que c G ,= . Pero es claro que existe un r
1
y un :
1
1 tal
que 1(r
1
, :
1
) c G
1
y, tambien, que existe un r
2
y un :
2

1
2
tal que
1(r
2
, :
2
) 1(r
1
, :
1
) G
2
y, tambien, que existe un r
3
y un :
3

1
3
tal que
1(r
3
, :
3
) 1(r
2
, :
2
) G
3
.... La sucesi on (r
n
) as construida es de Cauchy
y su lmite r
0
c G.
Comentario 1.7.4
1. Del teorema 1.7.3 se deduce que si un espacio metrico es uni on numer-
able de cerrados con interior vaco, no puede ser completo. Si lo fuera,
el propio espacio tendra interior vaco y, por tanto, sera vaco.
En particular, ning un espacio normado (A, | |) con dimA =
0
es
un espacio de Banach pues, siendo x
n
[ n N una base tendramos
A =
_
nN
[x
1
, , x
n
].
2. El teorema 1.7.3 se suele utilizar en la siguiente forma: Si un espa-
cio completo es uni on numerable de cerrados, al menos uno de ellos
debe tener alg un punto interior. La utilidad de esta formulaci on se
acrecienta con las siguientes ideas de Jameson:
Sea (A, | |) un espacio normado y C un subconjunto de A. Decimos que
n=1
n
x
n
es una serie convexa de C si
(x
n
) C y
n
0 n N,
n=1
n
= 1
El subconjunto C se dice
1. :c-cerrado cuando la suma de cualquiera de sus series convexas con-
vergentes est a en C
2. :c-compacto si cualquiera de sus series convexas es convergente a un
punto de C.
Comentario 1.7.5
1. Si C es :c-cerrado, C es convexo, pues una serie convexa con
n
= 0
para n n
0
es convergente y su suma es una combinaci on convexa de
elementos de C.
2. Si C es convexo y cerrado, C es :c-cerrado. En efecto:
Sea
n=1
n
x
n
una serie convexa en C convergente a x. Las sumas
parciales o
m
=
m
n=1
n
x
n
y :
m
=
m
n=1
n
cumplen
o
m
:
m
C : N
por ser C convexo. Es claro que
_
o
m
:
m
_
x. Luego x C por ser C
cerrado.
3. Un subespacio vectorial de A es cerrado si y s olo si es :c-cerrado:
(a) Todo subespacio es convexo y, si es cerrado, es :c-cerrado.
(b) Sea Y A un subespacio :c-cerrado. Para ver que Y es cerrado
tomamos (x
n
) Y tal que (x
n
) x y probamos que x Y :
Elegimos una serie
n=1
n
= 1 con
n
0 y formamos la sucesi on
y
1
=
x
1
1
, y
2
=
x
2
x
1
2
, , y
n
=
x
n
x
n1
n
,
n=1
n
y
n
es una serie convexa de Y que converge a x, luego x Y .
4. Si (A, | |) es un espacio de Banach y 1 su bola unidad abierta,
1 0 se tiene que 1 1 es :c-compacto. En efecto:
Sea
n=1
n
x
n
cualquier serie convexa de 1 1. Como (|
n
x
n
|) es
sumable, tambien (
n
x
n
) es sumable. Si su suma es x es claro que
|x| =
_
_
_
_
_
n=1
n
x
n
_
_
_
_
_
n=1
n
|x
n
| < 1
n=1
n
= 1. Luego x 11.
5. En un espacio de Banach un subconjunto C es :c-compacto si y s olo
si es acotado y :c-cerrado. En efecto:
Si) Puesto que C 1 1 para alg un 1 0, toda serie convexa de C
es serie convexa de 1 1 y, por tanto, convergente. Por ser :c-cerrado,
su suma est a en C, luego C es :c-compacto.
S olo si) Por ser :c-compacto es :c-cerrado y, en consecuencia, con-
vexo. Si no fuera acotado, contendra una recta y podramos construir
una serie convexa no convergente.
Lema 1.7.6 (Jameson)
Sea (A, | |) un espacio normado y C A :c-cerrado. Entonces,
C =
C.
Demostraci on:
El contenido
C es evidente. S olo hay que probar que
C C pues un
abierto contenido en un conjunto, est a contenido en su interior.
Sea x
C. Existe un c 0 tal que x + c1 C. Construimos una sucesi on

(x
n
) C tal que
n=1
1
2
n
x
n
= x, es decir, tal que
n=1
1
2
n
(x
n
x) = 0.
Veamos que los x
n
pueden ser elegidos en C de forma que
|o
k
| :=
_
_
_
_
_
k
n=1
1
2
n
(x x
n
)
_
_
_
_
_
c
2
k+1
/ N :
x C luego x
1
C con |x
1
x| <
c
2
y |o
1
| <
c
2
2
.
x 2
2
o
1
C luego x
2
C con |x
2
x +2
2
o
1
| <
c
2
y |o
2
| <
c
2
3
.
x 2
3
o
2
C luego x
3
C con |x
3
x + 2
3
o
2
| <
c
2
y |o
3
| <
c
2
4
.

As tenemos una serie convexa en C que converge a x, luego x C
Ahora podemos dar una nueva caracterizaci on de los espacio de Banach
como los normados en que la bola unidad es :c-compacta.
Lema 1.7.7 (Jameson-Baire)
Sea (A, | |) un espacio de Banach y C A un subconjunto :c-cerrado,
absorbente y simetrico. Entonces, / 0 tal que / 1 C.
Demostraci on:
Por ser C absorbente, A =
_
n=1
nC. Por ser (A, d) completo, alg un n
0
C
tiene interior no vaco, luego C tiene interior no vaco. Por ser C :c-cerrado,
el propio C tiene interior no vacio. Por ser C simetrico, 0 es punto interior
y, por tanto, existe / 0 tal que / 1 C.
Corolario 1.7.8
Si (A, | |) es un espacio de Banach y C A es :c-compacto, absorbente y
simetrico, j
C
es una norma en A equivalente a | |.
Demostraci on:
Por ser C acotado, el teorema 1.6.3 asegura que j
C
es una norma en A y el
lema 1.7.7 asegura constantes 1 / 0 tales que / 1 C 1 1. As,
/|x| j
C
(x) 1|x| x A
Ahora presentamos los resultados m as conocidos de la teora de las aplica-
ciones lineales continuas entre espacios de Banach, debidos, mayormente, al
genio de Stefan Banach y su escuela de Lvov.
Teorema 1.7.9 Extensi on lineal y continua en la clausura
Sea (7, | |) un espacio normado, A 7 un subespacio vectorial, A su
clausura en (7, | |) e (Y, | |) un espacio de Banach. Para cada aplicaci on
1 L
c
(A, Y ) existe una unica extensi on

1 L
c
(A, Y ) tal que |
1| = |1|
Demostraci on:
Dado x A (x
n
) A tal que (x
n
) x. La sucesi on (1(x
n
)) Y
es de Cauchy y, por tanto, convergente. Su lmite no depende de la par-
ticular elecci on de (x
n
) pues, para cualquier otra (x
t
n
) x, es claro que
lim
n
1(x
t
n
) = lim
n
1(x
n
). Ello nos permite denir la aplicaci on
1 : A Y
x lim
n
1(x
n
)
que es lineal y acotada con |
1| |1| pues
|
1( x)| = lim
n
|1(x
n
)| lim
n
|1| |x
n
| = |1| | x|.
Pero tambien se cumple que |1| |
1| porque
/ 0 [ |
1( x)| /| x| x A / 0 [ |1(x)| /|x| x A.

Finalmente, suponiendo que existen dos extensiones

1
1
y

1
2
, tendremos
1
1
( x) = lim
n
1
1
(x
n
) = lim
n
1(x
n
) = lim
n
1
2
(x
n
) =

1
2
( x) x A.
Teorema 1.7.10 Principio de la acotaci on uniforme
Sea (A, | |) un espacio de Banach e (Y, | |) un espacio normado cualquiera.
Si A L
c
(A, Y ) est a acotado puntualmente, tambien lo est a uniformemente.
Es decir:
sup|(x)| [ A < x A sup|| [ A <
Demostraci on:
A el conjunto x A[ |(x)| 1 es cerrado, convexo y simetrico
luego C =
AA
x A[ |(x)| 1 tambien es cerrado, convexo y simetrico.
La acotaci on puntual de A asegura que
x A n N tal que |(x)| n A
y, por tanto, C es absorbente. El lema 1.7.7 asegura que / 0 tal que
/1
X
C y, as, |(/x)| 1 A y x 1
X
. Por tanto,
sup|| [ A
1
/
.
Comentario 1.7.11
1. La falta de compacidad de la bola unidad cerrada de un espacio nor-
mado (A, | |) ha motivado la consideraci on en A de topologas m as
debiles que la generada por la metrica can onica del espacio. Ello ha
dado lugar a conceptos debiles de convergencia () y sumabilidad.
As decimos, por ejemplo, que una sucesi on (x
n
) en (A, | |) es
(a) debilmente convergente a x si ()(x
n
)) )(x) ) A
.
(b) debilmente de Cauchy si ()(x
n
)) es de Cauchy ) A
(c) debilmente absolutamente sumable si
[)(x
n
)[ < ) A
2. No es f acil probar directamente que una sucesi on debilmente conver-

gente es acotada en norma pero, el teorema 1.7.10 nos ayuda:
Interpretamos (x
n
) como una familia de aplicaciones lineales continuas
x
n
: A
R
) )(x
n
)
Por ser debilmente convergente, ()(r
n
)) es convergente y, por ende,
acotada ) A
. Como (A
, | |) es un espacio de Banach, podemos

aplicar el teorema 1.7.10 y concluir que (|x
n
|) es acotada.
3. Sean (A, | |) e (Y, | |) espacios normados. Recordamos que una apli-
caci on lineal 1 : A Y es abierta en x si 0 0 tal que
1(x) + 1
Y
1(r +1
X
) 1
Y
1(1
X
)

1
Y
1(1
X
)
As, ser abierta en x equivale a serlo en el origen y equivale a que
/ 0 tal que /1
Y
1(1
X
),
es decir, a que
/ 0 tal que y 1
Y
x 1
X
con /y = 1(x)
y, por homogeneidad, a que exista ` 0 tal que
y Y x A con y = 1(x) y |x| `|y|
Por tanto, las aplicaciones lineales abiertas entre espacios normados
son una clase especial de epimorsmos. Entre espacios de Banach se
cumple el siguiente recproco:
Teorema 1.7.12 Teorema de la aplicaci on abierta
Si (A, | |) e (Y, | |) son espacios de Banach y 1 : A Y es un epimorsmo
acotado, 1 es una aplicaci on abierta.
Demostraci on:
Primero probamos que, por ser (A, | |) un espacio de Banach y ser la gr aca
G(1) un subespacio cerrado de A Y , 1(1
X
) es :c-cerrado en (Y, | |):
Sea
n=1
n
1(x
n
) una serie convexa de 1(1
X
) convergente a y Y . Como
1
X
es :c-compacto,
n=1
n
x
n
= x 1
X
y, por tanto,
n=1
n
(x
n
, 1(x
n
)) es
una serie convexa de G(1) que converge a (x, y). Como G(1) es cerrado, es
:c-cerrado luego, (x, y) G(1), y 1(1
X
) y 1(1
X
) es :c-cerrado.
Adem as, es evidente que 1(1
X
) es simetrico y, por ser 1 suprayectiva,
1(1
X
) es absorbente. Por ser (Y, | |) un espacio de Banach el lema 1.7.7
asegura que / 0 tal que /1
Y
1(1
X
). Luego 1 es una aplicaci on
abierta.
Comentario 1.7.13
1. Si (A, | |) e (Y, | |) son espacios de Banach y 1 : A Y es una
aplicaci on lineal continua y biyectiva, su inversa 1
1
: Y A tambien
es continua.
2. Si (A, | |) es un espacio de Banach y [ [ es otra norma en A para la
que 1 0 cumpliendo |x| 1[x[ x A, ambas normas son
equivalentes si y s olo si (A, [ [) es, tambien, un espacio de Banach. En
efecto:
Si son equivalentes toda sucesi on de Cauchy en (A, [ [) es de Cauchy en
(A, | |), convergente en (A, | |) y convergente en (A, [ [). Por tanto,
(A, [ [) es un espacio de Banach.
Si A
0
= (A, [ [) es un espacio de Banach, la identidad 1 : A
0
A, por
ser continua y suprayectiva, es abierta. Entonces, 1
1
= 1 : A A
0
es continua y, por tanto, / 0 tal que [x[ /|x| x A.
Luego ambas normas son equivalentes.
Teorema 1.7.14 Teorema de la gr aca cerrada
Sean (A, | |) e (Y, | |) espacios de Banach y sea 1 L(A, Y ) tal que su
gr aca G(1) es cerrada. Entonces, 1 L
c
(A, Y ).
Demostraci on:
Primero probamos que, por ser (Y, | |) un espacio de Banach y ser G(1) un
subespacio cerrado de AY , 1
1
(1
Y
) = x A [ 1(x) 1
Y
es :c-cerrado
en (A, | |):
Sea
n=1
n
x
n
una serie convexa de 1
1
(1
Y
) convergente a x A. Como
1
Y
es :c-compacta,
n=1
n
1(x
n
) = y 1
Y
. As,
n=1
n
(x
n
, 1(x
n
)) es una
serie convexa de G(1) que converge a (x, y) y, como G(1) es :c-cerrado por
ser un subespacio cerrado, podemos asegurar que (x, y) G(1). Por tanto,
y = 1(x), x 1
1
(1
Y
) y 1
1
(1
Y
) es :c-cerrado en (A, | |).
Adem as, es evidente que 1
1
(1
Y
) es simetrico y absorbente. Entonces, por
ser (A, | |) un espacio de Banach, el lema 1.7.7 asegura que / 0 tal que
/1
X
1
1
(1
Y
) y, por tanto, 1(1
X
)
1
/
1
Y
.
Comentario 1.7.15
1. Si en un espacio de Banach (A, | |) hay dos subespacios cerrados Y, 7
tales que A = Y 7, la proyecci on 1 : A A con im 1 = Y y
ker 1 = 7 es continua porque su gr aca G(1) es cerrada. En efecto:
Si una sucesi on (x
n
, 1(x
n
)) G(1) converge a (x, y) es claro que
_
(1(x
n
)) Y y (1(x
n
)) y luego y Y
(x
n
1(x
n
)) 7 y (x
n
1(x
n
)) x y luego x y 7
Por tanto, 1(x) = y y, en consecuencia, (x, y) G(1).
2. Dada una sucesi on debilmente absolutamente sumable (x
n
) en un es-
pacio normado (A, | |), no es f acil comprobar directamente la con-
tinuidad de la aplicaci on lineal asociada a dicha suces on:
1 : A
/
1
) ()(x
n
))
Sin embargo, por ser A
y /
1
espacios de Banach, el teorema 1.7.14
reduce la prueba a comprobar que G(1) es cerrado en A
/
1
:
Sea ()
n
, 1()
n
)) G(1) tal que ()
n
, 1()
n
)) (), :) A
/
1
y
elijamos cualquier n
0
N y cualquier 0. Como ()
n
) ) es claro
que ()
n
(x
n
0
)) )(x
n
0
) y, por tanto,
n
1
tal que [)(x
n
0
) )
n
1
(x
n
0
)[ <
Como 1()
n
) : es claro que (|1()
n
) :|
1
) 0 y, por tanto,
n
2
tal que
n=1
[)
n
2
(x
n
) :(n)[ <
Tomando n
3
= maxn
1
, n
2
tendremos
[)(x
n
0
) :(n
0
)[ [)(x
n
0
) )
n
3
(x
n
0
)[ + [)
n
3
(x
n
0
) :(n
0
)[ < 2
y, como es arbitrario, )(x
n
0
) = :(n
0
) n
0
N. Por tanto,
1()) = ()(x
n
)) = : y (), :) G(1)
1.8 Bases de Schauder
Una de las mejores estrategias para resolver problemas en un espacio nor-
mado (A, | |) es encontrar un adecuado conjunto minimal B tal que cada
elemento de A se pueda representar de manera unica como una combinaci on
lineal de elementos de B. Si el espacio vectorial A es de dimensi on nita
esos conjuntos son las bases algebraicas y ya tenemos amplia experiencia de
c omo su adecuada elecci on puede facilitar la resoluci on de problemas. Sin
embargo, si (A, | |) es un espacio de Banach y A no es de dimensi on nita,
el cardinal de cualqiera de sus bases algebraicas es estrictamente mayor que
0
y, por tanto, las bases algebraicas resultan de muy poca utilidad.
1.8. BASES DE SCHAUDER 49
Surge as la idea de buscar una sucsesi on (x
n
) A tal que para cada
elemento x A exista una unica sucesi on (
n
) R de modo que
x =
n=1
n
x
n
Si tal sucesi on (x
n
) existe se llama base de Schauder del espacio normado
(A, | |). Para ello es necesario y suciente que
x A !(
n
) R tal que
__
_
_
_
_
x
k
n=1
n
x
n
_
_
_
_
_
_
0
La existencia de base de Schauder en un espacio normado (A, | |) es una
cuesti on delicada en la que intervienen las peculiaridades, tanto del espacio
vectorial A, como de la norma | |, en el modo que indican los siguientes
Ejemplos 1.8.1
1. Es f acil comprobar que cualquier : c
0
admite un desarrollo unico
: =
n=1
n
con
n
= :(n) n N
puesto que estas son las condiciones necesarias y sucientes para que
_
max
_
[:(n)
n
[ [n / [:(n)[ [n /
__
0
Sin embargo, en /
estas condiciones no se puede conseguir.

2. Tambien es f acil comprobar que cualquier : /
p
con j [1,) admite
una unica expresi on
: =
n=1
n
con
n
= :(n) n N
puesto que estas son las condiciones necesarias y sucientes para que
_
k
n=1
[:(n)
n
[
p
+
n=k+1
[:(n)[
p
_
0
Observaciones 1.8.2
1. Si (x
n
) es base de Schauder de (A, | |) se tiene que
n=1
n
x
n
= 0
n
= 0 n N
En consecuencia, x
n
[ n N es una familia libre pero, su grado de
independencia es m as fuerte que el lineal pues hay familias linealmente
libres que no cumplen esta condici on:
y
n
[ n N c
0
tal que y
1
=
1
2
1
e y
n
=
1
2
n1
n 2
Cualquier subconjunto nito y
n
1
, y
n
2
, ..., y
n
k
con n
1
< n
2
< ... < n
k
est a contenido en y
1
, y
2
, ..., y
n
k
y claramente vemos que
[y
1
, y
2
, ..., y
n
k
] = [
1
,
2
, ...,
n
k
]
Como
n
es libre, y
1
, y
2
, ..., y
n
k
es linealmente independiente y, a
fortriori, tambien lo es y
n
1
, y
n
2
, ..., y
n
k
. Sin embargo,
n=1
1
2
n
y
n
= 0.
2. Si (x
n
) es base de Schauder de (A, | |) y (j
n
) es una sucesi on de
escalares no nulos, tambien (j
n
x
n
) es base de Schauder de (A, | |).
En particular, siempre podemos sustituir cada x
n
por un elemento de
norma 1 y obtener una base de Schauder normalizada (u
n
).
3. Si (x
n
) es base de Schauder de (A, | |), tan pr oximo a cada x A
como podamos pensar, hay un
m
n=1
n
x
n
con
n
racional y, por tanto,
todo espacio normado con base de Schauder tiene un subconjunto
denso numerable. As, la cuesti on de la existencia de base de Schauder
s olo tiene sentido plantearla en el ambito de los espacios normados
separables y fue resuelta negativamente por Eno construyendo un
espacio de Banach separable sin bases de Schauder[28].
4. En /
dos elementos distintos cuyos terminos sean +1 o 1 est an a

distancia 2. Hay un continuo de esos elementos y, por tanto, /
no
es separable. Por eso, no s olo
n
[n N no es base de Schauder de
/
, como hemos dicho en 1.8.1,1, sino que este espacio no puede tener
bases de Schauder.
Un subconjunto T de un espacio normado (A, | |) se llama total cuando
[T] = A. El mnimo de los cardinales de los conjuntos totales de (A, | |) se
designa T(A). Es inmediato comprobar que T(A) es, tambien, el mnimo de
los cardinales de los conjuntos densos de (A, | |) pues, todo denso es total
y, si T es total, [T] es denso y tambien lo es el conjunto de combinaciones
lineales de elementos de T con coecientes racionales que designamos [T]
Q
y tiene el mismo cardinal que T.
En un espacio normado (A, | |), siempre sucede que T(A) dimA, pues
toda base algebraica es un conjunto total. En un espacio de Banach sepa-
rable (A, | |), s olo hay dos posibilidades:
1. T(A) = dim(A) <
0
bola unidad cerrada compacta.
2. T(A) =
0
< dim(A) bola unidad cerrada no compacta.
Teorema 1.8.3
Sea (A, | |) un espacio de Banach y (x
n
) una base de Schauder en la que
x =
n=1
n
x
n
. Para cada / N la aplicaci on
1
k
: A A
x
k
n=1
n
x
n
es lineal, idempotente y acotada. Adem as, sup|1
k
| [ / N < .
Demostraci on:
La linealidad y la idempotencia de cada 1
k
son evidentes. Adem as, para
cada / N tenemos la suma directa de subespacios cerrados
A = [x
1
, , x
k
] [x
k+1
, x
k+2
, ] = Y
k
7
k
y es claro que 1
k
es la proyecci on con im 1
k
= Y
k
y ker 1
k
= 7
k
. Seg un el
comentario 1.7.15,1, 1
k
es acotada.
Por otra parte, como la sucesi on
__
_
_
_
_
x
k
n=1
n
x
n
_
_
_
_
_
_
es convergente a 0, es
acotada y, as, existe 1
x
0 tal que
|x|
_
_
_
_
_
k
n=1
n
x
n
_
_
_
_
_
_
_
_
_
_
x
k
n=1
n
x
n
_
_
_
_
_
1
x
En consecuencia, |1
k
(x)| =
_
_
_
_
_
k
n=1
n
x
n
_
_
_
_
_
1
x
+|x| < / N y el
teorema 1.7.10 asegura que sup|1
k
| [ / N < . .
Comentario 1.8.4
1. Si (A, | |) es un espacio Banach y (x
n
) una base de Schauder, las
proyecciones 1
k
: A A consideradas en 1.8.3 son las proyecciones
b asicas y la constante sup|1
k
| [ / N es la constante b asica.
2. Los funcionales lineales
)
k
: A R
n=1
n
x
n

k
se llaman b asicos y son continuos por serlo las proyecciones b asicas.
3. La sucesi on ()
n
) cumple:
(a) Es biortogonal a (x
n
): )
k
(x
n
) =
_
1 si / = n
0 si / ,= n
.
(b) Separa los puntos de A: Si x ,= y )
k
tal que )
k
(x) ,= )
k
(y)
(c) 1
k
=
k
n=1
)
n
x
n
: 1
k
(x) =
k
n=1
)
n
(x)x
n
=
k
n=1
n
x
n
x A
Para nalizar la secci on, damos dos resultados de identicaci on de bases:
Teorema 1.8.5
Si (A, | |) es un espacio normado, (x
n
) A es total, existe ()
n
) A
biortogonal a (x
n
) y existe 1 0 tal que sup
kN
__
_
_
_
_
k
n=1
)
n
x
n
_
_
_
_
_
_
1, se
tiene que (x
n
) es base de Schauder de (A, | |).
Demostraci on:
Como ()
n
) es biortogonal a (x
n
), si x =
n=1
n
x
n
, forzosamente
n
= )
n
(x).
Esto asegura la unicidad del desarrollo en serie en el caso de que exista.
Probemos la existencia de tal desarrollo:
Dado un x A y un 0 existe un y [(x
n
)] tal que |x y| <

1 + 1
.
Este y est a en un [x
1
, x
2
, ..., x
n
0
], luego 1
n
(y) = y n n
0
. Por tanto,
|1
n
(x) x| |1
n
(x) 1
n
(y)|+|yx| (1+|1
n
|)|xy| n n
0
.
Es decir, (1
n
(x)) x o, lo que es lo mismo,
n=1
)
n
(x)x
n
= x.
Corolario 1.8.6
Sea (A, | |) un espacio de Banach y sea (x
n
) A una sucesi on total de
vectores no nulos. Son equivalentes:
1. (x
n
) es base de Schauder
2. / 0 tal que (
n
) R se verica
_
_
_
_
_
p
n=1
n
x
n
_
_
_
_
_
/
_
_
_
_
_
q
n=1
n
x
n
_
_
_
_
_
cuando j
Demostraci on:
1. 2. Si (x
n
) es base de Schauder y 1
n
, 1 son sus proyecciones y su cons-
tante, dado x =
p
n=1
n
x
n
tenemos 1
q
(x) =
q
n=1
n
x
n
si j .
Como |1
q
(x)| 1|x|, se tiene que
_
_
_
_
_
p
n=1
n
x
n
_
_
_
_
_
1
1
_
_
_
_
_
q
n=1
n
x
n
_
_
_
_
_
.
2. 1. Si
p
n=1
n
x
n
= 0, por recurrencia tenemos
1
x
1
= 0, ,
p
x
p
= 0.
As, (x
n
) es libre y y [(x
n
)] = Y habr a una representaci on unica
n=1
n
x
n
= y donde s olo un n umero nito de cocientes ser an no nulos.
Consideramos ()
n
) Y
a
tal que )
n
(y) =
n
y
_
1
n
=
n
i=1
)
i
r
i
_
. Es
claro que )
i
(r
j
) =
ij
(i, ,) N N. Adem as, la hip otesis asegura
que |1
q
(y)|
1
/
|y| y Y, N. Por tanto, (1
n
) L
c
(Y )
y, en consecuencia, ()
n
) Y

. El teorema 1.6.5 nos extiende cada )
n
a un

)
n
A
de igual norma y nos proporciona la (
)
n
) biortogonal
a (x
n
) y las proyecciones b asicas

1
n
=
n
i=1
)
i
x
i
. Nuevamente la
hip otesis nos asegura que |
1
q
(x)|
1
/
|x| x A, N. Luego
(x
n
) es base de Schauder y su constante es menor o igual que
1
/
.
Comentario 1.8.7
1. Un espacio de Banach (A, | |) con base de Schauder puede consi-
derarse un espacio de sucesiones: Si (u
n
) es una base normalizada,
x =
n=1
n
u
n
es la serie de Fourier de x y (
n
) son sus coecientes
de Fourier.
2. En las condiciones del punto anterior, la transformaci on de Fourier
: A c
0
x (
n
)
est a bien denida y es lineal, inyectiva y continua. En efecto:
Por ser (
n
u
n
) sumable, (
n
u
n
) 0 y, como |u
n
| = 1, (
n
) 0.
As, (A) c
0
y est a bien denida. La linealidad y la inyectividad
son claras. Como A y c
0
son espacios de Banach para probar la con-
tinuidad de basta ver que G() es cerrado en A c
0
:
Sea (x
m
, :
m
) G() tal que (x
m
, :
m
) (x, :). Entonces,
x = lim
m
x
m
= lim
m
_
lim
k
_
k
n=1
:
m
(n)u
n
__
=
= lim
k
_
lim
m
_
k
n=1
:
m
(n)u
n
__
=
n=1
:(n)u
n
con lo cual, : = (x) y (x, :) G().
3. Un problema planteado en el espacio de Banach (A, | |) se puede
trasladar a c
0
, resolverlo en el m as c omodamente y retornar a (A, | |)
para interpretar el resultado, siempre que sea posible realizar la vuelta
con continuidad.
4. Si (j
n
) /
1
, por 1.7.2 (j
n
u
n
) es sumable, luego (j
n
) es la sucesi on de
coecientes de Fourier de un x A. Es decir, /
1
(A) c
0
.
1.9 Teoremas de Stone-Weierstrass
Si (A, | |) es un espacio normado de funciones reales y lo dotamos con el
producto puntual, tenemos un algebra unitaria normada. Los teoremas
de Stone y Weierstrass determinan si un subconjunto \ A genera una
sub algebra [(\)] densa en (A, | |). En [(\)] est an, no s olo las combina-
ciones lineales de los elementos de \, sino tambien, las combinaciones lin-
eales de los productos de elementos de \ y, por tanto, partiendo de subcon-
juntos \ de cardinal peque no podemos asegurar la densidad A = [(\)].
Esta informaci on siempre interesa en la teora de aproximaci on y es impres-
cindible en la teora de bases de Schauder.
Sea (T, d) un espacio metrico y sea 1(T, R) = ) : T R[ ) acotada. Con
la suma y el producto puntuales, y la operaci on externa habitual, 1(T, R)
es un algebra vectorial unitaria. Claramente es una norma la aplicaci on
1.9. TEOREMAS DE STONE-WEIERSTRASS 55
| |
: 1(T, R) R
) sup
tT
[)(t)[
y (1(T, R), | |
) es un algebra de Banach con unidad puesto que

1. (1(T, R), | |
) es un espacio de Banach
2. |) p|
|)|
|p|
(), p) 1(T, R) 1(T, R)

3. |1|
= 1 siendo 1 : T R la funci on constante unidad

Consideramos, tambien, C(T, R) = ) : T R[ ) continua. Con la suma
y el producto puntuales, y la operaci on externa habitual, C(T, R) es un
algebra vectorial unitaria. En ella consideramos la topologa / en la que
cada punto ) C(T, R) tiene la base de entornos abiertos
1
K
()) [ 0, 1 compacto en (T, d)

donde
1
K
()) = p C(A, R) [ [)(t) p(t)[ < t 1

Es rutinario comprobar que / es una topologa Hausdor y hace continuas
a todas las operaciones del algebra C(T, R). Adem as, si (T, d) es compacto,
/ es la topologa generada por la norma
| |
: C(T, R) R
) sup
tT
[)(t)[
Teorema 1.9.1 (Stone-Weierstrass I)
Sea (T, d) un espacio metrico y sea \ C(T, R) un subconjunto que
separa los puntos de T y contiene una funci on constante no nula. Entonces,
la sub algebra [(\)] es densa en (C(T, R), /).
La demostraci on de este teorema necesita varios lemas previos:
Lema 1.9.2
Existe una sucesi on de polinomios (j
n
) que satisfacen n N y t [0, 1]:
1. j
n
(0) = 0
2. 0 j
n
(t)
t
3.
t j
n
(t)
2
t
2 + n
t
.
En particular,
(A)
t j
n
(t)
2
n
(B) lim
n
sup
t[0,1]
[
t j
n
(t)[ = 0
Demostraci on:
Veamos que la sucesi on de polinomios, denida por iteraci on en la forma:
j
1
(t) =
t
2
, j
n+1
(t) = j
n
(t) +
1
2
(t j
2
n
(t))
cumple las propiedades exigidas. Es claro que j
1
las cumple. Procediendo
por inducci on, asumimos que j
n
las cumple y las probamos para j
n+1
:
1. Evidente
2. Restando las igualdades
_

t =
t
j
n+1
(t) = j
n
(t) +
1
2
(
t j
n
(t))(
t + j
n
(t))
obtenemos
()
t j
n+1
(t) =
_
t j
n
(t)
_
_
1
t + j
n
(t)
2
_
y como 1
t y
t j
n
(t) resulta que 2 2
t + j
n
(t).
Luego el segundo miembro de () es positivo y, por tanto,
t j
n
(t) 0
t j
n+1
(t) 0
Como j
n+1
(t) = j
n
(t) +
1
2
(t j
2
n
(t)) y, t j
2
n
(t) 0, tenemos
que j
n
(t) 0 j
n+1
(t) 0.
3. Seg un 2. es inmediato que
t +j
n
(t)
2

t
2

t
2 + (n + 1)
t
luego
() 1
t +j
n
(t)
2
1
t
2
1
t
2 + (n + 1)
t
.
Por la hip otesis de inducci on, de () obtenemos
tj
n+1
(t) =
_
t j
n
(t)
_
_
1
t +j
n
(t)
2
_
t
2 + n
t
_
1
t +j
n
(t)
2
_
y de () obtenemos que
2
t
2 +n
t
_
1
t +j
n
(t)
2
_
t
2 + n
t
_
1
t
2 + (n + 1)
t
_
=
2
t
2 + (n + 1)
t
.
En consecuencia,
t j
n+1
(t)
2
t
2 + (n + 1)
t
.
Corolario 1.9.3
Dado 0 < o < existe una sucesi on de polinomios (
n
) que satisfacen
n N y t [o, o]:
1.
n
(0) = 0
2. [[t[
n
(t)[
2o
n
En particular,
(C) lim
n
sup
t[a,a]
[ [t[
n
(t)[ = 0
Demostraci on:
Si
n
(t) = o j
n
_
t
2
o
2
_
es claro que
n
(0) = 0. Por el lema 1.9.2 tenemos
t
o
j
n
_
t
2
o
2
_
2
n
luego
[t[ oj
n
_
t
2
o
2
_
= [[t[
n
(t)[
2o
n
.
Lema 1.9.4
Sea (T, d) un espacio metrico y sea (1(T, R), | |
) el algebra de Banach
de las funciones acotadas. Si \ 1(T, R) es no vaco y cerrado para el
producto punual, [\] tiene las siguientes propiedades:
1. ) [\] [)[ [\]
2. )
1
, )
2
[\] max()
1
, )
2
) [\], min()
1
, )
2
) [\].
Demostraci on:
1. Por ser \ cerrado para el producto, tambien lo es su envoltura lineal:
)
1
, )
2
[\] )
1
)
2
[\]
Para una ) [\], denotamos o = |)|
y probamos que [)[ [\] :

Cuando ) = 0 el resultado es trivial, por lo que suponemos o 0.
Si (
n
) es la sucesi on de polinomios que el corolario 1.9.3 asegura para
el intervalo [o, o], como )(t) [o, o] t T, tenemos
| [)[
n
)|

2o
n
n N y, por tanto, lim
n
| [)[
n
)|
= 0.
Por ser
n
un polinomio sin termino independiente y ser [\] cerrado
para el producto y ser ) [\], es claro que
n
) [\] n N.
Entonces, lim
n
n
) = [)[ [\].
Para cualquier

) [\], existir a una sucesi on ()
n
) [\] tal que
lim
n
|)
n

)|
= 0.
Entonces, evidentemente,
lim
n
| [)
n
[ [
)[ |
= 0
y, como [)
n
[ [\] n , lim
n
[)
n
[ = [
)[ [\].
2. Para funciones acotadas arbitrarias )
1
, )
2
es claro que
max()
1
, )
2
) =
)
1
+)
2
+ [)
1
)
2
[
2
, min()
1
, )
2
) =
)
1
+ )
2
[)
1
)
2
[
2
.
Como [\] es un espacio vectorial, el resultado se deduce directamente
del punto anterior.
Lema 1.9.5
Sea (T, d) compacto, sea ) C(T, R) y sea n
t
[ t T C(T, R). Entonces:
1. Si n
t
(t) )(t) t T n N y t
1
, . . . , t
n
T tal que
la funci on ` = maxn
t
1
, . . . , n
tn
tambien cumple que
`(t) )(t) t T.
2. Si n
t
(t) < )(t) t T n N y t
1
, . . . , t
n
T tal que
la funci on : = minn
t
1
, . . . , n
tn
tambien cumple que
:(t) < )(t) t T.
Demostraci on:
1. Sea G
t
= : T [ n
t
(:) )(:). Por ser ) y n
t
continuas, G
t
es abierto
y, claramente, t G
t
. Por tanto, G
t
[ t T es un cubrimiento
abierto de T. Como (T, d) es compacto, existe un n N y existe
t
1
, , t
n
T tales que G
t
1
G
tn
= T. Es f acil comprobar
que la funci on ` = maxn
t
1
, . . . , n
tn
tiene la propiedad deseada.
2. Se prueba de modo similar.
Lema 1.9.6
Sea (T, d) compacto y sea \ C(T, R) con la propiedad reticular:
)
1
, )
2
\ max()
1
, )
2
) \ y min()
1
, )
2
) \
Entonces, dada ) C(T, R) y dado 0, son equivalentes:
1. p \ tal que [)(t) p(t)[ < t T
2. n
t,s
[ t, : T \ tal que
_
[)(t) n
t,s
(t)[ <
[)(:) n
t,s
(:)[ <
t, : T
Demostraci on:
1 2 Si p \ satisface 1, la familia n
t,s
= p, t, : T satisface 2.
2 1 Fijado un t T observamos que
_
n
t,s
(t) < )(t) +
n
t,s
(:) )(:)
: T
El lema 1.9.5 aplicado a la funci on ) y a la familia n
t,s
[ : T ase-
gura un :
1
, , :
n
T tal que `
t
= maxn
t,s
1
, , n
t,sn
tambien
cumple que `
t
(:) )(:) : T. Adem as, por lo exigido a
\, `
t
\, y como n
t,s
i
(t) < )(t) + i = 1, . . . , n, resulta que
`
t
(t) < )(t) + .
El lema 1.9.5 aplicado a la funci on ) + y la familia `
t
[ t T \,
asegura un t
1
, . . . , t
m
T tal que p = min`
t
1
, . . . , `
tm
cumple
que p(t) < )(t) + t T. Adem as p \ y como `
t
j
(:)
)(:) , = 1, . . . , :, tambien p(:) )(:) : T.
Luego esta p \ cumple que [)(t) p(t)[ < t T
Estudiamos, a continuaci on, c omo inuye la capacidad de separar puntos.
En primer lugar suponemos una capacidad para separar fuertemente:
Lema 1.9.7
Sea (T, d) compacto y sea \ C(T, R) con la propiedad reticular fuerte
1. )
1
, )
2
\ max()
1
, )
2
) \ y min()
1
, )
2
) \
2.
_
(t, :) T T
T
(, j) R R
p \ tal que
_
p(t) =
p(:) = j
Entonces \ es denso en (C(A, R), | |
).
Demostraci on:
Fijados ) C(T, R) y 0 hallaremos una p \ tal que |) p|
< :
Para cualesquiera t ,= : en T, la condici on 2 aplicada a las parejas (t, :)
y ()(t), )(:)) asegura la existencia de una n
t,s
\ tal que n
t,s
(t) = )(t) y
n
t,s
(:) = )(:). As, obtenemos una familia n
t,s
[ t, : T \ que cumple
la condici on 2 del lema 1.9.6 para nuestra ) y nuestro . Ello equivale a
asegurar la existencia de una p \ tal que t T [)(t) p(t)[ < .
Lema 1.9.8
Sea (T, d) compacto y sea \ C(T, R) un subespacio vectorial tal que
1. )
1
, )
2
\ max()
1
, )
2
) \ y min()
1
, )
2
) \
2. \ separa puntos de T
3. 1 \
Entonces \ es denso en (C(A, R), | |
).
Demostraci on:
S olo necesitamos probar que \ cumple la condici on 2 del lema 1.9.7:
Fijemos t ,= : en T y cualesquiera , j en R. Por tener \ la capacidad
de separar los puntos de T sabemos que existe ) \ tal que )(t) ,= )(:).
La funci on
p : T R
: + (j )
f(r)f(t)
f(s)f(t)
cumple que p(t) = y p(:) = j. Adem as, p es una combinaci on lineal de )
y 1, ambas en el espacio vectorial \, luego p \.
Lema 1.9.9
Sea (T, d) compacto y sea \ C(T, R) un subconjunto que cumple:
1. \ separa los puntos de T
2. 1 \
Entonces, [(\)] es denso en (C(A, R), | |
).
Demostraci on:
El conjunto (\) es, trivialmente, cerrado para la formaci on de productos
y el lema 1.9.4 asegura que la clausura [(\)] formada en (1(T, R), | |
)
tiene la propiedad reticular
)
1
, )
2
[(\)] max()
1
, )
2
) [(\)], min()
1
, )
2
) [(\)]
Como [(\)] C(T, R) y C(T, R) es cerrado en (1(T, R), | |
),
[(\)] coincide con la clausura de [(\)] formada en (C(T, R), | |
).
Finalmente, como [(\)] es un subespacio vectorial de C(T, R) que cumple
la propiedad reticular, separa los puntos de T y contiene a la funci on 1, el
lema 1.9.8 asegura que [(\)] es denso en (C(T, R), | |
) y, en consecuen-
cia, tambien [(\)] es denso en (C(T, R), | |
)
Demostraci on (Stone-Weiersras I):
Fijamos ) C(T, R), 0 y un compacto 1 no vaco de (T, d). Necesita-
mos encontrar una funci on p [(\)] tal que sup
tK
[)(t) p(t)[ < :
En primer lugar, constatamos que
[(n[
K
[ n \)] = n[
K
[ n [(\)].
El sunconjunto n[
K
[ n \ C(1, R) separa puntos de 1 y contiene
una funci on constante no nula. El lema 1.9.9 asegura que
[(n[
K
[ n \)] es denso en (C(1), | |
)
y , como )[
K
C(1, R), existe una p
0
[(n[
K
[ n \)] tal que
sup
xK
[)(r) p
0
(r)[ <
y, por tanto, existe una p [(\)] tal que p[
K
= p
0
. Evidentemente, esta
p satisface nuestras espectativas.
Observaci on 1.9.10
El teorema 1.9.1 no funciona en el caso de funciones con valores complejos. Si
C(T, C) = ) : T C[ ) continua , las condiciones de separar los puntos
de T y contener funciones constantes no nulas, no son sucientes para que
se cumpla el lema 1.9.9 en el caso de un \ C(T, C).
Por ejemplo, T = . C[ [.[ 1 con la metrica can onica, es un espacio
metrico compacto y el conjunto \ = 1, . separa puntos de T y contiene
una funci on constante no nula. Sin embargo, [(\)] no es denso en C(A, C)
porque la funci on . . que es contiua, no es derivable en sentido complejo
y, por tanto, no es desarrollable en serie de potencias.
Teorema 1.9.11 (Stone-Weierstrass II)
Sea (T, d) un espacio metrico y sea \ C(T, C) un subconjunto que
separa los puntos de T, contiene una funci on constante no nula y admite
conjugados. Entonces, la sub algebra [(\)] es densa en (C(T, C), /).
Demostraci on:
Bastar a probar que si (T, d) es compacto y \ C(T, C) separa los puntos
de T, contiene a la funci on 1 y admite conjugados, se verica que [(\)] es
denso en (C(T, C), | |
):
Sea
R
= Re()) [ ) [(\)]. Es claro que
R
[(\)] pues
) [(\)]
_
1
2
) [(\)]
1
2
) [(\)]
Re()) =
1
2
) +
1
2
) [(\)]
Adem as,
R
es una sub algebra de C(T, R) que, obviamente, contiene a la
funci on 1, y separa puntos de T puesto que, si t, : son dos puntos distintos
de T, existe una ) \ tal que )(t) ,= )(:) y, por tanto, o son separados
por Re())
R
o por Im()) = Re(i))
R
.
El lema 1.9.9 asegura que
R
es densa en (C(T, R), |
) y, en consecuencia,
[(\)] =
R
+ i
R
es denso en C(T, C) = C(T, R) + iC(T, R).
Corolario 1.9.12 (Stone-Weierstrss III)
Sea (T, d) compacto, sea t
0
un punto dado en T y sea
C
0
(T, C) = ) C(T, C) [ )(t
0
) = 0.
Entonces, cualquier algebra /
0
C
0
(T, C) que separa los puntos de T y
tiene conjugados, es densa en (C
0
(T, C), | |
).
Demostraci on:
Sea c C una constante no nula. Del teorema 1.9.11 se deduce que el
conjunto \ = /
0
c genera un algebra densa en (C(T, C), | |
), luego
) C
0
(T, C) y 0 p /
0
y o C tal que
|) (p + o)|
<

2
Pero [o[ = [)(t
0
) p(t
0
) o[ |) (p + o)|
<

2
luego
|) p|
= |) (p + o) + o|
|) (p + o)|
+ [o[ < .
En todos los enunciados de esta secci on 1.9 podemos substituir el espacio
metrico (T, d) por cualquier espacio topol ogico de Hausdor (T, ). La sen-
cillez de comprobaci on de las hip otesis de los teorema 1.9.1 y 1.9.11 hacen de
ellos herramientas de gran aplicabilidad, como podemos ver en los siguientes:
Comentario 1.9.13
1. Si T es el intervalo real [o, /] y d(t, :) = [t:[, basta tomar \ = 1, t
para estar en las condiciones exigidas en el lema 1.9.9. Entonces,
(\) = 1, t, t
2
, ..., t
n
, ... y [(\)] es el algebra de los polinomios en
una variable. El lema 1.9.9 nos asegura que es densa en C
[o, /] y,
as, dada ) : [o, /] 1 continua y dado c 0
(t) =
k
n=0
o
n
t
n
tal que |) |
< c .
2. Si T = [o, /] [c, d] y d(x
1
, x
2
) = |x
1
x
2
|
2
, basta tomar
\ = 1, 1
1
, 1
2
donde
_
1
1
(x) = r
1
2
(x) = j
x = (r, j) [o, /] [c, d]
para estar en las condiciones exigidas en el lema 1.9.9. Entonces, la
familia de todos los productos de elementos de \ es
(\) = 1, ..., 1
nm
, ... donde 1
nm
: [o, /] [c, d] R,
x r
n
j
m
y [(\)] es el algebra de los polinomios en dos variables. El lema
1.9.9 nos asegura que dada ) : [o, /] [c, d] R continua y dado c 0
(x) =
k
n+m=0
o
n+m
r
n
j
m
tal que |) |
< c .
3. Si : [o, /] [c, d] R es un polinomio, es evidente que las dos
siguientes iteraciones de integrales simples de Riemann valen lo mismo
_
b
a
__
d
c
(r, j) dj
_
dr =
_
d
c
__
b
a
(r, j) dr
_
dj := 1()
y, por tanto, podemos aceptar como denici on de integral doble de Rie-
mann de en el rect angulo Q = [o, /] [c, d], el valor com un 1().
Si ) : R
2
R es una funci on continua de soporte
1
compacto, hay un
rect angulo [o, /] [c, d] que contiene a dicho soporte y el comentario
2 nos asegura la existencia de un polinomio que aproxima uniforme-
mente a ) en dicho rect angulo, tanto como queramos. En consecuen-
cia, tambien
_
b
a
__
d
c
)(r, j) dj
_
dr =
_
d
c
__
b
a
)(r, j) dr
_
dj := 1())
1
Si (X, ) es un espacio topologico, el soporte de una f : X R es, por denicion, la
clausura del conjunto |x X[ f(x) ,= 0. Es decir, sop f = cl (|x X[ f(x) ,= 0).
y, por tanto, tiene sentido denir la integral doble de Riemann de )
como el valor com un 1()) porque en el rect angulo [o, /] [c, d] dicho
valor no depende del orden elegido y fuera del rect angulo la funci on )
es nula.
Estos razonamientos se pueden hacer en cualquier R
n
para denir
la integral m ultiple de Riemann de cualquier funci on ) : R
n
R
continua de soporte compacto.
4. Si T = R
+
y d(t, :) = [t:[, basta tomar \ = 1, c
t
para estar en las
condiciones del teorema 1.9.1. Entonces, (\) = 1, c
t
, ..., c
nt
, ...
y dada una ) : R
+
R continua, un 0 y un compacto 1 R
+
,
(t) =
n
k=0
o
k
c
kt
tal que [)(t) (t)[ < c t 1.
En particular, C(R
+
, R) = [c
st
[ : R
+
] donde la clausura se
toma en la topologa /.
5. Si T = R y d(t, :) = [t:[, basta tomar \ = 1, c
it
, c
it
para aplicar
el teorema 1.9.11. As, (\) = . . . , c
int
, , c
it
, 1, c
it
, . . . , c
int
, . . .
y dada una ) : R C continua, un 0 y un compacto 1 R,
(t) =
n
k=n
.
k
c
ikt
tal que [)(t) (t)[ < c t 1.
En particular, C(R, C) = [c
ist
[ : R] donde la clausura se toma
en la topologa /.
6. Si T = R
n
y d(x, y) = |x y|
2
razonando como en el punto anterior
podemos concluir que C(R
n
, C) = [c
i(x[y)
[ y R
n
] donde la
clausura se toma en la topologa /.
7. Si ) : [, ] R es una funci on continua que cumple )() = )()
y tomamos T = . C[ [.[ = 1 con la metrica eucldea, tambien es
continua la funci on compuesta
p = ) Arg: T [, ] R
. Arg(.) = t )(t)
Pensando esta p como una funci on G con llegada en C, G : T C
tambien es continua y, as, dado 0, el teorema 1.9.11 asegura que
(.) =
n
k=n
c
k
.
k
tal que |G |
< c
1.10. ESPACIOS DE HILBERT 65
Por tanto,
[Re(G(.) (.))[ = [p(.) Re((.))[ < c . T
y, en consecuencia,
)(t) Re
_
n
k=n
c
k
c
ikt
_
< c t [, ]
Ahora bien, si designamos c
k
= o
k
+i/
k
, tenemos
Re(c
k
c
ikt
) =Re ((o
k
+ i/
k
)(cos /t +i sin/t)) = o
k
cos /t /
k
sin/t
Re(c
k
c
ikt
) =Re ((o
k
+i/
k
)(cos /t i sin/t)) = o
k
cos /t + /
k
sin/t
y, por tanto,
Re(
n
k=n
c
k
c
ikt
) = o
0
+
n
k=1
(o
k
+ o
k
) cos /t + (/
k
/
k
) sin/t
Del teorema 1.9.11 tambien se deduce, pues, la posibilidad de aproxi-
mar uniformemente toda funci on ) : R R continua y 2-peri odica
por polinomios trigonometricos
1.10 Espacios de Hilbert
En un espacio vectorial A llamamos producto escalar a una aplicaci on
( [ ) : A A R bilineal, simetrica y denida positiva. Todo producto
escalar genera la funci on
| | : A R
x (x[x)
1
2
que verica, trivialmente, las dos primeras condiciones de una norma. Por
cumplir la desigualdad de Cauchy-Schwartz
[(x[y)[ |x| |y|
tambien verica la tercera y, adem as, cumple una cuarta muy importante,
4. |x + y|
2
+|x y|
2
= 2|x|
2
+ 2|y|
2
que se llama ley del paralelogramo. Tambien es cierto que toda norma
que cumple la ley del paralelogramo proviene, necesariamente, de un pro-
ducto escalar. El espacio normado correspondiente se dice prehilbertiano
y, si es un espacio de Banach, recibe el nombre de espacio de Hilbert.
En R
n
la norma |x|
2
= (
n
i=1
r
2
i
)
1
2
procede del producto escalar (x[y) =
n
i=1
r
i
j
i
.
En ([o, /] el producto escalar ()[p) =
_
b
a
)(t) p(t)dt nos dene la norma
|)|
2
=
_
_
b
a
)
2
(t)dt
_1
2
. No es difcil ver que (([o, /], | |
2
) no es un espacio
completo, pero , como ya hemos dicho, existe un completado de este espacio.
Precisamente, es el espacio de Lebesgue L
2
(o, /) (ver p ag. 87).
En todo espacio prehilbertiano (A, | |) la desigualdad de Cauchy-Schwartz
asegura x A, que el funcional lineal
)
x
: A R
y (x[y)
es acotado y cumple que |)
x
| |x|. Adem as, |)
x
| = sup
|y|=1
(x[y)
_
x[
x
|x|
_
= |x|, luego |)
x
| = |x|.
La desigualdad de Cauchy-Schwarz tambien asegura que 1
(x[y)
|x| |y|
1,
y ello nos permite denir el angulo entre vectores no nulos:
ang(x, y) = arccos
(x[y)
|x| |y|
.
Si ang(x, y) =

2
, la pareja de vectores x, y se dice ortogonal y se escribe
x y. Este concepto se extiende a cualquier subconjunto de un espacio
de Hilbert (A, | |). A es ortogonal si x, y , con x ,= y, se tiene que
x y. Si, adem as, todos sus vectores son unitarios, se llama ortonormal.
Si es ortogonal y nito, verica el teorema de Pit agoras
ortogonal
_
_
_
_
_
xA
x
_
_
_
_
_
2
=
xA
|x|
2
Si es ortogonal y 0 , , es libre pues si x
1
, ..., x
n
y
n
i=1
i
x
i
=
0, multiplicando escalarmente por cada x
j
tenemos
_
n
i=1
i
x
i
[x
j
_
=
j
(x
j
[x
j
) = 0
j
= 0 , = 1, ..., n.
Para conjuntos contables (nitos o numerables) podemos dar una suerte
de recproco:
Teorema 1.10.1 (Gram-Schmidt)
En un espacio de Hilbert (A, | |) para todo subconjunto libre y contable
existe un conjunto ortonormal l tal que [] = [l].
Demostraci on:
Si = (x
n
), podemos ejecutar el proceso iterativo de Gramm-Schmidt:
Con x
1
generamos u
1
=
x
1
|x
1
|
y es claro que [x
1
] = [u
1
].
Con x
2
generamos v
2
= x
2
(x
2
[u
1
)u
1
y u
2
=
v
2
|v
2
|
y es claro que
u
2
u
1
y [x
1
, x
2
] = [u
1
, u
2
].
Con x
3
, v
3
= x
3
(x
3
[u
1
)u
1
(x
3
[u
2
)u
2
y u
3
=
v
3
|v
3
|
y es claro que
u
3
u
1
, u
3
u
2
y [x
1
, x
2
, x
3
] = [u
1
, u
2
, u
3
].
Y, as, sucesivamente.
Teorema 1.10.2
En todo espacio de Hilbert separable (A, | |) existe una base de Schauder
ortonormal.
Demostraci on:
Por ser (A, | |) separable existe un conjunto denso y numerable y, por tanto,
un conjunto total numerable. Por el proceso de Gramm-Schmidt obtene-
mos una sucesi on ortonormal total. El teorema de Pit agoras le asegura la
condici on del corolario 1.8.6 y, por tanto, es base de Schauder.
Las bases de Schauder ortonormales de un espacio de Hilbert se llaman
bases hilbertianas.
En un espacio de Hilbert (A, | |), para cada subconjunto A deni-
mos su ortogonal
= x A[ (x[y) = 0 y que siempre es un

subespacio cerrado de (A, | |).
Lema 1.10.3 (Vector minimizante)
Si C es un convexo cerrado no vaco de un espacio de Hilbert (A, | |), C
tiene un unico vector de norma mnima.
Demostraci on:
Sea / = inf
xC
|x| y sea (x
n
) C tal que (|x
n
|) /. La ley del paralelo-
gramo y la convexidad de C aseguran que (x
n
) es de Cauchy:
|x
n
x
m
|
2
= 2
_
|x
n
|
2
+ |x
m
|
2
_
4
_
_
_
_
x
n
+x
m
2
_
_
_
_
2
2
_
|x
n
|
2
+|x
m
|
2
_
4/
2
La completitud del espacio de Hilbert y el hecho de ser C cerrado aseguran
que (x
n
) x
0
C. As, / = |x
0
| = min
xC
|x|. Si existiese otro y
0
C
cumpliendo esta condici on, la ley del paralelogramo le obligara a coincidir
con x
0
:
|x
0
y
0
|
2
2
_
|x
0
|
2
+ |y
0
|
2
_
4/
2
= 0.
Teorema 1.10.4 (Aproximaci on convexa)
1. Si C es un convexo cerrado no vaco de un espacio de Hilbert (A, | |),
C es un conjunto de Chebychev (ver p ag. 29)
2. (x
C
(x)[y
C
(x)) 0 (x, y) A C
3. Si (x, y
0
) A C y (x y
0
[y y
0
) 0 y C, y
0
=
C
(x)
Demostraci on:
1. x + C es convexo cerrado y no vaco x A. Por el lema 1.10.3,
1
y
0
C tal que |x y
0
| = min
yC
|x y|. Luego y
0
=
C
(x).
2. Por ser C convexo
(1 )
C
(x) +y C (, y) [0, 1] C
luego
|x
C
(x)|
2
|x (1 )
C
(x) y|
2
=
= |x
C
(x)|
2
2(x
C
(x)[y
C
(x)) +
2
|y
C
(x)|
2
y, por tanto,
0 2(x
C
(x)[y
C
(x))+
2
|y
C
(x)|
2
(, y) [0, 1]C.
En consecuencia,
2(x
C
(x)[y
C
(x)) |y
C
(x)|
2
(, y) (0, 1] C
y, por continuidad, tambien debe ser cierto para = 0. As,
(x
C
(x)[y
C
(x)) 0 y C
3. Es evidente que
(xy
0
[yy
0
) = (xy
0
[xy
0
(xy)) = |xy
0
|
2
(xy
0
[xy).
Por la hip otesis y la desigualdad de Cauchy-Schwartz,
|x y
0
|
2
(x y
0
[x y) |x y
0
| |x y| y C.
Luego, |x y
0
| |x y| y C y, por tanto, y
0
=
C
(r).
Teorema 1.10.5 (Aproximaci on lineal)
Sea Y un subespacio vectorial cerrado de un espacio de Hilbert (A, | |).
Entonces:
1. Y es de Chebychev
2. x
Y
(x) Y

x A.
3. A = Y Y
4. La aplicaci on de aproximaci on
Y
: A A es lineal, idempotente y
cumple que im
Y
= Y y ker
Y
= Y
. Adem as, |
Y
| = 1.
Demostraci on:
1. Todo subespacio es convexo y no vaco. Si Y es cerrado, por 1.10.4,1,
es de Chebychev.
2. Por 1.10.4,2, (x
Y
(x)[y) 0 y Y . Al ser Y un subespacio
y tenerse que cumplir la desigualdad para cada vector y su opuesto,
s olo es posible la igualdad . Por tanto, x
Y
(x) Y

x A.
3. Es una consecuencia inmediata de 2.
4. El punto 2 nos asegura, tambien, que la aplicaci on de aproximaci on
Y
: A A es la proyecci on con im
Y
= Y y ker
Y
= Y
ligada a
la suma directa topol ogica A = Y Y

. Por el teorema de Pit agoras
|x|
2
= |
Y
(x)|
2
+ |x
Y
(x)|
2
y, as, |
Y
(x)| |x|. Por tanto,
Y
es acotada con |
Y
| 1 y, como toda proyecci on no nula tiene
norma mayor o igual que 1, |
Y
| = 1.
Si Y es un subespacio vectorial nitodimensional de un espacio de Hilbert
(A, | |), para todo x A podemos obtener
Y
(x) y d(x, Y ) mediante
f ormulas cerradas que pueden ser implementadas en programas de c alculo
autom atico en un ordenador.
Teorema 1.10.6 (Aproximaci on nita)
Sea (A, | |) un espacio de Hilbert y sea Y un subespacio lineal nitodimen-
sional de base a
1
, , a
p
. Entonces, x A se tiene que
1.
Y
(x) =
p
i=1
(a
1
[a
1
) (a
1
[x) (a
1
[a
p
)
(a
2
[a
1
) (a
2
[x) (a
2
[a
p
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
(a
p
[a
1
) (a
p
[x) (a
p
[a
p
)
G(a
1
, a
2
, , a
p
)
a
i
2. d
2
(x, Y ) =
G(a
1
, a
2
, , a
p
, x)
G(a
1
, a
2
, , a
p
)
Demostraci on:
El teorema 1.10.5 asegura, para cada x A, una unica mejor aproximaci on
p
i=1
i
a
i
que cumple x
p
i=1
i
a
i
Y
. Como Y

= a
1
, , a
p
, el vector
a = (
i
) R
p
es la unica soluci on del sistema de ecuaciones lineales
(o1)
p
i=1
i
(a
j
[a
i
) = (a
j
[x) , = 1, , j.
La matriz de este sistema es la matriz de Gramm de los vectores (a
1
, , a
p
)
cuyo determinante, necesariamente no nulo, es el grammiano G(a
1
, , a
p
).
La expresi on de
Y
(x) anunciada en 1. se obtiene resolviendo el sistema
(SL) mediante la regla de Cramer.
Por otra parte, d(x, Y ) = |x
Y
(x)| y, por tanto,
d
2
(x, Y ) = (x
Y
(x)[x
Y
(x)) = (x[x) (x[
Y
(x))
A nadiendo esta ecuaci on al sistema (SL) obtenemos el nuevo sistema lineal
1
(a
1
[a
1
) +
2
(a
1
[a
2
) + . . . +
p
(a
1
[a
p
) + 0 = (a
1
[x)
1
(a
2
[a
1
) +
2
(a
2
[a
2
) + . . . +
p
(a
2
[a
p
) + 0 = (a
2
[x)
.
.
.
1
(a
p
[a
1
) +
2
(a
p
[a
2
) + . . . +
p
(a
p
[a
p
) + 0 = (a
p
[x)
1
(x[a
1
) +
2
(x[a
2
) + . . . +
n
(x[a
p
) + d
2
(x, Y) = (x[x)
De nuevo Cramer nos da la expresi on de d
2
(x, Y ) anunciada en 2.
Consecuencias 1.10.7
1. En las condiciones del teorema 1.10.6 si a
1
, ..., a
p
es ortogonal
Y
(x) =
p
i=1
(a
i
[x)
(a
i
[a
i
)
a
i
y, si es ortonormal, aun se simplica su expresi on
Y
(x) =
n
i=1
(a
i
[x)a
i
2. Desigualdad de Bessel:
Si (A, | |) es un Hilbert y A es ortonormal, se cumple que
yF
[(x[y)[
2
|x|
2
x A y 1 nito
En efecto, si 1 = x
1
, , x
n
e Y = [1], Pit agoras nos dice que
|x|
2
= |
Y
(x)|
2
+|x
Y
(x)|
2
|
Y
(x)|
2
=
n
i=1
[(x[x
i
)[
2
.
Teorema 1.10.8 (Riesz-Fisher)
Un espacio de Hilbert (A, | |) es isometricamente isomorfo a su dual (A
, | |).
Demstraci on:
Hemos visto (p ag 66) que )
x
: A R es lineal, acotado y |)
x
| = |x|. As,
la aplicaci on lineal
J : A A
x )
x
es isometrca y, por tanto, inyectiva. Veamos que tambien es suprayectiva:
Dado cualquier ) A
no nulo, existe un vector unitario u ker )
tal
que A = [u] ker ). El vector v, candidato a satisfacer ) = )
v
, ser a
un u que cumpla )
u
(x) = )(x) x A, es decir, (u[ju + y) =
)(ju + y) y ker ). Para ello es necesario y suciente que j =
j )(u) j R y, por tanto, = )(u). Con la elecci on v = )(u)u asegu-
ramos que ) = )
f(u)u
.
El teorema de Riesz-Fisher identica cada espacio de Hilbert (A, | |) con
su dual (A
, | |) y, por tanto, tambien con su bidual (A
, | |), luego, todo

espacio de Hilbert es reexivo.
Si (A, | |) e (Y, | |) son espacios de Hilbert y 1 L
c
(A, Y ), su adjunta
1
L
c
(Y

, A
) puede ser considerada elemento de L

c
(Y, A) por mor de
las identicaciones A A
e Y Y
. La condici on
1
(p)(x) = p(1(x)) (x, p) A Y
se escribe ahora
(1
(y)[x) = (y[1(x)) (x, y) A Y

y, si (A, | |) = (Y, | |), podemos denir la aplicaci on : L
c
(A) L
c
(A) tal
que 1 1
. Sus puntos jos son las importantes aplicaciones autoadjun-

tas que cumplen 1 = 1
y se caracterizan por vericar

(1(y)[x) = (y[1(x)) x, y A.
La aplicaci on : L
c
(A) L
c
(A) es lineal, isometrica y cumple:
1. 1
= 1
2. (1
1
1
2
)
= 1
2
1
1
.
3. 1
1 y 1 1
son autoadjuntos.
4. |1
1| = |1|
2
5. ker 1 = (im1
y ker 1
= (im1)
(relaciones de L orch)
Las tres primeras son inmediatas. Tampoco son difciles las otras dos:
(4) |1(x)|
2
= (1(x)[1(x)) = (1
1(x)[x) |1
1| |x|
2
luego
|1|
2
|1
1|. La desigualdad contraria es evidente.

(5) y (im1
(1
(x)[y) = 0 x A (x[1(y)) = 0 x A. La
otra relaci on se demuestra de forma similar.
El teorema 1.10.2 asegura que en todo espacio de Hilbert separable (A, | |)
existe una base de Schauder ortonormal (e
n
). Cada x A admite, en ella,
un unico desarrollo en serie de Fourier
x =
n=1
n
e
n
donde, evidentemente,
n
= (x[e
n
) n N.
Bessel (ver 1.10.7,2) asegura que la transformaci on de Fourier (ver 1.8.7,2)
: A c
0
,
x (
n
)
toma, ahora, sus valores en /
2
pues
n=1
2
n
=
n=1
[(x[e
n
)[
2
|x|
2
Teorema 1.10.9 (Parseval)
Sea (A, | |) un espacio de Hilbert separable y sea (e
n
) una base hilbertiana.
La transformaci on lineal
: A /
2
x ((x[e
n
))
es continua, isometrica y biyectiva.
Demostraci on:
La continuidad se deduce de |(x)|
2
=
n=1
[(x[e
n
)[
2
|x|
2
.
Si denimos x
k
=
k
n=1
(x[e
n
)e
n
, vemos que |x
k
| = |(x
k
)| / N y
que ((x
k
)) (x). Luego |(x)| = |x| x A y, as probamos que
es una isometra. Esta igualdad se suele presentar al cuadrado, con el
nombre de identidad de Parseval:
|x|
2
=
n=1
[(x[e
n
)[
2
Finalmente, dada una (
n
) /
2
, es claro que la sucesi on
_
k
n=1
n
e
n
_
es
de Cauchy en (A, | |) y, por tanto, x
0
=
n=1
n
e
n
A. Evidentemente,
(x
0
) = (
n
) y, en consecuencia, es suprayectiva. El teorema 1.7.12 nos
asegura que
1
: /
2
A tambien es continua.
El teorema 1.10.9, al asegurar que (A) = o
2
as
, permite suprimir, en el
caso de un espacio de Hilbert separable, las cotas o
as
(A) o
0
de la
transformaci on de Fourier de un espacio de Banach separable (ver 1.8.7,4).
Adem as, nos presenta a /
2
como modelo de todos los espacios de Hilbert
separables. Mediante la transformaci on de Fourier-Parseval : A /
2
podemos trasladar un problema de un espacio de Hilbert (A, | |) al espacio
can onico /
2
, resolverlo, y retornar con continuidad al espacio original.
Para acabar la secci on veremos algunos teoremas de convexidad en espa-
cios eucldeos:
Teorema 1.10.10 (Farkas-Minkowski-Caratheodory-Weyl)
Sea (A, | |) un espacio eucldeo y sean b, a
1
, , a
m
A. Entonces,
b cono(a
1
, , a
m
)
m
i=1
x A[ (x [ a
i
) 0 x A [ (x [ b) 0
Demostraci on:
() Si b cono(a
1
, , a
m
) es claro que (x[b) =
m
i=1
i
(x [ a
i
) 0 si
(x [ a
i
) 0 i.
() Consideramos el hiperplano H = x A [ (x[b) = 1 y los semies-
pacios
H
i
= x A[ (x[a
i
) 0 i = 1, , :
Si denotamos
i
= H H
i
, la hip otesis dice que la familia de convexos
1
, ,
m
tiene intersecci on vaca. Entonces, existe una subfamilia mini-
mal con esta misma propiedad y, por tanto, podemos suponer que existe
, : tal que la intersecci on de todos los
1
, ,
j
es vaca pero la
intersecci on de cualesquiera , 1 de ellos no lo es. En estas condiciones, si
1 = [a
1
, , a
j
], probaremos: (1) b 1 y (2) dim1 = ,. En efecto:
1. Si b , 1, b tiene componente no nula z 1
y, por tanto,
_
z
[z[
2
[b
_
= 1 y
_
z
[z[
2
[a
i
_
= 0 i = 1, , ,
Esto est a en contra de que
j
i=1
i
= , luego b 1.
2. Si
t
i
= 1
i
tenemos en el espacio 1 una familia de convexos
t
1
, ,
t
j
con intersecci on vaca y tales que cualesquiera , 1 de
ellos tienen intersecci on no vaca. Estos convexos est an en 1 H que
es un hiperplano de 1 y, por traslaci on, tendremos en un subespacio
de dimensi on dim1 1 una familia de convexos
tt
1
, ,
tt
j
con
intersecci on vaca y tales que cualesquiera , 1 de ellos tienen inter-
secci on no vaca. El teorema 1.5.4 asegura que esto s olo puede suceder
si dim1 = ,.
De (1) y (2) deducimos que s olo hay una manera de escribir b =
j
i=1
i
a
i
.
S olo nos falta ver que
i
0 i = 1, , ,. Si no fuera as, podramos
suponer que
1
< 0. Completando a
1
, , a
j
a una base de A podemos
considerar el funcional lineal j
1
: A R que a cada vector le hace corre-
sponder la primera coordenada en dicha base. Seg un el teorema de Riesz,
existe un vector p
1
A tal que (p
1
[z) = j
1
(z) z A y tal que
(p
1
[b) =
1
, (p
1
[a
1
) = 1, (p
1
[a
2
) = 0, , (p
1
[a
j
) = 0 .
Entonces, el vector c = [
1
[
1
p
1
cumple que
(c[b) = 1, (c[a
1
) = [
1
[
1
0, (c[a
2
) = 0, , (c[a
j
) = 0
y llegamos al absurdo c
j
i=1
i
= .
El teorema 1.10.10 tiene muchas consecuencias importantes:
Corolario 1.10.11
Sea (A, | |) un espacio eucldeo, Y := [b, a
1
, , a
m
] A y dimY = /.
Entonces tenemos la siguiente disyuntiva:
(I) b cono(a
1
, , a
m
)
(II) Existe un hiperplano H que pasa por el origen, separa los conjuntos
b y a
1
, , a
m
y contiene a / 1 elementos de a
1
, , a
m
.
Demostraci on:
Est a totalmente contenida en la demostraci on del teorema 1.10.10.
Corolario 1.10.12
Sea : R
n
R
m
una aplicaci on lineal y sea b R
m
. Entonces:
1. x R
n
+
tq x = b (y [ b) 0 y R
m
tq
y 0.
2. x R
n
tq x b (y [ b) 0 y R
m
+
tq
y = 0
3. x R
n
+
tq x b (y [ b) 0 y R
m
+
tq
y 0
Demostraci on:
1. () Como (y [ b) = (y [ x) = (
y[ x), si x 0 y
y 0 tenemos
(y[b) 0.
() Fijadas sendas bases en R
n
y R
m
la aplicaci on vendr a rep-
resentada por una matriz : n. Sean sus vectores columna
a
1
, , a
n
. La no existencia de x R
n
+
con x = b equivale a
que b , cono(a
1
, , a
n
. El corolario 1.10.11 nos asegura un
c R
m
tal que (c [ b) < 0 y
c 0.
2. Consideramos la aplicaci on lineal
1 : R
m
R
n
R
n
R
m
(y, x
1
, x
2
) y +x
1
x
2
Es claro que
x R
n
tq x b (y, x
1
, x
2
) 0 tq 1(y, x
1
, x
2
) = b
y, por tanto, (1) aplicado a 1, asegura la equivalencia con
(y[ b) 0 y R
m
tq (y,
y,
y) 0
3. Consideramos la aplicaci on lineal
1 : R
m
R
n
R
m
(y, x) y + x
Es claro que
x R
n
+
tq x b (y, x) 0 tq 1(y, x) = b
y, por tanto, (1) aplicado a 1, asegura la equivalencia con
(y[ b) 0 y R
m
tq (y,
y) 0.
En un espacio normado (A, | |) llamamos poliedro a la intersecci on de
un n umero nito de semiespacios cerrados. As, )
i
, , )
m
A
y
/
1
, , /
m
R determinan el poliedro
1 =
m
i=1
x A [ )
i
(x) /
i
En un espacio de Hilbert (A, | |) los funcionales )

1
, , )
m
A
pueden
ser substituidos por un conjunto de vectores a
1
, , a
m
A y el poliedro
se escribe en la forma
1 =
m
i=1
x A [ (a
i
[ x) /
i
.
Si en R
m
jamos una base e
1
, , e
m
y designamos =
m
i=1
a
i
e
i
y b =
m
i=1
/
i
e
i
, todava podemos describir el poliedro en la forma 1 =
x A [ x b.
Recprocamente, si : A R
m
es lineal y b R
m
, el conjunto 1 =
x A[ x b es un poliedro pues, jada una base e
1
, , e
m
en
R
m
, existen vectores a
1
, , a
m
A tal que =
m
i=1
a
i
e
i
y, entonces,
1 = x A[ x b =
m
i=1
x A [ (a
i
[ x) /
i
.
En particular, un poliedro C = x A [ x 0 es un cono que se
dice cono poliedral.
El teorema 1.10.10 nos va a permitir comprobar que, en un espacio eucldeo,
un conjunto es un poliedro no vaco si y s olo si es la suma de Minkowski
de un politopo y un cono nitamente generado. Esta caracterizaci on desde
dentro de los poliedros no vacos es muy importante para la programaci on
lineal. Empezamos estudiando los conos:
Corolario 1.10.13
Sea (A, | |) un espacio eucldeo y sea C A un cono. Entonces,
C es nitamente generado C es poliedral
Demostraci on:
() Sea 1 = y
1
, , y
m
A un conjunto nito, sea C = cono(1) y sea
Y = [1]. Consideramos todos los semiespacios y Y [ (c[y) 0
de Y que contienen a 1 y tales que y Y [ (c[y) = 0 est a generado
por dimY 1 elementos linealmente independientes de 1. El corolario
1.10.11 nos asegura que la intersecci on de todos esos semiespacios co-
incide con el cono de Y generado por 1 y, como el n umero de ellos es
nito, este cono de Y es poliedral. Por tanto, tambien C es un cono
poliedral en A.
() Sea = a
1
, , a
m
A un conjunto nito y sea el cono poliedral
C =
m
i=1
x A [ (a
i
[x) 0
Por la anterior implicaci on sabemos que el cono generado por es
poliedral, luego
cono() =
p
j=1
x A [ (b
j
[x) 0.
Para concluir, probamos que C = cono(b
1
, , b
p
):
Como (a
i
[ b
j
) 0 i = 1, , :, , = 1, , j, es claro que
b
1
, , b
p
C, luego cono(b
1
, , b
p
) C. Si este contenido
fuera estricto tendramos un y C tal que y , cono(b
1
, , b
p
) y,
como este cono es poliedral, tendramos un z A tal que (z [ b
j
)
0 , = 1, , j y (z [ y) 0. Entonces, z cono() y, por tanto,
(z [ x) 0 x C pero esto es contradictorio con y C y (z [ y) 0.
Teorema 1.10.14
Sea (A, | |) un espacio eucldeo y sea 1 A no vaco.
1 es un poliedro existen \ A y 1 A nitos tales que 1 = co(\ )+cono(1)
Demostraci on:
() Sea 1 = x A [ x b con : A R
m
lineal y b R
m
. Si
consideramos la aplicaci on lineal
1 : A R R
m
(x, ) x b
y el cono del espacio A R
C = (x, ) A R
+
[ 1(x, ) 0
es inmediato observar que x 1 (x, 1) C. Como C es
poliedral, por el corolario 1.10.15, es nitamente generado y, as,
C = cono((x
1
,
1
), , (x
p
,
p
)).
Es claro que los
j
que no son nulos pueden suponerse iguales a 1 y
ordenados de forma que
1
= =
k
= 1 y
k+1
= =
p
= 0.
Sean \ = x
1
, , x
k
y 1 = x
k+1
, , x
p
. Como (x, 1) C,
podemos escribir
(x, 1) =
k
i=1
i
(x
i
, 1) +
p
i=k+1
i
(x
i
, 0) x 1
y, por tanto, 1 = co(\ ) + cono(1).
() Sea 1 = co(\ )+cono(1) con \ = x
1
, , x
k
y 1 = x
k+1
, , x
p
.
El cono de A 1 nitamente generado
C = cono((x
1
, 1), , (x
k
, 1), (x
k+1
, 0), , (x
p
, 0))
es, por el corolario 1.10.13, un cono poliedral y, por tanto, ha de existir
una funci on lineal 1 : A R R
q
tal que C = (x, ) A
R[ 1(x, ) 0. Esta funci on 1 es necesariamente de la forma
1(x, ) = x +b con : A R
q
lineal y b R
q
y como x 1 (x, 1) C x b es claro que 1 es
poliedral.
Corolario 1.10.15
Sea (A, | |) un espacio eucldeo. Un conjunto 1 A es un poliedro no
vaco acotado si y s olo si es un politopo.
Demostraci on:
Sabemos que 1 = co(\ ) + cono(1). Es claro que 1 es acotado si y s olo si
1 = 0.
1.11. C
ALCULO DIFERENCIAL 79
1.11 Calculo diferencial
Un problema inverso )(x) + u = b donde la funci on ) : A Y no es
lineal, puede ser muy complicado. Sin embargo, si (A, | |) e (Y, | |) son espa-
cios de Banach, es un abierto y ) : Y es diferenciable, disponemos
del c alculo diferencial, una potente herramienta inventada por Newton y
Leibnitz en el siglo XVII, para abordarlo con muchas posibilidades de exito.
En las condiciones anteriores, ) : Y se dice diferenciable si
x 1
x
L
c
(A, Y ) tal que )(x + h) )(x) 1
x
(h)
La nueva aplicaci on
1) : L
c
(A, Y )
x 1
x
puede gozar de la misma propiedad
x 1
t
x
L
c
(A, L
c
(A, Y )) tal que 1)(x +/) 1)(x) 1
t
x
(h).
Como L
c
(A, L
c
(A, Y )) es identicable con el espacio de las aplicaciones
bilineales continuas de A A en Y , nos queda denida la aplicaci on
1
2
) : B
c
(A A, Y )
x 1
t
x
Se podra continuar, pero no suele ser necesario. La aproximaci on
)(x + h) )(x) + 1)(x)(h) +
1
2
1
2
)(x)(h, h),
que nos permite estudiar funciones complicadas mediante el simple manejo
de aplicaciones lineales y bilineales continuas es, casi siempre, suciente para
estudiar los problemas de la realidad. Es m as, en muchos casos basta con
la aproximaci on
)(x +h) )(x) +1)(x)(h).
Un problema inverso )(x) = b donde ) : Y es diferenciable puede ser
substituido en el entorno de un punto x
1
por el problema inverso lineal
)(x
1
) + 1)(x
0
)(x r
1
) = b
es decir, por el problema
1
1
(x) = b
1
donde
_
1
1
= 1)(x
1
)
b
1
= b )(x
1
) + 1)(x
1
)(x
1
)
.
Si una soluci on x
2
de este cumple que |b)(x
2
)| |b)(x
1
)| planteamos
1
2
(x) = b
2
donde
_
1
2
= 1)(x
2
)
b
2
= b )(x
2
) + 1)(x
2
)(x
2
)
Si una soluci on x
3
de este cumple que |b)(x
3
)| |b)(x
2
)| planteamos
1
3
(x) = b
3
donde
_
1
3
= 1)(x
3
)
b
3
= b )(x
3
) +1)(x
3
)(x
3
)

Si, iterando, encontramos una sucesi on (x
n
) tal que ()(x
n
)) b y, si
(x
n
) x
0
, tendremos que x
0
es soluci on del problema inicial.
En el caso Y = R, la aproximaci on
)(x +h) )(x) +1)(x)(h) +
1
2
1
2
)(x)(h, h)
nos asegura que en los puntos en que 1)(x) es el funcional lineal nulo y
1
2
)(x) es una forma bilineal denida positiva, se ha de cumplir, para un
cierto 0, que
)(x + h) )(x) h 1(A).
Si (A, | |) = /
n
2
, la b usqueda de los mnimos y m aximos relativos de la
funci on ) : R pasa por la resoluci on del problema inverso )(x) = 0
y el estudio de la aplicaci on lineal autoadjunta
2
)(x
0
) : R
n
R
n
en las
soluciones x
0
de dicho problema inverso.
Teorema 1.11.1 Condiciones sucientes de extremo libre
Sea (A, | |) = /
n
2
y sea ) : R dos veces diferenciable con )(x
0
) = 0.
Sea la aplicaci on lineal autoadjunta
2
)(x
0
) : R
n
R
n
representada por
la matriz hessiana cuyos menores principales denotamos
i
)(x
0
) =
)
11
(x
0
) )
12
(x
0
) )
1i
(x
0
)
)
21
(x
0
) )
22
(x
0
) )
2i
(x
0
)
.
.
.
.
.
.
.
.
.
.
.
.
)
i1
(x
0
) )
i2
(x
0
) )
ii
(x
0
)
i = 1, , n
Entonces,
1. Si
i
)(x
0
) 0 i = 1, , n x
0
es mnimo
2. Si (1)
i
i
)(x
0
) 0 i = 1, , n x
0
es m aximo
2
2
Ver, por ejemplo, [C-RdeM]
1.11. C
El problema de optimizar ) : R o calcular sus mnimos relativos, suele
presentarse limitado a un cierto subconjunto \ . Cuando A = R
n
es
frecuente que \ sea una variedad diferenciable j-dimensional con j < n.
Un subconjunto \ R
n
es una variedad diferenciable j-dimensional
(j n) de clase (
k
(/ 1) si para cada x \ existe (l, ) tal que
l es un abierto de R
p
: l \ es de clase C
k
y 1(u) es de rango m aximo u l
(l) es un entorno abierto de x en \ .
En tal caso diremos que (l, ) es una carta local del punto x. El conjunto
de cartas locales necesarias para describir \ es el atlas de la variedad. El
hecho de que 1(u) : R
p
R
n
tenga rango m aximo signica que su matriz
tiene sus j vectores columna
_
n
1
(u) = t
1
, ,

n
p
(u) = t
p
_
linealmente independientes. Estos vectores constituyen una base de
im1(u) = T
x
(\ )
que es el espacio tangente a la variedad en el punto x = (u).
As pues, la optimizaci on de ) : R en una variedad diferenciable \
dada por una carta local : l R
n
, se reduce a optimizar la funci on
) : l R donde l es un abierto de R
p
. Basta, pues, resolver el prob-
lema inverso ())(u) = 0 donde ()) : l R
p
es el gradiente de ).
El teorema de derivaci on de la funci on compuesta nos dice que )(x)
[T
x
(\ )]
=
x
(\ ) donde T
x
(\ ) y
x
(\ ) son, respectivamente, los espa-
cios tangente y normal a la variedad \ en el punto x. Cuando \ viene dada
en implcitas, tenemos
\ = x [ 1(x) = 0 para una cierta 1 : R
np
y, en tal caso,
x
(\ ) = [1
1
(x), , 1
np
(x)]. As, para que x sea
mnimo relativo de ) [
V
debe cumplir que
()(x) [1
1
(x), , 1
np
(x)]) (1(x) = 0).
Esto es lo que asegura el teorema de los multiplicadores de Lagrange: Para
que x sea mnimo relativo de ) [
V
es necesario que existan n umeros reales
:
1
, , :
np
tales que
(() :
1
1
1
:
np
1
np
)(x) = 0) (1(x) = 0).
Si llamamos lagrangiana del problema de optimizaci on de ) : R en la
variedad \ , a la funci on
L : R
np
R
(x, r) )(x) (r[1(x))
es claro que
_
() :
1
1
1
:
np
1
np
)(x) =
x
L(r, x)
1(x) =
r
L(r, x)
luego las dos condiciones necesarias est an incluidas en L(x, r) = 0. Por
tanto, las soluciones del problema de extremos de ) : R en una var-
iedad diferenciable \ dada en implcitas, son soluciones del problema inverso
L(x, r) = 0 y se puede discriminar el car acter de mnimo o m aximo medi-
ante el siguiente
Teorema 1.11.2 Condiciones sucientes de extremo condicionado
Sea un abierto de /
n
2
, sean ) : R y 1 : R
np
funciones dos veces
diferenciables y sea \ = x [ 1(x) = 0 una variedad diferenciable. Si
(x
0
, r
0
) es soluci on del problema inverso L(x, r) = 0 para la lagrangiana
L: R
np
R
(x, r) )(x) (r[1(x))
y si
i
L(x
0
, r
0
) =
0 . . . 0
1
1
r
1
. . .
1
1
r
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0
1
np
r
1
. . .
1
np
r
i
1
1
r
1
. . .
1
np
r
1
)
11
. . . )
1i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
r
i
. . .
1
np
r
i
)
i1
. . . )
ii
i = 1, , n
se tiene que
1. Si (1)
np
i
L(x
0
, r
0
) 0 i = 1, . . . , n x
0
mnimo de ) en 1.
2. Si (1)
i
i
L(x
0
, r
0
) 0 i = 1, . . . , n x
0
m aximo de ) en 1.
3
3
Ver, por ejemplo, [C-RdeM]
1.11. C
Ejemplo 1.11.3
Dado un vector b /
n
2
hallar su mejor aproximaci on eucldea en el subespa-
cio generado por los vectores linealmente independientes a
1
, , a
p
.
Soluci on:
Se trata de calcular el mnimo de la funci on
) : R
n
R en la variedad lineal \ = [a
1
, , a
p
]
x (b x[b x)
Es claro que la variedad lineal \ tambien es una variedad diferenciable con
carta local (R
p
, 1) siendo 1 : R
p
R
n
la aplicaci on lineal de matriz
=
_
_
_
o
11
o
1p
.
.
.
.
.
.
o
n1
o
np
_
_
_.
Por tanto, nuestro problema se convierte en la optimizaci on libre de
p = ) 1 : R
p
R
u (b u[b u)
Puesto que
p(u) = (b[b) 2(
b[u) + (u[u)
es claro que
p(u) = 2
b + 2
u y
2
p(u) = 2
.
Como
es denida positiva, las soluciones s R

p
del problema lineal
u =
b
son mnimos de p : R
p
R y los vectores v = s son mnimos de )[
V
. Pero,
=
_
_
_
(a
1
[a
1
) (a
1
[a
p
)
.
.
.
.
.
.
(a
p
[a
1
) (a
p
[a
p
)
_
_
_
es la matriz de Gram de a
1
, , a
p
y tiene determinante no nulo cuando
dichos vectores son linealmente independientes (ver p ag. 70). Por tanto,
u =
b tiene soluci on unica s y v = s es el unico mnimo de )[

V
.
Ejemplo 1.11.4
Hallar la norma de una aplicaci on lineal 1 : /
n
2
/
m
2
.
Soluci on:
Sabemos que |1| = max|1(x)| [ |r| = 1. Debemos hallar el m aximo de
la funci on
) : R
n
R en la variedad \ dada por (x[x) 1 = 0
x (1(x)[1(x))
La lagrangiana de este problema es
L : R
n
R R
(x, :) (1(x)[1(x)) :((x[x) 1)
y, por tanto,
L(x, :) = 0
_
1
1(x) = :x
(x[x) = 1
El escalar : debe ser autovalor de 1
1 y la soluci on s, debe ser el autovector

de norma 1 asociado a :. Si multiplicamos escalarmente la primera ecuaci on
por s obtenemos
|1|
2
= (1(s)[1(s)) = :
y, por tanto, |1| es la raiz cuadrada del mayor autovalor de 1
1. Lo
escribimos:
|1| =
_
(1
1)
1.12 Espacios de medida
Por ultimo, presentaremos las herramientas adecuadas para medir. En un
conjunto cualquiera A llamamos - algebra a una familia M de subconjun-
tos de A que cumple
1. A M
2. M
c
:= A M
3.
n
[ n N M
_
n=1
n
M
La estructura (A, M) se llama espacio medible y los elementos de M son
los conjuntos medibles de A. Evidentemente, , A y T(A) siempre son
- algebras en A. Adem as, dada cualquier familia T de subconjuntos de A,
la intersecci on de todas las - algebras que contienen a T es una - algebra
que se dice generada por T. As, por ejemplo, en (R, [ [) existe la - algebra
de Borel B generada por todos los intervalos abiertos (o, /) R.
Una medida ya no es, como en Los Elementos, un concepto geometrico
a priori, sino una aplicaci on
j : M [0, ]
j()
1.12. ESPACIOS DE MEDIDA 85
que verica las propiedades:
1. j() = 0
2.
n
[ n N M disjuntos dos a dos j
_

_
n=1
n
_
=
n=1
j(
n
)
La estructura (A, M, j) es un espacio de medida. Cuando A es un espa-
cio vectorial y j() = j(x + ) M, x A, es la adecuada para
los problemas de cuadratura.
Cuando j(A) = 1, la medida j se llama probabilidad, los conjuntos med-
ibles se llaman sucesos, (A, M, j) se llama espacio de probabilidad y es
la estructura adecuada para tratar los problemas del azar y de la estadstica.
En todo espacio (A, M) con car(A) suciente, se pueden denir las proba-
bilidades de
1. Dirac concentrada en r
0
A
x
0
: M [0, 1]

_
1 si r
0

0 si r
0
,
2. Bernoulli de par ametro (0, 1) concentrada en r
0
, r
1
A
x
0
+ (1 )
x
1
3. Binomial de par ametro (0, 1) concentrada en r
0
, , r
n
A
n
k=0
_
n
/
_
nk
(1 )
k
x
k
4. Poisson de par ametro 0 concentrada en la sucesi on (r
n
)
n=0
A
k=0
c
k
/!

x
k
5. En general, para una serie de reales positivos
k=0

k
= 1 y una
sucesi on (r
n
)
n=0
A tenemos la medida discreta
k=0
x
k
Dado un espacio de medida (A, M, j), cualquier funci on ) : A R traslada
la estructura de medida de A al conjunto R pues quedan denidas, en el, la
- algebra
M
f
= 1 R[ )
1
(1) M
y la medida o ley de )
j
f
: M
f
[0, ]
1 j()
1
(1))
y es claro que si j es una probabilidad, j
f
tambien lo es.
Interesan las ) : A R, llamadas medibles, para las que todo intervalo
abierto de R est a en M
f
. Es medible la funci on caracterstica de cualquier
conjunto medible M:
1
A
: A R
r
_
0 si r ,
1 si r
y su integral respecto de la medida j se dene como sigue:
_
M
1
A
dj = j( `) ` M
Tambien es medible cualquier funci on ) : A R que toma un n umero nito
de valores distintos t
1
, , t
n
cuando )
1
(t
i
) =
i
M i = 1, , n.
Esta funci on tiene la representaci on can onica ) =
n
i=1
t
i
1
A
i
y, si es no
negativa, se llama funci on simple y su integral respecto de j se dene
como sigue:
_
M
) dj =
n
i=1
t
i
j(
i
`) ` M
con el convenio t =
_
si t 0
0 si t = 0
y + = .
Es f acil probar que la suma de dos funciones simples es simple, que el pro-
ducto de una funci on simple por un n umero real no negativo es una funci on
simple y que se cumplen las propiedades
1.
_
M
(:
1
+:
2
) dj =
_
M
:
1
dj +
_
M
:
2
dj
2.
_
M
: dj =
_
M
: dj
La integral indenida de la funci on simple : se dene
1
s
: M [0, ]
`
_
M
: dj
y es f acil probar que es una medida. Si designamos o(A, M) al conjunto
de todas las funciones simples denidas en A y /(A, M) al conjunto de
todas las medidas denidas en (A, M) nos queda denido el morsmo de
integraci on
1 : o(A, M) /(A, M)
: 1
s
El problema esencial del c alculo integral es extender el morsmo de inte-
graci on al mayor conjunto posible de funciones y, como podemos sospechar,
la estructura algebraica y topol ogica de A es determinante para que ese
superconjunto de o(A, M) sea amplio (ver [A-C-T]).
Lebesgue lo resolvi o en R, construyendo un espacio de medida (R, /, :)
tal que para toda ) : R R continua que cumple t R[ )(t) ,= 0 [o, /],
se tiene
_
R
)d: =
_
b
a
)(t)dt
donde la ultima es la cl asica integral de Riemann. La estructura (R, /, :)
es el espacio de medida de Lebesgue en R. La - algebra / es m as na
que la de Borel B y la medida : vale en cada intervalo [o, /] su longitud
[/ o[. Obviamente, :(t) = 0 t R y :(R) = , por lo que : no
es una probabilidad pero, a cambio, es invariante por traslaciones y esto la
convierte en una medida adecuada para la geometra.
Cada intervalo [o, /] hereda la estructura de medida de Lebesgue convirtiendose
en el espacio de medida ([o, /], /, :). Para 1 j < , los espacios de fun-
ciones j-integrables,
L
p
(o, /) =
_
) : [o, /] R [ / M
f
y
_
b
a
[)[
p
d: <
_
contienen a todas las funciones integrables en sentido cl asico (Newton, Cauchy,
Riemann...) y a otras muchas funciones y, as, resultan ser espacios de Ba-
nach. Lebesgue complet o los espacios de funciones de forma an aloga a como
los inconmensurables haban completado la recta.
Una medida j : /[0, ] se dice absolutamente continua respecto de
: si
1 / que cumple :(1) = 0 se tiene que j(1) = 0
El teorema de Lebesgue-Radon-Nikodym asegura que toda probabilidad en
(R, /) absolutamente continua respecto de :, es de la forma
j : / [0, 1] donde / L
1
(R)
1
_
B
/d:
A esta funci on / se le llama densidad de j respecto de : porque
j(1) =
_
B
dj =
_
B
/d: 1 /
y, abusando del smbolo, se puede escribir dj = /d: o, incluso, / =
dj
d:
.
Hay densidades famosas, como
1. La densidad de Gauss de par ametros (:, ) R (0, ):
G
m,v
: R R
t
1
2
c
(tm)
2
2v
2. La densidad de Euler de par ametros (j, ) (0, ) (0, ):
1
p,q
: R R
t
_
_
0 si t 0
t
p1
c
t
q
(j)
p
si t 0
Dado un espacio de medida (A, M, j) decimos que un dato o variable aleato-
ria ) : A R es de Dirac, de Bernouilli, binomial, de Poisson, de Gauss o
de Euler, cuando su ley j
f
es la probabilidad correspondiente. Es f acil ver
que para cualquier modicaci on del dato ) : A R
A
f
R
g
R se tiene
_
X
p )dj =
_
R
pdj
f
y, en particular,
_
X
)
n
dj =
_
R
t
n
dj
f
(t) n N
Estas f ormulas nos permiten calcular la esperanza y la varianza de ) :
A R
1()) =
_
X
)dj y \ 1()) =
_
X
[) 1())[
2
dj
El chero de MATLAB esperanzayvarianza nos dibuja cualquier densidad
discreta como un peine de deltas de Dirac, cualquier densidad continua
como una curva dibujada sobre R y nos calcula la esperanza y la varianza
de las correspondientes variables aleatorias.
La estructura de medida de Lebesgue se puede instalar f acilmente en
cualquier abierto R
n
convirtiendolo en el espacio de medida (, /
n
, :
n
).
Los metodos para calcular la integral de Riemann de funciones ) : [o, /] R
se aprovechan para integrar las funciones 1 : R gracias a los teoremas
del cambio de variable y de Fubini.
Teorema 1.12.1 (Cambio de variable)
Si 1 : R
n
R es integrable, Q R
n
es una caja abierta y C : Q
es una funci on diferenciable en todo punto u Q con det 1C(u) ,= 0,
_
1d :
n
=
_
Q
1(C(u)) [ det 1C(u)[d :
n
(u)
Teorema 1.12.2 (Fubini)
Si Q = (o
1
, /
1
) (o
n
, /
n
) es una caja abierta de R
n
y 1 : Q R es
integrable
_
Q
1d:
n
=
_
b
1
a
1
_
_
Q
n1
1(r
1
, , r
n
)d:
n1
(r
2
, , r
n
)
_
d:(r
1
)
Los procesos de cuadratura que tanto ingenio exigieron a Tales y a Pit agoras
se resuelven ahora de modo sistem atico:
C
-
d
c
O
v
u
a
b
Q
-
O
y
x
1
Hallar la cuadratura de R
2
es calcular :
2
()
:
2
() =
_
A
1 d:
2
Se busca un rect angulo Q = (o, /) (c, d) R
2
y una funci on diferenciable
C : Q con det 1C(u) ,= 0 en casi todo punto de Q. Entonces
_
A
1 d:
2
=
_
Q
[1C(u)[d:
2
(u)
y, con Fubini, resolvemos la m as sencilla de las dos integrales siguientes
_
b
a
__
d
c
[1C(n, )[d
_
dn o
_
d
c
__
b
a
[1C(n, )[dn
_
d
La mtica cuadratura del crculo se convierte as, en un ejercicio elemental.
El crculo de centro el origen y radio r se representa mediante la funci on
C : (0, :) (0, 2)
(, ) ( cos , sin)
cuya diferencial viene dada por la matriz
1C(, ) =
_
cos sin
sin cos
_
con det 1C(, ) =
y, entonces,
:
2
() =
_
r
0
d
_
2
0
d =
:
2
2
2 = :
2
La estructura de medida de Lebesgue se puede trasladar, tambien, a cualquier
variedad diferenciable j-dimensional \ 1
n
. Si (l, ) es una carta local
tal que (l) = \ , mediante la aplicaci on transferimos a \ la estructura
de medida (l, /
p
, :
p
). En \ consideramos la - algebra
/
= 1 \ [
1
(1) /
p
y la medida
j
: /
[0,]
1
_
1
(E)
[G(t
1
, , t
p
) [
1
2
d:
p
donde [G(t
1
, , t
p
)[ es el determinante de la matriz de Gram, cuadrado
de la medida j dimensional del paraleleppedo engendrado por los vectores
tangentes t
1
, , t
p
.
La aplicaci on lineal biyectiva 1(u) : R
p
T
x
(\ ) transforma el j-cubo
determinado por los vectores e
1
, , e
p
en el paraleleppedo determinado
por los vectores t
1
, , t
p
y, por tanto, [G(t
1
, , t
p
) [
1
2
no es m as que el
factor de cambio de medida que produce dicha aplicaci on lineal.
No es difcil comprobar que el espacio de medida (\, /
, j
) es independi-
ente de la carta (l, ) y, en consecuencia, la variedad diferenciable \ tiene
una estructura de medida can onica (\, /, j) que llamaremos de Lebesgue.
As, cada curva y cada supercie de nuestro espacio fsico R
3
tiene una es-
tructura de medida can onica.
Con ello, la teora de la medida y la integraci on elaborada por Lebesgue,
recupera y aclara los importantsimos teoremas de Gauss y de Stokes:
Teorema 1.12.3 (Gauss)
Sea \ un abierto de R
3
cuya frontera \ es una supercie de clase C
1
que
en cada punto x tiene denido el vector unitario normal exterior n(x) y sean
(\, /
3
, :
3
) y (\, /, j) sus espacios de medida de Lebesgue. Si

\ = \ \
es acotado y est a contenido en un abierto R
3
donde hay denido un
campo 1 : R
3
R
3
de clase C
1
, se cumple
_
V
div1 d:
3
=
_
V
(1 [ n) dj siendo div1 la divergencia de 1
Teorema 1.12.4 (Stokes)
Sea una supercie orientable en R
3
de clase C
2
y n(x) el vector normal
unitario elegido en el punto x. Sea o un abierto relativo de tal que o
es una curva de clase C
2
que en cada punto y tiene denido un vector e(y)
unitario normal exterior a o dentro de T
y
() y un vector unitario tangente
t(y), y supongamos que
lim
xy
n(x) = e(y) t(y)
Sean (o,
2
, j
2
) y (o, /
1
, j
1
) sus espacios de Lebesgue y supongamos que
o = o o es acotado y est a contenido en un abierto R

3
donde hay
denido un campo 1 : R
3
de clase C
2
. Entonces,
_
S
(rot1 [ n) dj
2
=
_
S
(1 [ t) dj
1
siendo rot1 el rotacional 1
De este modo, el viejo teorema fundamental del c alculo innitesimal de
Newton
o
t
(r) = )(r) o si se preere
_
b
a
)(r)dr = o(/) o(o)
que relaciona el comportamiento de una funci on en la frontera de un intervalo
con el de su uxi on o derivaci on en todo el intervalo, ha sido extendido a
cualquier variedad con borde pues, tanto div) como rot ), son derivaciones
de ). As, las matem atica han conseguido, tambien, la herramienta so nada
por Arqumedes que permite conocer propiedades del interior de un cuerpo
tomando medidas en su supercie.
Tema 2
Teora de grafos
2.1 Deniciones basicas
Si \ es un conjunto no vaco, los subconjuntos de \ \ constituyen el con-
junto 1(\ ) de las relaciones de \ . Son relaciones en \ , por ejemplo, el vaco
y la diagonal = (n, n) [ n \ . Un elemento c de una relaci on 1 es
un par ordenado de elementos de \ que escribiremos (c
1
, c
2
). Cada relaci on
1 tiene su traspuesta (1), imagen de 1 por la aplicaci on transposici on
: \ \ \ \ .
(n, ) (, n)
Se dice que una relaci on 1 es reexiva si 1 y que es simetrica si
1 = (1). La relaci on 1
s
= 1 (1) siempre es simetrica.
En 1(\ ) denimos la operaci on interna, llamada composici on,
: 1(\ ) 1(\ ) 1(\ )
(1, 1) 1 1
tal que 1 1 = (n, ) \ \ [
1
tal que (n,
1
) 1 y (
1
, ) 1.
Una relaci on 1 se dice transitiva si 1 1 1 y se dice de equivalencia si
es reexiva, simetrica y transitiva.
En general, (1(\ ), ) es un semigrupo no conmutativo con unidad y
elemento absorbente que admite divisores pues, por ejemplo,
(n
1
,
1
) (n
2
,
2
) = si n
1
,=
2
.
Tambien conviene observar que la composici on es distributiva a derecha e
izquierda con la uni on de relaciones. As,
_
_
iI
1
i
_
_
_
_
jJ
1
j
_
_
=
_
(i,j)IJ
1
i
1
j
93
94 TEMA 2. TEOR
IA DE GRAFOS
Dada una relaci on 1 1(\ ), denimos 1(1) = 1 y, sucesivamente,
1(/ + 1) = 1 1(/) / N.
Cuando / 1 es claro que
1(/) = (n, ) [ (c
1
, , c
k
) 1
k
con c
1
1
= n, c
2
k
= y c
2
i
= c
1
i+1
i = 1, , /1.
Deniciones 2.1.1 Sea \ un conjunto no vaco y 1 1(\ ) una relaci on.
1. Una /-tupla = (c
1
, , c
k
) 1
k
tal que c
2
i
= c
1
i+1
i = 1.2, . . . , / 1 es
un camino en 1 de inicio c
1
1
y nal c
2
k
.
2. (
uv
es el conjunto de todos los caminos con inicio n y nal .
3. Un ciclo es un camino (c
1
, , c
k
) con inicio y nal iguales que cumple
co:d(c
1
1
, , c
1
k
, c
2
k
)
/
2
+ 1
Denici on 2.1.2 Sea \ un conjunto no vaco, l \ y 1 1(\ ). Decimos
que l es 1-maximal cuando l l 1 y l
, 1 cuando l
l
y l ,= l
.
Teorema 2.1.3 Sea \ un conjunto no vaco.
1. Una relaci on reexiva y transitiva C ,= \ \ determina una partici on en \
constituida por subconjuntos C-maximales a la que llamaremos C-partici on.
2. Si 1 C es otra relaci on reexiva y transitiva en \ , la 1-partici on es un
renamiento de la C-partici on.
3. La C-partici on y la (C (C))-partici on son iguales y, as, los conjuntos de
la C-partici on son las clases de la relaci on de equivalencia (C (C)).
Demostraci on:
1. Sea \ . Como (, ) C, la familia \
i
[ i 1 de subconjuntos de
\ tales que (, ) \
i
\
i
C es no vaca. Su uni on \
v
=
_
iI
\
i
tambien
cumple que \
v
\
v
C pues
\
v
\
v
=
_
iI
\
i
_
jI
\
j
=
_
(i,j)II
\
i
\
j
y dado cualquier (
i
,
j
) \
i
\
j
es claro que (
i
, ) \
i
\
i
C y
(,
j
) \
j
\
j
C con lo cual (
i
,
j
) C C C.
As, para cada \ encontramos un \
v
C-maximal que lo contiene. Adem as,
si n ,= son dos puntos de \ se tiene la alternativa \
u
= \
v
o \
u
\
v
=
. En efecto:
Si \
u
,= \
v
y r \
u
\
v
es claro que
_
\
u
\
v
= (n
1
,
1
) [ r tal que (n
1
, r) C y (r,
1
) C C C C
\
v
\
u
= (
1
, n
1
) [ r tal que (
1
, r) C y (r, n
1
) C C C C
y, por tanto,
(\
u
\
v
) (\
u
\
v
) = (\
u
\
u
) (\
v
\
v
) (\
u
\
v
) (\
v
\
u
) C
con lo que, por suponer \
u
,= \
v
, ni \
u
ni \
v
seran C-maximales.
2.1. DEFINICIONES B
ASICAS 95
2. Inmediato.
3. Por 2, la (C (C))-partici on es un renamiento de la C-partici on. Pero es
claro que si \
i
\
i
C tambien se cumple que \
i
\
i
C (C) y, por
tanto, la C partici on tambien es un renamiento de la (C (C))-partici on,
luego ambas particiones coinciden.
Teorema 2.1.4 Sea \ un conjunto no vaco y sea 1 1(\ ) una relaci on.
1. l =
_
k=1
1(/) es una relaci on transitiva en \ .
2. Si 1 es nito y co:d(1) = :, l =
m
_
k=1
1(/)
3. C = l es una relaci on reexiva y transitiva en \ y, por tanto, determina
una C-partici on.
Demostraci on:
1. l l =
_
_
i=1
1(i)
_
_
_
_
j=1
1(,)
_
_
=
_
k=1
1(/) = l.
2. Es claro que
m
_
k=1
1(/)
_
k=1
1(/) = l. Veamos el contenido contrario:
Si (n, ) l existe un j N tal que (n, ) 1(j). Si j : el resultado es
inmediato. Si j : existe un j-camino (c
1
, . . . , c
p
) 1
p
. Alguno de estos
elementos de 1, por ejemplo c
j
, debe aparecer repetida y, sustituyendo en
el camino la parte c
j
, , c
j
por c
j
, vemos que (n, ) 1() con < j. Si
: el resultado es inmediato y si : volvemos a rebajarlo. En un
n umero nito de pasos, concluimos la prueba.
3. Es evidente que C, luego es reexiva. Ademas, es transitiva pues
C C = ( l) ( l) = l = C.
Seg un 2.1.3, C determina una partici on en \ constituida por subconjuntos
C-maximales.
Denici on 2.1.5 Un grafo es una terna (\, 1, n) donde \ es un conjunto nito,
1 1(\ ) una relaci on en \ y n : \ \ 1
+
un n ucleo cuyo soporte es 1. Si
1 = decimos que el grafo es simple.
\ es el conjunto de vertices del grafo y 1 es el conjunto de echas. El n ucleo n
asigna pesos a las echas. Si n = 1 hablamos del grafo sin pesos (\, 1).
Deniciones 2.1.6 Sea G = (\, 1, n) un grafo.
1. Su grafo traspuesto es G
t
= (\, (1), n
t
) siendo n
t
= n .
2. Su grafo simetrizado es G
s
= (\, 1
s
, n
s
) siendo 1
s
= 1 (1) y n
s
=
n + n
t
2
.
96 TEMA 2. TEOR
IA DE GRAFOS
3. Si G = G
s
decimos que G es simetrico.
Observaciones 2.1.7 1. Si el grafo G = (\, 1, n) es tal que
_
\ = 1, 2, 3, 4, 5
1 = (1, 2), (1, 5), (2, 3), (3, 2), (4, 1), (4, 2), (5, 3)
y n : \ \ R est a dada por la matriz de valores
_
_
_
_
_
_
0 5 0 0 2
0 0 3 0 0
0 4 0 2 0
7 1 0 0 0
0 0 4 0 0
_
_
_
_
_
_
ese puede presentar mediante el siguiente esquema
2. Los grafos G
t
y G
s
se representan, respectivamente por los esquemas
3. En un grafo simetrico G
s
, en el conjunto de arcos 1(1) se puede consid-
erar la relaci on de equivalencia (n, ) (, n) y manejar el conjunto cociente
= (1(1)), constituido por los pares no ordenados n, que llamare-
mos aristas. As, es frecuente la representaci on alternativa La
La utilizaci on de pesos nos permite formalizar la cuesti on de las aristas
m ultiples, habitual en la presentac on cl asica de la teora de grafos.
2.1. DEFINICIONES B
ASICAS 97
Denici on 2.1.8 Un grafo G
= (\

, 1
, n
) es subgrafo del grafo G = (\, 1, n)

cuando
\

\, 1
1, y n
[
E
= n[
E
.
Si, adem as, \

= \ decimos que G
es subgrafo generador de G.
Denici on 2.1.9 Sea G = (\, 1, n) un grafo y la relaci on C =
_
k=1
1(/).
Decimos que G es conexo cuando C = \ \ .
Teorema 2.1.10 Sea G = (\, 1, n) un grafo y la relaci on C =
_
k=1
1(/).
1. Si G es conexo y co:d(\ ) 1 se tiene que C =
_
k=1
1(/).
2. Si G no es conexo y \
1
, , \
q
es la C-partici on de \ , el grafo (\
i
, 1
i
, n
i
)
donde 1
i
= 1 \
i
\
i
y n
i
[
Ei
= n[
Ei
es un subgrafo conexo de (\, 1, n)
i = 1, , .
Demostraci on:
1. Designemos l =
_
k=1
1(/) y sea n \ . Existe \ tal que (n, ) , ,
luego (n, ) l y (, n) l. As, (n, n) l y, como n es cualquiera, l.
Luego, C = l.
2. (\
i
, 1
i
, n
i
) es un claro subgrafo de (\, 1, n) y s olo falta probar que es conexo,
es decir, que
\
i
\
i
=
i
_
k=1
1
i
(/) donde
i
= \
i
\
i
.
Si co:d(\
i
) = 1, es trivial. Si co:d(\
i
) 1, sabemos que \
i
\
i

_
k=1
1(/).
As, (n, ) \
i
\
i
existe un camino (c
1
, , c
k
) en 1 con (c
1
1
, c
2
k
) = (n, )
pero la C-maximalidad de \
i
asegura que, tambien, (c
1
, , c
k
) es camino
en 1
i
y, en consecuencia, \
i
\
i
=
_
k=1
1
i
(/).
Denici on 2.1.11 Los subgrafos (\
i
, 1
i
, n
i
) de (\, 1, n), introducidos en 2.1.10,2,
son las componentes conexas de (\, 1, n).
Deniciones 2.1.12
1. Un grafo G = (\, 1, n) conexo y sin ciclos se llama arbol.
2. En un grafo G = (\, 1, n), un subgrafo generador conexo y sin ciclos se
llama arbol generador.
Observaci on 2.1.13 Un arbol G = (\, 1, n) es siempre un grafo simetrico y
cumple la siguiente ley co:d(1) = 2(co:d(\ ) 1). Si consideramos aristas,
en lugar de arcos, es claro que en un arbol el n umero de aristas es el n umero de
vertices menos uno.
98 TEMA 2. TEOR
IA DE GRAFOS
2.2 Cuasimetricas y metricas en grafos
Denici on 2.2.1 Un n ucleo : \ \ R es una cuasimetrica en \ si cumple:
1. (n, n) = 0 n \
2. (n, ) 0 si n ,=
3. (n, ) (n, t) + (t, ) (n, t, ) \ \ \
Observaci on 2.2.2
Una cuasimetrica en \ es una metrica si y s olo si
t
= siendo
t
= .
Deniciones 2.2.3 Sea G = (\, 1, n) un grafo.
1. Dado un camino = (c
1
, , c
k
) en E, denimos su coste como el n umero
n() =
k
i=1
n(c
i
).
2. Llamamos coste del grafo al n umero n(G) =
eE
n(c).
Teorema 2.2.4 Sea G = (\, 1, n) un grafo y la relaci on C =
_
k=1
1(/). El
n ucleo
G
: \ \ R
(n, )
_
_
0 si (n, )
min
Cuv
n() si (n, ) C
1 +n(G) si (n, ) , C
es una cuasimetrica en \ que se llama cuasimetrica de Dikjstra del grafo G.
Demostraci on:
Las propiedades 2.2.1, 1 y 2 son evidentes. Sean (n, t, ) \ \ \ y comprobemos
la 2.2.1, 3:
Si n, t, estan en la misma componente conexa, existen c
1
C
ut
y c
2
C
tv
tales
que
G
(n, t) = (c
1
) y
G
(t, ) = (c
2
). El camino concatenado c
1
c
2
esta en C
uv
y, por tanto,
G
(n, ) (c
1
c
2
) =
G
(n, t) +
G
(t, ).
Si n, t, no estan en la misma componente conexa, se cumple que C
ut
= o C
tv
=
y, por tanto, la desigualdad es trivial.
Observaciones 2.2.5
1. Hemos denido
G
(n, ) como el mnimo de los costes de los caminos de C
uv
.
Si C
uv
fuera vaco,
G
(n, ) debera ser innito y para evitar ese inconve-
niente, le hemos dado el valor 1 +n(G) que tambien es un coste inalcanzable
para cualquier camino que no tenga aristas repetidas.
2.2. CUASIM
ETRICAS Y M
ETRICAS EN GRAFOS 99
2. La operaci on de composici on de relaciones juega un papel b asico en la teora
de los espacios uniformes y cuasiuniformes. Ahora, la relaci on C denida
a traves de la composici on, no s olo simplica la presentaci on te orica de la
cuasimetrica de Dijkstra sino tambien nos permite el dise no de algoritmos
de c alculo efectivo de la misma. Los programas de MATLAB composicion
y relacionC que presentaremos en la primera p actica nos permiten realizar
dichos c alculos para grafos de peque no tama no.
Recordemos ahora los siguientes resultados sobre cuasimetricas y metricas
Teorema 2.2.6
1. Si es cuasimetrica en \ , tambien lo es
t
= .
2. Si es cuasimetrica en \ y 0, tambien lo es .
3. Si
1
y
2
son cuasimetricas en \ , tambien lo es
(
1
,
2
)
: \ \ R
(n, ) max
1
(n, ),
2
(n, )
4. Si
1
y
2
son cuasimetricas en \ y : [1, ), tambien es cuasimetrica
(
1
,
2
)
r
: \ \ R
(n, ) (
r
1
(n, ) +
r
2
(n, ))
1
r
5. Si es cuasimetrica en \ , (,
t
)
r
es una metrica en \ : [1, ].
Demostraci on:
1, 2 Inmediatas.
3 Es inmediato que (
1
,
2
)
cumple las propiedades 1 y 2 de 2.2.1. Para la

3 basta observar que si i = 1, 2, se cumple que
i
(n, ) (
1
,
2
)
(n, t) +
(
1
,
2
)
(t, ) (n, t, ) \ \ \.
4 Para cualquier real : [1, ) es inmediato que (
1
,
2
)
r
cumple las propiedades
1 y 2 de 2.2.1. Ademas, (n, t, ) \ \ \ se cumple
_
r
1
(n, ) (
1
(n, t) +
1
(t, ))
r
r
2
(n, ) (
2
(n, t) +
2
(t, ))
r
y, por tanto,
(
r
1
(n, ) +
r
2
(n, ))
1
r
((
1
(n, t) +
1
(t, ))
r
+ (
2
(n, t) +
2
(t, ))
r
)
1
r
.
Por la desigualdad de Minkowski
([r
1
+ j
1
[
r
+[r
2
+j
2
[
r
)
1
r
(([r
1
[
r
+ [r
2
[
r
)
1
r
+ (([j
1
[
r
+ [j
2
[
r
)
1
r
,
tomando
1
(n, t) = r
1
,
2
(n, t) = r
2
,
1
(t, ) = j
1
,
2
(t, ) = j
2
, tenemos
((
1
(n, t) +
1
(t, ))
r
+ (
2
(n, t) +
2
(t, ))
r
)
1
r
(
r
1
(n, t)+
r
2
(n, t))
1
r
+(
r
1
(t, n)+
r
2
(t, ))
1
r
.
Luego (
r
1
(n, ) +
r
2
(n, ))
1
r
(
r
1
(n, t) +
r
2
(n, t))
1
r
+ (
r
1
(t, n) +
r
2
(t, ))
1
r
y, en consecuencia, (
1
,
2
)
r
cumple 3 de 2.2.1.
100 TEMA 2. TEOR
IA DE GRAFOS
5 Por 2.2.6, (,
t
)
r
es cuasimetrica en \ : [1, ]. Ademas es claro que
(,
t
)
t
r
= (,
t
)
r
.
Observaci on 2.2.7 Si
1
y
2
son cuasimetricas en \ , min
1
,
2
no es, nece-
sariamente, cuasimetrica en \ . Por ejemplo, si
_
\ = 1, 2, 3
1 = (1, 2), (2, 1), (1, 3), (3, 1), (2, 3), (3, 2)
y n : \ \ R tiene matriz de valores
_
_
0 1 3
2 0 2
3 1 0
_
_
,
las matrices de
G
y
t
G
son, respectivamente,
_
_
0 1 3
2 0 2
3 1 0
_
_
y
_
_
0 2 3
1 0 1
3 2 0
_
_
con lo que min
G
,
t
G
no es cuasimetrica por tener matriz de valores
_
_
0 1 3
1 0 1
3 1 0
_
_
.
Teorema 2.2.8 Sea G = (\, 1, n) un grafo, G
t
= (\, (1), n
t
) su traspuesto y
G
s
= (\, 1
s
, n
s
) su simetrizado. Las respectivas cuasimetricas de Dikjstra cumplen
las siguientes relaciones:
1.
G
t =
t
G
.
2.
Gs
es una metrica
3. Si 1 = (1), se verica que min
G
,
t
G

Gs
4. Si 1 (1) = , se verica que
Gs
(
G
,
t
G
)
.
Demostraci on:
1. Tenemos que probar que
G
t (n, ) =
G
(, n). Pero esto es evidente porque
C
uv
en (1) coincide con C
vu
en 1 y los costes de los caminos son iguales.
2. Puesto que G
s
= G
t
s
del apartado anterior deducimos
t
Gs
=
Gs
. As,
Gs
es una metrica.
3. Es claro que min
G
,
t
G
(n, )
Gs
(n, ) cuando n = o cuando el conjunto
de caminos C
uv
en 1 es vaco. En otro caso, supongamos que
Gs
(n.) =
s
(c
1
, , c
k
) =
k
i=1
n(c
i
) +n
t
(c
i
)
2
y, as,
(c
1
, , c
k
) tal que
G
(n, )
k
i=1
n(c
i
)
2.2. CUASIM
ETRICAS Y M

((c
k
), , (c
1
)) tal que
t
G
(n, )
k
i=1
n((c
i
))
y se verica que 2 min
G
(n, ),
t
G
(n, )
G
(n, )+
t
G
(n, ) 2
Gs
(n, )
y, por tanto,
min
G
(n, ),
t
G
(n, )
Gs
(n, )
4. Sea 1(1) = . La desigualdad es clara cuando n = o cuando el conjunto
de caminos C
uv
en 1 es vaco. En otro caso, supongamos, por ejemplo, que
(
G
,
t
G
)
(n, ) =
G
(n, ). Entonces,
(
G
,
t
G
)
(n, ) =
k
i=1
n(c
i
)
k
i=1
n(c
i
) + 0
2
=
k
i=1
n(c
i
) + n
t
(c
i
)
2

Gs
(n, )
y, por tanto, (
G
,
t
G
)
(n, )
Gs
(n, ).
Dado un grafo G = (\, 1, n) con un punto distinguido
0
\ y un
, \ ,
podemos considerar un nuevo grafo

G = (\
, 1 (
0
,
), n
) para cada
extension n
de n. Claramente,
G
=
G
en \ \ y esto nos dice que la cuasimetrica
de Dikjstra no puede apreciar los cambios que se producen en un grafo cuando se
conecta un nuevo vertice. Por ello, debemos presentar cuasimetricas mas adecuadas
en grafos que modelicen circuitos electricos, moleculas qumicas o redes sociales,
pues es conocido que cuando se a nade un nuevo nodo electrico en un circuito, un
atomo en una molecula o un individuo en una red, las relaciones entre los demas
nodos, atomos o individuos, se modican. Estas cuasimetricas en \ dependen, en
general, de un n ucleo / : \ \ R y, por ello, daremos previamente unas ideas
generales sobre n ucleos.
Si \ es un conjunto nito, el conjunto R
V
de todas las funciones / : \ R,
dotado de la suma puntual y el producto por escalares, tiene estructura de espacio
vectorial y en el se puede denir el producto escalar (/
1
[/
2
) =
vV
/
1
()/
2
().
El n ucleo de Kronecker en \ es la aplicaci on
: \ \ R
(n, )
_
1 :i n =
0 :i n ,=
y para cada n \ nos induce el vector e
u
R
V
tal que
e
u
: \ R
(n, )
Si
1
, ,
n
es una enumeracion de \ , los vectores e
v1
, , e
vn
constituyen
una base de R
V
y, as, podemos identicar R
V
con R
n
mediante la aplicaci on lineal
I
V
: R
V
R
n
tal que I
V
(e
vi
) = e
i
i = 1, , n donde e
1
, , e
n
es la base
canonica de R
n
.
Si A e Y son conjuntos nitos, un n ucleo / : A Y R induce el operador
lineal
102 TEMA 2. TEOR
IA DE GRAFOS
/ : R
Y
R
X
donde /p : A R
p /p r
yY
/(r, j)p(j)
En particular,
(/e
y
[e
x
) =
X
/e
y
(r
)e
x
(r
) = /e
y
(r) =
Y
/(r, j
)e
y
(j
) = /(r, j).
El n ucleo traspuesto /
t
: Y A R induce el operador lineal
/
t
: R
X
R
Y
donde /
t
) : Y R
) /
t
) j
xX
/
t
(j, r))(r)
y es claro que /
t
es el adjunto de / pues para todo ) R
X
y p R
Y
se cumple:
(/p[)) =
xX
_
_
yY
/(r, j)p(j)
_
_
)(r) =
yY
_
xX
/
t
(j, r))(r)
_
p(j) = (p[/
t
)).
Si r
1
, , r
n
e j
1
, , j
m
son sendas enumeraciones de A e Y , podemos denir
la aplicaci on lineal 1 : R
m
R
n
que hace conmutativo el diagrama
R
Y
K
R
X
I
Y
I
X
R
m
K
R
n
y, respecto de las bases canonicas f
1
, , f
m
de R
m
y e
1
, , e
n
de R
n
, viene
representada por la matriz
(/
ij
) =
_
_
_
/(r
1
, j
1
) /(r
1
, j
m
)
.
.
.
.
.
.
.
.
.
/(r
n
, j
1
) /(r
n
, j
m
)
_
_
_
puesto que
/
ij
= (1f
j
[e
i
) = (/e
yj
[e
xi
) = /(r
i
, j
j
).
Hablaremos indistintamente de un n ucleo / : A Y R o de sus operadores
asociados / : R
Y
R
X
y 1 : R
m
R
n
.
Deniciones 2.2.9 Un n ucleo / : \ \ R se dice n ucleo generador de cuasimetrica
si
k
: \ \ R
(n, ) /(n, n) +/(, ) 2/(n, )
es una cuasimetrica en \ .
Teorema 2.2.10 Un n ucleo / : \ \ R es generador de cuasimetrica si y
s olo si:
1. /(n, n) +/(, ) 2/(n, ) si co:d(n, ) = 2.
2.2. CUASIM
ETRICAS Y M

2. /(n, t) +/(t, ) /(n, ) +/(t, t) si co:d(n, t, ) = 3.
Demostraci on:
Si
k
es cuasimetrica, es inmediato que se cumplen 1 y 2.
Si / : \ \ R cumple las condiciones 1 y 2 tenemos:
i.
k
(n, n) = /(n, n) +/(n, n) 2/(n, n) = 0 n \
ii.
k
(n, ) = /(n, n) +/(, ) 2/(n, ) 0 si n ,= .
iii. /(n, t) +/(t, ) /(n, ) +/(t, t) cuando co:d(t, n, ) < 3, luego 2 se cumple
(t, n, ) \ \ \ . En consecuencia,
k
(n, )
k
(n, t) +
k
(t, ) (t, n, ) \ \ \.
Corolario 2.2.11 Si un n ucleo / : \ \ R es generador de cuasimetrica se
cumple:
1. El n ucleo /
t
: \ \ R tambien es generador de cuasimetrica.
2.
k
es una metrica si y s olo si / = /
t
.
3. El n ucleo
:
k
: \ \ R
(n, ) /(n, n) + /(, ) /(n, ) /(, n)
es una metrica en \ .
Demostraci on:
1. Seg un 2.2.10, si / es generador de cuasimetrica tambien lo es /
t
.
2. Inmediato.
3. Como :
k
=
qk+q
k
t
2
, sabemos por 2.2.6 que :
k
es una cuasimetrica. Ademas,
como :
t
k
= :
k
, es metrica.
Observaciones 2.2.12
1. En terminos del operador asociado / : R
V
R
V
expresamos
:
k
(n, ) = (/(e
u
e
v
)[e
u
e
v
) (n, ) \ \.
2. Puede existir un n ucleo / : \ \ R tal que :
k
sea una metrica sin que
k
sea cuasimetrica. Por ejemplo, \ = 1, 2 y / =
_
3 3.5
2 3
_
.
Teorema 2.2.13 Si : \ \ R es un n ucleo nulo en la diagonal, existe un
n ucleo / : \ \ R tal que
k
= .
104 TEMA 2. TEOR
IA DE GRAFOS
Demostraci on:
Fijamos n
0
\ y denimos /(n, ) =
(n, n
0
) +(, n
0
) (n, )
2
. Es claro que
_
_
/(n, n) = (n, n
0
)
/(, ) = (, n
0
)
2/(n, ) = (n, n
0
) +(, n
0
) (n, )
luego
k
(n, ) = (n, ) (n, ) \ \
Teorema 2.2.14 Sea : \ \ R el n ucleo de Kronecker, sea / : \ \ R
un n ucleo no identicamente nulo y acotado y sea |/|
= sup
(u,v)V V
[/(n, )[.
Si [0,
1
4k
], se cumple:
1. El n ucleo / es generador de cuasimetrica.
2. La cuasimetrica
k
genera la topologa discreta.
Demostraci on:
1. Probaremos que / cumple las dos condiciones de 2.2.10:
(a) Si co:d(n, ) = 2 tenemos
( /)(n, n) + ( /)(, ) 2( )/(n, ) =
= 2 (/(n, n) +/(, ) 2/(n, )) 2 4|/|
2 1 0
luego
( /)(n, n) + ( /)(, ) 2( )/(n, ).
(b) Si co:d(n, t, ) = 3 tenemos
_
( /)(n, t) + ( /)(t, ) = (/(n, t) + /(t, ))
( /)(n, ) + ( /)(t, t) = 1 (/(n, ) + /(t, t))
y como
1 (/(n, ) + /(t, t) +/(n, t) +/(t, )) 1 4|/|
0
resulta que
( /)(n, t) + ( /)(t, ) ( /)(n, ) + ( /)(t, t)
2. Si co:d(n, ) = 2 hemos visto en 1.a que
k
(n, ) = 2 (/(n, n) +/(, ) 2/(n, )) 1.
Por tanto, la cuasimetrica genera la topologa discreta.
Corolario 2.2.15 Sea / : \ \ R un n ucleo no identicamente nulo y acotado
y sea
C(/) = R
+
[ / es generador de cuasimetrica .
Resulta que C(/) es un intervalo y [0,
1
4k
] C(/).
2.2. CUASIM
ETRICAS Y M

Demostraci on:
S olo falta ver que C(/) es un intervalo . Es claro que
C(/)
_
1
/(n, n) +/(n, ) 2/(n, )

1
/(t, t) + /(n, ) /(n, t) /(t, )

luego, si 0 < ,
1
y, tambien, C(/).
1. Puede suceder que C(/) = R
+
. Por ejemplo, cuando / es una cuasimetrica.
2. Puede suceder que C(/) = [0,
1
4k
]. Por ejemplo cuando
/ : 1, 2, 3 1, 2, 3 R y est a dado por la matriz
_
_
0 3 3
2 3 3
3 1 0
_
_
.
Resulta que
k
=
_
_
0 2 9 2 + 6
2 + 0 2 9
2 + 6 2 0
_
_
es cuasimetrica si y s olo si
1
12
.
3. Puede suceder que [0,
1
4k
] C(/), estrictamente. Por ejemplo si \ =
1, 2, 3, 4 y / : \ \ R est a dado por la matriz
_
_
_
_
0 1 2 1
1 0 1 2
2 1 0 1
1 2 1 0
_
_
_
_
,
es claro que 1
1
4k
y que
k
=
_
_
_
_
0 4 6 4
4 0 4 6
6 4 0 4
4 6 4 0
_
_
_
_
es una metrica.
En cualquier \ no vaco, a partir de un n ucleo / : \ \ R no identicamente
nulo y acotado, hemos construido la familia de cuasimetricas
k
[ C(/) que
podemos calcular con los programa de MATLAB cuasimet y familiacuasimetricas.
Si /
t
= /, tendremos una familia de metricas que siempre generan la topologa disc-
reta. Para distinguirlas podemos intentar clasicarlas estudiando cuando el espacio
metrico (\,
k
) esta embebido en un espacio de Hiltert H.
El teorema de Schoenberg [67] nos dice si tal inmersi on es posible o no. Hemos
redactado este resultado cl asico (1935) en terminos actuales, dividiendolo en un
teorema y dos corolarios. Para utilizarlo con mayor ecacia lo hemos implemen-
tado en el programa de MATLAB embebible.
106 TEMA 2. TEOR
IA DE GRAFOS
Teorema 2.2.17 (Schoenberg)
Sea
0
,
1
,
n
una enumeraci on de un conjunto \ y sea : \ \ R
+
un
n ucleo simetrico nulo en la diagonal. En \
0
= \
0
, denimos el n ucleo
: : \
0
\
0
R
(
i
,
j
)

2
(
i
,
0
) +
2
(
j
,
0
)
2
(
i
,
j
)
2
Los siguientes hechos son equivalentes:
1. Existe un espacio de Hilbert H y vectores x
0
, x
1
, , x
n
H tales que
(
i
,
j
) = |x
i
x
j
| i, , = 0, 1, , n
2. El operador o : R
n
R
n
, asociado al n ucleo :, es denido no negativo.
Demostraci on;
1 2) Probaremos que
(ox[x) =
_
_
_
_
_
n
i=1
r
i
(x
i
x
0
)
_
_
_
_
_
2
x R
n
. (2.1)
En efecto, (ox[x) =
n
i,j=1
:(
i
,
j
)r
i
r
j
y, por otra parte,
_
_
_
_
_
n
i=1
r
i
(x
i
x
0
)
_
_
_
_
_
2
=
_
_
n
i=1
r
i
(x
i
x
0
)[
n
j=1
r
j
(x
j
x
0
)
_
_
=
=
n
i,j=1
(x
i
x
0
[x
j
x
0
)r
i
r
j
.
El teorema generalizado de Pit agoras asegura para a, b H que
(a[b) =
|a|
2
+|b|
2
|a b|
2
2
y, as,
(x
i
x
0
[x
j
x
0
) =

2
(
i
,
0
) +
2
(
j
,
0
)
2
(
i
,
j
2
= :(
i
,
j
).
Por tanto (2.1) implica que (ox[x) 0 x R
n
y, as, o es denida no
negativa.
1 2) Por ser o denida no negativa, existe o
1
2
simetrica y denida no negativa.
Los vectores 0, o
1
2
e
1
, , o
1
2
e
n
R
n
, verican las condiciones pedidas.
Corolario 2.2.18 En las condiciones de 2.2.17, si existen x
0
, x
1
, , x
n
R
m
tales que (
i
,
j
) = |x
i
x
j
| i, , = 0, 1, , n se verica que :onp(o) :.
Demostraci on:
Consideramos la aplicaci on lineal
2.2. CUASIM
ETRICAS Y M

T : R
n
R
m
x
n
i=1
r
i
(x
i
x
0
)
Seg un (2.1) tenemos que (ox[x) = |Tx|
2
0 x R
n
y, por tanto, ker o = ker T.
Es claro que :onp(T) : y, por tanto, tambien :onp(o) :.
Corolario 2.2.19 En las condiciones de 2.2.17, si o es denida no negativa y
:onp(o) = d, existen u
0
, u
1
, , u
n
R
d
tales que (
i
,
j
) = |u
i
u
j
| i, , =
0, 1, , n.
Demostraci on:
Como o es denida no negativa, exite un Hilbert H y vectores x
0
, x
1
, , x
n
H
tales que (
i
,
j
) = |x
i
x
j
| i, , = 0, 1, , n. Consideramos la aplicaci on
lineal
T : R
n
H
x
n
k=1
r
k
(x
k
x
0
)
Como :onp(o) = d resulta que dimT(R
n
) = d. Entonces existe una isometria lineal
J : T(R
n
) R
d
. Los vectores u
0
= 0 y u
k
= J(x
k
x
0
) / = 1, , n cumplen
las condiciones pedidas.
Teorema 2.2.20 Sea \ un conjunto nito, / : \ \ R un n ucleo simetrico y
consideramos el conjunto
o(/) = C(/) [ (\,
k
) H
Entonces, existe un
0
0 tal que [0,
0
] o(/).
Demostraci on:
Es f acil comprobar que 0 o(/) y por la continuidad de los autovalores del n ucleo
de Schoenberg existe un
0
0 que tambien esta en o(/). La propia continuidad
mencionada asegura que [0,
0
] o(/).
1. El teorema 2.2.20 y los experimentos numericos realizados nos hacen pensar
que o(/) debe ser un intervalo. Sin embargo, esta cuesti on aun no ha podido
ser demostrada.
2. Para \ = 1, 2, 3, 4 y el n ucleo / : \ \ R de matriz
_
_
_
_
0 1 2 1
1 0 1 2
2 1 0 1
1 2 1 0
_
_
_
_
,
ya considerado en el ejemplo 2.2.16,3, tenemos, para = 1, la metrica
k
=
_
_
_
_
0 4 6 4
4 0 4 6
6 4 0 4
4 6 4 0
_
_
_
_
con n ucleo de Schoenberg
_
_
16 18 2
18 36 18
2 18 16
_
_
y
108 TEMA 2. TEOR
IA DE GRAFOS
valores propios 2.7308, 18, 52.7308. Por tanto, el espacio metrico (\,
k
)
no es embebible en ning un Hilbert y, as, en general, el contenido o(/) C(/)
es estricto.
3. Para n ucleos / : \ \ R
+
generados aleatoriamente, hay una alta fre-
cuencia de casos en que (\,
1
4k
k
) H cuando co:d(\ ) 25, mien-
tras que los casos en que (\,
1
4k
k
) , H son muy frecuentes cuando
co:d(\ ) 35.
Denici on 2.2.22 Dado un n ucleo / : \ \ R llamamos laplaciano de / al
n ucleo
/
k
: \ \ R
(n, ) /(n, ) +(n, )
V
/(n,
)
Asociado a /
k
tenemos el operador L
k
: R
V
R
V
y, si
1
, . . . ,
n
es una enu-
meracion de \ , el operador 1
k
: R
n
R
n
representado por la matriz
1
k
=
_
_
_
_
_
_
_
_
_
_
_
j=1
/
1j
/
12
/
1n
/
21
j=2
/
2j
/
2n
.
.
.
.
.
.
.
.
.
.
.
.
/
n1
/
n2

j=n
/
nj
_
_
_
_
_
_
_
_
_
_
_
con /
ij
= /(
i
,
j
)
que llamaremos matriz laplaciana de /.
Teorema 2.2.23 La aplicaci on
/ : R
V V
R
V V
/ /
k
es lineal y cumple las siguientes propiedades:
1. im / = / R
V V
[
vV
/(n, ) = 0 n \
2. ker / = / R
V V
[ /(n, ) = 0 n ,=
3. / 0 /
k
(n, n) 0 n \ y /
k
(n, ) 0 n ,= .
Demostraci on :
La linealidad de / es evidente. Veamos las propiedades:
1. / R
V V
y n \ se tiene que
vV
/
k
(n, ) =
vV
_
/(n, ) + (n, )
V
/(n,
)
_
=
=
vV
/(n, ) +
V
/(n,
) = 0.
2.2. CUASIM
ETRICAS Y M

Ademas, si
vV
/(n, ) = 0 n \ , se tiene que /
(1)h
= /. En efecto:
/
(1)h
(n, ) = ((n, ) 1)/(n, ) +(n, )
V
((n,
) 1)/(n,
)
y, por tanto, si n ,= , /
(1)h
(n, ) = /(n, ) y, en otro caso
/
(1)h
(n, n) =
V
((n,
) 1)/(n,
) =
=u
/(n,
) = /(n, n).
2. Como /
k
(n, ) = /(n, )+(n, )
V
/(n,
) (n, ) \ \ tenemos
() /
k
(n, ) = /(n, ) en
c
y /(n, n) =
=u
/(n,
) n \.
Por tanto, / ker / si y s olo si / = 0 en
c
.
3. Se deduce inmediatamente de ().
Denici on 2.2.24 Una matriz 1 /
n
(R) se dice de Laplace si sus entradas |
ij
cumplen
1. |
ii
0 i
2. |
ij
0 si i ,= ,
3.
n
j=1
|
ij
= 0 i
Los teoremas 2.2.25 y 2.2.26 proporcionan dos vas diferentes para determinar el
caracter de una matriz de Laplace.
Teorema 2.2.25 (Tarieladze)
Sea 1 /
n
(R) una matriz cuyas entradas |
ij
satisfacen:
1. |
ii
0 i.
2. |
ij
0 si , ,= i.
3.
n
j=1
|
ij
0 y
n
j=1
|
ji
0 i.
Entonces 1 es denida no negativa.
Demostraci on:
Sea N
n
= 1, , n. Designamos
n
= (i, i) [ i N
n
,
+
n
= (i, ,) N
n
N
n
[ i < ,,
n
= (i, ,) N
n
N
n
[ i , .
Sea x = (r
1
, . . . , r
n
) R
n
. Es claro que
x1x
t
=
n
i=1
|
ii
r
2
i
+
(i,j)
+
n
|
ij
r
i
r
j
+
(i,j)
n
|
ij
r
i
r
j
110 TEMA 2. TEOR
IA DE GRAFOS
Como 2r
i
r
j
r
2
i
+ r
2
j
y |
ij
0 i ,= ,, tenemos:
x1x
t
i=1
|
ii
r
2
i
+
(i,j)
+
n
|
ij
r
2
i
+ r
2
j
2
+
(i,j)
n
|
ij
r
2
i
+ r
2
j
2
Ahora bien,
n
i=1
|
ii
r
2
i
+
(i,j)
+
n
|
ij
r
2
i
+r
2
j
2
+
(i,j)
n
|
ij
r
2
i
+ r
2
j
2
=
n
i=1
r
2
i
_
_
|
ii
+
1
2
j=i
(|
ij
+ |
ji
)
_
_
y, por 3. tenemos
|
ii
+
1
2
j=i
(|
ij
+ |
ji
) 0 i N
n
.
Luego
x1x
t
i=1
r
2
i
_
_
|
ii
+
1
2
jNn\{i}
(|
ij
+ |
ji
)
_
_
0.
Teorema 2.2.26 (Gershgorin)
Sea 1 /
n
(R) con entradas |
ij
. Para cualquier autovalor de 1 debe existir un
i 1, . . . , n tal que
[|
ii
[
j=i
[|
ij
[.
Demostraci on:
Decimos que una matriz = (o
ij
) /
n
(R) es diagonalmente estrictamente dom-
inante cuando
[o
ii
[
n
j=i
[o
ij
[ i = 1, . . . , n.
En tal caso, es no singular pues, en caso contrario, existira un u = (n
1
, . . . , n
n
)
R
n
tal que |u|
0 y (u) = 0. Si para i 1, . . . , n se cumple que |u|
= [n
i
[,
tendramos
o
ii
=
j=i
o
ij
n
j
n
i
[o
ii
[
j=i
[o
ij
[
n
j
n
i
j=i
[o
ij
[
con lo que no sera diagonalmente estrictamente dominante.
Probemos ya la tesis de Geshgorin. Si no se cumpliera, 11 sera diagonalmente
estrictamente dominante y, por tanto, no singular. Luego det(1 1) ,= 0 y no
sera autovalor de 1.
Comentario 2.2.27 Sea G = (\, 1, n) un grafo. El n ucleo laplaciano /
w
puede
ser denotado tambien /
G
y, correspondientemente, podremos hablar de los opera-
dores laplacianos L
G
: R
V
R
V
o 1
G
: R
n
R
n
.
Corolario 2.2.28 Sea G = (\, 1, n) un grafo simetrico. El operador laplaciano
1
G
es autoadjunto y denido no negativo pero no es denido positivo.
2.2. CUASIM
ETRICAS Y M

Demostraci on:
Las entradas de 1
G
cumplen las condiciones de 2.2.25, luego es denida no negativa.
Otra va es el teorema 2.2.26. Para cada autovalor de 1
G
, existe un
i
tal que
j=i
n(
i
,
j
)
j=i
n(
i
,
j
) y, por tanto, 0 2
j=i
n(
i
,
j
).
As, todos los autovalores de 1
G
son no negativos y 1
G
es denida no negativa.
Finalmente, sabemos que la suma de cada la de 1
G
es nula y ello es equiva-
lente a que 1
G
(1
n
) = 0 siendo 1
n
el vector de R
n
de coordenadas 1. Por tanto,
(1
G
(1
n
)[1
n
) = 0 y 1
w
no es denida positiva.
Teorema 2.2.29
1. Un operador lineal autoadjunto 1 : R
n
R
n
cumple
|1| = sup
x=1
[(1(x)[x)[.
2. Si, adem as, 1 es denido no negativo, los extremos de la funci on (1(x)[x)
sobre la variedad |x| = 1 son autovalores de 1 y se alcanzan en los autovec-
tores correspondientes.
Demostraci on:
1. Designemos 1(x) = (1(x)[x) y o = sup
x=1
[1(x)[.
Es claro que [1(x)[ |1| |x|
2
luego o |1|.
Para la desigualdad contraria tenemos en cuenta
|1| = sup
x=1
|1(x)| = sup
x=1
sup
y=1
(1(x)[y) = sup
x=y=1
(1(x)[y)
y la siguiente cadena de desigualdades
(1(x)[y) =
1(x + y) 1(x y)
4

[1(x + y)[ + [1(x y)[
4

o
|x + y|
2
+ |x y|
2
4
= o
|x|
2
+ |y|
2
2
o |x| = |y| = 1,
por tanto, |1| o.
2. La lagrangiana del problema extremal es
L : R
n
R R
(x, j) (1(x)[x) j((x[x) 1)
y las soluciones (x, j) han de vericar L(x, j) = 0, es decir, han de cumplir
que
1(x) = jx y (x[x) = 1.
La primera condici on indica que j debe ser autovalor de 1 y, multiplic andola
escalarmente por x, vemos que j debe ser, tambien, el valor extremo buscado.
El vector x en que se alcance el valor extremal debe ser un autovector de
norma 1 asociado a j.
112 TEMA 2. TEOR
IA DE GRAFOS
Denici on 2.2.30 Llamamos n ucleo de incidencia del grafo G = (\, 1, n) a
n
G
: 1 \ R
(c, )
_
w(e)
2
((c
2
, ) (c
1
, ))
Teorema 2.2.31 Sea G = (\, 1, n) un grafo y sea |
G
: R
V
R
E
el operador de
incidencia, asociado al n ucleo de incidencia n
G
. Entonces, |
t
G
|
G
= L
Gs
.
Demostraci on:
Es claro que
|
G
: R
V
R
E
donde |
G
) : 1 R
) |
G
) c
_
w(e)
2
()(c
2
) )(c
1
))
y, por tanto,
(|
t
G
|
G
e
u
[e
v
) =
eE
|
G
e
u
(c)|
G
e
v
(c) =
eE
n(c)
2
(e
u
(c
2
)e
u
(c
1
))(e
v
(c
2
)e
v
(c
1
))
Si n ,= , s olo son no nulos los sumandos correspondientes a los pares (n, ) o (, n)
si pertenecen a 1
s
, luego
(|
t
G
|
G
e
u
[e
v
) =
n(n, )
2

n(, n)
2
= n
s
(n, )
Por otra parte,
(|
t
G
|
G
e
u
[e
u
) =
eE
n(c)
2
(e
u
(c
2
) e
u
(c
1
))
2
=
v=u
n
s
(n, )
pues s olo son no nulos los sumandos correspondientes a elementos de 1
s
que con-
tienen a n menos el posible lazo (n, n).
Seg un la observaci on () de la demostracion de 2.2.23,2, tenemos
(|
t
G
|
G
e
u
[e
u
) = /
ws
(n, ) (n, ) \ \ luego |
t
G
|
G
= L
Gs
.
Comentario 2.2.32 El teorema 2.2.31 nos da otra prueba del corolario 2.2.28:
(L
Gs
)[)) = (|
G
)[|
G
)) = ||
G
)|
2
=
1
2
eE
n(c)()(c
2
) )(c
1
))
2
0.
Corolario 2.2.33 Sea G = (\, 1, n) un grafo simetrico con j n componentes
conexas. Su matriz laplaciana 1
G
tiene las siguientes propiedades:
1. 1
G
es irreducible si y s olo si j = 1.
2. rang 1
G
= n j.
3. 0 es autovalor de 1
G
de multiplicidad algebraica j.
4. 1
G
tiene nj autovalores reales positivos. El menor de ellos, que designamos
1
, cumple que
1
= min(1
G
(x)[x) [ x (ker 1
G
)
y |x| = 1
2.2. CUASIM
ETRICAS Y M

Demostraci on:
1. Si j 1 existe una C-partici on de \ , no trivial, \
1
, , \
p
. Si enumeramos
los vertices de \ empezando por los de \
1
, despues los de \
2
, y seguimos as
hasta terminar por los de \
p
, es claro que 1
G
tendra forma diagonal por
bloques, con j bloques.
2. Si el i-esimo bloque es de tama no /
i
/
i
, como la suma de cada una de sus
columnas es nula, resulta que el vector n
i
, de coordenadas 1 en los lugares
/
1
+ /
2
+ + /
i1
+ 1, , /
1
+ /
2
+ + /
i
y 0 en los restantes, esta
en el n ucleo de 1
G
. Es claro que el conjunto de vectores n
1
, , n
p
es
linealmente independiente. Por otra parte, si f ker L
G
, el comentario 2.2.32
asegura que ) es constante en cada subconjunto \
i
y, por tanto, los vectores
n
1
, , n
p
son un sistema generador de ker 1
G
. As, dimker 1
G
= j y, en
consecuencia, rang 1
G
= n j.
3. Acabamos de ver que 0 es un autovalor de 1
G
de multiplicidad geometrica j.
S olo resta recordar que la multiplicidad algebraica coincide con la geometrica
si la matriz es simetrica.
4. Si el autovalor 0 tiene multiplicidad j, la suma de las multiplicidades de los
autovalores positivos es n j. Sea
1
el menor autovalor positivo.
Por ser 1
G
: R
n
R
n
autoadjunto, (ker 1
G
)
= im1
G
. La restriccion de
1
G
a (ker 1
G
)
es un operador 1 : (ker 1
G
)
(ker 1
G
)
autoadjunto y
positivo que tiene como autovalores los autovalores positivos de 1
G
. Seg un
2.2.29, 2, es claro que
1
= min(1
G
(x)[x) [ x (ker 1
G
)
y |x| = 1.
Proposici on 2.2.34 Sea 1 : R
n
R
n
un operador autoadjunto que cumple:
1. 1 es denido no negativo.
2. 1
n
ker 1.
3. rang 1 = n 1.
Entonces

:
L
(ver 2.2.12,1) es una metrica y, si 3 no se satisface, es una pseu-
dometrica.
Demostraci on:
Por 1, existe
1 autoadjunto y denido no negativo tal que
1 = 1. Como
:
L
(i, ,) = (1(e
i
e
j
)[e
i
e
j
) = |
1e
i
1e
j
|
2
,
es claro que

:
L
cumple todas las propiedades de pseudometrica. Para ver que es
metrica s olo falta comprobar que

:
L
(i, ,) = 0 i = ,:
Es claro que

:
L
(i, ,) = 0 e
i
e
j
ker
1 ker 1 y, por 2 y 3, ker 1 = [1

n
].
Luego, e
i
e
j
= 1
n
y, en consecuencia, i = ,. .
Aunque

:
L
es una metrica, en general, :
L
no lo es. Sin embargo, hay casos
particulares interesantes en que si es una metrica:
1. Klein y Randic [45] probaron que la inversa de Moore-Penrose 1
+
, de la
laplaciana de un grafo simetrico y conexo 1, cumple que :
L
+ es una metrica.
114 TEMA 2. TEOR
IA DE GRAFOS
2. Chebotarev y Shamis [15] probaron que Q
= (1 + 1)
1
, donde 0 y 1
es la laplaciana de un grafo simetrico, cumple que :
Q
es una metrica.
Presentaremos una prueba de estos hechos, siguiendo las ideas de Bapat [7], sin
necesidad de considerar el grafo como un circuito electrico como se hace en [45] ni
de utilizar el complicado teorema de la matriz de bosques como se hace en [15].
Comenzamos recordando las deniciones de g-inverso e inverso de Moore-Penrose
de un operador lineal y probando un par de lemas algebraicos muy sencillos
Denici on 2.2.35 Dado un operador lineal : R
n
R
m
decimos que el operador
lineal 1 : R
m
R
n
es g-inverso de si 1 = .
Teorema 2.2.36
1. Existe un unico g-inverso de : R
n
R
m
, llamado inverso de Moore-
Penrose y denotado
+
, con las siguientes propiedades:
(a)
+
=
(b)
+

+
=
+
(c)
+
= (
+
)
t
(d)
+
= (
+
)
t
2. Si : R
n
R
n
es autoadjunto,
+
tambien lo es.
3. Si : R
n
R
n
es denido no negativo,
+
tambien lo es.
4. Los autovectores de : R
n
R
n
son autovectores de
+
.
Demostraci on:
1. La existencia la probamos en 4.2.4.
Probemos la unicidad suponiendo que existan dos inversas
+
1
y
+
2
:
+
1
=
+
1

+
1
=
+
1
(
+
1
)
t
=
+
1
(
+
1
)
t
t
=
+
1
(
+
1
)
t
(
+
2
)
t
=
=
+
1
(
+
1
)
t

t
(
+
2
)
t

t
=
+
1
(
+
1
)
t
(
+
2
)
t
=
+
1

+
2
.
Por otra parte, de modo similar:
+
2
=
+
2

+
2
= (
+
2
)
t
+
2
=
t
(
+
2
)
t
+
2
= (
+
1
)
t
(
+
2
)
t
+
2
=
=
t
(
+
1
)
t

t
(
+
2
)
t

+
2
= (
+
1
)
t
(
+
2
)
t

+
2
=
+
1

+
2
.
As,
+
1
=
+
2
y la unicidad esta probada.
2.
Lema 2.2.37 Sea A un espacio vectorial, n 2 un natural y x
k
[/ N
n
una
familia de vectores que cumple:
1.
n
k=1
x
k
= 0
2. dim[x
1
, . . . , x
n
] = n 1
Entonces, la familia x
j
[, N
n
i es linealmente independiente i N
n
,
2.2. CUASIM
ETRICAS Y M

Demostraci on:
Fijado un i N
n
, por 1 sabemos que x
i
[x
j
[, N
n
i], luego [x
j
[,
N
n
i] = [x
1
, . . . , x
n
]. Por 2 concluimos que dim[x
j
[, N
n
i] = n 1 y,
en consecuencia, la familia x
j
[, N
n
i es linealmente independiente.
Lema 2.2.38 Sea 1 : R
n
R
n
1. 1
n
ker 1.
2. rang 1 = n 1.
Si para i, , N
n
denotamos 1(i[,) a la submatriz de 1 obtenida suprimiendo la la
i y la columna ,, tenemos que rang 1(i[,) = n1 y, por tanto, 1(i[,) es invertible.
Demostraci on:
Las columnas c
1
, , c
n
de 1 forman una familia de vectores de R
n
que cumplen
las condiciones del lema 2.2.37 y, as, la matriz ` = [c
1
, , c
j1
, c
j+1
, , c
n
]
obtenida suprimiendo de 1 la columna ,, tiene rango n 1.
Las las f
1
, , f
n
de ` forman una familia de vectores de R
n1
que cumplen las
condiciones del lema 2.2.37 y, por tanto, suprimiendo la la i obtenemos la matriz
1(i[,) y su rango debe ser n 1.
Los tres siguientes lemas prueban resultados necesarios para el teorema 2.2.42
Lema 2.2.39
Sea 1 : R
n
R
n
1. 1
n
ker 1.
2. rang 1 = n 1.
Si H
1
, H
2
son g-inversas of 1, se tiene que :
H1
= :
H2
Demostracion:
Por las condiciones 1 y 2, ker 1 = [1
n
]. Puesto que (1
n
[e
i
e
j
) = 0, resulta que
e
i
e
j
[ker 1]
= im1
t
= im1
y, por tanto, e
i
e
j
= 1z
ij
para alg un z
ij
R
n
. Entonces,
:
H1
(i, ,) = (H
1
(e
i
e
j
)[e
i
e
j
) = (H
1
1z
ij
[1z
ij
) = (1H
1
1z
ij
[z
ij
) = (1z
ij
[z
ij
)
De modo similar obtenemos
:
H2
(i, ,) = (H
2
(e
i
e
j
)[e
i
e
j
) = (H
2
1z
ij
[1z
ij
) = (1H
2
1z
ij
[z
ij
) = (1z
ij
[z
ij
)
y, en consecuencia, :
H1
(i, ,) = :
H2
(i, ,) (i, ,) N
n
N
n
. .
Lema 2.2.40 Sea 1 : R
n
R
n
un operador autoadjunto, representado por (|
ij
)
/
n
(R), que cumple:
1. 1 es denido no negativo
2. |
ij
0 si i ,= ,
116 TEMA 2. TEOR
IA DE GRAFOS
3. rang 1 = n.
Entonces, (1
1
e
i
[e
j
) 0 si i ,= , y (1
1
e
i
[e
i
) 0 i N
n
.
Demostraci on:
Sean j
1
j
2
j
n1
j
n
0 los autovalores de 1 y sea 0 tal que
j
1
< 1. Entonces la matriz 1 = 1 1 es simetrica, con entradas no negativas y
autovalores
0 < 1 j
1
1 j
2
1 j
n1
1 j
n
< 1 .
Por tanto, 1 es denida positiva y por el teorema 2.2.29,
|1| = sup|1r| : r R
n
, |r| = 1 = 1 j
n
< 1.
Esto implica que
(1 1)
1
= 1 +
k=1
1
k
y, as, la matriz (1 1)
1
tiene entradas no negativas. Como 1
1
= (1 1)
1
,
tambien 1
1
tiene entradas no negativas, luego (1
1
e
i
[e
j
) 0 (i, ,) N
n
N
n
.
Ademas, ((1 1)
1
e
i
[e
i
) 0 i N
n
luego (1
1
e
i
[e
i
) 0 i N
n
.
Lema 2.2.41 Sea 1 : R
n
R
n
un operador autoadjunto, representado por (|
ij
)
/
n
(R), que cumple:
1. |
ii
0 i N
n
.
2. |
ij
0 si i ,= ,.
3.
n
j=1
|
ij
= 0, i N
n
.
4. rang 1 = n 1.
Entonces
(o) 1 es una matriz simetrica y denida no negativa.
(/) 1(/[/) es denida positiva / N
n
.
(c) Sea 1
k
= (/
(k)
ij
) la matriz inversa de 1(/[/). Entonces /
(k)
ij
0 (i, ,)
(N
n
/) (N
n
/) .
(d) Sea H
k
/
n
(R) la matriz de entradas
/
(k)
ij
=
_
/
(k)
ij
si (i, ,) (N
n
/) (N
n
/)
0 si (i, ,) , (N
n
/) (N
n
/)
Entonces H
k
es g-inversa de 1.
Demostraci on:
(o) Visto en teorema 2.2.25 o corolario 2.2.28.
(/) Del teorema 2.2.25 se sigue que 1(/[/) es denida no negativa. Por el Lema
2.2.38 tenemos que rang 1(/[/) = n1. Por tanto 1(/[/) es denida positiva.
2.2. CUASIM
ETRICAS Y M

(c) Se sigue de (/) y de la proposici on 2.2.40 aplicada a 1(/[/) /
n1
(R).
(d) Fijado / N
n
sea 1
k
la proyeccion ortogonal de R
n
sobre 1
n,k
= [e
i
[i
N
n
/]. Entonces tenemos las siguientes igualdades
1(/[/) = 1
k
11
k
[
Rn,k
, 1
k
= (1(/[/))
1
, H
k
= 1
k
1
k
.
Evidentemente, 1
k
1(/[/)e
i
= e
i
i N
n
/ . Necesitamos demostrar
que 1H
k
1 = 1 y para ello es suciente ver que
1H
k
1e
i
= 1e
i
para i = 1, . . . , n.
Para i N
n
/, como 1
k
e
i
= e
i
y 1
k
1(/[/)e
i
= e
i
, tenemos:
H
k
1e
i
= 1
k
1
k
1e
i
= 1
k
11
k
e
i
= 1
k
1(/[/)e
i
= e
i
y, por tanto, 1H
k
1e
i
= 1e
i
, i N
n
/. Como 1(1
n
) = 0, tambien
lo tenemos para /:
1H
k
1e
k
= 1H
k
1(1
n
iNn\{k}
e
i
) =
iNn\{k}
1H
k
1e
i
=
iNn\{k}
1e
i
= 1e
k

Teorema 2.2.42 (Klein-Randik-Bapat [6])
Sea G = (\, 1, n) un grafo conexo y simetrico. La inversa de Moore-Penrose 1
+
de su laplaciana 1 es generadora de una metrica.
Demostraci on:
Sabemos que 1
+
es una matriz simetrica, denida no negativa con rang 1
+
= n1.
Por la proposici on 2.2.34
:
L
+ es una metrica, entonces s olo necesitamos demostrar
que :
L
+ satisface la desigualdad triangular. As que, jados i, /, , N
n
distintos,
debemos probar que
:
L
+(i, ,) :
L
+(i, /) +:
L
+(/, ,)
Por la proposici on 2.2.41(d) H
k
es una g-inversa de 1 y, por el lema 2.2.39, :
L
+ =
:
Hk
. As, probaremos, equivalentemente, que :
Hk
(i, ,) :
Hk
(i, /) + :
Hk
(/, ,) o, lo
que es lo mismo,
/
(k)
ik
+/
(k)
kj
/
(k)
ij
+ /
(k)
kk
().
Por la denici on de H
k
, /
(k)
ik
= /
(k)
kj
= /
(k)
kk
= 0 y, por la proposici on 2.2.41(c)
/
(k)
ij
= /
(k)
ij
0. Por tanto, se cumple () y la triangular queda probada.
Teorema 2.2.43 Sea G = (\, 1, n) un grafo tal que G
s
= (\, 1
s
, n
s
) es conexo.
La distancia :
L
+
Gs
(n, ) es el mnimo cuadrado de la norma eucdea de los puntos
de la variedad p R
E
[ |
t
G
(p) = e
u
e
v
.
Demostraci on:
Dado el operador |
t
G
: R
E
R
V
y dado / im |
t
G
, la lagrangiana del problema
de minimizar la norma eucldea en la variedad `
h
= p R
E
[ |
t
G
(p) = / es
L : R
E
R
V
R
(p, )) (p[p) (l
G
())[p) ()[/)
118 TEMA 2. TEOR
IA DE GRAFOS
y las soluciones (p, )) han de vericar L(p, )) = 0, es decir, han de cumplir que
p =
1
2
|
G
()) y |
t
G
(p) = /.
As, / =
1
2
|
t
G
|
G
()) =
1
2
L
Gs
()) y el mnimo cuadrado de su norma sera
|p|
2
=
1
4
(|
G
())[|
G
())) =
1
4
(L
Gs
)[)) = (L
+
Gs
/[/).
Si / = e
u
e
v
, es claro que e
u
e
v
[ker L
Gs
]
= im L
Gs
im |
t
G
y
|p|
2
= (L
+
Gs
(e
u
e
v
)[e
u
e
v
) = :
L
+
Gs
(n, ).
Corolario 2.2.44 Sea G = (\, 1, n) conexo y simetrico y sea :
L
+
G
la metrica de
la resistencia efectiva. Sea G
= (\, 1,
2
w
) y
G
su metrica de Dijkstra. Entonces
:
L
+
G
(n, )
G
(n, ) (n, ) \ \ .
Demostraci on:
Basta probar la desigualdad cuando n ,= . Sabemos que
G
(n, ) = min
Cuv
n() .
Podemos suponer que (c
1
, , c
p
) es el camino de coste mnimo y, por tanto,
G
(n, ) =
2
n(c
1
)
+ +
2
n(c
p
)
.
Tomando p =
p
i=1
2
n(c
i
)
e
ei
R
E
, tenemos que |
t
G
(p) = e
u
e
v
luego
|p|
2
=
2
n(c
1
)
+ +
2
n(c
p
)
.
El teorema 2.2.43 asegura que :
L
+
G
(n, )
G
(n, )
Teorema 2.2.45 Para n 3, tomamos una base ortonormal h
1
, . . . , h
n1
,
1n
en R
n
y un vector positivo (:
1
, . . . , :
n1
) en R
n1
. Entonces, si
n1
k=1
:
k
(e
i
[h
k
)(e
j
[h
k
) 0 i ,= , ,
el n ucleo
: N
n
N
n
R
(i, ,)
n1
k=1
1
:
k
(e
i
e
j
[h
k
)
2
es una metrica.
2.2. CUASIM
ETRICAS Y M

Demostraci on:
Sea |
ij
=
n1
k=1
:
k
(e
i
[h
k
)(e
j
[h
k
) (i, ,) N
n
N
n
. La matriz 1 = (|
ij
) satisface
las condiciones del lema 2.2.39 y, por tanto, = :
L
+ . Por el teorema 2.2.42, es
una metrica.
En [15] se prueba que, siendo 1 la laplaciana del grafo simetrico, la matriz Q =
(1 + 1)
1
es generadora de una metrica. Ademas, puesto que para todo real
0 el grafo (\, 1, n) tiene laplaciana 1, tambien tendremos que la matriz
Q
= (1 +1)
1
es generadora de una metrica. La metrica :
Q
se llama metrica
de bosques ajustada de par ametro .
Nosotros damos una demostracion mucho mas sencilla de este importante hecho.
Teorema 2.2.46 Sea 1 = (|
ij
) /
n
(R) una matriz simetrica que cumple:
1. |
ii
0 i N
n
2. |
ij
0 i ,= ,
3.
n
j=1
|
ij
= 0, i N
n
Entonces Q = (1 + 1)
1
es una matriz simetrica denida positiva y :
Q
es una
metrica.
Demostraci on:
Como 1
n
/c:(1) y 1 es simetrica denida no negativa, existe una base ortonormal
h
1
, . . . , h
n1
,
1
n
n
constituida por vectores propios de 1. Sean j
1
j
n1

j
n
= 0 los valores propios correspondientes. Entonces,
(1x[y) =
n1
k=1
j
k
(x[h
k
)(y[h
k
) x, y R
n
y, en particular,
n1
k=1
j
k
(e
i
[h
k
)(e
j
[h
k
) = (1e
i
[e
j
) = |
ij
0 cuando i ,= ,.
Por ser h
1
, . . . , h
n1
,
1
n
n
base ortonormal tenemos
n1
k=1
(e
i
[h
k
)(e
j
[h
k
) + (e
i
[
1
n
n
)(e
j
[
1
n
n
) = (e
i
[e
j
) , (i, ,) N
n
N
n
y, por tanto,
n1
k=1
(e
i
[h
k
)(e
j
[h
k
) =
1
n
< 0 cuando i ,= , .
120 TEMA 2. TEOR
IA DE GRAFOS
As,
n1
k=1
(1 +j
k
)(e
i
[h
k
)(e
j
[h
k
) < 0 cuando i ,= , .
El teorema 2.2.45 asegura que
:
Q
(i, ,) =
n1
k=1
1
1 +j
k
(e
i
e
j
[h
k
)
2
(i, ,) N
n
N
n
es una metrica.
2.3 Problemas tpicos modelizados por grafos
Los grafos son modelos matematicos adecuados para plantear muchos problemas
de la vida diaria. Es f acil interpretar cualquiera grafo simetrico como un dise no
en que los vertices son n ucleos de poblaci on y las aristas son las carreteras que
los comunican o en que los vertices son ordenadores y las aristas las lneas que
los conectan entre s. Por tanto, es importante evaluar los da nos producidos por
posibles cortes en las comunicaciones producidos por cualquier causa (terremotos,
nevadas, incendios, virus, terrorismo, etc) y hacer dise nos que minimicen los riesgos
de tales cortes.
2.3.1 Problemas de congestion y abastecimiento
En un grafo simetrico simple y sin pesos, dado en forma cl asica por sus vertices
y aristas, G = (\, ), para cada vertice \ son importantes los conjuntos de
aristas incidentes y vertices adyacentes
1() = o [ o y () = n \ [ n, .
Cada subconjunto propio A \ determina una partici on (A, A
c
) y se han prop-
uesto diferentes valoraciones del da no que dicha partici on genera en el grafo. Des-
ignando /(A, A
c
) al conjunto de aristas del grafo con un vertice en A y el otro en
A
c
, tenemos:
1. La valoraci on isoperimetrica
i(A) =
co:d(/(A, A
c
))
minco:d(A), co:d(A
c
)
Un subconjunto A
1
\ genera una partici on optima si
i(A
1
) = min
XV
i(A)
Este mnimo, denotado i(G), es la constante isoperimetrica de G.
2. La valoraci on de Cheeger
/(A) =
co:d(/(A, A
c
))
min(A), (A
c
)
con (A) =
vX
co:d(1()).
2.3. PROBLEMAS T
IPICOS MODELIZADOS POR GRAFOS 121

Un subconjunto A
1
\
G
genera una partici on optima si
/(A
1
) = min
XV
/(A)
Este mnimo, denotado /(G), es la constante de Cheeger de G.
Una partici on (A, A
c
) del conjunto \ puede representarse por un vector
x 0, 1
n
y se puede calcular su valoraci on de Cheeger como sigue:
/(A) =
x
t
1x
x
t
d
=
x
t
1
1
2
11
1
2
x
x
t
1
1
2 1
1
2 x
=
y
t
1y
y
t
y
con y = 1
1
2
x.
Entonces, el teorema de Courant-Fisher nos asegura que
2
= min
y[D
1
2 1]
y
t
1y
y
t
y
y no es difcil deducir (ver [16]) que
2
2
/(G) <
_
2
2
.
As, el menor autovalor no nulo de la matriz laplaciana de un grafo G(\, 1),
llamado conectividad algebraica del grafo, nos permite una comoda acota-
ci on de la constante de Cheeger de G(\, 1).
3. Las particiones mas interesantes en un grafo G estan ligadas a la familia de
sus arboles generadores T
G
, denidos en 2.1.12. Por ejemplo, tras una gran
nevada en una regi on cuyos n ucleos de poblaci on y carreteras estan repre-
sentadas por el grafo, las maquinas quitanieves limpiar an las aristas de un
arbol T T
G
ya que es un conjunto mnimo de aristas que aseguran la co-
municaci on entre todos los vertices. Si la nieve sigue cayendo y corta una
arista o
T
, se produce una partici on conexa (A
a
, A
c
a
) pues, tanto
A
a
como A
c
a
son subconjuntos conexos en el grafo G.
La valoraci on de este da no puede hacerse desde diferentes puntos de vista. Si
el abastecimiento de todos los n ucleos de poblaci on esta asegurado, podemos
valorarlo mediante el n umero
d(T, o) := [/(A
a
, A
c
a
)[.
Pero si s olo se puede asegurar el abastecimiento en ciertos n ucleos de poblaci on
` \ , es mas adecuado valorar el da no contabilizando los n ucleos de
poblaci on que no pueden abastecerse
d(`, T, o) =
_
co:d(A
a
) si ` A
c
a
0 en otro caso
En el primer caso, el riesgo de elegir el arbol T en el grafo G es
c(T, G) = max
aAT
d(T, o)
y un arbol optimo es un T
0
T
G
tal que
c(T
0
, G) = min
TTG
c(T, G)
122 TEMA 2. TEOR
IA DE GRAFOS
Este mnimo, que denotamos C(G), es la constante de congesti on del
grafo G y ha sido introducido recientemente por Ostrovskii [57].
En el segundo caso, el riesgo de elegir el par (`, T) en G es
c(`, T, G) = max
aAT
d(`, T, o)
y un arbol optimo con j abastecimientos `
0
sera un T
0
T
G
tal que
c(`
0
, T
0
, G) = min
|M|=p , TTG
c(`, T, G)
Este mnimo, que denotamos C
p
(G), es la constante de p-abastecimiento
del grafo G y ha sido introducido recientemente por nosotros [14] y [20].
Es interesante calcular o aproximar las constantes de congestion y abastecimiento
en los grafos llamados rejillas, constituidas por yuxtaposici on de polgonos regulares
iguales, como presentamos en los siguientes casos
1. triangulares T
n
, subindicadas seg un los vertices de cada lado

T
2
=

, T
3
=

, T
4
=
2. cuadradas Q
n
, subindicadas seg un los vertices de cada lado
Q
2
=

, Q
3
=

, Q
4
=
3. hexagonales o panales 1
n
, subindicadas seg un los hex agonos de cada lado
1
1
= , 1
2
= , 1
3
=
Redes Electricas
Una red electrica es un grafo G(\, 1, n) conexo y sin lazos en el que tenemos dos
vectores de aristas, la resistencia y la corriente,
: : 1 R y : 1 R
c :(c) c (c)
y un vector de vertices, el potencial
2.3. PROBLEMAS T

j : \ R .
j()
Elegida una orientaci on en las aristas, la diferencia del potencial
j : 1 R
c j(c)
la resistencia y la corriente deben cumplir:
1. La ley de Kirchho de las diferencias:
j l(G)
2. La ley de Kirchho de las corrientes:
7(G)
3. La ley de Ohm:
j(c) = :(c)(c) c 1
La ley de Kirchho de las diferencias es una ley general de los grafos conexos sin
lazos (ver p ag. ??). Nos dice que j 7(G)
y su aplicaci on pr actica pasa por

determinar una base p
1
, , p
h
de 7(G) e imponer que (p
i
[j) = 0 i =
1, , /. Es decir, si p
i
= (p
i1
, , p
im
), esta ley nos impone la ecuacion
C j = 0 donde C =
_
_
_
p
11
p
1m
.
.
.
.
.
.
p
h1
p
hm
_
_
_
La ley de Kirchho de las corrientes nos dice que estas se producen en los ciclos.
Como 7(G) es el n ucleo de la aplicaci on lineal dada por la matriz de incidencia l,
nos impone la ecuacion
l = 0
La ley de Ohm nos proporciona una relaci on entre los vectores j y cuando la
red esta conectada a un generador. Veamos como se maneja esta informaci on en la
pr actica:
Sean
1
, ,
k
, ,
n1
los vertices no generadores de la red y sea
n
el gener-
ador. Sean c
1
, , c
las aristas orientadas al arbitrio que conectan entre s los

vertices no generadores y sean c
+1
, , c
+k
las aristas que conectan el generador
n
con los vertices
1
, ,
k
orientadas de modo que c
+i
= (
n
,
i
) i =
1, , /.
Si : = / + /, nuestra red conectada estara representada por el grafo
G(\,

1) donde
_
\ =
1
, ,
k
,
n1
,
n
1 = c
1
, , c
, c
+1
, c
+k
Si suponemos que el generador

n
crea un potencial j : \ R tal que j(
n
) = 0 y
en los vertices conectados a el vale
j(
1
) = j1, , j(
k
) = j
k
124 TEMA 2. TEOR
IA DE GRAFOS
y suponemos que
:(c
+1
) = 0, , :(c
+k
) = 0,
la ley de Ohm se expresa mediante la ecuacion
_
_
_
_
_
_
_
_
_
_
j(c
1
)
.
.
.
j(c
)
j(c
+1
)
.
.
.
j(c
+k
)
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
:(c
1
)
.
.
.
:(c
)
0
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
(c
1
)
.
.
.
(c
)
(c
+1
)
.
.
.
(c
+k
)
_
_
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
_
_
0
.
.
.
0
j
1
.
.
.
j
k
_
_
_
_
_
_
_
_
_
_
que escribimos en forma compacta j = 1 + j
g
.
Las tres ecuaciones establecidas por las leyes de Kirchho y de Ohm
_
_
C j = 0
l = 0
j = 1 + j
g
nos permiten determinar la diferencia de potencial y la corriente en cada arista.
Ademas, por la observaci on ??,?? podemos conocer, salvo una constante, el poten-
cial en cada vertice. Todo ello esta implementado en el programa redelectrica de
la carpeta Modus.
Problemas de Dirichlet en grafos
Si es un abierto de R
2
, una funci on T : R se dice armonica si cumple
T(x) :=

2
T
r
2
(x) +

2
T
j
2
(x) = 0 x .
Esta denici on es equivalente a que T sea de clase (
2
() y cumpla la propiedad
del valor medio
T(p) =
_
Br(p)
T d
2 :
1
r
(p)
A partir de esta segunda caracterizacion, es f acil ver que si es conexo y T es
armonica y alcanza su maximo absoluto en , T debe ser constante y, esto, asegura
que un problema de Dirichlet en un dominio regular conexo
_
T = 0 en
T = ) en
si tiene soluci on, es unica.
Si G(\, 1) es un grafo simple diremos que un vector de vertices 1 : \ R cumple
la propiedad del valor medio en \ \ cuando
1(n) =
vA(u)
1()
[(n)[
n \
2.3. PROBLEMAS T

siendo (n) el conjunto de vertices adyacentes a n.
Elegida una ordenaci on (
1
, ,
n
) en \ , es evidente que la propiedad del valor
medio en todo \ equivale a que el vector (1(
1
), , 1(
n
)) pertenezca al n ucleo
de la matriz de Kircho 1. Sabemos (ver p ag. ??) que 1 := (1, , 1) ker 1
y que la dimensi on de ker 1 coincide con el n umero de componentes conexas del
grafo. Luego, si suponemos que G(\, 1) es conexo, tendremos que 1 cumple la
propiedad del valor medio en todo \ si y s olo si 1 es una funci on constante. Por
tanto, es mas interesante el siguiente problema tipo Dirichlet:
Dado un 1 \ , encontrar un vector de vertices 1 : \ R tal que
_
1 tome valores predeterminados en los puntos de 1
1 cumpla la propiedad del valor medio en los puntos de \ 1
Es f acil observar que este es un problema lineal inverso x = b donde la matriz
es una submatriz cuadrada de la matriz de Kircho 1 del grafo conexo G(\, 1),
obtenida por supresi on de [1[ las y columnas y, por tanto, es siempre un problema
compatible y determinado. Ademas, el vector b viene determinado por los valores
de 1 en los vertices de 1.
Por ejemplo, en el siguiente grafo G(\, 1)
/.-, ()*+
1
/.-, ()*+
2

/.-, ()*+
5

/.-, ()*+
6
/.-, ()*+
7
?
?
?
?
?
?
?
?
/.-, ()*+
3
/.-, ()*+
4
/.-, ()*+
7
/.-, ()*+
3
/.-, ()*+
4
?
?
?
?
?
?
?
?
/.-, ()*+
7

/.-, ()*+
8
/.-, ()*+
9
?
?
?
?
?
?
?
?
para determinar una 1 : \ R que en los vertices 1 y 4 tome los valores 100 y
500, y en el resto de vertices cumpla la condici on del valor medio, de su matriz de
Kircho
_
_
_
_
_
_
_
_
_
_
_
_
_
_
3 1 1 1 0 0 0 0 0
1 5 1 0 1 1 1 0 0
1 1 4 1 0 0 1 0 0
1 0 1 5 0 0 1 1 1
0 1 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0 0
1 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
suprimiremos las las y columnas 1 y 4 y obtendremos la matriz
=
_
_
_
_
_
_
_
_
_
_
5 1 1 1 1 0 0
1 4 0 0 1 0 0
1 0 1 0 0 0 0
1 0 0 1 0 0 0
1 1 0 0 3 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
y el vector b =
_
_
_
_
_
_
_
_
_
_
100
600
0
0
500
500
500
_
_
_
_
_
_
_
_
_
_
126 TEMA 2. TEOR
IA DE GRAFOS
y, en consecuencia,
_
_
_
_
_
_
_
_
_
_
1(2)
1(3)
1(5)
1(6)
1(7)
1(8)
1(9)
_
_
_
_
_
_
_
_
_
_
= b =
_
_
_
_
_
_
_
_
_
_
250
300
250
250
350
500
500
_
_
_
_
_
_
_
_
_
_
1. Caso de las rejillas cuadradas
Si G(\, 1) es la rejilla cuadrada Q
4
y 1 es el subconjunto de vertices del borde,
podemos pensar en una 1 : \ R que tome el valor l en los vertices superiores
de 1, 1 en los inferiores, G en los izquierdos y 1 en los derechos
2
U
L
G D
y cumpla la propiedad del valor medio en los cuatro vertices interiores. En este
caso el sistema lineal a resolver es el x = b donde
=
_
_
_
_
4 1 1 0
1 4 0 1
1 0 4 1
0 1 1 4
_
_
_
_
y b =
_
_
_
_
l +G
l +1
1 +G
1 + 1
_
_
_
_
cuya soluci on es
x = b =
_
1(1) 1(2) 1(3) 1(4)
_
.
Si G(\, 1) fuese la rejilla cuadrada Q
5
y 1 el subconjunto de vertices del borde,
para hallar una 1 : \ R que tome el valor l en los vertices superiores del borde
, 1 en los inferiores, G en los izquierdos y 1 en los derechos
9
U
L
G D
2.3. PROBLEMAS T

y cumpla la condici on de valor medio en los nueve vertices interiores, el problema
lineal inverso que debemos resolver es x = b donde
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
4 1 0 1 0 0 0 0 0
1 4 1 0 1 0 0 0 0
0 1 4 0 0 1 0 0 0
1 0 0 4 1 0 1 0 0
0 1 0 1 4 1 0 1 0
0 0 1 0 1 4 0 0 1
0 0 0 1 0 0 4 1 0
0 0 0 0 1 0 1 4 1
0 0 0 0 0 1 0 1 4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
y b =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
l + G
l
l +1
G
0
1
1 +G
1
1 + 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
cuya soluci on es
x = b =
_
1(1) 1(9)
_
.
Si G(\, 1) es la rejilla cuadrada Q
n+2
podemos hallar una 1 : \ R con valores predeterminados en 1 que cumpla las
condiciones del valor medio en los n
2
vertices interiores, si hallamos inductivamente
la correspondiente matriz /
n,n
y el vector b R
n
. Esto lo hemos hecho,
para n 700, en el programa de MATLAB ??. Para n = 400 y (l, 1, G, 1) =
(500, 100, 500, 300), hemos obtenido unos valores en los 160.000 puntos interiores
que vienen dados por la gama de colores
Esta soluci on 1 : \ R es la discretizacion en los vertices de la rejilla cuadrada
de una funci on T : [0, 1] [0, 1] R, armonica en (0, 1) (0, 1) que cumpla las
condiciones de contorno
T[
U
= 500, T[
L
= 100, T[
G
= 500, T[
D
= 300.
128 TEMA 2. TEOR
IA DE GRAFOS
En efecto:
Aproximando las derivadas parciales por diferencias nitas centradas como se in-
dica, por ejemplo en [?], tenemos
2
T
r
2
(r
i
, j
j
)
T(r
i+1
, j
j
) 2T(r
i
, j
j
) + T(r
i1
, j
j
)
(r)
2
y
2
T
j
2
(r
i
, j
j
)
T(r
i
, j
j+1
) 2T(r
i
, j
j
) + T(r
i
, j
j1
)
(j)
2
En nuestra malla tenemos r = j y, por tanto, la discretizacion de
2
T
r
2
(x) +

2
T
j
2
(x) = 0
exige que
T(r
i
, j
j
) =
T(r
i+1
, j
j
) + T(r
i1
, j
j
) + T(r
i
, j
j+1
) + T(r
i
, j
j1
)
4
que es, precisamente, la propiedad del valor medio en los vertices interiores.
2 Caso de las rejillas triangulares
Si G(\, 1) es la rejilla triangular T
5
podemos pensar en una 1 : \ R que tome el valor 1 en los vertices inferiores de
1, G en los izquierdos y 1 en los derechos y cumpla la propiedad del valor medio
en los tres puntos interiores. En este caso el sistema lineal a resolver es el x = b
donde
=
_
_
6 1 1
1 6 1
1 1 6
_
_
y b = 2
_
_
G+ 1
G+ 1
1 + 1
_
_
cuya soluci on es
x = b =
_
1(1) 1(2) 1(3)
_
.
Si G(\, 1) es la rejilla triangular T
6
podemos pensar en una 1 : \ R que tome el valor 1 en los vertices inferiores de
1, G en los izquierdos y 1 en los derechos y cumpla la condici on del valor medio
2.3. PROBLEMAS T

en los seis puntos interiores. En este caso el sistema lineal a resolver es el x = b
donde
=
_
_
_
_
_
_
_
_
6 1 0 1 0 0
1 6 1 1 1 0
0 1 6 0 1 0
1 1 0 6 1 1
0 1 1 1 6 1
0 0 0 1 1 6
_
_
_
_
_
_
_
_
y b = 2
_
_
_
_
_
_
_
_
G+1
G
G+ 1
1
1
1 +1
_
_
_
_
_
_
_
_
cuya soluci on es
x = b =
_
1(1) 1(2) 1(3) 1(4) 1(5) 1(6)
_
.
Si G(\, 1) es cualquier rejilla triangular T
n+3
y 1 es el subconjunto de vertices
del borde, podemos hallar una 1 : \ R con valores predeterminados en 1
que cumpla las condiciones del valor medio en los : =
n(n+1)
2
vertices interiores,
si determinamos inductivamente la correspondiente matriz /
m,m
y el vec-
tor b R
m
. Esto lo hemos hecho, para n 100, en el programa de MATLAB
??. Para n = 100 y (G, 1, 1) = (100, 300, 700), hemos obtenido unos valores
en los 5.050 puntos interiores que vienen dados por la siguiente gama de colores
Si T es la envoltura convexa de los puntos del plano x
1
= (0, 0), x
2
= (1, 0),
x
3
= (
1
2
,
3
2
), queremos ver si la soluci on obtenida es la discretizaci on en los vertices
de la rejilla T
n+3
, de una funci on T : T R que sea armonica en
T y cumpla las
condiciones de contorno
T[
G
= 100, T[
D
= 300, T[
L
= 700
Cada punto x T es una unica combinaci on convexa de los vertices
x = x
1
+ x
2
+ x
3
Diremos que (, , ) son las coordenadas convexas de x y estan relacionadas
con las coordenadas cartesianas (r, j) de x mediante las ecuaciones
=
r 1
1
2
j 0
3
2
1 1 1
0 1
1
2
0 0
3
2
1 1 1
, =
0 r
1
2
0 j
3
2
1 1 1
0 1
1
2
0 0
3
2
1 1 1
, =
0 1 r
0 0 j
1 1 1
0 1
1
2
0 0
3
2
1 1 1
.
130 TEMA 2. TEOR
IA DE GRAFOS
Para cambiar, en la ecuacion de Laplace, las variables (r, j) por las (, , ), ten-
emos en cuenta que
_
_
T
r
=
T
r
+
T
r
+
T
r
T
j
=
T
j
+
T
j
+
T
j
y que
_
2
T
r
2
=

2
T
2
_
r
_
2
+

2
T
2
_
r
_
2
+

2
T
2
_
r
_
2
+
+2
_

2
T
r
+

2
T
r
+

2
T
r
_
2
T
j
2
=

2
T
2
_
j
_
2
+

2
T
2
_
j
_
2
+

2
T
2
_
j
_
2
+
+2
_

2
T
j
+

2
T
j
+

2
T
j
_
As, la ecuacion de Laplace en coordenadas (, , ) es
2
T
2
_
_
r
_
2
+
_
j
_
2
_
+
2
T
2
_
_
r
_
2
+
_
j
_
2
_
+
2
T
2
_
_
r
_
2
+
_
j
_
2
_
+
+2
_

2
T
r
+

j
j
_
+

2
T
r
+

j
j
_
+

2
T
r
+

j
j
__
= 0
y, en nuestro caso, resulta que
_
_
_
r
_
2
+
_
j
_
2
=
_
r
_
2
+
_
j
_
2
=
_
r
_
2
+
_
j
_
2
=
4
3
r
+

j
j
=

r
r
+

j
j
=

r
r
+

j
j
=
2
3
2.3. PROBLEMAS T

y, en consecuencia, la ecuacion de Laplace se escribe:
2
T
2
+

2
T
2
+

2
T
2

_

2
T
+

2
T
+

2
T
_
= 0
Ahora bien, como + + = 1 si mantenemos constantes dos de estas variables,
la variaci on con respecto a la tercera debe ser nula y, as, la ecuacion de Laplace se
reduce a
2
T
+

2
T
+

2
T
= 0
Aproximando estas derivadas parciales por las siguientes diferencias nitas
_
2
T
(
i
,
j
,
k
)
T(
i+1
,
j1
,
k
) 2T(
i
,
j
,
k
) +T(
i1
,
j+1
,
k
)
2
T
(
i
,
j
,
k
)
T(
i+1
,
j
,
k1
) 2T(
i
,
j
,
k
) + T(
i1
,
j
,
k+1
)
2
T
(
i
,
j
,
k
)
T(
i
,
j+1
,
k1
) 2T(
i
,
j
,
k
) + T(
i
,
j1
,
k+1
)
y, teniendo en cueta que en nuestra malla = = , la dis-

cretizacion de la ecuacion de Laplace en coordenadas convexas exige que
T(
i
,
j
,
k
) =
T(
i+1
,
j1
,
k
) + T(
i1
,
j+1
,
k
) +T(
i
,
j+1
,
k1
)
6
+
+
T(
i
,
j1
,
k+1
) + T(
i
,
j+1
,
k1
) + T(
i
,
j
,
k+1
)
6
que es, precisamente, la propiedad del valor medio en los vertices interiores.
3. Caso de las rejillas circulares
Estudiaremos, ahora, el problema de Dirichlet en grafos que se adapten a la ge-
ometra del crculo. Para cada n 3, denimos la rejilla circular C
n
como el
grafo simple y conexo cuyo conjunto de vertices \ esta constituido por los puntos
del disco unidad de coordenadas polares (0, 0) y
_
i
n
,
2(j1)
n
_
con i = 1, , n y
, = 1, , n, que en lo sucesivo designaremos [0] y [i, ,]. El conjunto de aristas
esta constituido por los segmentos radiales y los arcos de circunferencia que los unen.
El problema de Dirichlet en C
n
consiste en determinar una 1 : \ R tal que
en los n vertices situados en la circunferencia unidad tome valores predetermina-
dos:
1[n, ,] = (,) , = 1, , n
y en los restantes vertices cumpla la propiedad del valor medio. As pues, se debe
cumplir la ecuacion
1[0] =
n
j=1
1[1, ,]
n
132 TEMA 2. TEOR
IA DE GRAFOS
y los siguientes n 1 sistemas lineales:
_
_
_
_
_
_
_
_
_
4n 1 n 1 1 1 n 1
n 1 4n 1 n 1 1 1
1 n 1 4n 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 4n 1 n 1
n 1 1 1 n 1 4n 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1[1, 1]
1[1, 2]
1[1, 3]
.
.
.
1[1, n 1]
1[1, n]
_
_
_
_
_
_
_
_
_
= n
_
_
_
_
_
_
_
_
_
1[2, 1]
1[2, 2]
1[2, 3]
.
.
.
1[2, n 1]
1[2, n]
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
4 1 0 1
1 4 1 0
0 1 4 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 0 0 4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1[2, 1]
1[2, 2]
1[2, 3]
.
.
.
1[2, n 1]
1[2, n]
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1[1, 1]
1[1, 2]
1[1, 3]
.
.
.
1[1, n1]
1[1, n]
_
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
_
1[3, 1]
1[3, 2]
1[3, 3]
.
.
.
1[3, n 1]
1[3, n]
_
_
_
_
_
_
_
_
_
.
.
.
_
_
_
_
_
_
_
4 1 0 1
1 4 1 0
0 1 4 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 0 0 4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1[n 1, 1]
1[n 1, 2]
1[n 1, 3]
.
.
.
1[n 1, n 1]
1[n 1, n]
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1[n 2, 1]
1[n 2, 2]
1[n 2, 3]
.
.
.
1[n 2, n 1]
1[n 2, n]
_
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
(1)
(2)
(3)
.
.
.
(n)
_
_
_
_
_
_
_
Escribiendo en forma reducida estos n 1 sistema lineales tenemos:
`x
1
n1x
2
= 0
1x
1
+ x
2
1x
3
= 0
.
.
.
1x
n2
+x
n1
= v
y es claro que equivalen al siguiente sistema lineal por bloques
_
_
_
_
_
_
_
` n1 0 0
1 1 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n1
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
0
0
0
.
.
.
v
_
_
_
_
_
_
_
El programa de MATLAB ?? nos resuelve este sistema para rejillas circulares C
n
con n 64 y nos compara la soluci on de este problema discreto con la funci on
armonica en el disco unidad abierto, calculada, a partir de sus valores en el borde,
mediante la f ormula integral de Poisson
T(p) =
:
2
|p|
2
2 :
_
Br(o)
T(x)
|p x|
2
d(x) p 1
r
(o)
2.4. PR
ACTICAS 133
Por ejemplo, para valores en el borde dados por la funci on
T(r, j) = 50r
3
20j
2
+ 400
vemos, que ambas soluciones dieren notablemente. Ello se debe a que la
ecuacion de Laplace en polares es
1
+

2
T
2
+

2
T
2
= 0
y su aproximaci on discreta en la rejilla C
n
, obtenida sustituyendo las derivadas
parciales por diferencias divididas,
T[i, ,] =
4
2
(2i+1)
i(4
2
+1)
T[i + 1, ,] +
4
2
(2i1)
i(4
2
+1)
T[i 1, ,] +
2
4
2
+1
T[i, , + 1] +
2
4
2
+1
T[i, , 1]
4
no expresa la propiedad del valor medio en los vertices interiores sino una pon-
deracion de la misma. Ello justica el planteamiento de los problemas de Dirichlet
en grafos que hace, por ejemplo, [43].
2.4 Practicas
1. Sean los grafos,
G
1
_
\ =
1
,
2
,
3
,
4
,
5
,
6
1 =
1
,
2
,
1
,
3
,
1
,
6
,
3
,
4
,
4
,
5
G
2
_
\ =
1
,
2
,
3
,
4
,
5
1 =
1
,
2
,
1
,
3
,
1
,
4
,
1
,
5
,
2
,
3
,
2
,
4
,
2
,
5
134 TEMA 2. TEOR
IA DE GRAFOS
G
3
_
\ = 1, 2, 3, 4, 5, 6, 7, 8
1 = (1, 5), (1, 6), (2, 5), (2, 7), (2, 8), (8, 3), (8, 4)
(a) Decir si son simples, conexos, bipartitos, arboles, completos, etc.
(b) Hallar sus matrices de adyacencia con menor anchura de banda.
(c) Hallar las matrices de incidencia, grados, Kircho y Laplace dando,
cuando sea necesario, una orientaci on arbitraria.
(d) Hallar las conectividades algebraicas y geometricas.
2. Una matriz se dice totalmente unimodular si todos sus subdeterminantes
valen 0, 1 o -1.
(a) Probar que la matriz de incidencia 1 de un grafo G(\, 1) es totalmente
unimodular si y s olo si el grafo es bipartito.
(b) Probar que la matriz de incidencia l de un diagrafo G(\,

1) es total-
mente unimodular.
3. En la rejilla triangular T
4
, cuantos caminos de 9 aristas existen entre dos
vertices extremos distintos? y cuantos de 9 aristas parten de un vertice
extremo y llegan al mismo?
4. Una pista circular esta dividida en 9 tramos y al nal de cada tramo hay
un control. En cada control, la probabilidad de que te dejen avanzar es 2/3
y de que te hagan retroceder es 1/3. Cual es la probabilidad de dar una
vuelta completa sin retroceder jam as? Cual es la probabilidad de partir de
un control y llegar al mismo tras recorrer nueve tramos?
5. Calcular la constante de Cheeger de la rejilla cuadrada Q
3
y estimar la de la
rejilla hexagonal 1
4
.
6. Sea la red electrica de la gura, conectada en 1 y 2 al generador 11 y tal que
:(c
i
) = 1 ohmio i = 1, , 12.
Si (c
8
) = 1 amperio cual es el potencial en cada uno de los vertices no
generadores?
(Soluci on: 10.2, 0, 3.73, 4.73, 5.00, 5.07, 5.13, 5.20, 5.47, 6.47)
2.4. PR
ACTICAS 135
7. El campus de Lagoas-Marcosende puede ser interpretado como un grafo de
nueve vertices:
Bola, Deportes, Residencia, Rectorado, Tecnologico, Cientco,
Juridicosocial, Filol ogico, Biblioteca
Considerar como aristas las direcciones permitidas que unen estos vertices y
dar una calicaci on de su conectividad. Averiguar que nueva arista orientada
lo mejorara mas.
8. Programar en MATLAB el algoritmo de Dijkstra
1
1
http://www.dgp.toronto.edu/people/JamesStewart/270/9798s/Lara/DijkstraApplet.html
136 TEMA 2. TEOR
IA DE GRAFOS
Tema 3
Problemas lineales.
3.1 El problema lineal inverso
Dada una aplicaci on lineal ) : R
n
R
m
y un vector b R
m
queremos saber si
existe un x R
n
tal que )(x) = b y, en tal caso, calcularlo. Fijadas las bases (u
i
)
en R
n
y (v
j
) en R
m
, la aplicaci on ) queda determinada por los transformados
)(u
i
) = a
i
=
m
j=1
o
ji
v
j
i o por la matriz =
_
_
_
o
11
o
1n
.
.
.
.
.
.
.
.
.
o
m1
o
mn
_
_
_
y resolver )(x) = b equivale a resolver el sistema lineal x = b.
El teorema de Rouche-Frobenius expresa las condiciones para la existencia y unici-
dad de soluci on en terminos de la matriz :
1. )(x) = b tiene soluci on si y s olo si rang() = rang([, b])
2. )(x) = b tiene soluci on unica si y s olo si rang() = rang([, b]) = n
Si b , im) podemos quedarnos con su mejor aproximaci on eucldea
im f
(b) que
(ver p ag. 83) es soluci on de la ecuaci on
)
)(x) = )
(b)
Toda soluci on de )(x) = b lo es de )
)(x) = )
(b) pero, aunque )(x) = b no

tenga soluci on, )
)(x) = )
(b) si la tiene. Por ello, las soluciones de este ultimo

problema inverso se llaman soluciones generalizadas del inicial.
En MATLAB, dado un sistema x = b, la orden b nos da siempre una res-
puesta x
o
. En el caso de existencia y unicidad de soluci on, dicha respuesta es la
soluci on. Si el sistema es indeterminado, x
0
es la soluci on particular con el maximo
n umero de coordenadas nulas. Si el sistema es incompatible, x
0
es la soluci on de
x =
b con el maxmo n umero de coordenadas nulas.

137
138 TEMA 3. PROBLEMAS LINEALES.
3.2 Metodos directos
Planteado un problema inverso x = b es necesario obtener algoritmos que nos
den su soluci on numerica. Aunque la palabra algoritmo procede del nombre del
matematico arabe Mohammet ibn Mose Al-Khwarizmi (780-835), autor del
primer tratado de algebra, titulado Al-jabr wal Muqab ala, hoy se usa para des-
ignar cualquier proceso sistematico que desemboque en un resultado numerico sin
que consista, necesariamente, en tecnicas de trasposicion y cancelacion de terminos
en ambos miembros de una ecuacion, como indican las palabras arabes del ttulo
del tratado.
Hoy, los algoritmos de tipo algebraico se llaman metodos directos y los algoritmos
que buscan aproximaciones sucesivas de las soluciones se llaman metodos iterativos.
Ante un problema determinado debemos decantarnos por seguir un metodo directo
o un metodo iterativo pero saber c ual es preferible, puede no resultar sencillo.
3.2.1 Regla de Cramer
Cuando /
nn
la existencia y unicidad de soluci on es equivalente a que
det() ,= 0 y su expresi on exacta es x =
1
b o, si se preere,
_
_
_
r
1
.
.
.
r
n
_
_
_ =
1
det()
_
_
_
11

n1
.
.
.
.
.
.
1n

nn
_
_
_
_
_
_
/
1
.
.
.
/
n
_
_
_
que recordamos f acilmente en coordenadas mediante la regla de Cramer:
r
i
=
1
det()
n
j=1
ji
/
j
=
o
11
/
1
o
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
o
n1
/
n
o
nn
det()
i = 1, , n
El n umero de operaciones que hay que realizar para obtener todos los determinantes
que intervienen es tan elevado que, seguramente, el lector preere el metodo de
eliminaci on de Gauss que, ademas, es aplicable a cualquier sistema lineal x = b
con /
mn
. Recordemos, brevemente, este segundo metodo directo.
3.2.2 Eliminacion de Gauss
En el sistema
o
11
r
1
+o
12
r
2
+ +o
1n
r
n
= /
1
o
21
r
1
+o
22
r
2
+ +o
2n
r
n
= /
2
.
.
.
o
m1
r
1
+o
n2
r
2
+ + o
mn
r
n
= /
m
3.2. M
ETODOS DIRECTOS 139

al menos un o
i11
, con i
1
1, . . . , :, sera no nulo. Intercambiamos la la de este
pivote o
i11
con la primera la y obtenemos el sistema equivalente
o
i11
r
1
+o
i12
r
2
+ + o
i1n
r
n
= /
i1
o
21
r
1
+ o
22
r
2
+ +o
2n
r
n
= /
2
.
.
.
o
11
r
1
+ o
12
r
2
+ +o
1n
r
n
= /
1
.
.
.
o
m1
r
1
+o
n2
r
2
+ +o
mn
r
n
= /
m
Es decir, obtenemos el sistema 1
1
x = 1
1
b donde
1
1
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 . . . 1
1
.
.
.
.
.
.
.
.
.
1
1 . . . 0
1
.
.
.
1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
/
m
Restando de las las 2
a
, 3
a
,. . . , m
a
, la 1
a
multiplicada respectivamente por
a21
ai
1
1
,
a31
ai
1
1
, . . . ,
am1
ai
1
1
, obtenemos un sistema equivalente de estructura matricial
o
1
11
r
1
+ o
1
12
r
2
+ +o
1
1n
r
n
= /
1
1
o
1
22
r
2
+ +o
1
2n
r
n
= /
1
2
.
.
.
o
1
m2
r
2
+ +o
1
mn
r
n
= /
1
m
que sera el sistema G
1
1
1
x = G
1
1
1
b donde
G
1
=
_
_
_
_
_
_
_
_
1
a21
ai
1
1
1
a31
ai
1
1
0 1
.
.
.
.
.
.
.
.
.
.
.
.
am1
ai
1
1
0 0 . . . 1
_
_
_
_
_
_
_
_
/
m
Si todos los o
1
ij
fuesen nulos, el proceso habr a terminado. En otro caso, renom-
brando las variables, si fuese necesario, tendremos un o
1
i22
no nulo para cierto
i
2
2, . . . , :. Entonces, multiplicando por matrices 1
2
y G
2
, similares a las 1
1
y G
1
, conseguimos un sistema
G
2
1
2
G
1
1
1
x = G
2
1
2
G
1
1
1
b
equivalente a G
1
1
1
x = G
1
1
1
b, donde los terminos subdiagonales de la primera y
segunda columna son nulos. Reiterando el proceso llegamos a un sistema equivalente
con una estructura matricial reducida del tipo:
n
11
r
1
+ n
12
r
2
+ . . . n
1k
r
k
+ . . . n
1n
r
n
=
1
n
22
r
2
+ . . . n
2k
r
k
+ . . . n
2n
r
n
=
2
.
.
.
n
kk
r
k
+ . . . n
kn
r
n
=
k
.
.
.
=
m
siendo n
ii
,= 0 i = 1, , /. De forma mas compacta se escribir a
` = v con ` = G
k1
1
k1
G
1
1
1
Debemos distinguir los tres casos siguientes:
1. Si n = / = : llegamos a un sistema reducido triangular superior
n
11
r
1
+n
12
r
2
+. . . n
1n
r
n
=
1
n
22
r
2
+. . . n
2n
r
n
=
2
.
.
.
n
nn
r
n
=
n
y, por tanto, el problema tiene soluci on unica.
2. Si n / = : llegamos a un sistema reducido quasitriangular superior
n
11
r
1
+n
12
r
2
+. . . n
1m
r
m
+. . . n
1n
r
n
=
1
n
22
r
2
+. . . n
2m
r
m
+. . . n
2n
r
n
=
2
.
.
.
n
mm
r
m
+ . . . n
mn
r
n
=
m
y, por tanto, el problema es compatible e indeterminado. El subsistema
triangular superior
n
11
r
1
+ n
12
r
2
+ . . . n
1m
r
m
=
1
n
22
r
2
+ . . . n
2m
r
m
=
2
.
.
.
n
mm
r
k
=
m
tiene soluci on unica (:
1
, , :
m
) R
m
y es obvio que
(:
1
, , :
m
, 0, , 0) R
n
3.2. M
ETODOS DIRECTOS 141

es una soluci on particular del sistema reducido quasitrianglar y, por tanto,
del sistema de partida. Esto explica que la orden de MATLAB b proponga
como soluci on particular de un sistema compatible e indeterminado la que
tiene mayor n umero de coordenadas nulas.
3. Si : / y (
k+1
, ,
m
) no es nulo, llegamos a un sistema reducido quasi-
triangular incompatible
n
11
r
1
+ n
12
r
2
+ . . . n
1k
r
k
+ . . . n
1n
r
n
=
1
n
22
r
2
+ . . . n
2k
r
k
+ . . . n
2n
r
n
=
2
.
.
.
n
kk
r
k
+ . . . n
kn
r
n
=
k
=
k+1
.
.
.
=
m
Intumos que la mejor aproximaci on se obtiene resolviendo el subsistema
quasitriangular compatible
n
11
r
1
+ n
12
r
2
+ . . . n
1k
r
k
+ . . . n
1n
r
n
=
1
n
22
r
2
+ . . . n
2k
r
k
+ . . . n
2n
r
n
=
2
.
.
.
n
kk
r
k
+ . . . n
kn
r
n
=
k
puesto que las soluciones de este sistema cumplen el maximo n umero de
ecuaciones no imposibles. Podemos conrmar esta hip otesis razonando del
siguiente modo: La mejor aproximaci on del vector
(
1
, ,
k
, ,
m
)
en el subespacio imagen, generado por los vectores e
1
, , e
k
de R
m
, es el
vector (
1
, ,
k
, 0, , 0) de R
m
que, identicado con el vector (
1
, ,
k
)
de R
k
, puede ser calculado resolviendo el mencionado subsistema quasitrian-
gular.
3.2.3 Factorizacion LU
Imaginemos una matriz en la que el proceso de eliminaci on gaussiana se pueda
llevar a cabo sin permutar las o, si se preere, con matrices de permutaci on 1
i
=
1 i = 1, . . . , / 1. En tal caso (ver p ag. 140),
` = G
k1
. . . G
1
y, como producto de matrices inversibles triangulares inferiores, sera ella misma
una matriz inversible triangular inferior. Su inversa 1 := `
1
sera una matriz
triangular inferior y, como l := ` es una matriz triangular superior, podremos
escribir como el producto de los factores 1 y l:
= `
1
` = 1 l
Daremos algunas condiciones sucientes para que una matriz cuadrada admita una
tal descomposici on en factores o factorizaci on 1l.
Teorema 3.2.4
Si = (o
ij
) /
n
es tal que sus n submatrices diagonales
k
=
_
_
_
o
11
. . . o
1k
.
.
.
.
.
.
o
k1
. . . o
kk
_
_
_ / = 1, . . . , n
son inversibles, admite una unica factorizaci on 1l.
Demostraci on:
Como
1
= o
11
,= 0 se puede tomar o
11
como primer pivote o tomar 1
1
= 1.
Supongamos que tambien 1
2
= = 1
k1
= 1 y probemos que 1
k
= 1.
Esta hip otesis inductiva se traduce en la igualdad G
k1
. . . G
1
=
k
que desar-
rollada es
_
_
_
_
_
_
_
_
1
.
.
.
.
.
.
. . . 1
.
.
.
.
.
.
.
.
.
. . . . . . 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
o
11
. . . o
1k

.
.
.
.
.
.
o
k1
. . . o
kk
.
.
.

_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
o
1
11
. . . o
1
1k

.
.
.
.
.
.
o
k
kk
.
.
.

_
_
_
_
_
_
_
_
Multiplicabdo por bloques vemos que det(
k
) = o
1
11
. . . o
k
kk
,= 0. Luego o
k
kk
puede
tomarse como pivote, y en consecuencia, podemos tomar 1
k
= 1.
Con ello tiene asegurada una factorizaci on 1l. Si suponemos que no es unica,
= 1 l = 1
1
l
1
y, en consecuencia, (1
1
)
1
1 = l
1
l
1
. Pero como la primera
es triangular inferior y la segunda, triangular superior, esta igualdad solo es posible
si (1
1
)
1
1 = l
1
l
1
= 1, es decir, si
1 = 1
1
y l = l
1
.
Corolario 3.2.5
Toda matriz simetrica denida positiva, tiene una unica factorizaci on 1l.
Corolario 3.2.6
Una matriz tridiagonal
T1 =
_
_
_
_
_
_
_
_
_
_
_
/
1
c
1
o
2
/
2
c
2
.
.
.
.
.
.
.
.
.
o
n1
/
n1
c
n1
o
n
/
n
_
_
_
_
_
_
_
_
_
_
_
3.2. M
ETODOS DIRECTOS 143

en la que todos los n umeros
0
= 1,
1
= /
1
,
k
= /
k
k1
o
k
c
k1
k1
/ = 2, . . . n
son no nulos, admite la unica factorizaci on LU:
T1 =
_
_
_
_
_
_
_
_
_
_
_
_
_
1
o
2
0
1
1
.
.
.
.
.
.
.
.
. 1
o
n
n2
n1
1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
0
c
1
2
1
c
2
.
.
.
.
.
.
.
.
. c
n1
n
n1
_
_
_
_
_
_
_
_
_
_
_
_
_
MATLAB nos proporciona una factorizaci on 1l de cualquier matriz mediante

la orden [1, l, 1] = lu() que nos devuelve matrices quasitriangulares 1 y l, y
una matriz 1 que arregla, previamente, el problema de la permutaci on de las:
1 = 1 l.
3.2.7 Factorizacion de Cholesky
En este apartado hacemos la siguiente mejora del corolario 3.2.5:
Teorema 3.2.8
Si es simetrica y denida positiva existe una matriz triangular inferior 1 tal que
= 1 1
(factorizacion de Cholesky)
Ademas, podemos imponer que los elementos diagonales de 1 sean todos estricta-
mente positivos y, en este caso, la factorizaci on = 1 1
es unica.
Demostraci on:
Si es simetrica y denida positiva admite una unica factorizaci on 1l
=
_
_
_
_
_
_
_
_
1
.
.
.
.
.
.
. . . 1
.
.
.
.
.
.
.
.
.
. . . . . . 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
n
11
. . . . . .
.
.
.
.
.
.
.
.
.
n
kk
. . .
.
.
.
.
.
.
n
nn
_
_
_
_
_
_
_
_
Como
k
= n
11
. . . n
kk
0 / = 1, . . . , n tambien n
kk
0 / = 1, . . . , n. Con-
sideramos la matriz diagonal = diop(
n
ii
) e intercalamos en nuestra factorizaci on
1l la identidad 1 =
1
. Entonces:
= 1
1
l y por tanto = (1)(
1
l)
Designando 1 = (1) y C = (
1
l), por la simetra de tendremos
1C = C
y por tanto C(1
)
1
= 1
1
C
.
Pero estas matrices son de las formas
C(1
)
1
=
_
_
_
_
_
_
_
_
1 . . . . . .
.
.
.
.
.
.
.
.
.
1 . . .
.
.
.
.
.
.
1
_
_
_
_
_
_
_
_
, 1
1
C
=
_
_
_
_
_
_
_
_
1
.
.
.
.
.
.
. . . 1
.
.
.
.
.
.
.
.
.
. . . . . . 1
_
_
_
_
_
_
_
_
y s olo pueden ser iguales si ambas son la identidad. Por tanto, C = 1
. Esto
demuestra la existencia de una factorizaci on de Cholesky = 1 1
.
En la costruccion realizada de la matriz 1 los elementos de la diagonal de 1, 1
B
,
son estrictamente positivos. Si hubiera otra factorizaci on de Cholesky = C C
con esa misma propiedad, tendramos

= (1 1
1
B
) (1
B
1
) = (C 1
1
C
) (1
C
C
)
pero al ser ambas factorizaciones 1l con unos en 1
L
, ocurrira que
1 1
1
B
= C 1
1
C
y 1
B
1
= 1
C
C
De la segunda igualdad se deduce que 1

B
= 1
C
y, por tanto, que 1
= C
y, en
consecuencia, que 1 = C.
MATLAB nos proporciona la factorizaci on de Cholesky de una matriz medi-
ante la orden 1 = chol() cuando es simetrica y denida positiva. En otro caso,
nos da un mensaje de error. Por ello es mas aconsejable la orden [1, d] = chol()
que no da mensaje de error cuando es cuadrada y nos proporciona la factorizaci on
de Cholesky de la submatriz diagonal de de mayor tama no que sea simetrica y
denida positiva.
3.2.9 Factorizacion QR
Dado cualquier vector v R
n
denimos su matriz de Householder
H
v
=
_
_
_
1
2
v
v
vv
si v ,= 0
1 si v = 0
Es f acil comprobar que
1. H
v
es una matriz ortogonal, es decir, H
1
v
= H
v
.
2. Dado un vector a los vectores a
+
= a+|a|e
1
y a
= a|a|e
1
determinan
matrices de Householder tales que
H
a
+(a) = |a|e
1
y H
a
(a) = +|a|e
1
MATLAB nos da la factorizaci on Q1 de cualquier matriz /
mn
mediante
la orden [Q, 1] = qr(). Esta instrucci on nos devuelve una matriz ortogonal
Q /
m
y una matriz quasitriangular superior 1 /
mn
tales que = Q 1.
3.3. CONDICIONAMIENTO DEL PROBLEMA LINEAL INVERSO 145
Comentario 3.2.10
Los distintos metodos de factorizaci on expuestos en esta seccion buscan la substi-
tuci on de un problema lineal x = b por otro problema lineal equivalente
1 lx = B
donde 1 es una matriz f acilmente inversible o quasitriangular inferior y l es una
matriz quasitrialgular superior. La resoluci on de este sistema se lleva a cabo en dos
partes
1
a
1v = B y 2
a
lx = v
La 1
a
se resuelve autom aticamente o por el metodo de descenso y nos lleva a la 2
a
que es un sistema reducido de Gauss lx = v. Este se resuelve por el metodo de la
remontada, tras suprimir las ecuaciones imposibles.
Todos estos metodos directos para resolver los problemas inversos lineales se han
programado en los siguientes cheros de MATLAB: rouche, cramer, metodos-
directos, remontada, descenso y qrhouseholder.
Ejercicios 3.2.11
Resolver los siguientes sistemas lineales
1. A=[4,8,4,0;1,5,4,-3;1,4,7,2;1,3,0,-2]
b=[8;-4;10;-4]
2. A=[10,7,8,7;7,5,6,5;8,6,10,9;7,5,9,10]
b=[32;23;33;31]
3. A=[10,7,8,7;7,5,6,5;8,6,10,9;7,5,9,10]
b=[32.1;22.9;33.1;30.9]
4. A=[1,2,3,4,5;2,5,8,-9,-6;3,5,-6,4,7;1,3,2,-4,-12]
b=[10;13;25;31]
5. A=[3,2,7,46;15,5,7,-12;3,25,-63,9;12,3,2,-4;23,35,22,-5;7,3,12,-17;2,33,24,-43]
b=[28;57;25;35;43;5;47]
6. A=[1,2,3;1,2,3;1,2,3]
b=[1;2;3]
3.3 Condicionamiento del problema lineal inverso
La soluci on del segundo es [1;1;1;1] y la del tercero es [9.2;-12.6;4.5;-1.1]. En estos
dos ejemplos de Wilson vemos que para una peque na variaci on en el dato b se
produce una gran variaci on en la soluci on. Como los errores de observaci on (los
cometidos al tomar el dato b) son inevitables, es importante estudiar la repercusion
de los cambios en b sobre los cambios en x. Para ello es necesario recordar el con-
cepto de norma funcional de una matriz que es la norma de la aplicaci on lineal
representada por ella (ver p ag. 31):
Si x y x + x son las soluciones correspondientes a los datos b y b + b
_
(x) = b
(x + x) = b + b
_
(x) = b
x =
1
(b)
tenemos que
_
|b| || |x|
|x| |
1
| |b|
y
|x|
|x|
|| |
1
|
|(b)|
|b|
.
Por tanto, el error relativo (x) =
x
x
esta acotado por el producto del error
relativo (b) =
b
b
y el n umero de condici on c() = || |
1
|. Ademas, esta
acotacion es la mejor posible pues existe un dato b
m
y una desviaci on b
m
cuyas
x
m
y x
m
verican la igualdad
(x
m
) =
|x
m
|
|x
m
|
= || |
1
|
|b
m
|
|b
m
|
= c() (b
m
)
En efecto:
_
x
m
tal que |x
m
| = || |x
m
|
b
m
tal que |
1
(b
m
)| = |
1
| |b
m
|
y, para obtener la igualdad anunciada, basta tomar
_
b
m
= x
m
x
m
=
1
(b
m
)
.
Como 1 = |1| || |
1
|, c() es siempre mayor o igual que la unidad.
Cuanto mayor es, mas repercuten los errores de observaci on en los resultados.
La norma funcional de una matriz /
n
y, por tanto, su n umero de condici on,
dependen de la norma que consideremos en R
n
. Por ejemplo:
1. Si |x| =
n
i=1
[r
i
[ (norma 1) || = max
j
n
i=1
[o
ij
[ (norma c).
2. Si |x| = max
i
[r
i
[ (norma ) || = max
i
n
j=1
[o
ij
[ (norma f)
3. Si |x| =
_
n
i=1
[r
i
[
2
_1
2
(eucldea) || =
_
(
) (norma s).
S olo necesita aclaraci on la tercera implicaci on (ver p ag. 84)
1
La orden de MATLAB cond() nos da el c
s
() correspondiente a la norma es-
pectral y las ordenes cond(, 1) y cond(, 1n)) nos dan los correspondientes c
c
()
1
c hace refencia a sumar por columnas, f a sumar por las y s es la inicial de spectrum.
3.3. CONDICIONAMIENTO DEL PROBLEMA LINEAL INVERSO 147
y c
f
(). Por ejemplo, para la matriz de Wilson de los ejercicios 3.2.11, 2 y 3,
tenemos
cond() = 2984, 1 cond(, 1) = 4488
y por ello es un buen ejemplo de matriz mal condicionada.
Un problema mal condicionado (x) = b se puede sustituir por otro de identica
soluci on, `
1
x = `
1
b, siendo ` una matriz tal que
c(`
1
) < c()
Evidentemente, el menor valor se obtiene para ` = pues c(
1
) = 1, pero el
coste computacional de
1
equivale a resolver el sistema inicial. Buscaremos una
inversa aproximada de cuya determinacion tenga un coste menor. Ademas, `
ha de ser f acilmente inversible para obtener `
1
b sin a nadir mucho mas coste.
Dependiendo del modo en que hagamos el producto de `
1
por , obtenemos
diferentes formas de precondicionamiento:
1. Precondicionamiento por la izquierda
`
1
x = `
1
b
2. Precondicionamiento por la derecha
`
1
`x = b
_
`
1
y = b
`x = y
3. Precondicionamiento bilateral
`
1
1
`
1
2
`
2
x = `
1
1
b
_
`
1
1
`
1
2
y = `
1
1
b
`
2
x = y
El campo de posibles matrices precondicionadoras ` es muy amplio, pero una
buena opci on es ce nirse al subespacio de las matrices diagonales inversibles T. En
este caso podemos dar una sencilla estrategia de precondicionamiento:
Teorema 3.3.1
Dada una matriz regular /
n
existe una matriz diagonal regular 1 /
n
tal
que 1
1
es equilibrada por las, es decir,
1
1
= (/
ij
) y
n
j=1
[/
ij
[ = constante i = 1, , n
y, ademas, c
f
(1
1
) c
f
().
Demostraci on:
Si 1 = (d
ii
) con d
ii
0, para que la suma de los valores absolutos de la la i-esima
de 1
1
sea una constante / es necesario y suciente que
1
d
ii
n
j=1
[o
ij
[ = /
Por tanto, basta tomar
d
ii
=
1
/
n
j=1
[o
ij
[ i = 1, , n
para que 1
1
sea equilibrada por las. Ademas,
_
|1
1
|
f
= /
||
f
= /|1|
f
y, por tanto,
c
f
(1
1
) = |1
1
|
f
|(1
1
)
1
|
f
= /|
1
1|
f
/|
1
|
f
|1|
f
= c
f
()
El precondicionador 1
1
que equilibra por las es optimo en cierto sentido: Para
cualquier otra matriz diagonal regular 1
1
tal que 1
1
1
no sea equilibrada por las
tenemos
c
f
(1
1
) c
f
(1
1
1
)
pues 1
1
= 1
1
1
1
1
1
1
y es claro que 1
1
1
1
equilibra por las a 1
1
1
y,
por tanto, c
f
(1
1
) c
f
(1
1
1
).
Este resultado lo implementamos en el programa equilibradof de Modus.
3.4 Metodos iterativos
Los metodos directos suelen acumular muchos errores de truncamiento, sobre todo,
si se aplican a matrices huecas y, como veremos, estas matrices suelen aparecer en
problemas lineales que rigen importantes problemas tecnicos. Entonces, suelen ser
aconsejables los llamados metodos iterativos, cuyo fundamento es el siguiente:
Teorema 3.4.1 Aplicaci on contractiva
Si (A, | |) es un espacio normado completo, A es un subconjunto cerrado y
G : A es una funci on que cumple
_
G()
1 (0, 1) tal que |G(x) G(y)| 1|x y| x, y
se tiene que
1. Existe un unico p tal que G(p) = p.
2. El algoritmo iterativo
_
x
0

x
k+1
= G(x
k
) / 0
es convergente a p cualquiera que sea el punto de inicio x
0
3. |x
k
p|
1
k
1 1
|x
1
x
0
| / 1
3.4. M
ETODOS ITERATIVOS 149

Demostraci on:
Para / 1 se verica
|x
k+1
x
k
| = |G(x
k
) G(x
k1
)| 1|x
k
x
k1
| 1
k
|x
1
x
0
|
y, en consecuencia, para n / 1 tenemos
|x
n
x
k
| |x
n
x
n1
| + |x
k+1
x
k
| (1
n1
+ + 1
k
)|x
1
x
0
|
luego
|x
n
x
k
|
1
k
1 1
|x
1
x
0
|
Esto prueba que (x
k
) es una sucesion de Cauchy en el espacio metrico completo
(, d
). As, existe p tal que (x

k
) p y G(p) = p. Si existiera otro
q cumpliendo G(q) = q, llegaramos al absurdo:
|p q| = |G(p) G(q)| 1|p q| < |p q|.
La estimacion del error se obtiene tomando el lmite en la desigualdad
|p x
k
| = lim
n
|x
n
x
k
|
1
k
1 1
|x
1
x
0
|
Para una aplicaci on lineal ) : R
n
R
n
si ) = j, con j y lineales y j f acilmente
inversible, se tienen las siguientes equivalencias
)(x) = b j(x) = (x) +b x = j
1
(x) +j
1
(b)
y designando j
1
= p y j
1
(b) = c, resulta que
)(x) = b x = p(x) + c
Si existe una norma | | en R
n
para la cual |p| < 1, la aplicaci on
p +c : R
n
R
n
x p(x) + c
cumple todas las condiciones del teorema 3.4.1 y la sucesion de iterantes x
n
con
x
0
arbitrario y
x
1
= p(x
0
) +c, x
2
= p(x
1
) + c, . . . , x
n+1
= p(x
n
) +c, . . .
es convergente a un cierto x que por cumplir
x = p( x) + c tambien cumplir a )( x) = b.
Como podemos saber si existe una norma | | en R
n
para la cual la norma funcional
de p : R
n
R
n
cumpla que |p| < 1?
Es f acil ver que el radio espectral de p es cota inferior de todas las posibles normas
funcionales de p pues, si x es un autovector de p correspondiente al autovalor de
modulo maximo, para cualquier norma | | de R
n
se cumple
|p(x)| = |x| = (p)|x|.
Comprobaremos en el teorema siguiente que (p) es la cota inferior maxima. Para
ello, necesitamos recordar algunas cuestiones relativas a las normas funcionales
vistas en la p ag. 146.
Observaciones 3.4.2
1. Si | | es una norma en R
n
y / : R
n
R
n
es una aplicaci on lineal biyectiva,
la aplicaci on
|[ |[ : R
n
R
n
x |/(x)|
tambien es una norma en R
n
.
2. Si p : R
n
R
n
tiene norma funcional |p| respecto de la norma | |, tendr a
norma funcional |[p|[ = |/p/
1
| respecto de la norma |[ |[.
3. Si p : R
n
R
n
viene representada por la matriz = (o
ij
) y en R
n
consid-
eramos la norma | |
, la norma funcional de p es la norma )

|p|
f
= max
i
_
_
n
j=1
[o
ij
[
_
_
4. Siempre existe una base en R
n
respecto de la cual p : R
n
R
n
viene repre-
sentada por una matriz triangular superior
\
1
\ =
_
_
_
_
_
1
t
12
. . . t
1n
.
.
.
.
.
.
n1
t
n1n
n
_
_
_
_
_
.
Los elementos diagonales de \
1
\ seran, pues, los autovalores de p
Teorema 3.4.3
Sea p : R
n
R
n
una aplicaci on lineal. Su radio espectral (p) cumple
(p) = inf|p| [ | | norma en R
n
Demostraci on:
Dado c 0 existe 0 tal que
_
_
[t
n1n
[ < c
[t
n2n1
[ +
2
[t
n2n
[ < c
. . .
[t
12
[ +
2
[t
13
[ + +
n1
[t
1n
[ < c
Con este construimos la aplicaci on biyectiva de matriz
1
=
_
_
_
_
_
1
.
.
.
n1
_
_
_
_
_
3.4. M
ETODOS ITERATIVOS 151

y hallamos la matriz producto
1
1
\
1
\ 1
=
_
_
_
_
_
1
t
12
. . .
n1
t
1n
.
.
.
.
.
.
n1
t
n1n
n
_
_
_
_
_
Por la eleccion del y las observaciones 3.4.2.2 y 3 es claro que
|1
1
\
1
\ 1
|
f
< (p) + c
Por tanto, el metdo iterativo es convergente si (p) < 1.
Teorema 3.4.4
Sea ) : R
n
R
n
lineal, autoadjunta, positiva y descomponible en la forma ) =
j , con j y lineales y j inversible. Sea p = j
1
.
Si j
+ es positiva (p) < 1

Demostraci on:
Como j = ) + , se tiene que
j
+ = )
+ = ) + +
= j +
= (j
+ )
luego j
+ es autoadjunta y positiva.
Por otra parte,
p = j
1
= j
1
(j )) = 1 j
1
)
El corolario ?? asegura la existencia de : = )
1
2
. Respecto de la norma |[x|[ =
|:(x)|
2
, la observaci on 3.4.2,2, nos dice que
|[p|[ = |:p:
1
|
2
= |:(1 j
1
)):
1
|
2
= |1 :j
1
:|
2
Por tanto,
|[p|[ = sup|x :j
1
:(x)|
2
[ |x|
2
= 1.
Si |x|
2
= 1, tenemos
|x :j
1
:(x)|
2
2
= (x :j
1
:(x) [x :j
1
:(x)) =
= 1 (x[:j
1
:(x)) (:j
1
:(x) [ x) + (:j
1
:(x) [ :j
1
:(x)).
Ahora bien, haciendo :(x) = y, tenemos:
1(x) := (x[:j
1
:(x)) + (:j
1
:(x) [ x) (:j
1
:(x) [ :j
1
:(x)) =
= (y[j
1
(y)) + (j
1
(y) [ y) ()j
1
(y) [ j
1
(y))
y haciendo j
1
(y) = z,
1(x) = (j(z)[z) + (j
(z)[z) ()(z)[z) = ((j
+ )(z)[z) 0
Por tanto,
|[p|[ < 1 y, en consecuencia (p) < 1
3.4.5 Metodo de Jacobi
Si es una matriz cuadrada de orden n, con todos los terminos de su diagonal no
nulos, llamaremos 1 a su matriz diagonal, 1 a la matriz triangular infradiagonal
y l a la matriz triangular supradiagonal. Es claro que, entonces,
= 1 (1 +l)
donde 1 es f acilmente inversible. El metodo iterativo correspondiente a esta de-
scomposici on es el de Jacobi y tiene por aplicaci on p la representada por la matriz
1
1
(1 + l) = 1
1
(1 ) = 1 1
1
La sucesion de iterantes se dene en la forma

x
k+1
= (1 1
1
)x
k
+1
1
b
o si se preere
1(x
k+1
) = (1 + l)(x
k
) +b
El metodo de Jacobi sera convergente cuando
(1
1
(1 + l)) < 1
En particular, si es simetrica y denida positiva el teorema 3.4.4 asegura la
convergencia cuando
1
+ 1 + l = 1 +1 +l
es denida positiva.
3.4.6 Metodo de Gauss-Seidel
La matriz tambien se puede descomponer en la forma
= (1 1) l
siendo 1 1 f acilmente inversible. El metodo iterativo correspondiente a esta
descomposici on es el de Gauss-Seidel y tiene por aplicacion p la representada por
la matriz
(1 1)
1
l
(1 1)(x
k+1
) = l(x
k
) +b
y el metodo sera convergente cuando
((1 1)
1
l) < 1
En particular, si es simetrica y denida positiva el teorema 3.4.4 asegura la
convergencia cuando
(1 1)
+ l = 1 1
+l = 1
es denida positiva.
3.5. M
ETODO DEL GRADIENTE CONJUGADO 153

3.4.7 Metodo de relajacion
Introduciendo un par ametro ,= 0, la matriz tambien se puede descomponer en
la forma
=
__
1
1 1
_
_
1
1 + l
__
siendo
_
1
1 1
_
f acilmente inversible. El metodo iterativo correspondiente a
esta descomposici on es el de relajaci on de par ametro y tiene por aplicaci on p la
representada por la matriz
_
1
1 1
_
1
_
1
1 + l
_
_
1
1 1
_
(x
k+1
) =
_
1
1 +l
_
(x
k
) +b
El metodo sera concergente cuando
_
_
1
1 1
_
1
_
1
1 +l
_
_
< 1.
Teorema 3.4.8
Si la matriz es simetrica denida positiva y (0, 2), el metodo de relajaci on
es convergente.
Demostraci on:
Como es simetrica, 1
= l. El teorema 3.4.4 asegura la convergencia del metodo

cuando
_
1
1 1
_
+
_
1
1 +l
_
=
2
1
sea denida positiva. Pero, por ser denida positiva, tambien lo es 1, y en
consecuencia, si (0, 2), tambien lo es
2
1
Podemos implementar todos estos resultados en el programa metodositerativos
de Modus.
3.5 Metodo del gradiente conjugado
Sea ) : R
n
R
n
lineal autoadjunta. Se dice que ) es elptica si
0 tal que |x|
2
()(x)[x) x R
n
.
Evidentemente, toda aplicaci on elptica es inversible y nos dene en R
n
un nuevo
producto escalar
[x[y] = ()(x)[y) (x, y) R
n
R
n
y su correspondiente norma eucldea
|x|
f
=
_
()(x)[x) x R
n
.
El metodo de Gram-Schmidt (ver p ag. 67) nos permite construir bases ortonor-
males respecto de este nuevo producto escalar que llamaremos bases )-ortonormales.
Si u
1
, , u
n
es una base )-ortonormal, todo problema inverso )(x) = b puede
resolverse mediante el siguiente proceso de n pasos:
_
_
x
1
R
n
vector arbitrario
r
k
= b )(x
k
)
k
= (u
k
[r
k
)
x
k+1
= x
k
+
k
u
k
El vector x
n+1
es la unica soluci on del problema. En efecto:
x
n+1
= x
n
+ (u
n
[b)u
n
[u
n
[x
n
]u
n
y, por tanto,
[x
n+1
[u
j
] = [x
n
[u
j
] + (u
n
[b)[u
n
[u
j
] [u
n
[x
n
][u
n
[u
j
]
lo cual implica que
[x
n+1
[u
n
] = (u
n
[b) o [x
n+1
[u
j
] = [x
n
[u
j
] si 1 , < n
De igual modo deducimos que, para / = n, n 1, 2,
[x
k
[u
k1
] = (u
k1
[b) o [x
k
[u
j
] = [x
k1
[u
j
] si 1 , < / 1
Esto signica que
_
_
()(x
n+1
)[u
n
) = (b[u
n
)
()(x
n+1
)[u
n1
) = ()(x
n
)[u
n1
) = (b[u
n1
)
.
.
.
()(x
n+1
)[u
1
) = ()(x
n
)[u
1
) = = ()(x
2
)[u
1
) = (b[u
1
)
y, en consecuencia,
)(x
n+1
) b [u
1
, , u
n
]
= 0.
Este metodo, llamado del gradiente conjugado, esta implementado en el programa
gradienteconjugadogs de Modus (ver tambien liberar y gramschmidtliber-
ado
3.6 Ejemplos de problemas lineales inversos
Ejemplo 3.6.1
3.6. EJEMPLOS DE PROBLEMAS LINEALES INVERSOS 155
Una barra perfectamente rgida de longitud 21 y peso 1 esta en reposo apoyada
en n puntos de abcisas (r
1
, , r
n
). Determinar las fuerzas verticales ()
1
, , )
n
)
en dichos puntos.
Soluci on
2
:
Las leyes de Newton nos proporcionan dos ecuaciones:
)
1
+ + )
n
= 1
r
1
)
1
+ + r
n
)
n
= 11
Si n 3, este sistema lineal es compatible e indeterminado y su soluci on general es
de la forma
() f = f
o
o
1
v
1
o
n2
v
n2
donde f
o
es la soluci on particular de norma mnima y v
1
, , v
n2
es una base
del n ucleo de la aplicaci on lineal de matriz
=
_
1 1
r
1
r
n
_
.
Sin embargo, desde un punto de vista mecanico, la soluci on debe ser unica:
El apoyo r
i
realiza una fuerza )
i
si y s olo si act ua como un muelle de constante
el astica /
i
y sufre un desplazamiento vertical j
i
tal que )
i
= /
i
j
i
. La condici on
de perfecta rigidez de la barra impone la existencia de una recta j = j + :r que
pase por los puntos (r
1
, j
1
), , (r
n
, j
n
). Por tanto, se ha de cumplir que
j/
1
+ :r
1
/
1
+o
1
11
+ +o
n2
1n2
= )
o
1
j/
2
+ :r
2
/
2
+o
1
21
+ +o
n2
2n2
= )
o
2
=
j/
n
+ :r
n
/
n
+o
1
n1
+ +o
n2
nn2
= )
o
n
Este sistema lineal de matriz
` =
_
_
_
_
_
/
1
r
1
/
1

11

1n2
/
2
r
2
/
2

21

2n2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
/
n
r
n
/
n

n1

nn2
_
_
_
_
_
es compatible y determinado. Su soluci on (j
o
, :
o
, o
o
1
, , o
o
n2
) nos determina
la unica soluci on mecanica
f
m
= f
o
o
o
1
v
1
+ o
o
n2
v
n2
.
Observese que si (/
1
, , /
n
) = (/, , /) se cumple que f
m
= f
o
.
Ejemplo 3.6.2
Estudiar el movimiento de n + 1 masas conectadas en un sistema de n poleas.
Suponemos que las poleas son de masas despreciables, actuan sin rozamientos y la
conexi on entre las masas tiene lugar como se indica en la gura.
Para cada masa :
i
queremos calcular su aceleracion absoluta o
i
y la tensi on T
i
de
la cuerda que la sujeta.
Soluci on
3
:
Razonaremos inductivamente resolviendo primero el caso de una sola polea. Las
leyes de Newton nos proporcionan las siguientes relaciones entre las aceleraciones
o
1
, o
2
y las tensiones T
1
, T
2
:
:
1
o
1
- T
1
= -:
1
p
:
2
o
2
- T
2
= -:
2
p
T
1
- T
2
= 0
o
1
+ o
2
= 0
En el caso de 2 poleas:
:
1
o
1
- T
1
= -:
1
p
:
2
o
2
- T
2
= -:
2
p
:
3
o
3
- T
3
= -:
3
p
T
1
- 2T
2
= 0
T
2
- T
3
= 0
2o
1
+ o
2
+ o
3
= 0
En el caso de 3 poleas:
2
Ver sujetarbarra de Modus
3
Ver poleas de Modus
:
1
o
1
- T
1
= -:
1
p
:
2
o
2
- T
2
= -:
2
p
:
3
o
3
- T
3
= -:
3
p
:
4
o
4
- T
4
= -:
4
p
T
1
- 2T
2
= 0
T
2
- 2T
3
= 0
T
3
- T
4
= 0
4o
1
+ 2o
2
+ o
3
o
4
= 0
En el caso de n poleas podemos inferir que x = (o
1
, , o
n+1
, T
1
, , T
n+1
)
puede ser calculado resolviendo el problema lineal x = b donde

=
_
` 1
1 1
_
y b = p(:
1
, , :
n+1
, 0, , 0)
siendo `, 1, 1, 1 las siguientes matrices cuadradas de orden n + 1:

` =
_
_
_
:
1
.
.
.
:
n+1
_
_
_ 1 =
_
_
_
1
.
.
.
1
_
_
_
1 =
_
_
_
_
_
0 0 0 0
.
.
.
0 0 0 0
2
n1
2
n2
1 1
_
_
_
_
_
1 =
_
_
_
_
_
_
_
1 2
.
.
.
.
.
.
1 2
0 0 1 1
0 0 0 0
_
_
_
_
_
_
_
Ejemplo 3.6.3
La red de la gura representa un conjunto de dep ositos conectados entre s y con
el exterior. Los n umeros expresan ujos de disoluci on en :
3
,:in y las letras
concentraciones de soluto en /p,:
3
Es posible encontrar un vector (c
1
, c
2
, c
3
)
de concentraciones en las entradas que produzca el vector (45, 42, 23, 34, 40, 34) de
concentraciones en los dep ositos?
En caso negativo, hallar el vector de concentraciones en los dep ositos, mas pr oximo
al dado, que pueda obtenerse en esta red y calcular su proximidad.
Ejemplo 3.6.4
Dado b R
n
hallar su mejor aproximaci on eucldea en el subespacio generado por
los vectores linealmente independientes a
1
, , a
p
.
Soluci on
4
:
Hemos visto en el teorema 1.10.6 y en el ejemplo 1.11.3 dos demostraciones difer-
entes de que la soluci on de este problema se obtiene resolviendo el problema lineal
inverso
u =
b con =
_
_
_
o
11
o
1p
.
.
.
.
.
.
o
n1
o
np
_
_
_
Este sistema tiene una unica soluci on s que puede ser obtenida con la orden de
MATLAB b. s es la mejor aproximaci on de b en [a
1
, , a
p
].
Observaciones 3.6.5
1. La misma tecnica utilizada en (R
n
, | |
2
) es v alida en cualquier espacio de
Hilbert. En particular si ) 1
2
(o, /), su mejor aproximaci on en el sube-
spacio generado por las funciones p
1
, , p
m
1
2
(o, /) la encontraremos
resolviendo el sistema lineal
1
(p
1
[p
1
) +
2
(p
2
[p
1
) + +
m
(p
m
[p
1
) = ()[p
1
)
1
(p
1
[p
2
) +
2
(p
2
[p
2
) + +
m
(p
m
[p
2
) = ()[p
2
)
.
.
.
1
(p
1
[p
m
) +
2
(p
2
[p
m
) + +
m
(p
m
[p
m
) = ()[p
m
)
donde, ahora, los productos escalares vienen dados por las integrales:
_
(p
i
[p
j
) =
_
b
a
p
i
(r)p
j
(r)dr
()[p
i
) =
_
b
a
)(r)p
i
(r)dr
2. Tambien podemos usar la misma tecnica en el espacio de las matrices cuadradas
/
n
dotadas del producto escalar de Frobenius:
([1) = trace(1
)
que da lugar a la norma
||
F
=
_
trace(
) =
_
_
n
i,j=1
[o
ij
[
2
_
_
1
2
Esta norma no es funcional puesto que |1|
F
=

n pero cumple que
||
s
||
F
/
n
4
Ver mejoraproxeuclides de Modus
La inversa de /
n
es otra matriz ` /
n
tal que 1 ` = o.
Suavizando este problema, si o es un adecuado subespacio vectorial de /
n
,
podemos buscar una `
o
o tal que
|1 `
o
|
F
= min|1 `|
F
[ ` o
As, el calculo aproximado de la inversa de una matriz que, como hemos dicho
(ver p ag. 147), es una tecnica de precondicionamiento, se puede ver como un
problema tpico de mejor aproximaci on en (/
n
, | |
F
). Como subespacio o
suele tomarse el de las matrices diagonales o el de las tridiagonales.
Los problemas de mejor aproximaci on los hemos implementado en los programas
mejoraproxeuclides, mejoraproxhilbert y mejoraproxfrobenius de Modus.
Ejemplo 3.6.6
Sea : R
n
R
m
una aplicaci on lineal y sea b im. Hallar el vector de norma
eucldea mnima en la variedad `
b
= x R
n
[ x = b.
Soluci on:
1. Como b im, existe un x
0
`
b
. Si `
b
= x
0
el vector de norma
eucldea mnima en `
b
es x
0
. En otro caso, cualquier otro x `
b
cumplir a
que x x
0
+ ker y, por tanto, `
b
= x
0
+ ker . As, el vector de norma
eucldea mnima x
m
`
b
tendr a que ser ortogonal a ker . Si u
1
, , u
k
es una base ortonormal de ker , tendremos

x
m
= x
0
+
1
u
1
+ +
k
u
k
, con
i
= (x
0
[u
i
) i = 1 , :
y, en consecuencia,
x
m
= x
0
(x
0
[u
1
)u
1
(x
0
[u
k
)u
k
.
Este procedimiento es el que se ha usado en el programa rouche de Modus.
2. Otra manera de proceder es utilizar el teorema de los multiplicadores de
Lagrange para obtener el mnimo. La lagrangiana de este problema es
: R
n
R
m
R
(x, y) (x[x) (
t
y[x) + (y[b)
y la anulaci on de su gradiente nos produce las dos ecuaciones
2x
m

t
y = 0 y x
m
= b
Eliminando la x
m
obtenemos la ecuacion lineal en
y
2

t
y
2
= b cuya soluci on en MATLAB es
y
2
=
t
b
y sustituyendo tenemos x
m
=
t
(
t
b).
Ejemplo 3.6.7 Ajuste por mnimos cuadrados.
Encontrar el polinomio de grado n que mejor ajuste por mnimos cuadrados la
nube de puntos
(r
1
, j
1
), (r
2
, j
2
), ...(r
N
, j
N
) R
2
Soluci on
5
:
Se trata de hallar 1
n
(r) = o
0
+ o
1
r + + o
n
r
n
tal que
N
i=1
(j
i
1
n
(r
i
))
2
sea
mnimo. Podemos entender esta cuestion como un problema de mejor aproximaci on
del vector
y =
_
_
_
_
_
j
1
j
2
.
.
.
j
N
_
_
_
_
_
del espacio eucldeo R
N
en el subespacio [x
0
, x
1
, x
2
, , x
n
]
donde x
0
=
_
_
_
_
_
1
1
.
.
.
1
_
_
_
_
_
, x
1
=
_
_
_
_
_
r
1
r
2
.
.
.
r
N
_
_
_
_
_
, x
2
=
_
_
_
_
_
r
2
1
r
2
2
.
.
.
r
2
N
_
_
_
_
_
, , x
n
=
_
_
_
_
_
r
n
1
r
n
2
.
.
.
r
n
N
_
_
_
_
_
As, la cuestion del ajuste se reduce, tambien, a un problema lineal. .
Observaci on 3.6.8
En lugar de buscar la mejor combinaci on de las funciones 1, r, r
2
, , r
n
, es
decir, de los n + 1 primeros miembros de la familia de polinomios, podemos elegir
cualquier otra familia de funciones especiales de las archivadas en Modus. Esto es
lo que hace el programa nubedepuntos.
3.7 Practicas
1. Del techo del laboratorio se cuelga, con un muelle de constante el astica /, una
masa :
1
. De esta se cuelga, con un segundo muelle de identica constante,
una masa :
2
. De esta se cuelga, con un tercer muelle de identica constante,
una masa :
3
y as, sucesivamente, hasta n masas.
(a) Programar un metodo que determine la posici on de cada masa cuando
todo el sistema esta en equilibrio. Suponiendo n = 5 y / = 9.8, aplicarlo
a distintas combinaciones de masas y comentar los resultados.
(b) Si la precisi on de la balanza con la que se determinan las cinco masas
es 0.01 c ual es la precisi on de nuestro metodo?
2. En las condiciones del problema anterior, se cuelga la ultima masa, con un
muelle de identica constante el astica, de otro punto del techo del laboratorio
situado a una distancia 1 del primero. Programar un metodo que determine
la posici on de cada masa cuando todo el sistema esta en equilibrio.
5
Ver nubedepuntos de Modus
3.7. PR
ACTICAS 161
3. Una pulga situada en un alambre [0, n] da saltos de longitud unidad hacia el
0 con probabilidad y hacia el n con probabilidad 1 . Designamos 1
k
la
probabilidad de que la pulga, partiendo del punto /, llegue al 0 antes que al
n. As, 1
0
= 1 y 1
n
= 0.
Teniendo en cuenta que 1
k
= 1
k+1
+ (1 )1
k1
, determinar 1
k
para
/ = 1, , n 1 cuando = 0.3 y n = 10
4. Resolver el sistema de ecuaciones lineales que determina las fuerzas que ac-
tuan en la siguiente armadura de seis articulaciones y nueve barras cuando
esta en equilibrio actuando las dos fuerzas exteriores que se indican
? -
1000
500
45
o
30
o
45
o
5. Escribir un programa de MATLAB que obtenga la mejor aproximaci on hilber-
tiana de una funci on en el subespacio generado por las 2n+1 primeras fun-
ciones trigonometricas.
6. Hallar la inversa aproximada diagonal de la matriz hueca que rige el movimiento
de siete masas enlazadas en un sistema de seis poleas como el descrito en el
ejemplo 3.6.2.
7. Aproximar la nube de puntos
_
A = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
Y = [3.7, 4.1, 3.3, 3.9, 0.6, 12, 0.5, 6.4, 2.7, 1.5]
(a) Por una recta.
(b) Por una par abola.
(c) Por una combinaci on de 3 funciones trigonometricas.
8. Ajustar por la par abola de regresion las posiciones de las masas del ejercicio
2 cuando todas son iguales y suman 1. Ajusta mejor una catenaria?
9. Para cualquier natural n 2 consideramos la matriz tridiagonal
`
n
=
_
_
_
_
_
_
_
_
_
2 1
1 2 1
1 2 1
.
.
.
.
.
.
.
.
.
1 2 1
1 1
_
_
_
_
_
_
_
_
_
/
nn
Determinar experimentalmente una f ormula que nos de el n umero de condici on
cond(`
n
, 2) en funci on de n.
Tema 4
Problemas espectrales
Dentro del esquema general de los problemas inversos
)(x) + u = b
estudiamos el siguiente caso particular sencillo
(1o)
_
_
A = Y = R
n
) : A Y lineal
b = o, u = x
La ecuacion )(x) = x siempre admite la soluci on x = o. S olo tienen interes las
soluciones x ,= o que se llaman autovectores de ) y, para que existan, se precisa
que () 1)(x) = o no tenga soluci on unica. Es decir, si es la matriz asociada
a ) en una base u
i
, se precisa que det( 1) = 0 .
La ecuacion det(1) = 0 es polin omica monica de grado n y se llama ecuaci on
caracterstica de . En realidad, podemos hablar de la ecuacion caracrerstica
de ) pues las diferentes matrices que representan a ), en las diferentes bases, dan
lugar al mismo polinomio:
Si 1 es la matriz que representa a ) en la base v
i
y \ es la matriz de columnas
v
i
expresadas respecto de la base u
i
, tenemos que 1 = \
1
\ y, por
tanto,
det(1 1) = det(\
1
( 1)\ ) = det( 1).
En el campo complejo la ecuacion det(1) = 0 tiene aseguradas : raices distintas
1
, ,
r
, con multiplicidades algebraicas
1
, ,
r
de suma n:
1
+ +
r
= n
Cada
i
es un autovalor de ) y el conjunto de todos, es el espectro de ):
sp()) =
1
, ,
r
.
Cada
i
tiene un subespacio propio
\
i
= ker()
i
1)
163
164 TEMA 4. PROBLEMAS ESPECTRALES
cuya dim\
i
= d
i
0 se llama multiplicidad geometrica de
i
y cuyos vectores no
nulos son los autovectores asociados a
i
.
Mediante la orden de MATLAB [C1] = eig() podemos obtener la matriz di-
agonal 1 de los autovalores de , repetidos seg un sus multiplicidades algebraicas
y la matriz C cuyas columnas son los autovectores correspondientes, de modo que
C 1 inv(C) = . Tambien podemos usar la orden j = poly() para obtener los
coecientes del polinomio caracterstico de , ordenados de mayor grado a menor
1
y la orden roots(j) para obtener sus races.
Por otra parte, es f acil comprobar que dado un polinomio
o
0
n
+ o
1
n1
+ + o
n1
+ o
n
= 0,
su matriz de compa na
_
_
_
_
_
_
_
_
_
_
_
o
1
o
0
o
2
o
0
o
3
o
0

o
n1
o
0
o
n
o
0
1 0
1 0
1
.
.
.
.
.
. 0
1 0
_
_
_
_
_
_
_
_
_
_
_
lo tiene por polinomio caracterstico. MATLAB nos da esta matriz mediante la
orden compan(v) donde v = (o
0
, o
1
, , o
n
).
As las cosas, el calculo de los autovalores de una matriz n n y el calculo de
las raices de un polinomio de grado n son problemas equivalentes. Por ello, no
puede haber un metodo directo para determinar los autovalores de las matrices
/
n
con n 5, pues se opondra al teorema de Abel que niega la existencia
de metodos directos para hallar las raices de polinomios de grado n con n 5. Sin
embargo, el coste computacional del polinomio caracterstico de una matriz es muy
elevado y por ello no suelen usarse los metodos que calculan los valores propios a
partir de el.
4.1 Ejemplos tpicos de problemas espectrales
Muchos problemas tecnicos importantes consisten, en esencia, en encontrar los au-
tovectores y los autovalores de una cierta aplicaci on lineal denida en un espacio
de dimensi on nita. Veamos algunos ejemplos:
Ejemplo 4.1.1
Ya sabemos (p ag 83) que la norma de una aplicaci on lineal entre espacios eucldeos
) : R
n
R
n
, es la raiz cuadrada del radio espectral de )
). Para n = 2 o 3,
podemos ver el signicado geometrico de este resultado:
|)| = max|)(x)|
2
[ |x|
2
= 1 =
_
()
))
1
Para obtener la expresion del polinomio de coecientes p puedo usar la orden de
MATLAB P = poly2sym(p).
4.1. EJEMPLOS T
IPICOS DE PROBLEMAS ESPECTRALES 165

Si ) es biyectiva, como C = x[ |x|
2
= 1 es la circunferencia o la esfera unidad,
)(C) sera una elipse o un elipsoide. Como ) : C R
n
es continua, existen dos
autovectores de )
), x
m
y x
M
, cuyos transformados )(x
m
) y )(x
M
) seran los
semiejes menor y mayor de la elipse o del elipsoide. En la elipse, no hay nada que
a nadir pero en el elipsoide, tendremos un tercer autovalor x
o
, ortogonal a x
m
y x
M
,
tal que )(x
o
) sera el tercer semieje. Podemos visualizar todo esto en el programa
semiejes de Modus.
Ejemplo 4.1.2
En el estudio del movimiento de un s olido rgido es importante saber que dadas
dos posiciones del s olido que mantengan un punto jo O siempre se puede pasar
de una a la otra mediante una rotaci on alrededor de un eje que pasa por O. Para
demostrar este importante resultado de Euler podemos razonar del siguiente modo:
Un sistema de referencia ortonormal O; i, j, k ligado al s olido en la posici on 1
pasa a ser en la posici on 2 otro sistema de referencia ortonormal O; i
, j
, k
con
la misma orientaci on. Tal cambio de sistema de referencia viene dado por una
aplicaci on lineal cuya matriz asociada es ortogonal, es decir,
1
=
Todo valor propio de , ha de cumplir que x = x y, en consecuencia,

(x[x) = (x[
x) = (x[ x) =
2
(x[ x)
2
= 1
Ademas, ha de ser raz de la ecuacion
det( 1) =
o
11
o
12
|
13
o
21
o
22
o
23
o
31
o
32
o
33
=
3
o
2
+1 det = 0
y, como det = 1, las tres raices de esta ecuacion tienen su producto igual a 1. Si
las tres son reales al menos una sera positiva y, por tanto, igual a 1. Pero si s olo
una es real, ella misma debe ser positiva y, por tanto, igual a 1. As, tiene un
valor propio igual a 1 y, en consecuencia, un vector propio e tal que (e) = e. As,
representa un giro de eje e.
Ejemplo 4.1.3
Un campo lineal viene dado por una funci on
1 : R
3
R
3
x x
donde es una matriz real 3 3. Como estas matrices o tienen sus tres autoval-
ores reales, o tienen un autovalor real y dos complejos conjugados, bajo elecciones
adecuadas de los sistemas de referencia, son de una de las dos formas siguientes:
=
_
_
/
1
/
2
/
3
_
_
o =
_
_
/
1
/
2
/
2
/
1
/
3
_
_
con /
2
,= 0
Los campos del segundo tipo se descartan por no ser conservativos, ya que tienen
rotacional no nulo:
rot1(x) =
i k
r
1
r
2
r
3
/
1
r
1
/
2
r
2
/
2
r
1
+/
1
r
2
/
3
r
3
= 2/
2
,= 0.
Por ello, los campos lineales conservativos son de la forma 1(x) = 1x donde 1
una matriz diagonal.
El centro de un campo 1 : R
3
R
3
es un punto c R
3
que cumple:
_
_
_
1(c) = o
x R
3
x
R
+
tal que 1(x) =
x
(x c)
Si un campo tiene centro diremos que es un campo central pero, naturalmente, no
todo campo es central.
Si un campo lineal conservativo tiene centro c, tras una traslaci on, podemos supon-
erlo en el origen. Entonces, tenemos asegurada una base de autovectores v
1
, v
2
, v
3
tales que
1v
i
= /
i
v
i
i = 1, 2, 3
y para cada x = r
1
v
1
+r
2
v
2
+r
3
v
3
un n umero no negativo
x
tal que
1x =
x
x
As,
1x =
3
i=1
x
r
i
v
i
=
3
i=1
/
i
r
i
v
i
y, por la unicidad de representaci on de un vector en la base,
/
1
= /
2
= /
3
=
x
Por tanto, 1 = /1 donde / es una constante positiva.
Una partcula de masa :, sometida a un campo lineal conservativo
1 : R
3
R
3
x 1x
se mueve en el vaco seg un la ecuacion diferencial
:

x +:1x = o , es decir,

x +1x = o
Esta ecuacion vectorial tiene tres componentes escalares
_
r
1
+/
1
r
1
= 0
r
2
+/
2
r
2
= 0
r
3
+/
3
r
3
= 0
4.2. TEOR
IA ESPECTRAL FINITO DIMENSIONAL 167

cuyas soluciones generales dependen de los signos de los valores /
1
, /
2
, /
3
.
Si los tres son positivos, designando
2
i
= /
i
i = 1, 2, 3, tenemos
_
r
1
+
2
1
r
1
= 0
r
2
+
2
2
r
2
= 0
r
3
+
2
3
r
3
= 0
y sus soluciones nos dan las trayectorias y velocidades
_
_
r
1
(t) =
1
cos(
1
t o
1
)
r
2
(t) =
2
cos(
2
t o
2
)
r
3
(t) =
3
cos(
3
t o
3
)
y
_
r
1
(t) =
1
1
sin(
1
t o
1
)
r
2
(t) =
2
2
sin(
2
t o
2
)
r
3
(t) =
3
3
sin(
3
t o
3
)
que, por ser acotadas, podemos llamar oscilaciones aunque, en general, no son
peri odicas. Para que lo sean, es necesario que los tres subperiodos
T
i
=
2
i
i = 1, 2, 3
sean conmensurables, es decir, es necesario que exista una tripleta de n umeros
naturales (
1
,
2
,
3
) tales que
1
T
1
=
2
T
2
=
3
T
3
o, equivalentemente,
tales que
2
1
/
1
=

2
2
/
2
=

2
3
/
3
.
Podemos ver la trayectoria de una partcula bajo la accion de diferentes campos
lineales conservativos con el programa osciladorestipo de Modus.
4.2 Teora espectral nito dimensional
El lector conoce los resultados contenidos en las siguientes observaciones. T omense,
por tanto, como un recordatorio de lo esencial de esta teora.
Observaciones 4.2.1
1. ) es inyectiva si y s olo si todos sus autovalores son no nulos.
2. Los autovalores de )
son los mismos que los autovalores de ).

3. Los autovalores de )
1
son los inversos de los autovalores de ).
4. Puesto que ) : R
n
R
n
, los autovectores asociados a un autovalor complejo
+i, tendr an que ser complejos u +iv. La igualdad
)(u + iv) = ( +i)(u + iv)
_
)(u) = u v
)(v) = u +v
signica que el plano [u, v] es globalmente invariante por ) pero no contiene
ning un rayo que permanezca invariante. Esta situaci on se da ya en R
2
si )
es un giro.
El plano [u, v] tambien esta en el subespacio propio del autovalor conju-
gado i lo cual es importante para que exista correspondencia entre el
cardinal de un subconjunto de autovalores y la dimensi on de la suma de sus
subespacios propios.
5. Si ) = )
decimos que ) es autoadjunta y su matriz asociada, en cualquier

base v
i
, es simetrica ya que ()(v
i
) [ v
j
) = ()(v
j
) [ v
i
) i, ,. Adem as,
todos sus autovalores son reales pues, suponiendo que + i es autovalor,
_
)(u) = u v
)(v) = u + v
_
()(u) [ v) = (u[ v) (v [ v)
()(v) [ u) = (u[ u) + (v [ u)
y, restandolas, [(u[ u) + (v [ v)] = 0, lo cual implica que = 0.
Finalmente, los autovectores de autovalores distintos son ortogonales:
_
)(u) =
i
u
)(v) =
j
v
_
()(u) [ v) =
i
(u[ v)
()(v) [ u) =
j
(v [ u)
(
i

j
)(u[ v) = 0
6. Dada cualquier aplicaci on lineal ) : R
n
R
n
es claro que )
) es autoadjunta.
Los autovalores de )
) son todos reales y no negativos. Sus raices cuadradas

positivas son los valores singulares de ). Si ) esta representada por la
matriz , la orden de MATLAB
[l1\ ] = svd()
nos devuelve una matriz diagonal 1 con los valores singulares de ) ordena-
dos de mayor a menor y repetidos seg un su multiplicidad algebraica y dos
matrices unitarias l y \ que cumplen
l 1 \
=
7. La multiplicidad geometrica de un autovalor siempre es igual o menor que su
multiplidad algebraica: Si dim\
i
= d
i
podemos tomar en \
i
los vectores
independientes v
1
, , v
di
y ampliar hasta una base v
i
de R
n
. La matriz
de ) en dicha base sera
1 =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
i
0
.
.
.
.
.
.
.
.
. A
0
i
.
.
.

.
.
.
0
.
.
.

1
.
.
.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
luego det(1 1) = (
i
)
di
det(

1 1
ndi
) y, as,
i
d
i
.
8. La suma de subespacios propios \
1
+\
2
+ + \
r
es directa:
4.2. TEOR

(a) Veamos que \
1
+ \
2
es suma directa probando que si x
1
\
1
y
x
2
\
2
son vectores no nulos, son independientes:
Si o
1
x
1
+ o
2
x
2
= 0 es claro que )(o
1
x
1
+ o
2
x
2
) = 0, luego se
cumplen las dos ecuaciones
_
o
1
x
1
+ o
2
x
2
= 0
1
o
1
x
1
+
2
o
2
x
2
= 0
Multiplicando la primera por
2
y restandole la segunda tenemos
(
2
1
)o
1
x
1
= o luego o
1
= 0 y, tambien, o
2
= 0.
(b) Supongamos que \
1
+ +\
r1
es suma directa y probemos que tambien
lo es \
1
+ +\
r1
+\
r
demostrando que si x
i
\
i
son no nulos para
i = 1, , :, son independientes:
Si
r1
i=1
o
i
x
i
+ o
r
x
r
= o es claro que )
_
r1
i=1
o
i
x
i
+o
r
x
r
_
= o luego
se cumplen las dos ecuaciones
_
o
1
x
1
+ +o
r1
x
r1
+ o
r
x
r
= 0
1
o
1
x
1
+ +
r1
o
r1
x
r1
+
r
o
r
x
r
= 0
Multiplicando la primera por
r
y restandole la segunda tenemos
r1
i=1
(
r

i
)o
i
x
i
= 0
Por la hip otesis de inducci on o
1
= = o
r1
= 0 y, entonces, tambien
o
r
= 0.
9. Si coinciden las multiplicidades geometrica y algebraica de todos los auto-
valores de ) : R
n
R
n
, tendremos que d
1
+ + d
r
= n y R
n
=
\
1
\
r
. Podremos elegir una base v
i
en la que la matriz de )
sea diagonal por bloques. Los bloques correspondientes a autovalores reales
seran matrices diagonales con todos sus elementos iguales.
10. Si ) : R
n
R
n
es autoadjunta existe en R
n
una base ortonormal u
i
constituida por autovectores de ) respecto de la cual su matriz asociada es

diagonal 1 = l
1
l y l ortogonal:
Sean
1
, ,
r
todos los autovalores distintos de ). Sabemos que son
reales y que E = V
1
\
r
es suma ortogonal.
Si E = R
n
, habremos concluido. En otro caso, R
n
= E E
y lleg-
amos al absurdo en las dos posibles alternativas
_
)(E
) E ,= o
)(E
) E
.
En la primera v E
y u E no nulo tal que )(v) = u, luego,

0 ,= (u[ u) = ()(v) [ u) = (v [ )(u)) = 0
En la segunda la restriccion ) [
E
: E
tendra un autovalor ,
1
, ,
r
que tambien sera autovalor de ) : R
n
R
n
.
De los anteriores puntos se deduce el siguiente enunciado fundamental
Teorema 4.2.2 Teorema espectral de operadores autoadjuntos.
Una ) : R
n
R
n
lineal es autoadjunta si y s olo si existe una base ortonormal u
i
y una n-tupla de n umeros reales

i
tales que
)(x) =
n
i=1
i
(u
i
[ x)u
i
x R
n
Es decir, si y solo si ) admite la siguiente representaci on espectral
) =
n
i=1
i
u
i
u
i
Ademas, ) es inyectiva si y s olo si todos los
i
son no nulos.
Demostraci on:
Si ) tiene esa representaci on es claramente autoadjunto. Ademas, los
i
son sus
autovalores y los u
i
sus autovectores asociados.
Si ) es autoadjunta existe una n-tupla
i
de autovalores y una base ortonormal
de autovectores asociados u
i
. Entonces,
x =
n
i=1
(u
i
[ x)u
i
)(x) =
n
i=1
(u
i
[ x))(u
i
) =
n
i=1
i
(u
i
[ x)u
i

Conocida la representaci on espectral de una aplicaci on autoadjunta inyectiva, es
inmediato resolver los problemas lineales que la involucran pues si
) =
n
i=1
i
u
i
u
i
con
i
,= 0
basta escribir b =
n
i=1
(u
i
[ b)u
i
, e igualar
n
i=1
i
(u
i
[ x)u
i
=
n
i=1
(u
i
[ b)u
i
. En-
tonces,
(u
i
[ x) =
(b[ u
i
)
i
i = 1, , n y x =
n
i=1
(b[ u
i
)
i
u
i
.
Este metodo esta implementado en el programa representacionespectralfd de
Modus. En dimensi on nita, suele resultar mas caro hallar la representaci on es-
pectral de una aplicaci on que resolver un problema lineal que la involucre. Por
ello, este programa esta pensado para el caso en que debamos resolver el mismo
problema para una gran cantidad de datos diferentes. Ademas, su metodo se puede
extender a ciertos operadores autoadjuntos entre espacios de dimensi on innita,
donde no son f aciles otros metodos.
Teorema 4.2.3 Teorema espectral de operadores cualesquiera.
Dado un operador ) : R
n
R
m
de rango :, existen conjuntos ortonormales
u
1
, , u
r
R
n
e v
1
, , v
r
R
m
y reales positivos
1
, ,
r
tales que
) =
r
i=1
i
u
i
v
i
4.2. TEOR

Demostraci on:
El teorema 4.2.2 asegura para el operador )
) : R
n
R
n
una base ortonormal
u
1
, , u
r
, u
r+1
, , u
n
de R
n
constituida por vectores propios de )
) con au-
tovalores correspondientes j
1
j
r
0, , 0 tales que
)
) =
r
i=1
j
i
u
i
u
i
y
_
[u
1
, , u
r
] = im )
) = im )
[u
r+1
, , u
n
] = ker )
) = ker )
El operador j = ()
))
1
2
=
r
i=1
j
i
u
i
u
i
cumple
|j(x)|
2
= (j
2
(x)[x) = ()
)(x)[x) = |)(x)|
2
x R
n
y, en consecuencia, podemos denir el operador isometrico
l
0
: j(R
n
) R
m
j(x) )(x)
y extenderlo al operador
) : R
n
p
j(R
n
)
U0
R
m
x j(x) )(x)
Entonces,
)(x) = l
0
_
r
i=1
j
i
(u
i
[x)u
i
_
=
r
i=1
j
i
(u
i
[x)l
0
(u
i
) x R
n
y el teorema queda probado con
_
v
i
= l
0
(u
i
)
i
=

j
i
i = 1, , :.
Corolario 4.2.4
Todo operador lineal lineal ) : R
n
R
m
tiene un unico inverso de Moore-Penrose
)
+
: R
m
R
n
que cumple las siguientes propiedades
1. ) )
+
) = )
2. )
+
) )
+
= )
+
3. ) )
+
= () )
+
)
t
4. )
+
) = ()
+
))
t
Demostraci on:
El teorema 4.2.3 asegura para un operador ) : R
n
R
m
de rango :, conjuntos
ortonormales u
1
, , u
r
R
n
, v
1
, , v
r
R
m
y un conjunto de reales es-
trictamente positivos
1
, ,
r
tales que ) =
r
i=1
i
u
i
v
i
. Es inmediato
comprobar que el operador
)
+
=
r
i=1
1
i
v
i
u
i
: R
m
R
n
cumple las propiedades citadas. La unicidad se prob o en el teorema 2.2.36 .
Observaci on 4.2.5
En 3.6.6 hemos tratado el problema de hallar el vector de norma eucldea mnima
en la variedad `
b
= x R
n
[ )(x) = b siendo ) : R
n
R
m
una aplicaci on lineal.
All conclumos que deba ser un x
m
(x
0
+ ker )) [ker )]
con )(x
0
) = b.
Si x
0
= )
+
(b), resulta que )(x
0
) = b y x
0
+0 [ker )]
y, por tanto, x
m
= )
+
(b).
En MATLAB obtenemos este vector mediante la orden x
m
= jin()) b.
4.2.6 Metodo de la potencia
A pesar de la comodidad y precisi on de la orden [C1] = eig() de MATLAB,
presentamos un metodo para calcular el autovalor de mayor modulo cuando su mu-
tiplicidad algebraica es uno.
Sea /
n
una matriz diagonalizable cuyos autovalores cumplen
[
1
[ [
2
[ [
n
[
Elegimos un vector x
0
cualquiera de norma 1 y lo expresamos en terminos de una
base de vectores propios normalizados v
1
, v
2
, , v
n
x
0
=
1
v
1
+
2
v
2
+ +
n
v
n
.
El siguiente proceso iterativo
x
1
:= x
0
=
1
_
1
v
1
+
2
1
v
2
+ +
n
1
v
n
_
x
2
:= x
1
=
2
1
_
1
v
1
+
2
_
1
_
2
v
2
+ +
n
_
1
_
2
v
n
_

x
k
:= x
k1
=
k
1
_
1
v
1
+
2
_
1
_
k
v
2
+ +
n
_
1
_
k
v
n
_

nos dene una (x
n
) que, si la normalizamos, debe tender a v
1
puesto que
lim
k
_
1
_
k
= 0 i = 2, , n
En tal caso, (v
1
[v
1
) sera el autovalor de mayor modulo de .
Por otra parte, si recordamos que los autovalores de
1
son los inversos de los
autovalores de y que ker() es el subespacio propio del autovalor nulo cuando
no es inyectiva, podremos hallar, tambien, el autovalor de de menor modulo.
Finalmente, si observamos que la matriz :1 tiene por autovalores los de la
matriz disminuidos en : podemos especializar el procedimiento para calcular el
autovalor de mas pr oximo a un n umero arbitrario.
El programa metododelapotencia de Modus recoge estas ideas para obtener
los autovalores y autovectores de matrices del tipo
que siempre son diagonal-

izables.
4.3. TEOR
IA ESPECTRAL EN ESPACIOS DE HILBERT 173

4.3 Teora espectral en espacios de Hilbert
El signicado y utilidad de la teora espectral alcanza su maxima importancia en
los problemas lineales innito dimensionales. El teorema espectral para operadores
autoadjuntos que hemos probado en los espacios eucldeos se puede extender sin
dicultad a los espacio de Hilbert separables. La falta de compacidad de la bola
unidad cerrada se puede salvar apoy andonos en que la bola unidad de un espacio de
Hilbert es debilmente secuencialmente compacta si nos limitamos a los operadores
compactos que convierten la convergencia debil en convergencia fuerte.
Teorema 4.3.1
En un Hilbert A todo operador autoadjunto ) : A A cumple:
|)| = sup
xB
[()(x)[x)[
Demostraci on:
Es claro que 1
f
:= sup
xB
[()(x)[x)[ |)|. Para probar la desigualdad contraria
designamos ()(x)[x) = Q
f
(x), aprovechamos la simetra de la condici on de au-
toadjunto
|)| = sup
xB
|)(x)| = sup
xB
sup
yB
()(x)[y) = sup
x,yB
()(x)[y)
y tenemos en cuenta la siguiente cadena de desigualdades
()(x)[y) =
Q
f
(x +y) Q
f
(x y)
4

[Q
f
(x + y)[ +[Q
f
(x y)[
4

1
f
|x +y|
2
+|x y|
2
4
= 1
f
|x|
2
+ |y|
2
2
1
f
x, y B
Teorema 4.3.2 Teorema de la n-compacidad secuencial de B
Toda sucesion contenida en la bola unidad cerrada B de un Hilbert A tiene una
subsucesi on n-convergente a un punto de dicha bola.
Demostraci on:
Sea x
n
B. Como H = [x
n
] es un Hilbert separable tiene un subconjunto
denso numerable 1 = a
n
. Por ser acotada la sucesion real (a
1
[x
n
),
x
1n
subsucesi on de x
n
tal que (a
1
[x
1n
) j
1
y, de igual modo,
x
2n
subsucesi on de x
1n
tal que (a
2
[x
2n
) j
2
x
3n
subsucesi on de x
2n
tal que (a
3
[x
3n
) j
3

La subsucesi on diagonal x
nn
cumple que (a
i
[x
nn
) j
i
a
i
1. A partir
de ella generamos la aplicaci on
: H R
h lim
n
(x
nn
[h)
que esta bien denida por ser (x
nn
[h) convergente h H. En efecto:
Dado h H y 0 existe a
ih
1 tal que |ha
ih
|

4
. Entonces
[(h[x
nn
) (h[x
mm
)[ [(h a
ih
[x
nn
x
mm
)[ + [(a
ih
[x
nn
x
mm
)[
y como
_
_
_
[(h a
ih
[x
nn
x
mm
)[

4
|x
nn
x
mm
|

2
por ser x
nn
B
[(a
ih
[x
nn
x
mm
)[

2
n, :
e
por ser (a
i
[x
nn
) de Cauchy
resulta que (x
nn
[h) es de Cauchy h H.
Ademas, es claramente lineal y es acotada con || 1 porque
[(h)[ lim
n
|x
nn
| |h| |h|
Podemos extender a una forma lineal acotada ) : A
pH
H

R donde j
H
es
la proyeccion normal. Como |)| = | j
H
| || |j
H
| 1, si identicamos
) A
con un u A que esta en B y cumple:

(x
nn
[y) (x[y) y A . Luego x
nn
w
x B
Denici on 4.3.3
Un operador ) B(A) se dice compacto si transforma la bola unidad B en un con-
junto totalmente acotado. Ello equivale (ver p ag. 27) a que )(B) sea compacto.
Al conjunto de todos los operadores compactos de B(A) lo designamos K(A) y,
claramente, contiene al conjunto de todos los operadores de rango nito F(A).
Si ) B(A) es claro que
_
x
n
w
x )(x
n
)
w
)(x)
x
n
x )(x
n
) )(x)
pero los op-
eradores compactos transforman sucesiones n-convergentes en convergentes y por
ello se dice que son completamente continuos.
Lema 4.3.4
_
) K(A)
x
n
w
x
)(x
n
) )(x)
Demostraci on:
Si )(x
n
) , )(x) existe 0 y una subsucesi on z
n
de x
n
tal que |)(.
n
)
)(x)| . Como z
n
es acotada y ) es compacto, existe una subsucesi on w
n
de z
n
tal que )(w
n
) converge fuertemente a un cierto punto y
0
A que,
obviamente, sera distinto de )(x). Como el lmite debil de una sucesion es unico,
llegamos al siguiente absurdo:
_
w
n
w
x )(n
n
)
w
)(x)
)(w
n
) y
0
)(w
n
)
w
y
0
y y
0
,= )(x)
4.3. TEOR

Teorema 4.3.5
K(A) es un ideal cerrado del algebra B(A)
Demostraci on:
Es f acil ver que la suma de dos operadores compactos es un operador compacto y
que el producto de un operador compacto por un escalar es un operador compacto.
Es decir, K(A) es un subespacio vectorial de B(A).
Ser un ideal signica que si ) K(A) tanto p ) como ) p tambien estan en
K(A) cualquiera que sea p B(A):
p )(B) = p()(B)) es el transformado de un conjunto totalmente acotado por una
funci on continua, luego es totalmente acotado.
) p(B) |p|)(B), luego tambien es totalmente acotado.
Probemos, nalmente, que K(A) es cerrado en B(A):
Sea )
n
K(A) una sucesion convergente a p B(A). Veremos que p K(A)
comprobando que p(B) es totalmente acotado:
Dado 0 existe n
0
tal que |)
n0
p| <

2
. Como )
n0
es compacto,
x
1
, ..., x
p
A tal que )
n0
(B)
p
_
i=1
x
i
+

2
B
Por tanto,
v B
_
|p(v) )
n0
(v)| <

2
x
i0
tq |)
n0
(v) x
i0
| <

2
p(B)
p
_
i=1
x
i
+ B
Lema 4.3.6
Sea A un espacio de Hilbert y sea ) : A A un operador compacto y autoadjunto.
Existe un u
1
unitario y un 1, 1 tal que
)u
1
= |)|u
1
Demostraci on:
Seg un el memorandum ??.4.3.1 x
n
B tal que |)| = lim
n
[()x
n
[x
n
)[
El teorema 4.3.2 nos permite suponer que x
n
w
u
1
B y la compacidad de )
y el lema 4.3.4 aseguran que el supremo es accesible
|)| = sup
B
[()x[x)[ = [()u
1
[u
1
)[ y, a fortriori, |u
1
| = 1
As, existe un 1, 1 tal que |)| = ()u
1
[u
1
) y, entonces
2
_
_
_)u
1
|)|u
1
_
_
_
2
= |)u
1
|
2
2|)|()u
1
[x
0
) + |)|
2
luego
_
_
_)u
1
|)|u
1
_
_
_
2
|)|
2
2|)|
2
+ |)|
2
= 0
2
Notese que si f es no nulo, tambien lo es u1
Teorema 4.3.7 Teorema espectral de los compactos autoadjuntos
Sea A un espacio de Hilbert separable. Todo operador ) : A A compacto,
autoadjunto e inyectivo admite una representaci on
) =
i=1
i
u
i
u
i
donde u
i
es una base ortonormal de vectores propios y
i
es la sucesion de
valores propios, todos no nulos, que converge a 0.
Demostraci on:
Sea u
1
el vector unitario asegurado para ) en el lema 4.3.6.
Si x [u
1
]
= A
1
)(x) [u
1
]
= A
1
y, por tanto, ) [
X1
:= )
1
es un
operador compacto y autoadjunto en el Hilbert separable A
1
.
Sea u
2
el vector unitario asegurado para )
1
en el lema 4.3.6.
Si x [u
1
, u
2
]
= A
2
)(x) [u
1
, u
2
]
= A
2
y, por tanto, ) [
X2
:= )
2
es compacto y autoadjunto en el Hilbert separable A
2
.
Sea u
3
el vector unitario asegurado para )
2
en el lema 4.3.6...
De esta forma construimos una sucesion ortonormal u
i
de autovectores de )
asociados a la sucesion de autovalores
i
siguiente
[
1
[ = |)| |)
1
| = [
2
[ |)
2
| = [
3
[
Como u
i
o y ) es compacto, )(u
i
) o y, por tanto,
i
0.
Probaremos que [u
i
]
= Y es el ker ). Si as no fuera, tendramos el operador

no nulo )[
Y
con 0 < |)[
Y
| |)(u
i
)| pero ello esta en contra de que )(u
i
) o.
Teorema 4.3.8 Teorema espectral de operadores compactos

Sea A un espacio de Hilbert separable. Todo operador ) K(A) inyectivo admite
una representaci on
) =
i=1
i
u
i
v
i
donde u
i
es una base ortonormal, v
i
un conjunto ortonormal y
i
es una
sucesion escalar nula.
Demostraci on:
Como A es separable tiene una base ortonormal u
i
. Claramente
)(x) =
i=1
(x[u
i
))(u
i
) =
i=1
|)(u
i
)|(x[u
i
)
)(u
i
)
|)(u
i
)|
Si u
i
pudiera ser elegida de modo que v
i
=
_
f(ui)
f(ui)
_
tambien fuese ortonor-
mal, el teorema quedara probado con
i
= |)(u
i
| pues, por ser ) completa-
mente continuo y ser u
i
o tendramos que
i
0.
Basta elegir u
i
como la que asegura el teorema 4.3.7 para el operador )
) que
es compacto autoadjunto e inyectivo.
4.3. TEOR

Corolario 4.3.9
Si A es un Hilbert separable F(A) = K(A).
Demostraci on:
Si ) : A A es de rango nito, )(B) es cerrado y acotado en )(A) cuya dimensi on
es nita, luego compacto en el y, a fortriori, compacto en A.
Entonces, F(A) K(A) y, por tanto, F(A) K(A) = K(A) por ser este un
ideal cerrado (teorema 4.3.5).
Para el contenido contrario basta partir de un ) K(A) inyectivo. Entonces, el
teorema 4.3.8 asegura que
) =
i=1
i
u
i
v
i
, luego ) = lim
n
)
n
con )
n
=
n
i=1
i
u
i
v
i
F(A)
Teorema 4.3.10 (Alternativa de Fredholm )
Sea (A, | |) un espacio de Hilbert separable, sea 1 B(A) un operador compacto
y autoadjunto y sea un n umero real. S olo dos cosas pueden suceder:
1. El problema (1 1)(x) = y tiene soluci on para todo y A
2. El problema (1 1)(x) = 0 tiene alguna soluci on no nula.
En el primer caso la soluci on de (11)(x) = y es unica y depende continuamente
del dato y.
En el segundo caso, el problema (1 1)(x) = y tiene soluci on si y s olo si y es
ortogonal a todas las soluciones del problema (1 1)(x) = 0
Demostraci on
La alternativa es clara:
1. O bien no es autovalor de 1.
2. O bien es autovalor de 1.
Es decir,
1. O bien (1 1)(x) = 0 tiene s olo la soluci on nula.
2. O bien (1 1)(x) = 0 tiene alguna soluci on no nula.
Por ser 1 autoadjunto, tambien lo es 1 1 y, por las relacones de L orch es claro
que
1. ker(1 1) = 0 im(1 1) = A
Luego, en el primer caso, 1 1 es una aplicaci on lineal, continua y biyectiva y
(1 1)
1
que es lineal, por 1.7.13 tambien es continua. As, la soluci on x =
(1 1)
1
(y) es unica y depende continuamente de y.
En el segundo caso, (1 1)(x) = y tiene soluci on si y s olo si y im(1 1) y,
L orch nos asegura, de nuevo, que im(1 1) = [ker(1 1)]
.
1. Si (A, | |) es un espacio de Hilbert separable, 1 B(A) es un operador
compacto y autoadjunto y ,= 0 no es autovalor de 1 podemos expresar la
unica soluci on del problema (1 1)x = y de la forma
n=1
(y[u
n
)
u
n
siendo (u
n
) la base ortonormal de vectores propios de 1 y (
n
) la correspon-
diente sucesion de valores propios.
2. Si ,= 0 es autovalor, sabemos que el problema (11)x = y tiene soluci on
si y s olo si y [ker(1 1)]
.
Suponiendo que y cumple esta condici on y que ker(1 1) = [u
1
, , u
k
]
tenemos una variedad de soluciones que se pueden expresar en la forma
[u
1
, , u
k
] +
n=k+1
(y[u
n
)
n

u
n
En efecto, siempre existe un j R tal que + j no es autovalor de 1.
Entonces, nuestro problema (1 1)x = y es equivalente al problema (1
( + j)1)x = y jx que esta en el caso primero. Su soluci on es, por tanto,
de la forma
n=1
(y jx[u
n
)
n
j
u
n
=
k
n=1
(x[u
n
)u
n
+
n=k+1
(y jx[u
n
)
n
j
u
n
Entonces debe cumplirse que
(x[u
n
) =
(y jx[u
n
)
n
j
n /
y, despejando,
(x[u
n
) =
(y[u
n
)
n

u
n
n /
3. El teorema 4.3.10 tambien se cumple cuando = 0 pero, en tal caso, no
podemos asegurar la convergencia de las series que nos aparecen en los dos
puntos anteriores. Para que dichas series representen las soluciones debemos
exigir respectivamente que
n=1
(y[u
n
)
2
2
n
< y
n=k+1
(y[u
n
)
2
2
n
< .
Un tipo especial de operadores compactos muy importantes en la tecnica son los
que introducimos a continuaci on
Denici on 4.3.12
Sea (A, | |) un espacio de Hilbert separable. Un operador H B(A) se dice de
Hilbert-Schmidt si existe una base hilbertiana (u
n
) tal que
n=1
|H(u
n
)|
2
<
4.3. TEOR

1. La identidad de Parseval (ver 1.10.9) asegura, para cualquier otra base hilber-
tiana (v
m
), que
n=1
|H(u
n
)|
2
=
n=1
_

m=1
[(H(u
n
) [ v
m
)[
2
_
=
=
m=1
_

n=1
[(u
n
[ H
(v
m
))[
2
_
=
m=1
|H
(v
m
)|
2
Esto prueba que
n=1
|H(u
n
)|
2
no depende de la base inicial (u
n
) y, ademas,
si designamos HS(A) al conjunto de todos los operadores de Hilbert-Schmidt
del espacio de Hilbert separable (A, | |), resulta que H HS(A) si y s olo si
H
HS(A).
2. La funci on
N: HS(A) R
H
_

n=1
|H(u
n
)|
2
_1
2
esta bien denida porque no depende de la base (u
n
) y nos permite probar
que HS(A) es subespacio vectorial de B(A). En efecto:
(a) Si H HS(A) y R es claro que H HS(A)
(b) Si H, G HS(A) tenemos : N que
_
m
n=1
|H(u
n
) +G(u
n
)|
2
_1
2
_
m
n=1
(|H(u
n
)| + |G(u
n
)|)
2
_1
2
N(H)+N(G)
Luego, N(H + G) N(H) +N(G) < y H +G HS(A).
A fortiori, tenemos que N : HS(A) R es una norma pues, N1, N2 y N3 son
claras y N4 acaba de ser probada. Esta norma procede del siguiente producto
escalar, que tampoco depende de (u
n
),
( [ ): HS(A) HS(A) R
(H, G)
n=1
(H(u
n
)[G(u
n
))
3. HS(A) es un ideal en B(A) pues (H, 1) HS(A) 1(A) tenemos:
(a) |1 H(u
n
)|
2
|1|
2
|H(u
n
)|
2
luego N(1 H) |1| N(H) y, por
tanto, 1 H HS(A).
(b) (H 1)
= 1
HS(A) luego H 1 HS(A).

4. HS(A) K(A). En efecto:
Todo H HS(A) es lmite de los operadores de rango nito
H
k
: A A
x
k
n=1
(x[u
n
)H(u
n
)
que son acotados porque, por H older, tenemos
|H
k
(x)|
k
n=1
[(x[u
n
)[ |H(u
n
)|N(H)|x|
y, nuevamente, por H older,
|H(x) H
k
(x)| =
_
_
_
_
_
n=k+1
(x[u
n
)(H H
k
)(u
n
)
_
_
_
_
_
N(H H
k
)|x|.
Como (N(H H
k
)) 0, (|H H
k
|) 0 y (H
k
) H.
El espacio de Hilbert mas util para el tecnico es 1
2
[o, /]. Este espacio es separable
pues, por el teorema 1.9.1, la sucesion de polinomios en una variable (t
n1
) es densa
en (C[o, /], | |
) y, a su vez, este es denso en 1

2
[o, /].
Es interesante observar que si (e
n
) es una base ortonormal de 1
2
[o, /], (e
nm
)
es una base ortonormal de 1
2
([o, /] [o, /]) donde
e
nm
: [o, /] [o, /] R
(t, :) e
n
(t) e
m
(:)
Teorema 4.3.14
Una aplicaci on lineal H : 1
2
[o, /] 1
2
[o, /] esta en HS(1
2
[o, /]) si y s olo si existe
una funci on G 1
2
([o, /] [o, /]), llamada funci on de Green tal que
1
2
[o, /]
H() : [o, /] R
:
_
b
a
G(t, :)(t)dt
Ademas, H es autoadjunto si y s olo si G es simetrica.
Demostraci on:
Si H admite la representaci on integral mencionada, es acotado porque
|H()|
2
=
_
b
a
_
_
b
a
G(t, :)(t)dt
_
2
d: (H older)
_
b
a
_
_
b
a
[G(t, :)[
2
dt
_
_
_
b
a
[(t)[
2
dt
_
d: = |G|
2
||
2
Usando la igualdad de Parseval al principio y al nal, tenemos
n=1
|H(e
n
)|
2
=
n=1
_

m=1
[(H(e
n
) [ e
m
)[
2
_
=
4.4. PROBLEMAS DE STURM-LIOUVILLE 181
=
n,m=1
_
b
a
H(e
n
)(:) e
m
(:)d:
2
=
=
n,m=1
_
b
a
_
_
b
a
G(t, :)(e
n
)(t)d(t)
_
e
m
(:)d:
2
=
n,m=1
[(G[ e
nm
)[
2
= |G|
2
y, por tanto, H HS(L
2
[o, /]). Ademas, si G es simetrica, H es autoadjunto:
(H() [ ) =
_
b
a
H()(:)(:)d: =
_
b
a
_
_
b
a
G(t, :)(t)dt
_
(:)d: =
_
b
a
_
_
b
a
G(:, t)(:)d:
_
(t)dt =
_
b
a
H()(t)(t)dt = ([ H())
Si partimos de que H HS(1
2
[o, /]), la observaci on 4.3.12,4 y el teorema 4.3.8 nos
aseguran la existencia de una base ortonormal (e
n
), una sucesion ortonormal (v
n
)
y una sucesion real (
n
) de cuadrado sumable, tales que
H =
n=1
n
e
n
v
n
y, por tanto H() =
n=1
n
(e
n
[ )v
n
luego
H()(:) =
n=1
n
_
_
b
a
e
n
(t)(t)dt
_
v
n
(:) =
_
b
a
_

n=1
n
e
n
(t)v
n
(:)
_
(t)dt
Probemos que G(t, :) =
n=1
n
e
n
(t)v
n
(:) esta en 1
2
([o, /] [o, /]):
_
b
a
_
b
a
G
2
(t, :)dtd: =
_
b
a
_
b
a
_

n=1
n
e
n
(t)v
n
(:)
__

n=1
m
e
m
(t)v
m
(:)
_
dtd: =
n,m=1
m
_
_
b
a
e
n
(t)e
m
(t)dt
__
_
b
a
v
n
(:)v
m
(:)d:
_
=
n=1
2
n
= N
2
(H) <
Ademas, si H es autoadjunto, podemos elegir (c
n
) = (
n
) y, as, la funci on
G(t, :) =
n=1
n
e
n
(t)e
n
(:) es claramente simetrica.
4.4 Problemas de Sturm-Liouville
Los operadores de Hilbert-Schmidt son de gran utilidad para tratar el problema
inverso que en la literatura (ver, por ejemplo, [69]) se conoce con el nombre de
problema regular de Sturm-Liouville y cuyo enunciado es:
(o1) Dadas las funciones c ([o, /] y ) 1
2
[o, /], hallar n : [o, /] R
tal que
_
_
n
(t) + c(t)n(t) = )(t) en o < t < /

n(o) +
(o) = 0 con [[ + [
[ 0
n(/) +
(/) = 0 con [[ + [
[ 0
En este problema inverso, el espacio de datos es 1
2
[o, /] y el espacio A donde hay
que buscar la inc ognita n es el subespacio de 1
2
[o, /] constituido por las funciones
de (
1
[o, /] que cumplen las condiciones de contorno
_
n(o) +
(o) = 0 con [[ +[
[ 0
n(/) +
(/) = 0 con [[ +[
[ 0
y cuya derivada segunda generalizada
3
esta en 1
2
[o, /]. La transformaci on 1 :
A 1
2
[o, /] esta dada por 1(n) = n
+ cn, que es lineal y cumple (1(r)[j) =

(r[1(j)) r, j A. En efecto:
_
(1(r)[j) =
_
b
a
(r
j +crj)dt = [r
j]
b
a
+
_
b
a
r
dt +
_
b
a
crjdt
(r[1(j)) =
_
b
a
(j
r +crj)dt = [rj
]
b
a
+
_
b
a
r
dt +
_
b
a
crjdt
y, por las condiciones de contorno, es claro que [r
j]
b
a
= [rj
]
b
a
. Como A es denso
1
2
[o, /], podemos considerar que 1 es autoadjunto aunque no sea un endomorsmo
en 1
2
[o, /] (ver [40], p ag 117).
Veamos, ahora, que el problema con la primera de las condiciones
1CC(o)
_
n
(t) + c(t)n(t) = 0 en o < t < /

n(o) +
(o) = 0 con [[ + [
[ 0
tiene, unicamente, un rayo de soluciones. En efecto:
Es claro que el problema de condici on inicial
1C1(o)
_
_
n
(t) +c(t)n(t) = 0 en o < t < /

n(o) =
(o) = con [[ +[
[ 0
tiene una unica soluci on n
1
que, necesariamente, es no nula. Tambien es claro que
todo elemento del rayo [n
1
] es soluci on del 1CC(o).
Por otra parte, si es una soluci on no nula del 1CC(o), por la condici on de
contorno (o) +
(o) = 0 con ,= 0 o
,= 0 resulta que
(o) ,= 0 o (o) ,= 0.
Entonces

v
(a)
o

v(a)
deben coincidir con la unica soluci on n
1
del 1C1(o) y,
as, en cualquiera de los dos casos, [n
1
].
De igual modo, el problema con la segunda condici on
1CC(/)
_
n
(t) +c(t)n(t) = 0 en o < t < /

n(/) +
(/) = 0 con [[ + [
[ 0
tiene otro rayo de soluciones [n
2
].
Si el problema homogeneo asociado a nuestro (SL) inicial
_
_
n
(t) + c(t)n(t) = 0 en o < t < /

n(o) +
(o) = 0 con [[ +[
[ 0
n(/) +
(/) = 0 con [[ +[
[ 0
3
Ver la seccion ?? dedicada a las distribuciones
s olo tiene la soluci on nula, los rayos [n
1
] y [n
2
] tienen que ser distintos pues, de
lo contrario, habra una soluci on no nula para el problema homogeneo. Por tanto,
n
1
n
2
n
2
n
1
,= 0 pues,
n
1
n
2
n
2
n
1
= 0
n
1
n
1
=
n
2
n
2
log n
1
= logn
2
+ log/ n
1
= /n
2
.
Por ser n
1
y n
2
soluciones de la ecuacion homogenea n
+ cn = 0 se tiene que
n
1
n
2
n
2
n
1
= 0 y como n
1
n
2
n
2
n
1
= (n
1
n
2
n
2
n
1
)
resulta que n
1
n
2
n
2
n
1
es
una constante no nula que designamos \.
Consideramos, t [o, /], el sistema
2
n
2
(t) +
1
n
1
(t) = 0
2
n
2
(t) +
1
n
1
(t) = 1
que tiene soluci on unica
1
=
n
2
(t)
\
y
2
=
n
1
(t)
\
. La funci on
G
t
: [o, /] R
:
_
1
n
1
(:) =
n
2
(t)n
1
(:)
\
si : [o, t]
2
n
2
(:) =
n
1
(t)n
2
(:)
\
si : [t, /]
es continua pero no es derivable. Deniendo G(t, :) = G
t
(:) tenemos
G : [o, /] [o, /] R
(t, :)
_
n
1
(t)n
2
(:)
\
si o t : /
n
2
(t)n
1
(:)
\
si o : t /
que es simetrica, esta en (([o, /] [o, /]) 1
2
([o, /] [o, /]) y, por tanto, genera un
operador de Hilbert-Schmidt autoadjunto H
G
: 1
2
[o, /] 1
2
[o, /].
Veamos que H
G
()) puede considerarse soluci on del problema (o1):
n(t) := H
G
())(t) =
n
2
(t)
\
_
t
a
n
1
(:))(:)d:
n
1
(t)
\
_
b
t
n
2
(:))(:)d:
Si ) fuese continua, n sera derivable en sentido cl asico pero como es cualquier
elemento de 1
2
[o, /], s olo podemos asegurar que n es derivable como distribuci on.
Su derivada es
n
(t) =
n
2
(t)
\
_
t
a
n
1
(:))(:)d:
n
1
(t)
\
_
b
t
n
2
(:))(:)d:
que es una funci on continua como se puede comprobar secuencialmente. Al derivar
n
como distribuci on obtenemos

n
(t) =
n
2
(t)
\
_
t
a
n
1
(:))(:)d:
n
1
(t)
\
_
b
t
n
2
(:))(:)d:
2
(t)n
1
(t) n
1
(t)n
2
(t)
\
)(t)
Como n
i
(t) = c(t)n
i
(t) tenemos que n
(t) = c(t)n(t) )(t). Ademas, n satisface

las condiciones de contorno pues
n(o) +
(o) =
n
1
(o) +
1
(o)
\
_
b
a
n
2
(:))(:)d: = 0
n(/) +
(/) =
n
2
(/) +
2
(/)
\
_
b
a
n
1
(:))(:)d: = 0
Por tanto, H
G
()) es soluci on generalizada de (o1) y es la unica soluci on posible
pues si fuese otra soluci on, H
G
()) lo sera del problema homogeneo asociado y
hemos supuesto que este solo admite la soluci on nula. As, H
G
: 1
2
[o, /] 1
2
[o, /]
es un operador compacto, autoadjunto e inyectivo y el teorema 4.3.7 nos asegura
la existencia de una sucesion de valores propios reales no nulos (
n
) 0 y una
base hilbertiana de 1
2
[o, /] constituida por los vectores propios (e
n
) que dan la
representaci on espectral
H
G
=
n=1
n
e
n
e
n
y la soluci on del (SL) n =
n=1
n
() [ e
n
)e
n
Ademas, p 1
2
[o, /] es claro que H
G
(p) A y podemos considerar que
H
G
: 1
2
[o, /] A. En particular, la base de vectores propios (e
n
) esta en el
subespacio A y, a fortiori, A es un subespacio no cerrado y denso de 1
2
[o, /].
La transformaci on lineal
1: A 1
2
[o, /]
n n
+cn
ligada al problema (o1) tiene una inversa H
G
: 1
2
[o, /] A con las buenas
propiedades espectrales que hemos visto. Pero 1 tiene el mismo conjunto de vec-
tores propios que H
G
y los valores propios de 1 son los inversos de los valores
propios de H
G
. La aplicaci on lineal 1 no es acotada porque tiene una sucesion de
valores propios que tiende a pero, tiene una sucesion de vectores propios que con-
stituyen una base ortonormal de 1
2
[o, /]. Este es el famoso teorema de oscilaci on
que aqu es un corolario del teorema 4.3.7.
En la pr actica suele ser sencillo determinar los valores y vectores propios de 1
y, a traves de ellos, determinar la representaci on espectral de H
G
y obtener la
soluci on del problema (o1).
Ejemplo 4.4.1
Dada una funci on ) 1
2
[0, |] hallar n : [0, |] R tal que
_
_
n
(t) = )(t) en 0 < r < |

n(0) = 0
n(|) = 0
Soluci on:
Este problema de Sturm-Liouville esta ligado al operador
1: A 1
2
[0, |]
n n
Como el problema homogeneo asociado

_
_
n
(t) = 0 en 0 < t < |

n(0) = 0
n(|) = 0
s olo tiene la soluci on nula, podemos construir la funci on de Green:
La soluci on general de la ecuacion homogenea n
= 0 es n = t + 1. Imponiendo
la primera condici on de contorno, n(0) = 0, obtenemos que 1 = 0 y que el rayo de
soluciones es [n
1
] con n
1
(t) = t.
An alogamente, imponiendo la segunda condici on de contorno, n(|) = 0, obtenemos
que 0 = | + 1 1 = |, y el correspondiente rayo de soluciones es [n
2
] con
n
2
(t) = t |.
Puesto que \ =
n
1
(t) n
2
(t)
n
1
(t) n
2
(t)
t t |
1 1
= |, la funci on de Green viene dada por

G(t, :) =
_
n
1
(t) n
2
(:)
\
=
t(: |)
|
, 0 t : |
n
2
(t) n
1
(:)
\
=
(t |):
|
, 0 : t |
y la soluci on del problema inicial es:
n(t) =
_
l
0
G(t, :))(:) d: =
t |
|
_
t
0
:)(:) d:
t
|
_
l
t
(: |))(:) d:
Otra va de resolver el problema es hallar la representaci on espectral del operador
H
G
, es decir, buscar los autovalores y autofunciones de 1:
1. Como el problema homogeneo asociado s olo tiene la soluci on nula, 0 no es
valor propio de 1.
2. No hay autovalores negativos pues la ecuacion diferencial n
= /
2
n tiene
la soluci on general sinh(/t) +1cosh(/t) y las condiciones de contorno im-
ponen
_
0 +1 = 0
sinh(/|) = 0
= 1 = 0.
3. Buscamos los autovalores positivos. La ecuacion diferencial n
= /
2
n tiene
la soluci on general sin(/t)+1 cos(/t) y las condiciones de contorno imponen
_
0 + 1 = 0
sin(/|) = 0
1 = 0
pero puede ser no nula si / =
n
|
n = 1, 2, .
As,
_
n
2
2
|
2
_
son los autovalores de 1 y (e
n
) =
_
_
2
|
sin
_
nt
|
_
_
es la correspon-
diente base ortonormal de vectores propios. Por tanto,
H
G
()) =
|
2
n=1
1
n
2
()[e
n
) e
n
y la soluci on puede darse en la forma:
n(t) =
2|
n=1
1
n
2
_
_
l
0
)(t) sin
_
nt
|
_
dt
_
sin
_
nt
|
_

En el programa Sturmliouville1 de MATLAB podemos obtener la representaci on
gr aca de la soluci on para diferentes longitudes del intervalo y diferentes funciones
). Se puede comprobar que la obtenida mediante la representaci on espectral coin-
cide con la de la funci on de Green si tomamos un n umero suciente de terminos.
Hasta ahora hemos tratado los problemas de Sturm-Liouville tales que su asoci-
ado homogeneo tiene unicamente la soluci on nula. Ahora veremos que siempre
existe un j R tal que el problema homogeneo
_
_
n
(t) + (c(t) + j)n(t) = 0 en o < t < /

n(o) +
(o) = 0 con [[ +[
[ 0
n(/) +
(/) = 0 con [[ +[
[ 0
tiene unicamente la soluci on nula. Para ello necesitamos el siguiente
Lema 4.4.2
(
1
[o, /] y c 0 C(c) 0 tal que
||
2

_
b
a
(c
2
(t) +C(c)
2
(t))dt
Demostraci on:
Si as no fuera existira un c 0 y una sucesion (
n
) (
1
[o, /] tal que
|
n
|
2

_
b
a
(c
2
n
(t) + n
2
n
(t))dt y, tomando
n
=

n
|
n
|
,
(
n
) tal que 1 = |
n
|
2

_
b
a
(c
2
n
(t) +n
2
n
(t))dt
Entonces,
1
n

_
b
a
2
n
(t)dt
1
4
:
__
t [
n
(t)
1
2
__
y, por tanto,
:
__
t [
n
(t)
1
2
__
4
n
Sea t
n
[o, /] tal que [
n
(t
n
)[ = 1. Como :
__
t
n
4
n
, t
n
+
4
n
__
=
8
n
existir a :
n

_
t
n
4
n
, t
n
+
4
n
_
tal que
n
(:
n
)
1
2
y el teorema de los
incrementos nitos en [t
n
, :
n
] asegura que
1
2

_
sn
tn
[
t
(t)[dt
Holder
_
[t
n
:
n
[
__
b
a
[
t
n
(t)[
2
dt
_
1
2
.
Luego
1
2

2
n
__
b
a
[
t
n
(t)[
2
dt
_
1
2
y
nc
16
c
_
b
a
[
t
n
(t)[
2
dt < 1
con lo que llegamos al absurdo de acotar N. .
Este lema nos dice que siempre existe un 1 0 tal que si c(t) 1, el
problema homogeneo asociado al (o1) inicial s olo tiene la soluci on trivial.
Ve amoslo:
Si es soluci on del problema homogeneo asociado es claro que
0 =
_
b
a
_
tt
(t) +c(t)(t)
(t) dt luego
_
b
a
(
t
2
(t) + c(t)
2
(t))dt =
t
(/)(/)
t
(o)(o) =

2
(o)

2
(/)
4
_
||
2
__
b
a
(
t
2
(t) +C(1)
2
(t))dt
Por tanto, si c(t) es sucientemente grande, la desigualdad s olo es posible si
(t) = 0.
Sea un problema de Sturm-Liouville
(o1)
_
_
n
tt
(t) +c(t)n(t) = )(t) en o < t < /
n(o) +
t
n
t
(o) = 0 con [[ + [
t
[ 0
n(/) +
t
n
t
(/) = 0 con [[ +[
t
[ 0
cuyo problema homogeneo asociado tiene una soluci on n
1
no nula. Eso
quiere decir que el operador 1 : A 1
2
[o, /] tal que 1(n) = n
tt
+ cn
admite el autovalor 0 y su subespacio propio es ker 1 = [n
1
].
Sin embargo, como c : [o, /] R es continua y, por tanto, acotada, siempre
hay un j sucientemente grande para asegurar que el problema de Sturm-
Liouville
(o1
)
_
_
n
tt
(t) + (c(t) +j)n(t) = )(t) +jn(t) en o < t < /
n(o) +
t
n
t
(o) = 0 con [[ +[
t
[ 0
n(/) +
t
n
t
(/) = 0 con [[ + [
t
[ 0
equivalente al inicial, tiene un problema homogeneo asociado que s olo ad-
mite la soluci on trivial y, por tanto, a esta formulaci on le podemos aplicar
los metodos conocidos que ya han sido expuestos (ver p ag 184). La soluci on
4
Si
fuesen nulos, no aparecera el termino correspondiente

de o1
es de la forma n = H
G
() + jn) donde H
G
: 1
2
[o, /] A es un
operador de Hilbert-Schmidt autoadjunto e inyectivo.
Podemos calcular la funci on de Green G
y escribir
n = H
G
() + jn) =
_
b
a
G
(t, :))(:)d: +j
_
b
a
G
(t, :)n(:)d:
pero de aqu no podemos obtener una expresi on explcita de la soluci on n
puesto que aparece en ambos miembros de la ecuaci on y no podemos de-
spejarla. Sin embargo, la informaci on de que el operador H
G
es compacto,
autoadjunto e inyectivo nos sit ua en la alternativa de Fredholm y nos permite
obtener una expresi on de la soluci on n del problema o1 cuando ) [n
1
]
.
Es claro que H
G
es el inverso de 1 + j1 y, por tanto, su sucesi on de
autovalores convergente a 0 es
_
1
n
+ j
_
donde (
n
) son los autovalores de
1 y su correspondiente base hilbertiana de autovectores (n
n
) son tambien
los autovectores de 1. Podemos suponer sin restricci on que
1
= 0 y su
autovector correspondiente es n
1
. Entonces,
n = H
G
() + jn) =
n=1
() + jn[n
n
)
n
+j
n
n
= (n[n
1
)n
1
+
n=2
() + jn[n
n
)
n
+j
n
n
y, por tanto,
(n[n
n
) =
() + jn[n
n
)
n
+j
n 2
y despejando,
(n[n
n
) =
()[n
n
)
n
n 2.
El unico producto (n[n
n
) que queda sin determinar y que, por tanto, es una
constante arbitraria /, es (n[n
1
) y, as, la soluci on se expresa en la forma
n = /n
1
+
n=2
()[n
n
)
n
n
n
Ejemplo 4.4.3
Resolver el problema
_
_
n
tt
(t) n(t) = cos t + sint , t [0, ]
n(0) + n
t
(0) = 0
n() + n
t
() = 0
Soluci on:
La ecuaci on homogenea n
tt
+n = 0 tiene como soluci on general n(t) =
C
1
cos t + C
2
sin t e imponiendo las condiciones de contorno obtenemos
C
1
+ C
2
= 0
C
1
C
2
= 0
_
C
2
= C
1
Luego n
1
(t) = cos t sint es soluci on no nula del problema homogeneo
asociado, el operador 1 : A 1
2
[0, ], tal que 1(n) = n
tt
n tiene el
autovalor
1
= 0 y ker 1 = [n
1
].
Seg un la alternativa de Fredholm el problema tiene soluci on si ) [n
1
]
y
este es el caso ya que
()[n
1
) =
_

0
(cos t + sint)(cos t sint) dt =
_

0
cos 2t dt = 0
Como hemos dicho, la soluci on viene dada por:
n(t) = cn
1
(t) +
n=2
1
n
(n
n
[))n
n
donde c es una constante arbitraria, (
n
) la sucesi on de autovalores no nulos
de 1 y (n
n
) la correspondiente sucesi on ortonormal de vectores propios.
Calculemos en primer lugar los autovalores de 1, es decir, los valores de
tales que n
tt
(t) n(t) = n(t), o bien n
tt
(t) = (1 + )n(t).
La soluci on general de esta ecuaci on diferencial homogenea es distinta seg un
sea 1 + < 0, 1 + = 0 o 1 + 0.
Si 1 + < 0, hacemos 1 + = /
2
y la ecuaci on n
tt
(t) = /
2
n(t) tiene como
soluci on n(t) = c
kt
+ 1c
kt
, con / = +
/
2
, que derivada y sustituida en
las condiciones de contorno nos proporciona el sistema:
(1 + /)+ (1 /)1 =0
(1 +/)c
k
+ (1 /)c
k
1 =0
_
El determinante de este sistema lineal es
1 +/ 1 /
(1 +/)c
k
(1 /)c
k
= 2(1 /
2
) sinh/
que, por ser / ,= 0, se anula unicamente para /
2
= 1 / = 1.
As pues, 1+ = /
2
= 1 nos da el autovalor = 2 y el correspondiente
vector propio se obtiene resolviendo el sistema anterior para / = 1:
2 =0
2c
=0
_
= 0 n
2
(t) = c
t
Si 1 + = 0, la soluci on general de la ecuaci on diferencial n
tt
(t) = 0 es
n(t) = t +1. Derivada y sustituida en las condiciones de contorno nos da:
1 + = 0
+ 1 + = 0
_
= 1 = 0
de modo que = 1 no es autovalor de 1.
Si 1 + 0, hacemos 1 + = /
2
y la ecuaci on n
tt
(t) = /
2
n(t) tiene
como soluci on general n(t) = cos /t + 1sin /t que, derivada y sustituida
en las condiciones de contorno, nos proporciona el sistema:
+/1 = 0
(+ /1) cos / + (1 /) sin/ = 0
_
Si +/1 = 0 y 1/ = 0, la unica soluci on es la trivial, = 0, 1 = 0,
pero tambien puede ser 1 / ,= 0 y sin/ = 0, es decir, / = n , n =
1, 2, , con lo cual 1+ = n
2
y
n
= n
2
1, n = 1, 2, son autovalores de
1. Los correspondientes vectores propios se obtienen resolviendo el sistema
anterior para / = n y sustituyendo en la soluci on general:
= n1 , n
n
(t) = cos nt
1
n
sinnt , n = 1, 2,
Para n = 1 se obtiene
1
= 0 que, como ya sabamos, es el autovalor aso-
ciado a n
1
(t) = cos t sint .
Para expresar la soluci on como se ha indicado falta normalizar la base de
vectores propios y calcular los productos escalares. Por simplicidad procede-
mos a la inversa, calculamos primero los productos escalares (u
2
[)), (u
n
[))
y despues dividimos por la norma:
(u
2
[)) =
_

0
c
t
(cos t + sin t) dt = 1 +c
(u
n
[)) =
_

0
_
cos nt
1
n
sin nt
_
(cos t + sint) dt =
_
_
_
4
n
2
1
, n par
0 , n impar
o bien, sustituyendo n por 2n:
(u
2n
[)) =
4
4n
2
1
, n = 1, 2,
Como, adem as,
|u
2
|
2
=
_

0
c
2t
dt =
1 c
2
2
|u
2n
|
2
=
_

0
_
cos 2nt
1
2n
sin2nt
_
2
dt =
4n
2
+ 1
8n
2

la soluci on del problema inicial es:
n(t) = cn
1
(t) +
1
2
(u
2
[))u
2
|u
2
|
2
+
n=1
1
2n
(u
2n
[))u
2n
|u
2n
|
2
=
= c(cos tsint)
c
t
1 c
n=1
32n
2
(4n
2
1)
2
(4n
2
+ 1)
(cos 2nt
1
2n
sin2nt)
donde c es una constante arbitraria.
Para nalizar tratamos los problemas de Sturm-Liouville en que las condi-
ciones de contorno no son homogeneas,
(o1H)
_
_
n
tt
(t) +c(t)n(t) = )(t) en o < t < /
n(o) +
t
n
t
(o) = con [[ +[
t
[ 0
n(/) +
t
n
t
(/) = 1 con [[ + [
t
[ 0
Si podemos descomponer el problema en los dos subproblemas siguientes
o1
_
_
n
tt
(t) + c(t)n(t) = )(t) en o < t < /
n(o) +
t
n
t
(o) = 0 con [[ +[
t
[ 0
n(/) +
t
n
t
(/) = 0 con [[ +[
t
[ 0
y
1
_
_
n
tt
(t) + c(t)n(t) = 0 en o < t < /
n(o) +
t
n
t
(o) = con [[ + [
t
[ 0
n(/) +
t
n
t
(/) = 1 con [[ +[
t
[ 0
y resulta que
1. o1 es un problema de Sturm-Liouville cuya soluci on sabemos calcular
por alguno de los metodos expuestos anteriormente,
2. en el problema 1, es compatible el sistema lineal que resulta de im-
poner las condiciones de contorno no homogeneas a la soluci on general
de la ecuaci on diferencial,
entonces, la soluci on del problema SLNH ser a la suma de las soluciones de
o1 y 1.
Ejemplo 4.4.4
Resolver el siguiente problema de contorno:
_
_
n
tt
(t) + 4 n(t) = c
t
en t
_
0,

4
_
n(0) = 1
n
_
4
_
= 1
Soluci on:
Descomponemos el problema en los dos subproblemas
o1
_
_
n
tt
(t) 4n(t) = c
t
, t
_
0,

4
_
n(0) = 0
n
_
4
_
= 0
y
1
_
_
n
tt
(t) 4n(t) = 0 , t
_
0,

4
_
n(0) = 1
n
_
4
_
= 1
o1es un problema de Sturm-Liouville regular que vamos a resolver en primer
lugar. La soluci on general de la ecuaci on diferencial n
tt
+ 4n = 0 es n =
cos 2t+1sin 2t que, sustituida en las condiciones de contorno homogeneas,
nos da
n(0) = 0 = , n
_
4
_
= 0 = 1
As, el problema homogeneo asociado a o1 solo tiene la soluci on 0 y, por
ello, o1 tiene una unica soluci on que podemos hallar a traves de la funci on
de Green o mediante la representaci on espectral del operador H
G
. Con-
struyamos en primer lugar la funci on de Green:
Resolvemos el sistema formado por la ecuaci on diferencial homogenea y la
primera condici on de contorno para obtener el rayo [n
1
]:
n
tt
+ 4n =0 n = cos 2t +1 sin2t
n(0) = 0 =
_
n
1
(t) = sin2t
Procediendo de igual manera con la segunda condici on de contorno,
n
tt
+ 4n =0 n = cos 2t + 1sin2t
n
_
4
_
= 0 = 1
_
_
_
n
2
(t) = cos 2t
\ es, \ =
sin 2t cos 2t
2 cos 2t 2 sin2t
= 2, y la funci on de Green:
G(t, :) =
_
n
1
(t) n
2
(:)
\
=
sin2t cos 2:
2
, 0 t :

4
n
2
(t) n
1
(:)
\
=
cos 2t sin2:
2
, 0 : t

4
La soluci on del problema (o1), teniendo en cuenta que debemos escribir la
ecuaci on diferencial en la forma n
tt
4n = c
t
, es:
n(t) =
_
4
0
G(t, :)(c
s
) d: =
1
2
cos 2t
_
t
0
c
s
sin 2: d:
1
2
sin2t
_
4
t
c
s
cos 2: d: =
c
t
5

cos 2t
5

c
4
sin 2t
5
Hallemos ahora la soluci on de o1 mediante la representaci on espectral del
operador H
G
. Debemos calcular los autovalores de su inversa 1, tal que
1(n) = n
tt
4n, es decir, los valores de para los cuales existe un n, no
nulo, vericando n
tt
4n = n, o bien, n
tt
+ (4 +)n = 0.
La soluci on general de esta ecuaci on diferencial homogenea es distinta
seg un sea 4 + < 0 , 4 + = 0 o 4 + 0 .
Para 4 + < 0 , hacemos 4 + = /
2
y la soluci on general de la ecuaci on
diferencial n
tt
/
2
n = 0 es n(t) = c
kt
+ 1c
kt
Sustituyendo en las condiciones de contorno,
n(0) = 0 = +1
n
_
4
_
= 0 = c
k
4
+ 1c
k
4
_
_
_
= 1 = 0, pues
el determinante del sistema vale 2 sinh
/
4
, distinto de cero salvo para
/ = 0, que no es el caso. Por tanto, los < 4 no son autovalores.
Para = 4 , n(t) = t +1
n(0) = 0 = 1
n
_
4
_
= 0 =

4
+1
_
_
_
= 1 = 0, y = 4 no es autovalor.
Para 4 + 0 , hacemos 4 + = /
2
y la soluci on general de la ecuaci on
es n(t) = cos /t +1 sin/t
n(0) = 0 =
n
_
4
_
= 0 = cos
/
4
+1sin
/
4
_
_
_
Este sistema admite la soluci on = 0 , 1 ,= 0 si sin
/
4
= 0.
Es decir, si
/
4
= n / = 4n = 16n
2
4 , n = 1, 2,
La sucesi on de autovalores es (
n
) = (16n
2
4) y la correspondiente base
de vectores propios (u
n
) = (sin4nt), que podemos normalizar para obtener
la base hilbertiana:
|u
n
|
2
=
_
4
0
sin
2
4nt dt =

8
, (e
n
) =
_
u
n
|u
n
|
_
=
_
_
8
sin 4nt
_
La representaci on espectral de H
G
es,
n = H
G
()) =
n=1
1
n
()[e
n
)e
n
Para )(t) = c
t
, se tiene:
n(t) =
n=1
1
16n
2
4
_
_
8
_
4
0
c
t
sin4nt dt
_
_
8
sin 4nt =
=
2c
4
+ 4
5
n=1
sin 4nt
4n
2
1
Resolvemos, por ultimo, el problema 1
_
_
n
tt
(t) + 4 n(t) = 0 , t
_
0,

4
_
n(0) = 1
n
_
4
_
= 1
La soluci on general de la ecuaci on diferencial es
(t) = cos 2t + 1sin 2t , que sustituida en las condiciones de contorno
permite calcular y 1:
(0) = 1 = ,
_
4
_
= 1 = 1 , (t) = cos 2t sin 2t
La soluci on del problema propuesto, calculada a traves de la funci on de
Green, es:
n(t) =
c
t
5

cos 2t
5

c
4 sin 2t
5
+(t) =
c
t
5
+
4 cos 2t
5

_
1 + c
4
_
sin2t
5
y calculada a traves de la representaci on espectral del operador H
G
, es:
n(t) = cos 2t sin2t
2c
4
+ 4
5
n=1
sin4nt
4n
2
1

La teora de Sturm-Liouville combinada con el metodo de separaci on de
variables permite resolver muchos problemas de la fsica gobernados por
ecuaciones en derivadas parciales que cumplen determinadas condiciones
iniciales y de contorno. Ejemplos cl asicos son el tratamiento de la ecuaci on
de ondas y la ecuaci on del calor.
Ejemplo 4.4.5 (Cuerda vibrante)
La funci on
l : (0, |) (0, ) R ,
(r, t) l(r, t)
nos describe, en un instante t, la peque na ordenada j = l(r, t) de un punto
de abcisa r de una cuerda exible de extremos 0 y | que tiene una masa j
por unidad de longitud y est a sometida a vibraci on en el plano rj bajo una
tensi on constante , cuando satisface la ecuaci on de ondas
l
tt
=

j
l
xx
en (0, |) (0, )
Se quiere determinar la funci on l(r, t) con las condiciones
CC
_
l(0, t) = 0
l(|, t) = 0
t (0, ) y C1
_
l(r, 0) = )(r)
l
t
(r, 0) = 0
r (0, |)
Soluci on:
Buscamos una soluci on l(r, t) = A(r) T(t) en variables separadas pues,
en tal caso,
T
tt
T
=

j
A
tt
A
y esta igualdad entre funciones de variables que se suponen independientes,
obliga a que ambas sean iguales a una constante /. As, aparecen los prob-
lemas separados
_
_
A
/j
A = 0
A(0) = 0, A(|) = 0
A(r) T(0) = )(r)
y
_
T
tt
/T = 0
T
t
(0) = 0
o, si se preere,
(1)
_
_
A
tt
/j
A = 0
A(0) = 0, A(|) = 0
A(r) = )(r)
y (11)
_
_
T
tt
/T = 0
T
t
(0) = 0
T(0) = 1
Para que (I) tenga soluci on no nula, seg un 4.4.1, se precisa que
/ =
n
2
|
2
j
con n N
y, en tal caso, la soluci on es de la forma
A
n
=
n
sin
_
nr
|
_
El correspondiente problema (11) tiene, entonces, soluci on general
t
n
sin
__
j
nt
|
_
+ 1
t
n
cos
__
j
nt
|
_
e imponiendo que T
t
(0) = 0 y T(0) = 1 obtenemos la soluci on
T
n
= cos
__
j
nt
|
_
Conseguimos, as, una familia numerable de funciones
l
n
(r, t) =
n
cos
__
j
nt
|
_
sin
_
nr
|
_
que, por el principio de superposici on, nos da la soluci on general
l(r, t) =
n=1
n
cos
__
j
nt
|
_
sin
_
nr
|
_
del problema
_
_
l
tt
=

j
l
xx
en (0, |) (0, )
l(0, t) = 0 t (0, )
l(|, t) = 0 t (0, )
l
t
(r, 0) = 0 r (0, |)
S olo nos falta determinar los coecientes
n
para imponer la ultima condici on
l(r, 0) = )(r) r (0, |)
Esto se consigue obteniendo el desarrollo de Fourier de ) respecto de la
misma base ortogonal en que tenemos desarrollada
l(r, 0) =
n=1
n
sin
_
nr
|
_
As,
)(r) =
2
|
n=1
__
l
0
)(r) sin
_
nr
|
_
dr
_
sin
_
nr
|
_
y, como el desarrollo es unico, deducimos que
n
=
2
|
_
l
0
)(r) sin
_
nr
|
_
dr n N
Por tanto, la funci on
l(r, t) =
2
|
n=1
__
l
0
)(r) sin
_
nr
|
_
dr
_
cos
__
j
nt
|
_
sin
_
nr
|
_
cumple la ecuaci on de ondas y el resto de las condiciones exigidas.
Todo ello lo hemos plasmado en el programa cuerdavibrante1 de Modus
que nos proporciona la pelcula del movimiento de una cuerda tensa anclada
en sus extremos.
Ejemplo 4.4.6 (Ecuacion del calor)
La funci on
l : (0, |) (0, ) R ,
(r, t) l(r, t)
nos describe, en un instante t, la temperatura de un punto de abcisa r de una
barra cilndrica, is otropa y homogenea de extremos 0 y | cuando la supercie
lateral de la barra est a aislada termicamente si satisface la ecuaci on del
calor
l
t
(r, t) =

c
l
xx
(r, t) 0 < r < | 0 < t <
donde , c, son respectivamente el coeciente de conductividad termica,
el calor especco y la densidad del material que constituye la barra. En
estas condiciones, las supercies isotermicas son las secciones transversales
y, en cada instante t, la temperatura de los puntos de la barra depende de
una unica variable espacial, la abscisa r.
Se quiere determinar la funci on l(r, t) cuando los extremos de la barra se
mantienen constantemente a temperatura cero y la temperatura de la barra
en el instante inicial viene dada por una funci on conocida )(r). Es decir, se
quiere resolver el problema
_
_
l
t
(r, t) = o
2
l
xx
(r, t) 0 < r < | 0 < t <
l(0, t) = 0 , l(|, t) = 0
l(r, 0) = )(r)
donde o
2
=

c
es el llamado coeciente de termodifusi on.
La aplicaci on del metodo de separaci on de variables
l(r, t) = A(r) T(t)
nos conduce, como en el ejemplo anterior, al problema de Sturm-Liouville
homogeneo
(1)
_
_
_
A
tt
(r)
/
o
2
A(r) = 0 , 0 < r < |
A(0) = 0 , A(|) = 0
al problema de condici on inicial
(11)
_
T
t
(t) /T(t) = 0
T(0) = 1
, 0 < t <
y a la ecuaci on
(111) A(r) = )(r)
Seg un 4.4.1, el problema (1) tiene soluciones no nulas para los valores de /
tales que
/
o
2
=
n
2
2
|
2
y, en ese caso, la soluci on correspondiente es
A
n
(r) =
n
sin
nr
|
Para estos valores de / resolvemos el correspondiente problema (11):
_
_
_
T
t
(t) =
n
2
2
o
2
|
2
T(t)
T(0) = 1
y obtenemos la soluci on
T
n
(t) = c
n
2
2
o
2
t
|
2
As tenemos la sucesi on de soluciones del problema inicial
l
n
(r, t) =
n
c
n
2
2
o
2
t
|
2
sin
nr
|
, n N
y, por el principio de superposici on, la soluci on
l(r, t) =
n=1
n
c
n
2
2
o
2
t
|
2
sin
nr
|
La condici on (111) nos permite escribir
l(r, 0) =
n=1
n
sin
nr
|
= )(r)
y desarrollando )(r) en serie de Fourier respecto de la base de vectores
propios obtenida podremos identicar los coecientes correspondientes. Por
tanto, la funci on
l(r, t) =
2
|
n=1
__
l
0
)(r) sin
_
nr
|
_
dr
_
c
n
2
2
o
2
t
|
2
sin
_
nr
|
_

El metodo de separaci on de variables tambien nos permite abordar proble-
mas con las condiciones de contorno no homogeneas pero, en este caso,
debemos buscar la separaci on en la forma
l(r, t) = A(r) T(t) +(r)
4.5. PR
ACTICAS 199
Si en el Ejemplo 4.4.5 las condiciones de controno fuesen
CC
_
l(0, t) =
l(|, t) = 1
t (0, )
deberamos resolver, en primer lugar, el problema
_
tt
(r) = 0
(0) =
(|) = 1
cuya soluci on es (r) =
1
|
r + , y a continuaci on, los problemas
(1)
_
_
A
tt
/j
A = 0
A(0) = 0, A(|) = 0
A(r) = )(r) (r)
y (11)
_
_
T
tt
/T = 0
T
t
(0) = 0
T(0) = 1
La soluci on ser a,
l(r, t) = (r) +
2
|
n=1
_
_
l
0
() )(r) sin
_
nr
|
_
dr
_
cos
__
j
nt
|
_
sin
_
nr
|
_
Si en el Ejemplo 4.4.6 suponemos que los extremos de la barra se mantienen
a temperaturas jas y 1, el problema a resolver es
_
_
l
t
(r, t) = o
2
l
xx
(r, t) , 0 < r < | , 0 < t <
l(0, t) = , l(|, t) = 1
l(r, 0) = )(r)
y, como antes, la soluci on ser a
l(r, t) = (r) +
2
|
n=1
_
_
l
0
() )(r) sin
_
nr
|
_
dr
_
c
n
2
2
o
2
t
|
2
sin
_
nr
|
_
donde (r) =
1
|
r + .
4.5 Practicas
1. Pasar los sistemas lineales del Ejercicio 3.2.11 a sus formas autoadjun-
tas y hallar sus representaciones espectrales.
2. Aplicar el metodo de la potencia a las matrices cuadradas:
A=[6 -11 6;1 0 0;0 1 0]
A=[1 2 3 4 5;2 4 1 3 6;6 -2 5 2 0;2 -13 7 -12 0; 2 0 -1 3 7]
A=[7 2 1 3 5 4 3 1;78 2 -1 2 0 5 2 1;0 1 0 2 0 1 3 7;14 23 15 7 18 0 12
11;3 2 1 5 6 3 7 9;1 1 1 2 3 4 12 8;2 5 1 7 1 4 5 5;5 6 7 1 2 3 8 9]
3. Una barra homogenea de longitud 1 est a construida de un material
cuya difusividad termica es d. Si sus extremos se mantienen a tempe-
ratura 0 y se supone que la temperatura inicial en los puntos de abcisa
r es )(r), mostrar gr acamente como cambia la temperatura con el
tiempo.
Tema 5
Problemas no lineales
5.1 Metodos directos, de biseccion y de punto jo
Un problema inverso )(x) = b en el que ) : A Y no es lineal es,
en general, un problema difcil. Si designamos 1 := ) b tenemos el
problema equivalente 1(x) = 0 que no es f acil ni cuando
A = Y = R y 1 = polinomio de grado 1.
Al-Khwarizmi nos ense n o a resolverlo cuando 1(r) = or
2
+/r +c pues,
mediante el cambio r = A
/
2o
, llegamos a
A
2
=
/
2
4oc
4o
2
y, por tanto, r =
/
/
2
4oc
2o
Tartaglia nos ense n o a resolverlo cuando 1(r) = or
3
+/r
2
+cr+d pues,
/
3o
, podemos reducirlo a uno del tipo
A
3
+A = 1 con
_
_
=
27co
2
9o/
2
27o
3
1 =
9co/ 27do
2
2/
3
27o
3
.
y resolverlo siguiendo las instrucciones de su verso:
201
202 TEMA 5. PROBLEMAS NO LINEALES
Cuando est a el cubo con las cosas preso
y se iguala a alg un n umero discreto
busca otros dos que dieran en eso
Despues har as esto que te espeto
que su producto siempre sea igual
al tercio cubo de la cosa neto
Despues el resultado general
de sus lados c ubicos bien restados
te dar a a ti la cosa principal
Es decir, debemos buscar dos n umeros j y tales que
j = 1 y j =
_
3
_
3
y tomar A =
3
j
3
En efecto,
A
3
= (
3
j
3
)
3
= j 3
3
_
j
2
+ 3
3
_
j
2
y se cumple que
A
3
+
A
..
3
3
j
X
..
(
3
j
3
) =
B
..
j .
Euler nos ense n o a resolver el caso 1(r) = or
4
+/r
3
+cr
2
+dr+c pues,
/
4o
, se reduce a una ecuaci on del tipo
A
4
= A
2
+1A + C con
_
_
=
96o
2
/
2
256co
3
256o
4
1 =
128co
2
/ 32o/
3
256do
3
256o
4
C =
64do
2
/ 256co
3
16co/
2
+ 3/
4
256o
4
.
Esta ecuaci on admite la soluci on
A =
j+
: si j, , : cumplen
_
_
j + +: =

2
j : =
1
2
64
j + j: + : =

2
+ 4C
16
es decir, si j, , : son las raices de la ecuaci on c ubica
r
3

2
r
2
+

2
+ 4C
16
r
1
2
64
= 0.
5.2. M
ETODOS DE LINEALIZACI
ON 203
Los metodos directos para polinomios de hasta cuarto grado est an imple-
mentados en raicespoldir de Modus. No es posible llegar m as lejos pues
Abel prob o en 1824 que para la ecuaci on general de grado mayor que cuatro
no puede haber una soluci on formal conseguida mediante operaciones alge-
braicas sobre los coecientes de la ecuaci on.
Sin embargo, si 1 : [o, /] R es continua y 1(o) 1(/) < 0, el teorema
de Bolzano asegura una soluci on : (o, /) a la que podemos aproximarnos
por el metodo iterativo implementado en el programa biseccion de Modus.
Si A = Y y designamos G := ) b+1, )(x) = b equivale a G(x) = x.
Entonces, si Y es completo y G es contractiva, el teorema 3.4.1 asegura la
existencia de una soluci on a la que podemos aproximarnos por el metodo ite-
rativo implementado en el programa puntojo de Modus. Pero si A Y ,
para usar este programa, no s olo debemos comprobar que G es contractiva
sino tambien que A es cerrado en Y y G(A) A.
Ejemplo 5.1.1
Un dep osito esferico de 5: de radio se llena de agua hasta el 80% de su
capacidad. Hallar la altura H que alcanza el agua.
Soluci on:
Si calculamos el volumen integrando por discos tenemos
_
H
0
(2:/ /
2
)d/ =
4
3
:
3
80
100
.
Debemos hallar la unica raz H
o
(5, 10) de la ecuaci on polin omica
H
3
15H
2
+ 400 = 0
Usando raicespolir obtenemos
H
o
= 7.1285927458325923922188849246595
Usando biseccion con TO1 = 10
12
obtenemos
H
o
= 7.1285927458328046668611932545900 en 43 iteraciones
Usando puntojo con G(H) =
400
15H H
2
y TO1 = 10
12
obtenemos
H
o
= 7.1285927458325204497668892145157 en 13 iteraciones
5.2 Metodos de linealizacion
En esta secci on tratamos los metodos m as usuales para aproximar un pro-
blema inverso )(x) = b por una sucesi on
n
x = b
n
de problemas lineales
nitodimensionales. La ) tanto ser a una funci on no lineal como una funci on
lineal entre espacios de dimensi on innita.
5.2.1 Metodo de Newton
Sean A e Y espacios de Banach, sea A un abierto y sea ) : Y una
funci on diferenciable. Dado b Y se busca un x tal que )(x) = b.
Si en x
0
conocemos el valor )(x
0
), sabemos que
)(x) )(x
0
) + 1)(x
0
)(x x
0
)
y podemos sustituir el problema )(x) = b por el problema lineal
0
x = b
0
donde
_
0
= 1)(x
0
)
b
0
= b )(x
0
) + 1)(x
0
)(x
0
)
.
La soluci on x
1
=
0
b
0
puede no ser aceptable porque x
1
, o porque
|)(x
1
) b| sea mayor que el error que estemos dispuestos a tolerar. Sin
embargo, si x
1
, puede servirnos para plantear un nuevo problema lineal
1
(x) = b
1
donde
_
1
= 1)(x
1
)
b
1
= b )(x
1
) +1)(x
1
)(x
1
)
cuya soluci on x
2
=
1
b
1
sea mejor que x
1
porque cumpla que
|)(x
2
) b| < |)(x
1
) b|.
Esto nos sugiere iterar el procedimiento hasta un x
n
tal que |)(x
n
) b|
sea menor que un cierto n umero jado seg un las necesidades de precisi on,
al que llamaremos tolerancia. En el caso particular A = R
n
e Y = R
m
,
este proceso iterativo se recoge en el programa linealizacion de Modus.
El punto inicial x
0
debe ser elegido con tino, seg un el arte de cada cual.
Ejemplo 5.2.2
Desde un punto de una circunferencia C
1
se traza otra circunferencia C
2
de
modo que la intersecci on de sus crculos ocupe la mitad del area del crculo
de C
1
. Es el radio de C
2
igual al radio del hex agno circunscrito a C
1
?
Soluci on:
Tomando como sistema de referencia polar el centro de C
2
y la tangente por
el a C
1
, la ecuaci on de C
1
es = 2: sin. Como vemos en la gura
debemos encontrar un angulo tal que
1
2
_

0
4:
2
sin
2
d +
1
2
4:
2
sin
2
2

_
=
:
2
4
es decir, debemos resolver la ecuaci on
(1 2 sin
2
) sin cos + sin
2
=

4
.
5.2. M
ON 205
Figure 5.1: Caption for corderocomilon
Usando biseccion en [0,

2
] con TO1 = 10
12
obtenemos
= .61794846213990661798476367039257 en 41 iteraciones
Usando linealizacion con TO1 = 10
12
y punto inicial

4
obtenemos
= .61794846213995480166403240218642 en 5 iteraciones
Tomando como buenas las trece primeras cifras decimales (coincidentes en
ambos metodos) deducimos que la raz on entre los radios de C
2
y C
1
es
2 sin(.6179484621399) = 1.1587284730180322789294677932048
mientras que la raz on entre el radio del hex agono circunscrito y el de C
1
es
2
3
= 1.1547005383792515290182975610039
Estas razones dieren en m as de una milesima y, por tanto, podemos ase-
gurar que el radio de C
2
no es el radio del hex agono circunscrito a C
1
.
Teorema 5.2.3
Sean A e Y espacios de Banach, A un abierto, ) : Y una aplicaci on
diferenciable en y
1
k
(u) : A Y [ / 0, u
una familia de aplicaciones lineales biyectivas y continuas
1
. Si
1
El teorema de la aplicacion abierta nos asegura que, por ser X e Y completos, las
inversas tambien son continuas
1. : 0 tal que la bola cerrada 1(u
o
, :)
2. ` 0 tal que | (1
k
(u))
1
| ` / 0 y u 1(u
o
, :)
3. (0, 1) tal que |1)(u) 1
k
(u
t
)|

`
/ 0 y u, u
t

1(u
o
, :)
4. |)(u
o
)|
:
`
(1 )
se cumple, para cualquier elecci on de /
t
Z
+
con / /
t
0, que la sucesi on
u
k+1
= u
k
(1
k
(u
k
))
1
()(u
k
)) / 0
est a totalmente contenida en la bola cerrada 1(u
o
, :) y converge hacia una
soluci on a de la ecuaci on )(u) = o, que es la unica soluci on de esta ecuaci on
que existe en 1(u
o
, :). Adem as, la convergencia es geometrica pues
|u
k
a| |u
1
u
o
|

k
1
Demostraci on:
Veamos inductivamente que, / 1, se cumplen:
a) |u
k
u
k1
| `|)(u
k1
)|
b) u
k
1(u
o
, :)
c) |)(u
k
)|

`
|u
k
u
k1
|
Como u
1
u
0
= (1
0
(u
0
))
1
()(u
0
)), tenemos que
|u
1
u
0
| | (1
0
(u
0
))
1
| |)(u
0
)| `
:
`
(1 ) < :
luego a) y b) se cumplen para / = 1.
Adem as, como 1
0
(u
0
)(u
1
u
0
) = )(u
0
), tenemos que
)(u
1
) = )(u
1
) )(u
0
) 1
0
(u
0
)(u
1
u
0
)
y el teorema de los incrementos nitos asegura que
|)(u
1
)| sup|1)(u) 1
0
(u
0
)||u
1
u
0
| [ u 1(u
o
, :)

`
|u
1
u
0
|
luego c) se cumple para / = 1. Suponemos a), b) y c) ciertas hasta / 1 y
las probamos para /:
5.2. M
ON 207
a) Como u
k
u
k1
=
_
1
k1
(u
(k1)
)
_
1
()(u
k1
)), tenemos que
|u
k
u
k1
| ` |)(u
k1
)|
b) Adem as, por la hip otesis de inducci on,
|u
k
u
k1
| `|)(u
k1
)| `

`
|u
k1
u
k2
| = |u
k1
u
k2
|

k1
|u
1
u
0
|
y, en consecuencia,
|u
k
u
0
|
k
i=1
|u
i
u
i1
|
k
i=1
i1
|u
1
u
0
|
|u
1
u
0
|
1
:
c) Sabemos que
)(u
k
) = )(u
k
) )(u
k1
) 1
k1
(u
(k1)
)(u
k
u
k1
)
y aplicando el teorema de los incrementos nitos
|)(u
k
)| sup|1)(u)1
k1
(u
(k1)
)||u
k
u
k1
| [ u 1(u
o
, :)

`
|u
k
u
k1
|
Ahora ya podemos probar la existencia de una soluci on de la ecuaci on
)(u) = o en la bola cerrada 1(u
o
, :):
La sucesi on (u
n
) es de Cauchy pues, / 0, j 0,
|u
k+p
u
k
|
p1
i=0
|u
k+i+1
u
k+i
|
k
p1
i=0
i
|u
1
u
0
|

k
1
|u
1
u
0
|
Por estar contenida en el cerrado 1(u
o
, :), su lmite a = lim(u
n
) tambien
estar a en 1(u
o
, :). Adem as, a es soluci on de nuestra ecuaci on pues
|)(a)| = lim|)(u
n
)|

`
lim|u
n
u
n1
| = 0
Finalmente, a es la unica soluci on contenida en 1(u
o
, :) pues, si b es otra,
tendremos )(a) = )(b) = o y, en consecuencia,
a b = (1
0
(u
0
))
1
()(b) )(a) 1
0
(u
0
)(b a))
El teorema de los incrementos nitos asegura, entonces, que
|a b| `

`
|a b| = |a b|
lo cual implica que a = b porque < 1.
Cuando la sucesi on de iterantes (u
k
) se genera eligiendo:
1. 1
k
(u) = 1)(u) y /
t
= /, tenemos el algoritmo de Newton cl asico.
2. 1
k
(u) = 1)(u) y /
t
= minnj, / con nj / (n + 1)j 1
tenemos un algoritmo de Newton relajado en el que s olo cambiamos
el jacobiano cada j pasos.
3. 1
k
(u) = 1)(u) y /
t
= 0, tenemos el algoritmo de Newton m as
relajado en el que s olo calculamos el jacobiano en el punto inicial u
0
.
Estos algoritmos est an implementados en el programa newton de Modus.
5.2.4 Metodo de elementos nitos
Esta tecnica es una creaci on de la Matem atica del siglo XX para linealizar
problemas de contorno.
Elementos nitos unidimensionales
Si c, ) : [0, 1] R son funciones continuas, se pretende hallar una funci on
n : [0, 1] R que cumpla
(1C)
_
n
tt
(r) + c(r)n(r) = )(r) en 0 < r < 1
n(0) = n(1) = 0
Consideramos el espacio vectorial \ = C
1
[0, 1] [ (0) = (1) = 0
dotado del producto escalar
( [ n) =
_
1
0
[
t
(r)n
t
(r) + (r)n(r)]dr
y de la norma correspondiente
|| =
__
1
0
[
t
(r)[
2
+[(r)[
2
dr
_
1
2
Es claro que (\, | |) es un espacio prehilbertiano y puede ser completado a
un espacio de Hilbert si fuese necesario para alg un raciocinio. En \ podemos
considerar la forma bilineal
1 : \ \ R
(, n)
_
1
0
[
t
(r)n
t
(r) + c(r)(r)n(r)]dr
y la forma lineal
1 : \ R

_
1
0
)(r)(r)dr
5.2. M
ON 209
y es f acil comprobar que toda n C
2
[0, 1] soluci on de (1C) cumple que
1(n, ) = 1() \
En efecto:
n
tt
(r)+c(r)n(r) = )(r) n
tt
(r)(r)+c(r)n(r)(r) = )(r)(r)
_
1
0
[n
tt
(r)(r) + c(r)n(r)(r)]dr =
_
1
0
)(r)(r)dr
e, integrando por partes,
_
1
0
n
tt
(r)(r)dr =
_
n
t
(r)(r)
_
1
0
+
_
1
0
n
t
(r)
t
(r)dr =
_
1
0
n
t
(r)
t
(r)dr
pues el corchete se anula para toda \ . As,
_
1
0
n
t
(r)
t
(r) + c(r)n(r)(r)dr =
_
1
0
)(r)(r)dr \
y, por tanto,
1(n, ) = 1() \
En lugar de resolver el problema inicial (1C) resolvemos este problema
asociado y buscamos un n \ tal que 1(n, ) = 1() \ al que
llamaremos soluci on generalizada del (1C).
En realidad, lo que haremos es elegir un subespacio \
n
\ de dimensi on
nita y buscar en el un n \
n
tal que 1(n, ) = 1() \
n
con
la idea de que al hacer crecer la dimensi on \
n
\
n
1
\
n
2
... las cor-
respondientes soluciones aproximadas n, n
1
, n
2
, ... tiendan a la soluci on
generalizada del problema inicial.
Ahora bien, si
1
, ,
n
es una base de \
n
y la soluci on n \
n
se ex-
presa en dicha base como n =
n
i=1
o
i
i
, los coecientes o
1
, , o
n
deben
cumplir el sistema lineal
o
1
1(
1
,
1
) +o
2
1(
2
,
1
) + + o
n
1(
n
,
1
) = 1(
1
)
o
1
1(
1
,
2
) +o
2
1(
2
,
2
) + + o
n
1(
n
,
2
) = 1(
2
)
.
.
.
o
1
1(
1
,
n
) + o
2
1(
2
,
n
) + +o
n
1(
n
,
n
) = 1(
n
)
As pues, la obtenci on de aproximaciones a la soluci on generalizada de un
problema de contorno se reduce a la resoluci on de un problema lineal au-
toadjunto que ser a positivo cuando la funci on dato c : [0, 1] R sea positiva.
La elecci on de los subespacios \
n
es una cuesti on importante. Podemos,
por ejemplo, elegir una partici on r
1
, , r
n
en (0, 1) y considerar
\
n
= [1
1
, 1
n
] donde 1
j
(r) = r(r 1)
n
i=1
i,=j
(r r
i
)
e ir renando la partici on, en caso necesario. Tambien podemos tomar
funciones de las familias de funciones que tenemos almacenadas en Modus
e ir aumentando el n umero de ellas, en caso necesario. Todo ello lo hemos
implementado en el programa elementosnitos1 de Modus.
Elementos nitos multidimensionales
Si es un dominio regular de R
3
con borde y c, ) : R son funciones
continuas, se pretende hallar una funci on n : R que cumpla
(1C)
_
n + cn = ) en
n = 0 en
siendo n el laplaciano.
Si n es soluci on de (1C), n + cn = ) de un adecuado espacio
de funciones que se anulan en . As, toda soluci on n de (1C) cumple
_
nd:+
_
cnd: =
_
) d:
y, como div(n) = n + (n [ ), por el teorema de la divergencia
_
nd: =
_
(n [ )d: ya que
_
(n [ n)d = 0
Toda soluci on del problema inicial es soluci on del problema asociado
_
((n [ ) + cn) d: =
_
) d: \
que es de la misma forma 1(n, ) = 1() \ del ejercicio anterior.
Podemos elegir un subespacio \
n
\ de dimensi on nita y buscar en el
un n \
n
tal que 1(n, ) = 1() \
n
con la idea de que al hacer
crecer la dimensi on \
n
\
n
1
\
n
2
... las correspondientes soluciones
aproximadas n, n
1
, n
2
, ... tiendan a la soluci on generalizada del inicial.
La elecci on de los subespacios \
n
en los problemas de contorno multidimen-
sionales es una cuesti on m as delicada que en el caso unidimensional. Suele
5.2. M
ON 211
utilizarse el metodo que describimos con el ejemplo bidimensional m as sen-
cillo posible, = (0, 1) (0, 1):
Elegido un natural `, tomamos / =
1
M+1
y consideramos la malla rect-
angular cuyos nodos son los puntos o
lm
= (|/, :/) con 0 |, : ` + 1.
Denotamos 1
lm
al cuadradito cuyo vertice inferior izquierdo es o
lm
y deno-
tamos T
1
al espacio de los polinomios en dos variables generado por 1, r, j
y rj y tomamos
\
M
= C() [ [
= 0 y [
K
lm
T
1
0 |, : `
No es difcil ver que una funci on de \
M
est a determinada de manera unica
por los valores que toma en los puntos o
lm
con 1 |, : ` luego el espacio
\
M
tiene dimensi on `
2
. Una base de \
M
es
1
, ,
M
2 donde
i
(o
lm
) =
i,l+M(m1)
(|, :)
Puede verse el programa elementosnitos2 de Modus.
5.2.5 Metodo de diferencias nitas
Si A e Y son espacios de funciones denidas en un intervalo [o, /], podemos
aproximarnos a la soluci on de un problema inverso 1(x) = b con 1 : A Y
tomando una partici on r
0
, , r
N+1
[o, /] y resolviendo el problema
discretizado 1 : R
N+2
R
N+2
para el dato (b(r
0
), , b(r
N+1
)).
Sean c, ) : [o, /] R funciones continuas. Nos planteamos hallar una funci on
n : [o, /] R que cumpla
(1C)
_
n
tt
(r) + c(r)n(r) = )(r) en o < r < /
n(o) = n
a
n(/) = n
b
Suponemos que (1C) tiene una soluci on C
4
(o, /). Si hacemos en [o, /]
la partici on de + 2 puntos r
i
= o +
i(ba)
N+1
[ i = 0, 1, ..., + 1 cuya cota
es / =
ba
N+1
, la f ormula de Taylor nos permite escribir para i = 1, , :
(r
i+1
) = (r
i
) +/
t
(r
i
) +
/
2
2

tt
(r
i
) +
/
3
6

ttt
(r
i
) +
/
4
24
tttt
(r
i
+
+
i
/)
(r
i1
) = (r
i
) /
t
(r
i
) +
/
2
2

tt
(r
i
)
/
3
6

ttt
(r
i
) +
/
4
24
tttt
(r
i
+
i
/)
Sumando ambas expresiones obtenemos
/
2
tt
(r
i
) = (r
i1
)+2(r
i
)(r
i+1
)+
/
4
24
_
tttt
(r
i
+
+
i
/) +
tttt
(r
i
+
i
/)
_
y si despreciamos el ultimo sumando
/
2
tt
(r
i
) = (r
i1
) + 2(r
i
) (r
i+1
) i = 1, ,
Ello obliga a la soluci on a cumplir el sistema de ecuaciones lineales
_
2 + c(r
1
)/
2
_
(r
1
) (r
2
) = /
2
)(r
1
) + n
a
(r
i1
) +
_
2 + c(r
i
)/
2
_
(r
i
) (r
i+1
) = /
2
)(r
i
) i = 2, , 1
(r
N1
) +
_
2 + c(r
N
)/
2
_
(r
N
) = /
2
)(r
N
) + n
b
La matriz de este sistema es la tridiagonal
=
_
_
_
_
_
_
_
_
_
2 +c(r
1
)/
2
1
1 2 + c(r
2
)/
2
1
.
.
.
1 2 + c(r
N1
)/
2
1
1 2 +c(r
N
)/
2
_
_
_
_
_
_
_
_
_
y el vector dato es
b =
_
_
_
_
_
_
_
/
2
)(r
1
) +n
a
/
2
)(r
2
)
.
.
.
/
2
)(r
N1
)
/
2
)(r
N
) + n
b
_
_
_
_
_
_
_
La soluci on del problema x = b es la discretizaci on ((r
1
), , (r
N
)) de
la soluci on : [o, /] R del problema (PC). Todo esto est a implementado
en el programa diferenciasnitas de Modus.
5.2.6 Antitransformada rapida de Fourier
Si (T, d) es un espacio metrico y C es el cuerpo complejo, el teorema 1.9.11
identica los subconjuntos \ C(T, C) tales que [(\)] = C(T, C). Si
(T, d) es localmente compacto, estos subconjuntos nos permiten identicar
las medidas nitas denidas en la - algebra de Borel de T. En el siguiente
teorema lo vemos cuando (T, d) es (R, [ [).
Teorema 5.2.7 Tranformada de Fourier
Sea /(R) el conjunto de todas las medidas nitas denidas en la - algebra
de Borel B(R). Si, para r R denimos el car acter
1
x
: R C ,
j c
ixy
la aplicaci on
5.2. M
ON 213
T : /(R) C(R, C) donde j : R C
j j r
_
R
1
x
dj
est a bien denida
2
y es inyectiva.
Demostraci on:
Para probar que j C(R, C), tomamos (r
i
) r. Entonces (1
x
i
) 1
x
puntualmente, [1
x
i
[ 1 i N y 1 1
1
(R, j) ya que j(R) < .
El teorema de la convergencia dominada concluye que
__
R
1
x
i
dj
_
_
R
1
x
dj ( j(r
i
)) j(r) j C(R, C).
Para demostrar la inyectividad jamos j
1
, j
2
/(R) tales que j
1
= j
2
.
Necesitamos probar que j
1
= j
2
. Para ello es suciente probar la igualdad
_
R
)dj
1
=
_
R
)dj
2
) C
b
(R, R). (5.1)
Lo hacemos en 3 pasos.
Paso 1:
Sea
0
(R, C) el conjunto de todas las combinaciones lineales con coecientes
complejos del conjunto 1
x
[ r R. De la igualdad j
1
= j
2
y de la aditivi-
dad de la integral se sigue que
_
R
o
0
dj
1
=
_
R
o
0
dj
2
o
0

0
(R, C). (5.2)
Sea (R, C) la clausura of
0
(R, C) en C
b
(R, C) respecto de la norma | |
.
De (5.2), como j
1
y j
2
son medidas nitas, obtenemos f acilmente
_
R
odj
1
=
_
R
odj
2
o (R, C). (5.3)
Sea (R, R) := (R, C) C
b
(R, R). De (5.3) obtenemos
_
R
odj
1
=
_
R
odj
2
o (R, R). (5.4)
Paso 2.
Sea 1 R un compacto no vaco, ) C
b
(R, R) una funci on no identica-
mente nula en 1 y ]0, 1[ un n umero real. Existe o (R, R) tal que
sup[)(r) o(r)[ : r 1 < y |o| |)| . (5.5)
2
La aplicacion T es la Transformacion de Fourer. La curva R R
3
denida de modo
que x (!( (x)), ( (x)), x) es la Tranformada de Fourier de la medida .
En efecto:
Usaremos el siguiente hecho establecido en el lema 1.9.4:
(R, R) es un algebra que contiene las constantes reales, separa los puntos
de R y es cerrada en la toma de m aximos y mnimos:
o
1
, o
2
(R, R)
_
o
1
o
2
= max(o
1
, o
2
) (R, R)
o
1
o
2
= min(o
1
, o
2
) (R, R)
Sea
K
(R, R) = o[
K
: o (R, R) y sea |p|
K
= sup[p(r)[ : r 1
si p C
b
(R, R). Por el teorema 1.9.1 existe p
1
(R, R) tal que
|) p
1
|
K
<

2
. (5.6)
Como )[
K
,= 0, de (5.6) deducimos que |p
1
|
K
0 y, as, podemos considerar
p := p
1
|)|
K
|p
1
|
K
(R, R).
Es claro que |p|
K
|)|
K
y adem as se cumple que
|) p|
K
< (5.7)
puesto que
|) p|
K
|) p
1
|
K
+ |p
1
p|
K
= |) p
1
|
K
+
_
_
_
_
p
1
p
1
|)|
K
|p
1
|
K
_
_
_
_
K
=
= |) p
1
|
K
+|p
1
|
K
1
|)|
K
|p
1
|
K
=
= |) p
1
|
K
+[|p
1
|
K
|)|
K
[ 2|) p
1
|
K
< .
Ahora, si consideramos la funci on
o := (|p|
K
p) |p|
K
tenemos que o (R, R) y |p|
K
o(r) |p|
K
r R. Por
tanto, |o| |p|
K
|)|
K
|)| y tambien tenemos que o[
K
= p[
K
.
Entonces, por (5.7), vemos que (5.5) se satisface para o.
Paso 3.
Fijemos una ) C
b
(R, R) no identicamente nula y un ]0, 1[. Existe un
compacto 1 R tal que
j
1
(R 1) < , j
2
(R 1) < y )[
K
,= 0.
De acuerdo con el Paso 2 existe un o (R, R) para el que se satisface (5.5).
De (5.3) obtenemos:
_
R
)dj
1
_
R
)dj
2
=
_
R
() o)dj
1
_
R
() o)dj
2
5.2. M
ON 215
y, tambien,
_
R
() o)dj
1
=
_
K
() o)dj
1
+
_
R\K
() o)dj
1
.
De acuerdo con 5.5 se cumple que |) o| |)| +|o| 2|)| y, as,
_
R
() o)dj
1
_
K
() o)dj
1
_
R\K
() o)dj
1
|) o|
K
j
1
(1) +|) o|j
1
(R 1) j
1
(1) + 2|)| .
Similarmente,
_
R
() o)dj
2
j
2
(1) + 2|)|
y, en consecuencia,
_
R
)dj
1
_
R
)dj
2
(j
1
(1) +j
2
(1) + 4|)|)
y, como 0 es arbitrario, obtenemos (5.1). Esta prueba est a inspirada
en la que podemos encontrar en la p ag 69 de [23] y contiene las correcciones
propuestas en [73] para evitar el error que aquella contiene.
Consecuencias 5.2.8
1. Para identicar una medida j /(R) no es necesario conocer
_
R
1
E
dj 1 B(R) sino
_
R
1
x
dj r R.
Por eso los estadsticos dicen que j es la funci on caracterstica de j.
2. Si j /(R) es absolutamente continua respecto de la medida de
Lebesgue, escribimos j << : y el teorema de Radon-Nikodym (ver
[21]) asegura una / L
1
(R, :) tal que dj = /d:. Entonces se habla
de la transformada de Fourier de la funci on /
/(r) =
_
R
1
x
/d:.
Si j es una medida discreta, combinaci on de deltas de Dirac, tenemos
j =
n
p=1
/
p
p1
y j(:) =
n
p=1
/
p
c
i(p1)s
.
En los puntos :
q
= 2
q1
n
con = 1, , n se cumple que
j(:
q
) =
n
p=1
/
p
c
2i
(p1)(q1)
n
=
n
p=1
/
p
n
qp
La matriz compleja
\ =
_
_
_
n
11
n
1n
.
.
.
.
.
.
.
.
.
n
n1
n
nn
_
_
_ con n
qp
= c
2i
(p1)(q1)
n
tiene una inversa especialmente sencilla:
\
1
=
1
n
\ donde \ = (n
qp
)
pues es f acil
3
comprobar que
1
n
n
k=1
n
pk
n
kq
=
1
n
n
k=1
c
2i
(k1)(qp)
n
=
_
1 si j =
0 si j ,=
Por tanto, es f acil resolver el sistema lineal
_
_
_
_
_
n
11
n
12
n
1n
n
21
n
22
n
2n
.
.
.
.
.
.
.
.
.
.
.
.
n
n1
n
n2
n
nn
_
_
_
_
_
_
_
_
_
_
/
1
/
2
.
.
.
/
n
_
_
_
_
_
=
_
_
_
_
_
_
j(0)
j
_
2
n
_
.
.
.
j
_
2(n1)
n
_
_
_
_
_
_
_
Su soluci on es
_
_
_
_
_
/
1
/
2
.
.
.
/
n
_
_
_
_
_
=
1
n
_
_
_
_
_
n
11
n
12
n
1n
n
21
n
22
n
2n
.
.
.
.
.
.
.
.
.
.
.
.
n
n1
n
n2
n
nn
_
_
_
_
_
_
_
_
_
_
_
j(0)
j
_
2
n
_
.
.
.
j
_
2(n1)
n
_
_
_
_
_
_
_
Si conocemos la j de una combinaci on de deltas podemos recuperar dicha
combinaci on tomando una muestra adecuada de j en [0, 2]. Esta antitrans-
formada r apida la determinamos con el programa IFFTRuido de Modus.
Si j << : con densidad / : [o, o + T] R:
/(:) =
_
R
c
ist
dj(t) =
_
a+T
a
/(t)c
ist
dt
3
Cuando p ,= q tenemos la suma de las raices del polinomio z
n
1 = 0 que es nula
como el coeciente del termino de grado n 1.
5.3. PR
ACTICAS 217
Si dividimos [a,a+T] seg un la partici on
t
p
= o +
T(j 1)
n
con j = 1, , n + 1
tenemos
/(:) =
n
p=1
_
t
p+1
tp
/(t)c
ist
dt
T
n
c
ias
n
p=1
/(t
p
)c
is
T(p1)
n
En los puntos :
q
= 2
q1
T
con = 1, , n
n
T
c
iasq
/(:
q
)
n
p=1
/(t
p
)n
qp
El sistema lineal
_
_
_
_
_
n
11
n
12
n
1n
n
21
n
22
n
2n
.
.
.
.
.
.
.
.
.
.
.
.
n
n1
n
n2
n
nn
_
_
_
_
_
_
_
_
_
_
/(t
1
)
/(t
2
)
.
.
.
/(j
n
)
_
_
_
_
_
=
n
T
_
_
_
_
_
_
/(0)
c
i2a
T

/
_
2
n
_
.
.
.
c
i2a(n1)
T

/
_
2(n1)
n
_
_
_
_
_
_
_
se resuelve autom aticamente:
_
_
_
_
_
/(t
1
)
/(t
2
)
.
.
.
/(t
n
)
_
_
_
_
_
=
1
T
_
_
_
_
_
n
11
n
12
n
1n
n
21
n
22
n
2n
.
.
.
.
.
.
.
.
.
.
.
.
n
n1
n
n2
n
nn
_
_
_
_
_
_
_
_
_
_
_
/(0)
c
i2a
T

/
_
2
n
_
.
.
.
c
i2a(n1)
T

/
_
2(n1)
n
_
_
_
_
_
_
_
Ello nos permite obtener una muestra discreta de la densidad de j a partir
del conocimiento de

/. Esta antitransformaci on r apida la calculamos con el
programa IFFTContinua de Modus
5.3 Practicas
1. Hallar la raiz real del polinomio r
3
+3r5 por el metodo de la bisecci on
y por el del punto jo. En este ultimo caso probar con las funciones
(a) G(r) =
5 r
3
3
e inicio en 1.15
(b) G(r) =
5
r
2
+ 3
e inicio en 1
2. Usando el metodo del punto jo, hallar una soluci on del sistema
r
2
1
10r
1
+ r
2
2
+ 8 = 0
r
1
r
2
2
+r
1
10r
2
+ 8 = 0
Probar con
G(r
1
, r
2
) =
_
r
2
1
+ r
2
2
+ 8
10
,
r
1
r
2
2
+r
1
+ 8
10
_
e inicio en (0, 0)
3. Hallar una soluci on del sistema
r
2
1
+ r
2
37 = 0
r
1
r
2
2
5 = 0
r
1
+r
2
+r
3
3 = 0
Sol:(6,1,-4), (6,-1,-2)
4. Usando el metodo de Newton hallar soluciones de las siguientes ecua-
ciones y sistemas:
(a) 2r
1
c
x1
= 0
(b) 4r
5
1
2r
4
1
+ 3r
3
1
r
1
+ 4 = 0
(c)
_
2r
1
r
2
c
x1
= 0
r
1
+ 2r
2
c
x
2
= 0
(d)
_
r
1
r
2
+ r
2
c
x
1
+ 10 = 0
r
3
1
r
2
7 = 0
(e)
_
r
1
+ cos r
2
= 0
r
2
sinh r
1
= 0
(f)
_
r
2
1
+r
2
2
1 = 0
r
1
r
2
= 0
(inicio en (2,0) y (-2,0))
(g)
_
_
r
2
1
+ r
2
2
+r
2
3
9 = 0
r
1
r
2
= 0
r
1
+ r
2
2
r
3
4 = 0
(h)
_
_
r
1
r
2
+ r
3
= 1
r
1
cos(r
2
+r
3
) = 1
sin(r
1
r
3
) = 1,2
inicio (1, 0, 0)
(i)
_
_
r
2
1
+ r
3
4
= 1
r
1
r
2
+ r
3
r
4
= 2
r
1
+ r
2
+r
3
r
4
= 3
inicio (1, 0, 1, 0)
5.3. PR
ACTICAS 219
(j)
_
4r
2
1
+ r
2
2
= 1
r
2
1
2r
1
+ r
2
2
= 3
inicios (2, 2), (2, 2), (1, 1), (1, 1).
(k)
_
_
r
3
1
+ r
2
+ r
3
= 5
5r
1
2r
2
+ 3r
3
= 9
r
2
1
r
2
2
12r
3
= 0
(l)
_
_
cos(r
1
r
2
+ r
3
r4) = 1
5r
1
2r
2
+ 3r
3
r4 = 9
r
2
1
r
2
2
12r
3
+ 14r4 = 20
5. La impedancia 7 en un circuito electrico verica la f ormula
1
7
=
1
1
2
+
_
C
1
1
_
2
Hallar la frecuencia angular para
(7, 1, C, 1) = (100 , 225 , 0.6 10
6
1, 0.5 H)
6. Una partcula ` situada en (4,0) inicia un movimiento circular uni-
forme lev ogiro de radio 3 y velocidad angular 3 en torno a un punto C,
al tiempo que este punto C inicia desde (1,0) otro movimiento circular
uniforme lev ogiro de radio 1 y velocidad angular 1 en torno al origen
de coordenadas.
(a) Determinar y representar la trayectoria de la partcula en el in-
tervalo de tiempo [0, 2).
(b) Hallar los puntos del plano por los que la partcula pasa dos veces
en ese periodo.
7. Aproximar el primer cuadrante de una elipse de semiejes ` y : por
dos arcos de circunfencia cuya yuxtaposici on sea diferenciable y tenga
la misma longitud que el trozo de elipse. (Ver eliap).
8. Aproximar el primer cuadrante de una elipse de semiejes ` y : por
tres arcos de circunfencia cuya yuxtaposici on sean diferenciable, tenga
la misma longitud que el trozo de elipse y encierre con los ejes la misma
area.
9. Una viga horizontal de longitud 1 est a construida de un material cuyo
m odulo de Young es 1 y el momento principal de inercia de su secci on
en el punto de abcisa r es 1(r). Si est a simplemente apoyada en
sus extremos, estirada en ellos por fuerzas constantes 1 y 1, y la
sometemos a una densidad de carga transversal )(r), su momento
ector n(r) cumple
_
_
_
n(r) +
1
1(r) 1
n(r) = )(r) en 0 < r < 1
n(0) = 0 , n(1) = 0
Usar los metodos de elementos nitos y diferencias nitas para hallar
el momento ector de vigas de diferentes secciones y materiales con
diferentes cargas.
Tema 6
Optimizacion
Todo problema de optimizaci on se enuncia del siguiente modo:
Sea (A, | |) un espacio eucldeo, sea A y sea ) : R una funci on.
Dado 1 hallar m 1 tal que )(m) = min
xP
)(x).
A la funci on ) se le suele llamar funcional objetivo del problema. Si
1 = , el problema se dice libre y si 1 , condicionado.
El problema inverso 1(x) = b, con 1 : R
m
, es una optimizaci on
libre de objetivo )(x) = |1(x) b| puesto que
1(m) = b )(m) = min
x
)(x).
Por otra parte, si ) : R es diferenciable, los puntos m que cumplen
)(m) = min
x
)(x) se obtienen resolviendo el problema inverso )(x) = 0.
La optimizaci on es, pues, un tema particular dentro del marco general de
los problemas inversos. Algunos, con objetivo diferenciable, ya han sido
recordados en el captulo 1. Si ) C
2
(), 1.11.1 da condiciones sucientes
para la existencia de optimos libres y 1.11.2 las da para los optimos de una
variedad diferenciable 1 .
Ejemplos 6.0.1
Usando el programa extremos de Modus hallar y clasicar los extremos
de las siguientes funciones ) : R
3
R:
1. )(x) = r
4
1
+ r
4
2
+r
4
3
, sobre la variedad 1 r
2
1
+r
2
2
+ r
2
3
= 1
2. )(x) = r
1
+ r
2
r
3
+ r
3
, sobre la variedad 1
_
r
2
1
+ r
2
2
= 1
r
2
+ r
3
= 1
221
222 TEMA 6. OPTIMIZACI
ON
3. )(x) = r
2
1
+r
2
2
+r
2
3
, sobre la variedad 1
_
_
_
r
2
1
4
+
r
2
2
9
+
r
2
3
25
= 1
r
1
+r
2
+ r
3
= 0
6.1 Algoritmos de descenso
Si (A, | |) es un espacio eucldeo, A es un abierto y ) : R es dos
veces diferenciable, buscamos un algoritmo para resolver el problema:
Hallar m tal que )(m) = min
x
)(x).
Si partimos de un punto u
0
podemos considerar la aproximaci on
)(u
0
+h) )(u
0
) + ()(u
0
)[h) +
1
2
_
2
)(u
0
)(h)[h
_
y estudiar el funcional
0
: A R
h
1
2
_
2
)(u
0
)(h)[h
_
+ ()(u
0
)[h)
Los extremos de
0
se obtienen resolviendo la ecuaci on
0
(h) = 0. Como
0
(h) =
2
)(u
0
)(h) +)(u
0
)
su soluci on es
h
0
=
_
2
)(u
0
)
_
1
)(u
0
)
Si
2
)(u
0
) es denida positiva, estamos en un mnimo y como
1
2
_
2
)(u
0
)(0)[0
_
+ ()(u
0
)[0) = 0,
deducimos que
1
2
_
2
)(u
0
)(h
0
)[h
0
_
+ ()(u
0
)[h
0
) < 0
y, en consecuencia, si u
1
= u
0
+h
0
tenemos que )(u
1
) < )(u
0
).
6.1.1 Algoritmo de Newton
Reiterando el proceso tenemos el algoritmo de descenso
u
k+1
= u
k

_
2
)(u
k
)
_
1
)(u
k
) / 0
que llamamos de Newton puesto que la sucesi on de iterantes (u
k
) es la misma
que la que se obtiene en 5.2.3 para 1
k
(u) =
2
)(u
k
).
6.1. ALGORITMOS DE DESCENSO 223
Si en lugar de considerar el funcional
k
: A R
h
1
2
_
2
)(u
k
)(h)[h
_
+ ()(u
k
)[h)
elegimos una direcci on arbitraria d
k
y consideramos la funci on
k
: R R

2
2
_
2
)(u
k
)(d
k
)[d
k
_
+()(u
k
)[d
k
)
tambien podemos calcular su mnimo anulando su derivada
t
k
() =
_
2
)(u
k
)(d
k
)[d
k
_
+ ()(u
k
)[d
k
)
que nos da el paso optimo en la direcci on d
k
:
k
=
()(u
k
)[d
k
)
(
2
)(u
k
)(d
k
)[d
k
)
Por tanto, la sucesi on
u
k+1
= u
k
()(u
k
)[d
k
)
(
2
)(u
k
)(d
k
)[d
k
)
d
k
/ 0
nos proporciona otro algoritmo de descenso puesto que, tambien,
)(u
0
) )(u
1
) )(u
k
)
Dependiendo de la particular elecci on del vector d
k
, obtenemos diferentes
algoritmos de descenso para nuestro problema de optimizaci on:
6.1.2 Algoritmo relajado
Si e
1
, , e
n
es una base ortonormal de A y elegimos
d
k
= e
r
k
+1
siendo :
k
el resto en la divisi on
/
n
tenemos el algoritmo de descenso relajado, con sucesi on de iterantes:
u
k+1
= u
k
()(u
k
)[e
r
k
+1
)
(
2
)(u
k
)(e
r
k
+1
)[e
r
k
+1
)
e
r
k
+1
/ 0
ON
6.1.3 Algoritmo del gradiente
Si elegimos d
k
= )(u
k
) tenemos el algoritmo del gradiente
u
k+1
= u
k

()(u
k
)[)(u
k
))
(
2
)(u
k
)()(u
k
))[)(u
k
))
)(u
k
) / 0
Todos estos algoritmos est an implementados en el programa algodescenso
de Modus y es interesante comparar sus velocidades de convergencia para
diferentes funciones objetivo.
Ejemplos 6.1.4
Optimizar los siguientes funcionales
1. )(r
1
, r
2
) = r
2
1
+r
2
2
2. )(r
1
, r
2
) = r
2
1
+ 2r
1
r
2
r
3
2
3. )(r
1
, r
2
) = r
1
r
2
sin(r
1
r
2
)
4. )(r
1
, r
2
) = 3r
3
1
+ r
3
2
r
1
r
2
6.2 Programacion lineal
Sea un espacio eucldeo (A, | |). Un problema de programaci on lineal (PL)
tiene el siguiente enunciado:
Hallar el m aximo de un ) A
en un poliedro 1 = x A [ x b.
Tres cosas pueden suceder:
1. 1 = . (PL) se llama infactible y max
xP
)(x) =
2. 1 ,= . (PL) se llama factible y 1 puede ser acotado o no serlo.
(a) Si 1 es acotado, es compacto y, como ) es continuo, alcanza su
m aximo en 1. As, (PL) es resoluble. Adem as, por el coro-
lario 1.10.15, existe un conjunto nito \ tal que 1 = co(\ ) y el
teorema 1.6.10 nos asegura que max
xP
)(x) = max
vV
)(v).
(b) Si 1 no es acotado, por el teorema 1.10.14, existen conjuntos
nitos \ y 1 tales que 1 = co(\ ) +cono(1). Si existe un y 1
tal que )(y) 0, ) no es acotado en 1, max
xP
)(x) = y (PL)
es irresoluble. Pero si )(y) 0 y 1, tenemos
)(x) = )
_
_
vV
v
v +
yR
j
y
y
_
_
vV
v
)(v) max
vV
)(v) x 1
y, as, max
xP
)(x) = max
vV
)(v), ) es acotado en 1 y (PL) es
resoluble.
6.2. PROGRAMACI
ON LINEAL 225
Si convenimos que (PL) es acotado cuando (PL) es factible y el funcional
objetivo es acotado en 1, podemos establecer el siguiente
Lema 6.2.1
Sea (A, | |) un espacio eucldeo y sea un problema (PL). Entonces:
1. (PL) es resoluble si y s olo si (PL) es acotado.
2. Si (PL) es resoluble, al menos una soluci on se alcanza en un punto
extremal de 1.
La posibilidad de reducir la b usqueda del m aximo, al conjunto nito de
puntos extremales de 1, es el fundamento de los algoritmos que tratan de
obtener las soluciones concretas de un (PL) resoluble (simplex, etc.)
Teorema 6.2.2
Sea un problema (PL) denido en un poliedro 1 = x A [ x b donde
: A R
m
lineal y b R
m
.
1. (PL) infactible y R
m
+
tal que
_
y = 0
(y [ b) < 0
2. (PL) factible y 1 acotado
_
(y [ b) 0 y R
m
+
tal que
y = 0
: dimA
Demostraci on:
1. La tesis propuesta es equivalente al corolario 1.10.12,2 que arma:
(PL) factible (y [ b) 0 y R
m
+
tal que
y = 0.
2. Es evidente que 1 +ker 1 y, por tanto, 1 acotado ker = 0.
Las relaciones de L orch aseguran que ker = [im
, luego 1
acotado im
= A. Entonces, dimker
+ dimA = : y, por
tanto, : dimA. Pero, : = dimA debe ser descartado pues, en
tal caso,
y son biyectivas y 1 =
1
b +x A[ x 0 no es
acotado.
Si en lugar de ) A
consideramos el c A tal que (c[x) = )(x) x A,

el problema (PL) consiste en hallar max(c[x) [ x b. El problema
dual (PL
) es, por denici on, el que trata de hallar

min(b[y) [ y 0
y = c
Teorema 6.2.3
ON
Sea (A, | |) un espacio eucldeo y sean c A, : A R
m
lineal y b R
m
.
Si 1 = x A [ x b , = y Q = y R
m
+
[
y = c , = , se
cumple:
1. max(c[x) [ x b = min(b[y) [ y 0
y = c
2. Si estos extremos son nitos y (x
0
, y
0
) 1 Q, los siguientes hechos
son equivalentes:
(a) (x
0
, y
0
) es soluci on de la ecuaci on (1).
(b) (c[x
0
) = (b[y
0
)
(c) (y
0
[b x
0
) = 0 (holgura complementaria)
Demostraci on:
1. Si (x, y) 1 Q es claro que (c[x) = (
y[x) = (y[x) (y[b)

y, por tanto,
max(c[x) [ x b min(b[y) [ y 0
y = c
S olo falta probar la existencia de un (x
0
, y
0
) 1 Q tal que (c[x
0
)
(y
0
[b): Una base en A identica A y R
dimX
y el corolario 1.10.12,2,
aplicado a la funci on lineal
1 : R
dimX
R
m
R
m
R R
dimX
R
dimX
(x, y) (x, (b[y) (c[x),
y,
y)
nos dice que las siguientes armaciones (I) y (II) son equivalentes:
(I) (x
0
, y
0
) tal que 1(x
0
, y
0
) (b, 0, c, c)
(II)
_
(u, , v, w) 0
1
(u, , v, w) = 0
(u[b) (w v[c)
(I) se puede escribir en la forma
(x
0
, y
0
) 1 Q tal que (b[y
0
) (c[x
0
)
que es, justamente, lo que precisamos para concluir. (II) se puede
escribir en la forma
_
_
(u, , v, w) 0
u = c
(wv) = b
(u[b) (wv[c)
cuya prueba es muy sencilla. Si 0,
(u[b) = (u[
1
b) =
1
(u[(wv)) =
1
(
u[wv) = (wv[c)
y, si = 0, para cualquier (x
1
, y
1
) 1 Q tenemos
(u[b) (u[x
1
) = (
u[x
1
) = 0 = ((wv)[y
1
) = (wv[c)
6.2. PROGRAMACI
ON LINEAL 227
2. La equivalencia (o) (/) est a contenida en la demostraci on de (1).
Veamos la equivalencia (/) (c):
(c[x
0
) = (
y
0
[x
0
) = (y
0
[x
0
) (y
0
[b) = (c[x
0
) (y
0
[bx
0
) = 0
6.2.4 Problemas tpicos de programacion lineal
Ejemplo 6.2.5
Una f abrica produce cerveza negra (N), rubia (R) y sin alcohol (S). Adem as
de agua y l upulo (ilimitados), utiliza malta y levadura. Los kilos disponibles
de estos recursos, las cantidades necesarias para la fabricaci on y el benecio
por litro de cada tipo de cerveza, se especican en la siguiente tabla
N R S Disponible
Malta 2 1 2 3000
Levadura 1 2 2 4500
Benecio 4 7 3
Se desea organizar la produccion para obtener el m aximo benecio.
Soluci on:
Sean j
1
, j
2
, j
3
los litros de N, R, S, y sean
y =
_
_
j
1
j
2
j
3
_
_
, b =
_
_
4
7
3
_
_
,
=
_
2 1 2
1 2 2
_
y c =
_
3000
4500
_
,
Es claro que el m aximo benecio es
B = max(b[y) [ y 0
y = c
El teorema 6.2.3 nos asegura que, tambien,
B = min(c[x) [ x b.
Usando el chero programacionlineal obtenemos las siguiente soluciones:
y
0
=
_
_
500
2000
0
_
_
, x
0
=
_
0.3333
3.3333
_
, B = (b[y
0
) = (c[x
0
) = 16.000
Ejemplo 6.2.6
ON
Una empresa tiene tres f abricas de tejas 1, 2, 3 y tres almacenes que las
venden 4, 5, 6. La producci on de cada f abrica, las ventas de cada almacen
y el precio unitario del transporte desde la f abrica i al almacen ,, vienen
dados por
p =
_
_
j
1
j
2
j
3
_
_
, v =
_
_
3
_
_
y (1
ij
) =
_
_
3 2 5
4 3 2
7 3 3
_
_
Se desea organizar el transporte para lograr el mnimo gasto G, en los
siguientes casos:
1. p = (20, 10, 15)
t
y v = (15, 5, 25)
t
.
2. p = (30, 20, 25)
t
y v = (15, 5, 25)
t
.
3. p = (30, 20, 25)
t
y v = (30, 35, 30)
t
.
Soluci on:
La red de distribuci on de la empresa puede modelizarse por el grafo bipartito
G(\,

1):
\ = 1, 2, 3, 4, 5, 6 y

1 = (1, 4), (1, 5), (1, 6), (2, 4), (2, 5), (2, 6), (3, 4), (3, 5), (3, 6)
Sea
la matriz de incidencia del grafo G(\,

1), sea j
3(i1)+j
la cantidad
de tejas que enva la f abrica i al almacen , y denotemos
y =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
j
1
j
2
j
3
j
4
j
5
j
6
j
7
j
8
j
9
_
_
_
_
_
_
_
_
_
_
_
_
_
_
, b =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
3
2
5
4
3
2
7
3
9
_
_
_
_
_
_
_
_
_
_
_
_
_
_
, c =
_
_
_
_
_
_
_
_
j
1
j
2
j
3
3
_
_
_
_
_
_
_
_
=
_
p
v
_
.
1. Como
j
i
=
j
, tenemos que
G = min(b[y) [ y 0
y = c
El teorema 6.2.3 nos asegura que, tambien,
G = max(c[x) [ x b
2. Como
j
i

i
, tenemos que
G = min(b[y) [ y 0
1
y p
2
y = v
donde
1
y
2
son las submatrices de
formadas por las las (1:3)

y las (4:6).
6.3. PROGRAMACI
ON CONVEXA 229
3. Como
j
i
<
i
, el problema es infactible.
El chero tejas pinta el grafo G(\,

1), calcula la matriz
y proporciona
las soluciones:
1. y
0
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
15
5
0
0
0
10
0
0
15
_
_
_
_
_
_
_
_
_
_
_
_
_
_
, x
0
=
_
_
_
_
_
_
_
_
108.87
106.59
107.59
105.87
106.87
104.59
_
_
_
_
_
_
_
_
y G = 120
2. y
0
=
_
15 5 0 0 0 20 0 0 5
_
t
y G = 110
3. MATLAB nos da el siguiente mensaje:
One or more of the residuals, duality gap, or total relative error has
grown 100000 times greater than its minimum value so far: the primal
appears to be infeasible (and the dual unbounded). (The dual residual
< TolFun=1.00e-008.)
Si se acuerda servir a los almacenes cantidades proporcionales a las
que solicitan, factibles dentro de la producci on, la soluci on sera
y
0
=
_
23.6842 6.3158 0 0 0 20 0 21.3158 3.6842
_
t
y G =
198.6842
6.3 Programacion convexa
Sea (A, | |) un espacio eucldeo. Un problema de programaci on convexa
(PC) tiene el siguiente enunciado:
Si A y ) : R son convexos, hallar min
xP
)(x) donde
1 =
_
x
_
1(x) 0
1(x) = b
_
y
_
1 : R
n
convexa
1 : A R
p
lineal
El conjunto 1 est a determinado por n desigualdades convexas 1
i
(x) 0 y
j igualdades anes 1
j
(x) = /
j
. Se incluyen los casos n = 0, j = 0 y el libre
(n, j) = (0, 0). Si 1
=
p
j=1
a
j
e
j
y b =
p
j=1
/
j
e
j
,
1 =
_
n
i=1
x [ 1
i
(x) 0
_
_
_
p
j=1
x A [ (a
j
[x) = /
j
_
_
.
ON
Como los conjuntos de nivel x [ 1
i
(x) 0 y los hiperplanos
x A [ (a
j
[x) = /
j
son convexos, 1 es intersecci on de convexos y, por
tanto, convexo.
Supondremos que 1 ,= para que el (PC) sea factible y no nos veamos obli-
gados a armar, por convenio, que inf
xP
)(x) = . Es m as, supondremos
que se cumple la siguiente condici on de Slater:
x int() tal que 1(x) < 0 y 1(x) = b.
Diremos que m 1 es punto optimal del (PC) si )(m) = inf
xP
)(x)
Teorema 6.3.1
Sea un problema (PC) en un espacio eucldeo (A, | |) y sea x
1.
Si 0 tal que )(x
) = inf
xPx
+B
)(x), x
es punto optimal.
Demostraci on:
Si x
no fuese optimal, existira un y 1 tal que )(y) < )(x
). Como x
es optimal en 1 x
+ 1, debe cumplirse que |y x
| y, por tanto,
=

2|yx
|
(0, 1). Entonces, z = (1 )x
+ y 1 y |z x
| =
|y x
| =

2
, luego z 1 x
+ 1. Llegamos, as, al siguiente

absurdo:
)(z) (1 ))(x
) + )(y) < )(x
) = inf
xPx
+B
)(x).
Observaciones 6.3.2
1. Si ) : R es diferenciable
1
,
) es convexo )(y) )(x) + 1)(x)(y x) x, y
2. Si 1) : A
es diferenciable,
) es convexo 1
2
)(x) es semidenida positiva x .
Teorema 6.3.3
Sea un (POC) planteado en un espacio eucldeo (A, | |) tal que ) : R
es diferenciable. Entonces,
x
es optimal de (PC) ()(x
)[y x
) 0 y 1
Demostraci on:
1
A fortriori, abierto en (X, | |)
6.3. PROGRAMACI
ON CONVEXA 231
() Supongamos que y 1 tal que ()(x
)[y x
) < 0. Por ser un

abierto, existe un 0 para el que est a bien denida y es derivable
la composici on
(, 1 + )

f
R
y + (1 )x
)(y) + (1 ))(x
)
La regla de la cadena asegura que () )
t
(0) = ()(x
)[yx
) < 0
y, por tanto, ) es estrictamente decreciente en 0. As, existe
0

(0, 1) tal que ) (0) ) (
0
) y, en consecuencia, x
no sera
punto optimal puesto que
)(x
) )(z) con z =
0
y + (1
0
)x
1.
() Por ser ) convexo y derivable sabemos que
)(y) )(x
) + ()(x
)[y x
) y 1
y, como ()(x
)[y x
) 0 y 1, )(y) )(x
) y 1.
El teorema 6.3.3 tiene la siguiente interpretaci on geometrica:
El hiperplano H = x A [ (a[x) = c, con a = )(x
) y c =
()(x
)[x
), pasa por el punto optimal x
1 y deja a un lado al convexo

1. Es, por tanto, un hiperplano soporte de 1 y x
1.
Adem as, tiene las siguientes consecuencias
Corolario 6.3.4
Sea un (POC) libre planteado en un espacio eucldeo (A, | |) cuyo funcional
objetivo ) : R es diferenciable. Entonces,
x
es punto optimal de (PC) )(x
) = 0
Demostraci on:
Es claro que 1 = y que es abierto. La condici on ()(x
)[y x
)
0 y implica que, para todo y = x
+ t)(x
) con t en un cierto
intervalo (, ), se tiene t()(x
)[)(x
) 0, pero esto sucede si y s olo

si )(x
) = 0.
Corolario 6.3.5
Sea un (POC) planteado en un espacio eucldeo (A, | |) s olo con condiciones
lineales de igualdad 1x = b. Si su objetivo ) : R es diferenciable,
x
1 es optimal de (PC) )(x
) ker(1)
ON
v R
p
tal que
_
)(x
) + 1
v = 0
1x
= b
Demostraci on:
Es claro que 1 = x
+ker(1). La condici on ()(x
)[yx
) 0 y
1 implica que ()(x
)[z) 0 z ker(1), luego )(x
) ker(1). La
otra equivalencia se deduce de la relaci on de L orch [ker 1]
= im(1
).
Un (POC) se puede substituir por cualquiera de los problemas equivalentes:
1. Problema sin condiciones de igualdad:
Si hallamos x
0
tal que 1x
0
= b, otro x que cumpla 1x = b,
estar a en
1
= x
0
+ker(1). Sea (Y, | |) otro Hilbert de dimensi on
nita desde el que podemos denir una aplicaci on lineal ` : Y A
tal que im(`) = ker(1), y sea G
2
la restricci on al conjunto
2
=
G
1
(
1
) Y de la aplicaci on afn
G : Y A
y x
0
+ `y
El problema inicial admite el enunciado alternativo (PCd) en (Y, | |):
min
yP
2
)G
2
(y) con
_
) G
2
:
2
R
1 G
2
:
2
R
n
y 1
2
=
_
y
2
1 G
2
(y) 0
_
2. Problema en el epigrafo del objetivo:
Sea
1
=epi(f)= (x, :) [ )(x) : A R (convexo) y sea el
nuevo funcional objetivo )
1
:
1
(x, :) : R (lineal y, por
tanto, convexo). Si consideramos las nuevas condiciones
1 :
1
(x, :) ()(x):, 1(x)) R
n+1
y

1 : AR (x, :) 1x R
p
,
el problema inicial admite el enunciado alternativo (PCe) en A R:
min
xP
1
)
1
(x) con
_
_
)
1
:
1
R
1 :
1
R
n+1
1 : A R R
p
y 1
1
=
_
(x, :)
1
_

1(x, :) 0
1(x, :) = b
_
Para un (POC) general planteado en un espacio eucldeo (A, | |) denimos:
1. La funci on lagrangiana:
L : 1 R
n
+
R
p
R
(x, u, v) )(x) + (u[1(x)) + (v[1x b)
6.3. PROGRAMACI
ON CONVEXA 233
2. El funcional objetivo dual:
p : R
n
+
R
p
R
(u, v) inf
xP
L(x, u, v)
La importancia de estas deniciones se pone de maniesto en las siguientes
Observaciones 6.3.6
1. En el (POC) tratado en el corolario 6.3.5 la lagrangiana es
L : 1 R
p
R
(x, v) )(x) + (v[1x b)
y su tesis se puede expresar en la forma cl asica:
x
1 es punto optimal v R
p
tal que L(x
, v) = 0
puesto que
L(x
, v) = 0
_
x
L(x
, v) = )(x
) + 1
v = 0
v
L(x
, v) = 1x
b = 0
2. En cualquier (POC), el objetivo dual nos proporciona cotas inferiores:
p(u, v) inf
xP
)(x) (u, v) R
n
+
R
p
puesto que
L(x, u, v) = )(x)+(u[1(x))+(v[1xb) )(x) (x, u, v) 1R
n
+
R
p
3. En cualquier (PCd),
El problema dual (PC
) es, por denici on, el que trata de hallar

sup
(u,v)Q
p(u, v) siendo Q = (u, v) R
n
+
R
p
[ p(u, v)
El problema (PC
) es factible cuando Q ,= . En tal caso, (PC
) es un
problema de programaci on convexa planteado en el espacio eucldeo R
n
R
p
,
pues Q es un subconjunto convexo de este epacio, el funcional objetivo
p : Q R es c oncavo y, maximizarlo, es equivalente a minimizar el funcional
convexo p : Q R.
Teorema 6.3.7
Sea un (POC) planteado en un espacio eucldeo (A, | |) que cumple la
condici on de Slater (ver p ag. 230) y sea (PC
) su problema dual. En-

tonces,
sup
(u,v)Q
p(u, v) = inf
xP
)(x)
Demostraci on:
ON
6.3.8 Ejemplos tpicos de programacion convexa
Como todo funcional lineal es convexo, el problema (PL) de programaci on
lineal es un caso particular de problema (PC). Otro caso particular impor-
tante es el problema (PQ) de programaci on cuadr atica.
6.4 Practicas
1. Investigar la orden directa de MATLAB
[A, c] = bicg(, b, T, /, `1, `2, A0)
que utilizamos en metodositerativos cuando no converge jacobi,
gaussseidel ni relajaci on.
Tema 7
Aproximacion no hilbertiana
7.1 Introduccion
Si Y es un subespacio cerrado de un espacio normado (A, | |), para cada
x A hemos denido en la p ag. 29 la distancia al subespacio
d(x, Y) := inf|x y| [ y Y .
Si (A, | |) es un Hilbert, el teorema 1.10.5 asegura para cada x A que
1. El conjunto de mejores aproximaciones es no vaco
/(x, Y ) := y Y [ |x y| = d(x, Y ) , =
Es decir, todo subespacio cerrado es proximinal.
2. El conjunto de mejores aproximaciones tiene un unico elemento /
Y
(x).
3. La aplicaci on de mejor aproximaci on
/
Y
: A A
x /
Y
(x)
es lineal, continua e idempotente, es decir, es una proyecci on.
4. Adem as, x /
Y
(x) Y

por lo que /
Y
es una proyecci on orto-
gonal de norma 1.
Sin embargo, si (A, | |) no es un Hilbert, ninguno de los puntos anteriores
tiene por que cumplirse.
La existencia de mejores aproximaciones est a asegurada en los subespacios Y
de dimensi on nita: Al ser Y localmente compacto, toda sucesi on (y
n
) Y
tal que |x y
n
| d(x, Y ), por ser acotada, tiene una subsucesi on conver-
gente (y
n
k
) y
x
Y y, as, aseguramos que |x y
x
| = d(x, Y).
235
236 TEMA 7. APROXIMACI
ON NO HILBERTIANA
La existencia de mejores aproximaciones es m as f acil en los espacios duales.
El siguiente corolario del teorema 1.4.2 asegura que aunque un subespacio
cerrado Y A no sea proximinal, Y

= p A
[ p(y) = 0 y Y
siempre es proximinal en (A
, | |).
Corolario 7.1.1
Sea (A, | |) un espacio normado y sea Y un subespacio. Entonces:
1. Y

es subespacio cerrado de (A
, | |).
2. Para cualquier ) A
, existe un p
f
Y
que cumple
|) p
f
| = inf|) p| [ p Y

= |)|
Y
3. Si ) [
Y
est a alineado con y Y , tambien lo est a ) p
f
.
Demostraci on:
1. Cada x A puede entenderse como un funcional lineal y continuo
u
x
: A
R
) )(x)
Para cada y Y , ker u
y
es un subespacio vectorial cerrado y
Y
yY
ker u
y
luego, como itersecci on de subespacios cerrados, es subespacio cerrado.
2. Dado ) A
, para cada p Y
se tiene que
|) p| = sup() p)(x) [ x A, |x| = 1
sup() p)(y) [ y Y, |y| = 1 =
= sup)(y) [ y Y, |y| = 1 = |)|
Y
Luego
inf|) p| [ p Y
|)|
Y
Ahora bien, ) [
Y
: Y R es un funcional lineal y continuo y, seg un
1.6.5, tiene una extensi on

) : A R de igual norma que ) [
Y
. En-
tonces, p
f
:= )

) se anula en Y , es decir, p
f
Y
. Adem as,
|) p
f
| = |
)| = |)|
Y
inf|) p| [ p Y

Como la desigualdad contraria es evidente, Y

es proximinal en A
y
2. est a completamente probado.
7.1. INTRODUCCI
ON 237
3. Si ) [ Y estuviera alineado con y Y tendramos
() p
f
)(y) = )(y) = |)|
Y
|y| = |) p
f
||y|
luego ) p
f
tambien estara alineado con y
El hecho de que un subespacio cerrado Y sea proximinal en (A, | |), no
signica que el conjunto /(x, Y ) de mejores aproximaciones tenga un unico
elemento. Es f acil ver que /(x, Y ) siempre es convexo, cerrado y acotado
pero, en general, no es at omico.
Diremos que un espacio normado (A, | |) es estrictamente convexo si
_
|x| = |y|
x ,= y
_
_
_
_
x +y
2
_
_
_
_
< |x|
Es interesante la siguiente caracterizaci on de convexidad estricta:
Lema 7.1.2
Sea (A, | |) un espacio normado, 1(A) su bola unidad cerrada y o(A) su
frontera.
1. ext(1(A)) o(A).
2. ext(1(A)) = o(A) si y s olo si (A, | |) es estrictamente convexo.
Demostraci on:
1. En todo espacio normado tenemos que co(o(A)) = 1(A). El lema
1.5.1 nos asegura que ext(1(A)) o(A).
2. Probamos en primer lugar que si (A, | |) no es estrictamente con-
vexo, o(A) , ext(1(A)): Existen x ,= y con |x| = |y| = 1 tales
x+y
2
o(A). Es claro que x, y 1(A)
x+y
2
y
x+y
2
, 1(A)
x+y
2
,
luego 1(A)
x+y
2
no es convexo y, por tanto
x+y
2
, ext(1(A)).
Ahora, suponemos que (A, | |) es estrictamente convexo y probamos
que o(A) ext(1(A)) por reducci on al absurdo: Sea e o(A).
Si suponemos que 1(A) e no es convexo es f acil ver que existen
x
1
, x
2
1(A) e tales que x
1
,= x
2
y
x
1
+x
2
2
, 1(A) e. En-
tonces,
x
1
+x
2
2
= e y, por tanto, |x
1
| = |x
2
| = 1. Esto contradice la
hip otesis de ser (A, | |) estrctamente convexo.
En R
n
, para 1 j , consideramos las normas
_
_
_
|x|
p
= (
n
i=1
[r
i
[
p
)
1
p
si j <
|x|
= max
1in
[r
i
[ si j =
ON NO HILBERTIANA
y utilizaremos frecuentemente las siguientes abreviaturas:
|
n
p
:= (R
n
, | |
p
) 1
n
p
:= 1(|
n
p
) y o
n1
p
:= o(|
n
p
)
Lema 7.1.3
Si 1 < j < , el espacio |
n
p
es estrictamente convexo.
Demostraci on:
Sean x ,= y tales que |x|
p
= |y|
p
. Debemos probar que, entonces,
_
_
_
_
x + y
2
_
_
_
_
p
< |x|
p
Supongamos, en primer lugar, que x 0 e y 0, es decir, que todas las
coordenadas de ambos vectores son positivas. Como la derivada segunda de
la funci on ) : R
+
t t
p
R es una funci on positiva, ) es una funci on
convexa y, por tanto,
_
r
i
+j
i
2
_
p
1
2
r
p
i
+
1
2
j
p
i
i = 1, , n
y sumando todos
n
i=1
_
r
i
+j
i
2
_
p
1
2
n
i=1
r
p
i
+
1
2
n
i=1
j
p
i
=
n
i=1
r
p
i
=
n
i=1
j
p
i
pero, como x ,= y, existe alg un i
0
para el que
1
2
r
p
i
0
+
1
2
j
p
i
0
< maxr
p
i
0
, j
p
i
0
y, por tanto, el menor estricto debe darse tambien en la suma. As,

n
i=1
_
r
i
+j
i
2
_
p
<
n
i=1
r
p
i
=
n
i=1
j
p
i
En el caso general, llegamos, con los mismos argumentos, a las relaciones
n
i=1
r
i
+j
i
2
i=1
_
[r
i
[ + [j
i
[
2
_
p
i=1
[r
i
[
p
=
n
i=1
[j
i
[
p
y, como x ,= y, existe alg un i
0
para el que o bien
1
2
[r
i
0
[
p
+
1
2
[j
i
0
[
p
< max[r
i
0
[
p
, [j
i
0
[
p
o bien
0 =
r
i
0
+ j
i
0
2
p
<
1
2
[r
i
0
[
p
+
1
2
[j
i
0
[
p
7.2. MEJOR APROXIMACI
ON EN (C[, 1], | |
) 239
luego, una de las desigualdades entre las sumas tiene que ser estricta.
Una condici on suciente para que los conjuntos /(x, Y ) sean at omicos es
que (A, | |) sea estrictamente convexo. En efecto, si y
1
, y
2
/(x, Y ) con
y
1
,= y
2
llegamos a un absurdo:
_
|x y
1
| = |x y
2
|
x y
1
,= x y
2
_
_
_
_
x
y
1
+y
2
2
_
_
_
_
< d(x, Y)
Los Hilbert son estrictamente convexos debido a la ley del paralelogramo:
_
|x| = |y|
x ,= y
|x + y|
2
+|x y|
2
= 4|x|
2
|x +y|
2
< 4|x|
2
Sin embargo, (C[o, /], | |
) no es estrictamente convexo, pues las funciones

)
1
(r) = 1 y )
2
(r) =
r o
/ o
tienen norma 1 y su semisuma
f
1
+f
2
2
tambien
tienen norma 1.
Aunque podamos denir la aplicaci on de aproximaci on /
Y
, puede que no
sea lineal. Entonces, puede ser preferible usar una proyecci on 1 : A A
cuya imagen sea Y y tomar 1(x) como una aproximaci on suciente de x en
Y . El error cometido al tomar esta decisi on es |r 1(x)| y es claro que
d(x, Y ) |x1(x)| = |x/
Y
(x)+1
Y
(x)1(x)| (1+|1|)d(x, Y )
As, la raz on entre el error cometido y el menor error posible de aproxi-
maci on, es menor o igual que 1 + |1|. Convendr a, pues, que la norma de
la proyecci on elegida sea lo menor posible.
7.2 Mejor aproximacion en (C[a, b], | |
)
Es claro que C[o, /] 1
2
[o, /] y que (1
2
[o, /], | |
2
) es un espacio de Hilbert.
Sin embargo, para muchas cuestiones tecnicas nos interesa m as distinguir
los elementos ), p C[o, /] puntualmente
|) p|
= sup[)(r) p(r)[ [ r [o, /]

que en promedio
|) p|
2
=
__
b
a
[)(r) p(r)[
2
dr
_
1
2
Chebychev estudi o la unicidad de la mejor aproximaci on de una ) C[o, /]
en determinados subespacios de dimensi on nita y tendremos ocasi on de
ver que los resultados son mucho m as costosos que en (1
2
[o, /], | |
2
). Em-
pezamos con una denici on y un teorema de caracterizaci on.
ON NO HILBERTIANA
Denici on 7.2.1
Si ), p C[o, /], designamos
1(), p) = r [o, /] [ [)(r) p(r)[ = |) p|
Teorema 7.2.2
Sea Y C[o, /] un subespacio de dimensi on nita y sea ) C[o, /].
j
0
(), Y ) min
xD(f,y
0
)
[)(r) j
0
(r)] j(r) 0 j Y
Demostraci on:
Notemos que si ) Y , ambas armaciones se verican trivialmente. Por
tanto, supondremos que ) , Y .
) Si j
0
, (), Y ) existe una j
1
Y tal que
[)(r) j
1
(r)[ < [)(r) j
0
(r)[ r 1(), j
0
)
y, por tanto,
[)(r) j
0
(r)[
2
[)(r) j
1
(r)[ [)(r) j
0
(r)[ 0 r 1(), j
0
)
La funci on j
1
j
0
Y niega la segunda armaci on:
[)(r)j
0
(r)][j
1
(r)j
0
(r)] = [)(r)j
0
(r)][)(r)j
0
(r))(r)+j
1
(r)] =
[)(r) j
0
(r)]
2
[)(r) j
1
(r)] [)(r) j
0
(r)] 0 r 1
) Supongamos que existe j
2
Y tal que
min
xD(f,y
0
)
[)(r) j
0
(r)] j
2
(r) = / 0
Por ser ), j
0
e j
2
continuas, r 1(), j
0
) existe un entorno abierto
donde
[)(r) j
0
(r)] j
2
(r) /,2
y siendo l la uni on de todos esos entornos abiertos tenemos que
[)(r) j
0
(r)] j
2
(r) /,2 r l
Como 1(), j
0
) l, el m aximo |) j
0
|
no se puede alcanzar en el
compacto 1 = [o, /] l y, por tanto,
|) j
0
|
max
xK
[)(r) j
0
(r)[ = c 0
Con estos mimbres construimos una j
3
Y m as pr oxima a ) que j
0
:
j
3
= j
0
+j
2
siendo = min
_
c
2|j
2
|
,
/
2|j
2
|
2
_
ON EN (C[, 1], | |
) 241
(a) Si r l:
[)(r) j
3
(r)[
2
= [)(r) j
0
(r) j
2
(r)[
2
=
[)(r) j
0
(r)[
2
2[)(r) j
0
(r)[ [j
2
(r)[ +
2
[j
2
(r)[
2
[)(r) j
0
(r)[
2
/ +
2
[j
2
(r)[
2
[)(r) j
0
(r)[
2
/ +
/
2
luego
[)(r) j
3
(r)[
2
|) j
0
|
2
/
2
< |) j
0
|
2
(b) Si r 1:
[)(r) j
3
(r)[ = [)(r) j
0
(r)[ +[j
2
(r)[ [)(r) j
0
(r)[ +
c
2

max
xK
[)(r) j
0
(r)[ +
c
2
= |) j
0
|

c
2
< |) j
0
|

7.2.3 Subespacios de Chebychev
Denici on 7.2.4
Las funciones linealmente independientes j
1
, j
2
, , j
n
C[o, /] forman
un sistema de Haar o el subespacio Y = [j
1
, j
2
, , j
n
] es de Haar, si
cualquier elemento no nulo de Y tiene menos de n raices en [o, /].
Lema 7.2.5
_
j
1
, j
2
, , j
n
C[o, /]
lin. ind.
es de Haar
_
r
1
, r
2
, , r
n
[o, /]
dispersa, det[j
i
(r
j
)] ,= 0
Demostraci on:
21 Existe una combinaci on no nula con n raices distintas, luego el sistema
siguiente tiene soluci on no trivial:
1
j
1
(r
1
) +
2
j
2
(r
1
) + +
n
j
n
(r
1
) = 0
1
j
1
(r
2
) +
2
j
2
(r
2
) + +
n
j
n
(r
2
) = 0
.
.
.
1
j
1
(r
n
) +
2
j
2
(r
n
) + +
n
j
n
(r
n
) = 0
As, su matriz debe tener el determinante nulo.
ON NO HILBERTIANA
12 Existe una n-tupla dispersa
1
en [o, /] con det[j
i
(r
j
)] = 0. El sistema
anterior tiene soluci on no trivial y, por tanto, existe una combinaci on
i
j
i
no identicamente nula con n raices. Luego j
1
, j
2
, , j
n
no
es un sistema de Haar.
Lema 7.2.6
Sea Y C[o, /] un subespacio de Haar n-dimensional y ) C[o, /] Y .
Entonces:
j
0
/(), Y ) card(1(), j
0
)) n + 1
Demostraci on:
Supongamos que 1(), j
0
) = r
1
, , r
p
con j n. Si j
1
, , j
n
es una
base de Haar de Y , el sistema
1
j
1
(r
1
) +
2
j
2
(r
1
) + +
n
j
n
(r
1
) = )(r
1
) j
0
(r
1
)
1
j
1
(r
2
) +
2
j
2
(r
2
) + +
n
j
n
(r
2
) = )(r
2
) j
0
(r
2
)
.
.
.
1
j
1
(r
p
) +
2
j
2
(r
p
) + +
n
j
n
(r
p
) = )(r
p
) j
0
(r
p
)
tiene soluci on, digamos, /
1
, , /
n
. Consideramos / =
/
i
j
i
Y . Esta
funci on cumple que
[)(r
i
) j
0
(r
i
)] /(r
i
) = [)(r
i
) j
0
(r
i
)[
2
= d(), Y )
2
0 i = 1 n
y, seg un el teorema 7.2.2, j
0
, /(), Y ).
Teorema 7.2.7
Si Y C[o, /] es de Haar, /(), Y ) es at omico ) C[o, /]
Demostraci on:
2
Supongamos que Y es n-dimensional y existen j
1
,= j
2
en /(), Y ). Como
/(), Y ) es convexo,
j
0
=
j
1
+ j
2
2
/(), Y )
Tenemos, entonces, que card(1(), j
0
)) n + 1 y
_
_
[)(r) j
1
(r)[ d(), Y )
[)(r) j
2
(r)[ d(), Y )
[)(r) j
0
(r)[ = d(), Y )
r 1(), j
0
)
1
Decimos que la n-tupla |x1, , xn es dispersa si x1 < < xn.
2
El recproco tambien es cierto pero no presentamos la demostracion.
ON EN (C[, 1], | |
) 243
y como
)(r) j
0
(r) =
)(r) j
1
(r) +)(r) j
2
(r)
2
resulta que
[)(r) j
1
(r)[ = [)(r) j
2
(r)[ r 1(), j
0
)
Como el valor absoluto es una norma estrictamente convexa en R y no se
cumple la desigualdad con la semisuma, se deduce que j
1
= j
2
en 1. As,
j
1
j
2
es no nula en Y y tiene n + 1 raices en [o, /]: Y no es de Haar.
Es f acil comprobar que 1, r, , r
n1
y 1, c
x
, , c
nx
son sistemas
de Haar en cualquier C[o, /] y 1, cos r, sinr, , cos nr, sinnr lo es en
C[, c] para c < 2. As, en los m as importantes subespacios ni-
todimensionales de funciones continuas, tenemos asegurada la unicidad de
la mejor aproximaci on. Nuestro siguiente objetivo es cracterizarla.
7.2.8 Caracterizacion de la mejor aproximacion
Para un subespacio cerrado Y de un espacio normado (A, | |), el funcional
d
Y
: A R
+
x d(x, Y)
es una seminorma que se anula en Y . Para caracterizar la atomicidad de los
suconjuntos /(x, Y ) de un subespacio proximinal Y , es conveniente estudiar
los funcionales lineales 1 : A R dominados por d
Y
. Se caracterizan por
cumplir
Y ker 1 y |1| 1
Corolario 7.2.9 Existencia de funcionales maximales
Sea (A, | |) un espacio normado, Y A un subespacio proximinal y x
0
, Y .
Existe un funcional ` d
Y
tal que |`| = 1 y `(x
0
) = d
Y
(x
0
).
Demostraci on:
Consideremos el funcional lineal
:: [x
0
] Y R
x
0
+y d
Y
(x
0
)
Es claro que : d
Y
. El teorema 1.4.2 nos asegura la existencia de una
extensi on lineal de :, ` : A R, tambien dominado por d
Y
. Entonces,
|:| |`| 1. Pero el car acter proximinal de Y garantiza la existencia
de y
0
Y tal que |x
0
y
0
| = d(x
0
, Y ). Luego
:
_
x
0
y
0
|x
0
y
0
|
_
= 1 y, por tanto, |:| 1
ON NO HILBERTIANA
En (C[o, /], | |
), para un subespacio de Haar y una funci on no contenida

en el, es sencillo construir un funcional maximal de los asegurados en el
corolario 7.2.9.
Lema 7.2.10
Sea Y C[o, /] un subespacio de Haar n-dimensional, y A = r
1
, , r
n+1
una (n+1)-tupla dispersa de [o, /]. Existe un unico funcional lineal maximal
`: C[o, /] R
)
n+1
i=1
j
i
)(r
i
)
que cumple:
n+1
i=1
j
i
,= 0 , :ip(j
i
) = (1)
i+1
i = 1, , n y
n+1
i=1
[j
i
[ = 1
Demostraci on:
Dada una base de Haar j
1
, , j
n
de Y y la (n + 1)-tupla A, el sistema
1
j
1
(r
1
) + +
n+1
j
1
(r
n+1
) = 0
1
j
2
(r
1
) + +
n+1
j
2
(r
n+1
) = 0
.
.
.
1
j
n
(r
1
) + +
n+1
j
n
(r
n+1
) = 0
tiene un rayo de soluciones [(
1
, ,
n+1
)] tal que
n+1
i=1
i
,= 0 pues si
alg un

i
fuese nulo, pasando su columna al segundo miembro, veramos
que tambien deberan ser nulos todos los dem as.
Con cualquier soluci on particular no nula,
1
, ,
n+1
construimos
un funcional lineal
1()) =
n+1
i=1
i
)(r
i
)
que cumple Y ker 1 y basta elegir
=
:ip(
1
)
n+1
i=1
[
i
[
para que los j
i
=
:ip(
1
)
i
n+1
i=1
[
i
[
i = 1, n + 1
ON EN (C[, 1], | |
) 245
cumplan que j
1
0 ,
n+1
i=1
j
i
,= 0 y
n+1
i=1
[j
i
[ = 1.
Por otra parte, es claro que existe una j Y que tiene sus n 1 raices en
r
1
, , r
n+1
r
i
, r
i+1
y, por tanto, j(r
i
) j(r
i+1
) 0. As,
`(j) = j
i
j(r
i
) +j
i+1
j(r
i+1
) = 0 luego :ip(j
i+1
) = :ip(j
i
)
El funcional ` cumple que |`| 1 porque
[`())[ =
n+1
i=1
j
i
)(r
i
)
n+1
i=1
[j
i
[ [)(r
i
)[
_
n+1
i=1
[j
i
[
_
|)|
Adem as, eligiendo una funci on ) de norma 1 tal que

)(r
i
) = sig(j
i
) vemos que |`|
n+1
i=1
[j
i
[ = 1
Corolario 7.2.11
Dada ) C[o, /], `()) depende continuamente de A = r
1
, , r
n+1
y
lim
x
i
x
i+1
`()) = 0
Demostraci on:
Si j
1
, , j
n
es una base de Haar de Y , el sistema
1
j
1
(r
1
) + +
i
j
i
(r
1
) + +
n
j
n
(r
1
) = )(r
1
)
.
.
.
1
j
1
(r
i1
) + +
i
j
i
(r
i1
) + +
n
j
n
(r
i1
) = )(r
i1
)
1
j
1
(r
i+1
) + +
i
j
i
(r
i+1
) + +
n
j
n
(r
i+1
) = )(r
i+1
)
.
.
.
1
j
1
(r
n+1
) + +
i
j
i
(r
n+1
) + +
n
j
n
(r
n+1
) = )(r
n+1
)
tiene soluci on unica. Existe j Y tal que j = ) en A r
i
y, por tanto,
[`())[ = [`() j)[ = [j
i
[[)(r
i
) j(r
i
)[ [)(r
i
) j(r
i
)[
As,
lim
x
i
x
i+1
[)(r
i
) j(r
i
)[ = 0 lim
x
i
x
i+1
[`())[ 0
ON NO HILBERTIANA
Corolario 7.2.12
Dado un subespacio de Haar n-dimensional Y C[o, /] suponemos que para
una ) C[o, /] y una j Y existe una (n+1)-tupla dispersa r
1
, , r
n+1
=
A [o, /] tal que
:ip()(r
i
) j(r
i
)) = (1)
i
i = 1, , n + 1
Entonces,
d(), Y ) min
x
i
X
[)(r
i
) j(r
i
)[
Demostraci on:
Siendo ` el funcional maximal de Y asociado a la (n+1)-tupla A tenemos
d(), Y ) = d() j, Y ) [`() j)[ =
n+1
i=1
j
i
()(r
i
) p(r
i
))
Nos dicen que todos los sumandos tienen signo constante. Por tanto,
d(), Y ) =
n+1
i=1
[j
i
[ [()(r
i
) p(r
i
))[ min
x
i
X
[)(r
i
) p(r
i
)[
Lema 7.2.13
Sea Y C[o, /] un subespacio de Haar n dimensinal y ` : C[o, /] R el
funcional maximal asociado a la (n+1)-tupla dispersa A = r
1
, , r
n+1
.
Para cada ) C[o, /] existe una unica j
0
Y tal que
j
0
(r
i
) + `())
j
i
[j
i
[
= )(r
i
) r
i
A
Adem as, j
0
[
X
es la mejor aproximaci on de ) [
X
.
Demostraci on:
Dada una base de Haar j
1
, , j
n
de Y consideramos el sistema
1
j
1
(r
1
) + +
n
j
n
(r
1
) +
n+1
j
1
[j
1
[
= )(r
1
)
.
.
.
1
j
1
(r
n+1
) + +
n
j
n
(r
n+1
) +
n+1
j
n+1
[j
n+1
[
= )(r
n+1
)
Multiplicando cada ecuaci on por su j tenemos el sistema equivalente
1
j
1
j
1
(r
1
) + +
n
j
1
j
n
(r
1
) +
n+1
[j
1
[ = j
1
)(r
1
)
.
.
.
1
j
n+1
j
1
(r
n+1
) + +
n
j
n+1
j
n
(r
n+1
) +
n+1
[j
n+1
[ = j
n+1
)(r
n+1
)
ON EN (C[, 1], | |
) 247
y sumando tenemos
1
n+1
i=1
j
i
j
1
(r
i
)
. .
0
+ +
n
n+1
i=1
j
i
j
n
(r
i
)
. .
0
+
n+1
= `())
luego
n+1
= `()) y elimin andolo del sistema inicial tendremos
1
j
1
(r
1
) + +
n
j
n
(r
1
) = )(r
1
) `())
j
1
[j
1
[
.
.
.
1
j
1
(r
n+1
) + +
n
j
n
(r
n+1
) = )(r
n+1
) `())
j
n+1
[j
n+1
[
Este sistema tiene una solucon
1
, ,
n
y tomando
j
0
=
n
i=1

i
j
i
j
0
(r
i
) +`())
j
i
[j
i
[
= )(r
i
) r
i
A
Observemos que el teorema 7.2.2 mantiene su validez si sustituimos [o, /]
por cualquier espacio compacto, por ejemplo, por el espacio discreto A. Si
j
0
[
X
no fuese la mejor aproximaci on de ) [
X
existira alguna j Y tal que
[)(r
i
) j
0
(r
i
)] j(r
i
) = `())
j
i
j(r
i
)
[j
i
[
0 r
i
A
y, en tal caso,
n+1
i=1
j
i
j(r
i
)
1
`())
en contra del supuesto Y ker `. .
Teorema 7.2.14
Sea Y C[o, /] un subespacio de Haar n-dimensional y ) C[o, /]:
(1) j
0
/(), Y ) (2)
_
A = r
1
, , r
n+1
[o, /] dispersa tq
)(r
i
) j
0
(r
i
) = (1)
i
|) j
0
|
r
i
A
Demostraci on:
21 Suponiendo (2 1) llegaremos a un absurdo: j
1
Y tal que
[)(r
i
) j
1
(r
i
)[ |) j
1
|
< |) j
0
|
= [)(r
i
) j
0
(r
i
)[ r
i
A
Por tanto, j
1
j
0
= () j
0
) () j
1
) tiene el mismo signo que ) j
0
en cada r
i
A. Esto quiere decir que j
1
j
0
Y cambia de signo n
veces en [o, /], luego tiene al menos n raices en [o, /], luego Y no es de
Haar, contra la hip otesis.
ON NO HILBERTIANA
12 Sea j
0
/(), Y ). Para cada (n + 1)-tupla A [o, /] dispersa consid-
eramos el funcional maximal `
X
. De acuerdo con el corolario 7.2.11,
M= max[`
X
())[ [ A [o, /] dispersa
se alcanza en una

A = r
1
, , r
n+1
[o, /] dispersa.
Probemos que j
0
coincide con la mejor aproximaci on j
1
de ) en

A.
Si, as no fuera tendramos, por el lema 7.2.13 que
[)() j
1
()[ [

`())[ para alg un [o, /]
siendo

` el funcional maximal respecto de

A y podriamos sustituir
un punto de

A por este de modo que obtuvieramos otra (n+1)-tupla
dispersa

A
1
=
r
1
, ,

r
n+1
que cumpliera
:ip()(
r
i
) j
1
(
r
i
)) = :ip()( r
i
) j
1
( r
i
)) i = 1, , n + 1
Si

` fuera el funcional maximal respecto de

A tendramos
[

`())[ = [

`() j
1
)[ =
n+1
i=1
[
j
i
[ [)(
r
i
) j
1
(
r
i
)[ =
= [

`())[ +
n+1
i=1
[
j
i
[
_
[)(
r
i
) j
1
(
r
i
)[ [

`())[
_
[

`())[ = M
en contra del car acter m aximo de M. Luego j
0
es la mejor aproxi-
maci on de ) en la (n + 1)-tupla A
0
.
7.2.15 El algoritmo de Remez
La (n+1)-tupla

A = r
1
, , r
n+1
[o, /] dispersa que cumple las condi-
ciones del teorema 7.2.14 se llama (n+1)-tupla alternante de ) en Y . Remez
dise n o un algoritmo para obtenerla:
1. Tomar cualquier r
0
1
, , r
0
n+1
como (n + 1)-tupla inicial.
2. Determinar el unico polinomio j de grado n 1 tal que
)(r
0
i
) j(r
0
i
) = [)(r
0
i+1
) j(r
0
i+1
)] i = 1, , n
3. Calcular la norma |) j|
4. Si |) j|
[)(r
0
i
) j(r
0
i
)[ <tolerancia acabar.
5. Si no, calcular j [o, /] tal que
|) j|
= [)(j) j(j)[ [)(r

0
i
) j(r
0
i
)[
y substituir un punto de A
0
por j para obtener una nueva (n+1)-tupla
A
1
= r
1
1
, , r
1
n+1
a la que aplicar de nuevo todo el proceso.
7.3. PROYECCI
ON VERSUS APROXIMACI
ON 249
Nosotros lo hemos implementado en el programa remez de Modus.
Es f acil comprobar que los polinomios de grado menor o igual que 1 que
mejor aproximan a c
x
, cos(r) y c
x
+ cos(r) en [0,1] son
.8940 + 1.7183 r, 1.0537 .4596 r y 1.9462 + 1.2586 r
y as, vemos que la aplicaci on de aproximaci on /
Y
: C[o, /] T
1
aunque
es idempotente, no es lineal.
7.3 Proyeccion versus Aproximacion
Como ya hemos dicho, casi siempre es preferible una proyecci on de imagen
Y que una aplicaci on de aproximaci on sobre Y que no sea lineal. Una
proyecci on de imagen Y es una aplicaci on lineal continua e idempotente
1: C[o, /] Y
) 1())
y, por tanto, un elemento del producto tensor C[o, /]
Y . Si j
1
, , j
n
es una base de Y , tendremos

1 =
n
i=1
j
i
j
i
donde j
i
: C[o, /] R es una medida con signo, de las aseguradas por el
teorema de representaci on de Riesz (ver [21]). Si Y = T
n
es el subespacio
de los polinomios de grado menor o igual que n y j
0
, , j
n
es una de sus
bases, tendremos
1
n
()) =
n
i=0
__
b
a
)dj
i
_
j
i
y, para asegurar la idempotencia es necesario y suciente que la base cumpla
_
b
a
j
j
dj
i
=
ij
i, , = 0, ..., n
7.3.1 Proyecciones interpolatorias
Si tomamos j
i
=
x
i
siendo r
0
, ..., r
n
una (n + 1)-tupla dispersa
_
b
a
j
j
d
x
i
= j
j
(r
i
) =
ij
i, , = 0, ..., n
y la base j
0
, ..., j
n
debe ser la de Lagrange para r
0
, ..., r
n
:
j
j
(r) =
i=j
_
r r
i
r
j
r
i
_
, = 0, , n
ON NO HILBERTIANA
En este caso tenemos la interpolaci on de Lagrange:
1
n
()) =
n
i=0
)(r
i
)j
i
Para estimar la norma de la proyecci on interpolatoria de Lagrange
1
n
=
n
i=0
x
i
j
i
observemos que la funci on
n
=
n
i=0
[j
i
[ : [o, /] R cumple que
|1
n
| =
_
_
_
_
_
n
i=0
x
i
j
i
_
_
_
_
_
i=0
|j
i
|
= |
n
|
.
Por otra parte, si r [o, /] es un punto donde
n
alcanza el m aximo abso-
luto, la funci on poligonal
: [o, /] R
r
i
sign j
i
( r)
tiene norma uniforme 1 y cumple que
|1
n
()|
= max
x[a,b]
i=0
sign j
i
( r)j
i
(r)
i=0
sign j
i
( r)j
i
( r)
= ||
En consecuencia, |1
n
| = |
n
|
y no es difcil ver que |

n
|
n. Pero,
evidentemente, |
n
|
depende de la particular distribuci on de la (n + 1)-

tupla r
0
, ..., r
n
en el intervalo [o, /]. Presentamos una tabla comparativa
para la distribuci on equidistante sobre [o, /] (E) y la distribuci on proyectada
en [o, /] de la equidistante sobre la semicircunferencia de di ametro [o, /]
(CH):
Tabla comparativa
n |1
n
(1)| |1
n
(CH)|
2 2 2
3 3 3
4 4.1126 4.0214
5 5.3046 5.0377
6 6.5545 6.0492
7 8.1377 7.0567
8 11.4577 8.0629
9 16.6223 9.0655
10 25.6438 10.0686
7.3. PROYECCI
ON VERSUS APROXIMACI
ON 251
La distribuci on uniforme sobre la semicircunferencia, introducida por Cheby-
chev, puede ser considerada optima pues |1
n
(CH)| n y n es una cota
inferior para todas las distribuciones posibles. Sin embargo, las interpola-
ciones habituales en los labaratorios suelen ser las equidistantes sobre [o, /].
Ambas est an implementadas en el programa interpolaciondelagrange de
Modus.
La interpolaci on de Lagrange de una funci on ) C
1
[o, /] en los nodos
r
0
, , r
n
puede ser especializada en el siguiente sentido:
A nadimos el nuevo nodo r
i
+ t o r
i
t, con t sucientemente peque no, e
imponemos que en el, el polinomio interpolador tome el valor )(r
i
) +t)
t
(r
i
)
o )(r
i
) t)
t
(r
i
). Si hacemos que t 0, el resultado es un polinomio que en
los nodos iniciales coincide con la funci on ) y, adem as, en el nodo r
i
, su poli-
nomio derivado coincide con )
t
. El polinomio interpolador habr a aumentado
un grado para obtener esta especializaci on. Naturalmente, esto lo podemos
hacer en m as nodos. El tipo de interpolaci on en el que exigimos la coinci-
dencia de los valores de la funci on y de sus derivadas se llama interpolaci on
de Hermite y est a implementada en el programa interpolaciondehermite
de Modus.
A partir de la interpolaci on de Hermite se puede desarrollar la interpolaci on
por splines: Si se quiere interpolar una funci on ) C
1
[o, /] podemos dividir
[o, /] en n partes. En cada una de ellas encontramos un polinomio c ubico
que coincide con la funci on en sus extremos y, en ellos, tambien coincide el
polinomio derivado con )
t
. Esos trozos de polinomios c ubicos se unen muy
bien, porque en sus extremos las tangentes coinciden. As encontramos una
funci on buena a trozos cuyo grado no es elevado. Esto est a implementado
en interpolacionsplin de Modus.
7.3.2 Proyecciones ortogonales
Si elegimos medidas absolutamente continuas respecto de la de Lebesgue,
j
i
<< :, tendremos dj
i
= /
i
d: en [o, /], y, entonces, la condici on de
idempotencia en los elementos de la base nos exige que
_
b
a
j
j
dj
i
=
_
b
a
j
j
/
i
d: =
ij
i, , = 0, ..., n
Tomando /
i
= j
i
donde j
0
, ..., j
n
es una base de polinomios ortonormales
respecto de cualquier peso : [o, /] R
+
cumpliremos la condici on:
_
b
a
j
j
j
i
d: =
ij
i, , = 0, ..., n
ON NO HILBERTIANA
En este caso tenemos la -proyeccion:
1
n
()) =
n
i=0
() [ j
i
)j
i
Disponemos de dos modos muy sencillos de obtener bases de polinomios
ortogonales en el intervalo [1, 1] y, con un cambio de variable, en cualquier
intervalo [o, /]:
El primero consiste en realizar un proceso de ortonormalizaci on de Gram-
Schmidt en el conjunto de los polinomios b asicos 1, r, r
2
,.... As obtenemos
los polinomios ortonormales de Legendre en [1, 1] 1
0
(r), 1
1
(r), 1
2
(r),
El segundo se deduce de comprobar que
()
_

0
cos nt cos :t dt =

2

nm
n, : 1
La f ormula de Moivre nos dice que cos nt se puede expresar como un poli-
nomio de grado n y coecientes enteros en cos t. Es el n-esimo polinomio de
Chebychev C
n
que cumple
C
n
(cos t) = cos nt.
Es inmediato comprobar que
C
0
(cos t) = 1,
C
1
(cos t) = cos t,
C
n+1
(cos t) +C
n1
(cos t) = cos(nt +t) +cos(nt t) = 2 cos tC
n
(cos t),
C
nm
(cos t) = cos(n :t) = C
n
(cos :t) = C
n
(C
m
(cos t))
y, haciendo el cambio cos t = r, lo expresamos en la forma
1. C
0
(r) = 1
2. C
1
(r) = r
3. C
n+1
(r) = 2rC
n
(r) C
n1
(r)
4. C
nm
(r) = C
n
(C
m
(r)).
Adem as, de () obtenemos que
_
1
1
1
1 r
2
C
n
(r) C
m
(r) dr =

2

nm
n, : 1
y, por tanto, los polinomios C
n
son ortogonales en [1, 1] respecto del peso
(r) =
1
1 r
2
7.4. PR
ACTICAS 253
Si los normalizamos, tenemos la familia -ortonormal
C/
0
(r) =
1
, C/
n
(r) =
_
2
C
n
(r) n 1
Todo esto lo hemos implementado en el programa proyeccionortogonal
de Modus
7.4 Practicas
1. Consideramos la funci on )(r) =
1
2
c
x
2
2
en el intervalo [1, 1].
(a) Hallar un polinomio de interpolaci on de grado 4 en el intervalo.
(b) Que error se comete si aproximamos
_
1
1
)(r)dr por la integral
de dicho polinomio?
2. Consideramos la funci on )(r) =
1
1 +r
2
(a) Interpolar ) en dicho intervalo con 3 splines c ubicos.
(b) Que error se comete si aproximamos
_
1
1
)(r)dr por la integral
de su interpolada?
3. Consideramos la funci on )(r) = r
3
cosh(r
3
2)
r
4
+ 2
(a) Elegir los 3, 4, 5, 6 y 7 puntos intermedios de dicho intervalo que
se estimen m as convenientes para realizar las correspondientes
interpolaciones de 4, 5, 6 , 7 y 8 splines.
(b) MATLAB nos dice que
1 =
_
8
1
)(r)dr 6.1951157
Substituir, sucesivamente, )(r) por las anteriores interpolaciones
spline y calcular sus integrales 1
3
, 1
4
, 1
5
, 1
6
y 1
7
en [1, 8]
(c) Estudiar la tabla
3 4 5 6 7
1 1
3
1 1
4
1 1
5
1 1
6
1 1
7
ON NO HILBERTIANA
Tema 8
Teora de control
8.1 Control de las oscilaciones lineales
El movimiento de una partcula bajo la acci on de un campo lineal conser-
vativo (ver ejemplo 4.1.3) y en un medio viscoso que ofrece un rozamiento
proporcional a la velocidad, est a regido por la ecuaci on diferencial
:

x +/

x= :1x o mejor

x +2

x +1x = o con =
/
2:
0
Para compensar la perdida de energa absorbida por el medio, a nadimos al
campo lineal una fuente externa. Tenemos, as, un nuevo campo de fuerzas
cuya intensidad vara con el tiempo:
1 : R
3
[0, ) R
3
(x, t) 1x +u(t)
La ecuaci on del movimiento en el medio viscoso bajo este campo es
x +2

x +1x = u(t)
y basta transformarla en el sistema
_
x +1x = 0
2

x= u(t)
para saber cual es la fuente externa que compensa la viscosidad del medio.
Tambien puede transformarse en un sitema de primer orden en el espacio
de fases, introduciendo la variable v =

x:
_
v
_
=
_
0 1
1 21
_
_
x
v
_
+
_
o
u
_
255
256 TEMA 8. TEOR
IA DE CONTROL
Los vectores de este espacio son de la forma A =
_
x
v
_
y, designando
=
_
0 1
1 21
_
y l =
_
o
u
_
,
nuestro sistema se puede escribir en la forma compacta
A= A +l.
Su soluci on, para las condiciones iniciales A(0) =
_
x
0
v
0
_
, es
A = c
At
A(0) +
_
t
0
c
A(ts)
l(:) d: .
El programa controldelrozamiento de Modus nos resuelve el primer sis-
tema y el programa oscilacionlineal de Modus nos calcula la trayectoria
para cualquier elecci on de autovalores, viscosidad y fuerza externa.
La f ormula anterior permite plantear el problema general de control,
hallar un l tal que en el instante T lleve al sistema al estado A(T) = 1
0
como un problema inverso dado por la ecuaci on integral vectorial
_
T
0
c
A(Ts)
l(:) d: = 1
donde 1 = 1
0
c
AT
A(0) es el dato y l es la inc ognita a determinar.
Si tenemos en cuenta que
c
A(Ts)
=
_
_
_
o
11
(T :) o
16
(T :)
.
.
.
.
.
.
o
61
(T :) o
66
(T :)
_
_
_ ,
la anterior ecuaci on se convierte en el sistema de ecuaciones escalares
_
T
0
o
11
(T :)n
1
(:)d: + +
_
T
0
o
16
(T :)n
6
(:)d: = /
1
()
.
.
.
_
T
0
o
61
(T :)n
1
(:)d: + +
_
T
0
o
66
(T :)n
6
(:)d: = /
6
Considerando la funci on
8.1. CONTROL DE LAS OSCILACIONES LINEALES 257
T
T
: [0, T] [0, T]
: T :
podemos escribir cada integral en la forma
_
T
0
o
ij
(T :)n
j
(:)d: =
_
T
0
o
ij
T
T
n
j
d:
y entenderla como la evaluaci on del funcional lineal continuo n
j
en el vector
o
ij
T
T
de un cierto espacio normado de funciones reales T(0, T):
n
j
: T(0, T) R
)
_
T
0
)(:)n
j
(:)d:
El espacio T(0, T) debe ser precisado si queremos modelizar de forma ade-
cuada nuestro problema inverso pues, s olo entonces podremos conocer su
dual T(0, T)
, que es donde debemos buscar los n

j
:
1. Si T(0, T) = (C[0, T], | |
), el teorema de representaci on de Riesz nos

dice que los n
j
deben ser buscados en el espacio B[0, T] de las medidas
de Borel con signo, dotado con la norma de la variaci on total.
2. Si T(0, T) = (1
2
[0, T], | |
2
) el teorema de Riesz-Fisher nos dice que
debemos buscar los n
j
en el mismo espacio (1
2
[0, T], | |
2
).
3. Si T(0, T) = (1
1
[0, T], | |
1
), debemos buscar los n
j
en el espacio
(1
[0, T], | |
) de las funciones esencialmente acotadas.

Mediante la transformaci on de Laplace y el teorema de convoluci on, pode-
mos desintegrar el sistema () transform andolo en el sistema lineal
L(o
11
(t)) L(n
1
(t)) + + L(o
16
(t)) L(n
6
(t)) = L(/
1
)
(o1)
.
.
.
L(o
61
(t)) L(n
1
(t) + + L(o
66
(t)) L(n
6
(t)) = L(/
6
)
que ya se puede resolver c omodamente. Intentemos aplicar esta tecnica a
nuestro problema inicial de controlar un oscilador lineal en un medio viscoso
para anular los rozamientos.
Ejercicio 8.1.1
Hallar una fuente externa que a nadida a la acci on del campo lineal 1x
contrarrestre los efectos de la viscosidad = .5 del medio, en una oscilaci on
de condiciones iniciales x(0) = (5, 4, 0) y

x (0) = (4, 5, 0).
258 TEMA 8. TEOR
IA DE CONTROL
Soluci on:
Si la fuente l eliminara los efectos del rozamiento, la trayectoria
A(t) = c
Amt
A
0
+
_
t
0
c
Am(ts)
l(:) d: con
m
=
_
O 1
1 1
_
sera 2-peri odica y, por tanto, debera cumplirse que,
A
0
= A(2) = c
Am2
A
0
+
_
2
0
c
Am(2s)
l(:) d:
El programa controldelrozamiento2 de Modus nos da la soluci on
l
0
=
_
_
_
_
_
_
_
_
4.8002
4.1454
0
3.9965
4.6142
0
_
_
_
_
_
_
_
_
0
+
_
_
_
_
_
_
_
_
3.9965
4.6142
0
0.8037
8.7595
0
_
_
_
_
_
_
_
_
:= \
0
0
+\
1
Esto quiere decir que MATLAB ha ido a buscarla al espacio B[0, 2] de
las medidas de Borel con signo, y ha encontrado una que tiene una parte
discreta (\
0
0
) y otra parte absolutamente continua (\
1
).
Entendiendo que la evaluaci on de este hiperfuncional l
0
= \
0
0
+\
1
sobre
la matriz de funciones c
Am(ts)
es
_
t
0
c
Am(ts)
dl
0
(:) = c
Amt
\
0
+
_
t
0
c
Am(ts)
\ 1d:
podemos comprobar que l
0
cumple la ecuaci on
A(2) = c
Am2
A
0
+
_
2
0
c
Am(2s)
dl
0
(:).
En efecto:
c
Am2
A
0
+ c
Am2
\
0
+
_
2
0
c
Am(2s)
\ 1d: =
=
_
_
_
_
_
_
_
_
0.1998
0.1454
0
0.0035
0.3858
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
4.8002
4.1454
0
3.9965
4.6142
0
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
5
4
0
4
5
0
_
_
_
_
_
_
_
_
Sin embargo, nuestra soluci on
A(t) = c
Amt
A
0
+
_
t
0
c
Am(ts)
dl
0
(:)
8.2. CONTROL

OPTIMO 259
ya no puede cumplir que A(0) = A
0
pues, al tener l
0
una parte discreta,
resulta que
_
0
0
c
Am(s)
dl
0
(:) = \
0
,= 0 y por tanto A(0) = A
0
+\
0
,= A
0
Esta objeci on aparecer a siempre que la soluci on de la ecuaci on integral tenga
una parte discreta. En este caso, nos negamos a aceptar fsicamente esta
soluci on matem aticamente correcta porque
1. La fuente externa l
0
no tiene sus tres primeras componentes nulas y
no la sabemos interpretar como una fuerza.
2. Esa superfuerza nos cambia dr asticamente las condiciones iniciales
de posici on.
3. Ya tenemos otra soluci on m as razonable implementada en el programa
controldelrozamiento de Modus.
Sin embargo, como m as tarde veremos, en algunos casos podremos asumir
este tipo de soluciones.
8.2 Control optimo
A la vista de todo lo dicho, plantearemos el problema de control de un sis-
tema de forma abstracta para facilitar su entendimiento.
Sea (A, | |) un espacio normado
1
. Un sistema o es un elemento de A
n
R
n
.
Es decir, una n-tupla (x
1
, , x
n
) en A y otra n-tupla (c
1
, , c
n
) en R.
Un control de o es un funcional ) A
tal que )(x

i
) = c
i
i = 1, , n.
El sistema o se dice controlable si el conjunto de sus controles es no vaco:
((o) := ) A
[ )(x
i
) = c
i
i = 1, , n , = .
Obviamente, este conjunto puede ser at omico, ((o) = )
0
, pero si tiene
alg un otro elemento ), resulta que ) )
0
[x
1
, , x
n
]
y, por tanto,
((o) = )
0
+ [x
1
, , x
n
]
.
Probaremos que en tales subconjuntos de (A
, | |) siempre existe un ele-

mento de norma mnima al que llamaremos control optimo.
1
Generalmente, un espacio de funciones reales
260 TEMA 8. TEOR
IA DE CONTROL
Teorema 8.2.1 Control optimo
Sea (A, | |) un espacio normado. Todo sistema controlable admite un con-
trol opimo.
Demostraci on:
Sea o = (x
1
, , x
n
, c
1
, , c
n
) un sistema controlable. El conjunto de
controles del sistema es de la forma
((o) = )
0
+Y

con Y = [x
1
, , x
n
]
Como
inf
f((S)
|)| = inf
f((S)
|)
0
()
0
))| = inf|)
0
p| [ p Y

,
la existencia de un )
m
((o) de norma mnima se dedude directamente del
corolario 7.1.1. Adem as, tal control optimo es de la forma )
m
= )
0
p
f
0
y
debe cumplir que
|)
m
| = |)
0
p
f
0
| = min|)
0
p| [ p Y
= |)
0
|
Y
.
Como Y es un subespacio de dimensi on nita y
|)
0
|
Y
= sup)
0
(y) [ y Y, |y| = 1
este supremo es un m aximo accesible en un cierto y
m
=
o
i
x
i
Y que
debe estar alineado con )
m
. Podemos hallar el vector y
m
resolviendo el
problema asociado de extremos condicionados (PAEC):
|)
m
| = )
m
(y
m
) = sup
_
o
i
c
i
_
con
_
_
_
o
i
x
i
_
_
_ = 1
Ejercicio 8.2.2
En (R
5
, | |3
2
) se considera el sistema (x
1
, x
2
, x
3
, x
4
; c
1
, c
2
, c
3
, c
4
) con
_
_
x
1
= (1, 2, 3, 4, 5) y c
1
= 3
x
2
= (2, 0, 1, 5, 4) y c
2
= 4
x
3
= (7, 0, 1, 2, 1) y c
3
= 5
x
4
= (5, 2, 1, 2, 1) y c
4
= 7
Probar que es controlable y hallar el control optimo.
Soluci on:
Los controles, de existir, ser an elementos x (R
5
, | |
3
) que cumplan
(x
1
[ x) = c
i
i = 1 : 4
8.2. CONTROL

OPTIMO 261
es decir, solucionnes del sistema lineal
_
_
_
_
1 2 3 4 5
2 0 1 5 4
7 0 1 2 1
5 2 1 2 1
_
_
_
_
_
_
_
_
_
_
r
1
r
2
r
3
r
4
r
5
_
_
_
_
_
_
=
_
_
_
_
3
4
5
7
_
_
_
_
El programa rouchecontrol de Modus nos dice que el sistema es contro-
lable y que la forma general de los controles es
_
_
_
_
_
_
0.3628
1.805
0
1.009
0.4425
_
_
_
_
_
_
+ o
1
_
_
_
_
_
_
0.01990
0.4313
0.7498
0.2189
0.4512
_
_
_
_
_
_
Entre ellos, el de | |
3
mnima es el correspondiente a o
1
= 1.335,
_
_
_
_
_
_
0.3894
1.2296
1.0009
0.7165
0.1598
_
_
_
_
_
_
Ejercicio 8.2.3
Queremos que un cohete alcance una altura H con el mnimo gasto de com-
bustible. C omo debemos controlarlo?
Soluci on:
Suponemos la gravedad constante, la masa del cohete igual a 1, el tiempo to-
tal empleado igual a T y la fuente externa p+n(t) donde n : [0, T] R
+
es
la inyecci on de combustible. El movimiento est a gobernado por la ecuaci on
diferencial escalar
r (t) = p + n(t) con r(0) = 0

r (0) = 0
que en el espacio de fases se escribe
_
_
=
_
0 1
0 0
__
r
_
+
_
0
p + n
_
con
_
r(0)
(0)
_
= 0
Como c
A(ts)
=
_
1 t :
0 1
_
tenemos que
_
r(t)
(t)
_
=
_
t
0
_
1 t :
0 1
__
0
p + n(:)
_
d: =
_
_
1
2
pt
2
+
_
t
0
(t :)dn(:)
pt +
_
t
0
dn(:)
_
_
262 TEMA 8. TEOR
IA DE CONTROL
Si queremos determinar n para llegar en el instante T al estado
_
H
0
_
con un
gasto de combustible
_
T
0
dn mnimo, debemos ver este ejercicio como un
problema de control optimo en el espacio (C[0, T], | |
) para el sistema
_
_
_
_
T
0
dn(:) = pT
_
T
0
(T :)dn(:) = H +
1
2
pT
2
ya que en su espacio dual, el espacio de las medidas B[0, T], la norma es la
variaci on total |n| =
_
T
0
dn. Este sistema es equivalente al sistema
_
_
_
_
T
0
dn(:) = pT
_
T
0
:dn(:) =
1
2
pT
2
H
que, con la notaci on de la p ag. 259, se escribe en la forma
o = (1, :, pT,
1
2
pT
2
H) C[0, T]
2
R
2
.
Este sistema admite una soluci on n = /
0
. Para verlo, basta exigir
1
2
pT
2
= H y / = pT , es decir, / =
_
2pH.
As, n
0
=
2pH
0
es un control del sistema o y con el las ecuaciones del
movimiento del cohete son
_
_
_
r(t) =
1
2
pt
2
+ t
2pH
(t) = pt +
2pH
,
el tiempo empleado en alcanzar la altura H y gasto total de combustible son
T =
2H
p
y G =
_
2pH.
Cualquier otro control de o ser a de la forma n = n
0
+ n con n [1, :]
y, por el signicado fsico de la inyecci on de combustible, tendremos que

n(:) 0 : [0, T] y, en consecuencia, n(:) 0 : [0, T] . As,
_
_
T
0
dn(:) = 0
_
T
0
:dn(:) = 0
y n(:) 0 : [0, T] n = 0.
En consecuencia, el unico control posible del sistema o y, por lo tanto, el
optimo, es n
0
=
2pH
0
.
8.2. CONTROL

OPTIMO 263
Aceptar la soluci on n
0
=
2pH
0
signica:
1. El combustible consumido hasta cualquier instante t [0, T] ser a
_
t
0
dn
0
=
2pH y, por tanto, debemos agotarlo en el instante t = 0

provocando una explosi on.
2. La trayectoria y la velocidad del cohete ser an
_
_
_
r(t) =
1
2
pt
2
+t
2pH
(t) = pt +
2pH
y, por tanto,
_
r(0) = 0
(0) =
2pH
Habamos supuesto que las condiciones iniciales eran r(0) = 0 y (0) = 0
pero, si hacemos explotar el combustible del cohete en t = 0, quien puede
negarse a aceptar el cambio s ubito de velocidad en ese instante?
Ejercicio 8.2.4
Un conductor del Metro de Madrid quiere ir de Gran Via a Tribunal en un
tiempo T de la manera m as uniforme posible
2
. C omo debe controlar la
conducci on suponiendo que hay rozamiento proporcional a la velocidad?
Soluci on:
Suponemos que la masa del tren es la unidad y la distancia a recorrer es d.
Si la fuerza necesaria es n : [0, T] R, el movimiento est a gobernado por la
ecuaci on diferencial
r (t) + /

r (t) = n(t) con r(0) = 0

r (0) = 0
que en el espacio de fases se escribe
_
_
=
_
0 1
0 /
_
+
_
0
n
_
con
_
r(0)
(0)
_
= o
No es difcil comprobar que la soluci on es
A(t) =
_
_
1
/
_
t
0
_
1 c
b(ts)
_
n(:)d:
_
t
0
c
b(ts)
n(:)d:
_
_
Si queremos determinar n para llegar en el instante T al estado
_
d
0
_
de la
manera m as uniforme debemos resolver el sistema de ecuaciones integrales
_
_
T
0
n(:)d: = /d
_
T
0
c
b(Ts)
n(:)d: = 0
2
Quiere actuar sobre el acelerador y el freno lo menos posible.
264 TEMA 8. TEOR
IA DE CONTROL
y hallar la soluci on n :[0,T]R con mnima norma uniforme
|n|
= sup[n(t)[ [ t [0, T].

Es un problema de control optimo en (L
1
(0, T), | |
1
) para el sistema
o = ((1, c
b(Ts)
), (/d, 0)) (L
1
(0, T))
2
R
2
puesto que el dual de (L
1
(0, T), | |
1
) es (L
(0, T), | |
).
Ahora, el problema de extremos asociado es hallar (o
1
, o
2
) R
2
tales que
o
1
/d sea m aximo condicionado por |o
1
+o
2
c
b(Ts)
|
1
= 1
pero esta condici on es difcil de considerar a causa del valor absoluto:
_
T
0
o
1
+o
2
c
b(Ts)
d: = 1.
Sin embargo, la alineaci on de n L
(0, T) con p L
1
(0, T) signica que
_
T
0
p(t)n(t)dt = |n|
_
T
0
[p(t)[dt
y, claramente, la consigue la funci on bang-bang
n : [0, T] R
t n(t) =
_
|n|
si p(t) 0
|n|
si p(t) < 0
Por tanto, debemos buscar un ` R
+
y un T
0
[0, T] tales que
_
_
_
_
T
0
0
` dt
_
T
T
0
` dt = /d
_
T
0
0
`c
b(tT)
dt
_
T
T
0
`c
b(tT)
dt = 0
es decir, tales que
_
_
_
_
T
0
0
c
b(tT)
dt =
_
T
T
0
c
b(tT)
dt
`(2T
0
T) = /d
Esos valores se puden calcular y resultan ser
T
0
=
1
/
ln
_
1 +c
bT
2
_
y ` =
/d
2T
0
T
As, el control optimo es
n
m
(t) =
_
` si t [0, T
0
]
` si t (T
0
, T]
8.3. PR
ACTICAS 265
Ejercicio 8.2.5
El conductor del ejercicio 8.2.4 es obligado por la compa na a realizar el
recorrido en el mismo tiempo pero de la forma m as barata posible. C omo
debe controlar la conducci on suponiendo que el consumo es
_
T
0
n
2
(t)dt?
Soluci on:
Ahora se trata de un problema de control optimo en (L
2
(0, T), | |
2
) para
o = ((1, c
b(Ts)
), (/d, 0)) (L
2
(0, T))
2
R
2
puesto que queremos minimizar
|n|
2
=
__
T
0
n
2
(t)dt
_
1
2
Ahora la condici on de alineaci on de n L
2
(0, T) con p L
2
(0, T) signica
que n = p y, por tanto, nuestro problema es reduce a conseguir una
n(:) = o
1
+ o
2
c
b(Ts)
cuyos coecientes satisfagan el sistema lineal
o
1
(1[1) + o
2
(1[c
b(Ts)
) = /d
o
1
(c
b(Ts)
[1) + o
2
(c
b(Ts)
[c
b(Ts)
) = 0
Haciendo las cuentas tenemos
_
o
1
o
2
_
=
_
_
_
_
d/
2
(1 + c
2bT
)
2 4c
bT
+ 2c
2bT
/T + /Tc
2bT
2d/
2
(1 + c
bT
)
2 4c
bT
+ 2c
2bT
/T + /Tc
2bT
_
_
_
_
8.3 Practicas
1. A partir de los resultados de los ejercicios 8.2.4 y 8.2.5 averiguar cuanto
se ahorra la compa na de Metro de Madrid con la orden dada al con-
ductor.
2. Dise nar un programa de control de sistemas en C[0, 1].
3. Dise nar un programa de control de sistemas en L
1
(0, 1).
4. Dise nar un programa de control de sistemas en L
2
(0, 1).
266 TEMA 8. TEOR
IA DE CONTROL
Tema 9
Metodos numericos para
EEDD
9.1 Introduccion
A partir de la revoluci on cientca protagonizada por Newton y Leibnitz
en el siglo XVII, muchos de los fen omenos de la naturaleza han podido
modelarse en terminos de un sistema de ecuaciones diferenciales (EEDD):
dr
i
dt
= )
i
(t, r
1
(t), , r
n
(t)); i = 1, , n; t [t
0
, t
0
+T]
o, si se preere, en terminos de una ecuaci on diferencial vectorial (EDV):
x
t
(t) = )(t, x(t)); t [t
0
, t
0
+ T]
Su soluci on general es una familia de curvas o( = s
p
[ p R
n
donde
s
p
: [t
0
, t
0
+ T] R
n
t s
p
(t)
que substutudas en la expresi on (EDV), la verican identicamente:
s
p
t
(t) )(t, s
p
(t)) t [t
0
, t
0
+T], p R
n
.
En condiciones muy generales para la funci on
): [t
0
, t
0
+T] R
n
R
n
(t, x) )(t, x)
sabemos que, jado p
0
R
n
, existe una y s olo una curva s
p
0
o( tal que
_
s
p
0
t
(t) )(t, s
p
0
(t)) t [t
0
, t
0
+ T]
:
p
0
(t
0
) = p
0
llamada soluci on particular con condici on inicial p
0
.
267
268 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

En MATLAB la orden
d:o|c(1r
1
= )
1
(t, x), , 1r
n
= )
n
(t, x))
busca la soluci on general s
p
y la orden
d:o|c(1r
1
= )
1
(t, x), , 1r
n
= )
n
(t, x), r
1
(t
0
) = j
01
, , r
n
(t
0
) = j
0n
)
busca la soluci on s
p
0
de condici on inicial p
0
= (j
01
, , j
0n
).
Sin embargo, en muchos casos de interes tecnico, MATLAB responde
Warning: Compact, analytic solution could not be found.
y es que, realmente, son excepcionales las EDV para las que se sabe hallar
la expresi on de las curvas :
p
: [t
0
, t
0
+T] R
n
en terminos elementales.
Uno de esos casos excepcionales es el de las ecuaciones diferenciales lineales
de coecientes constantes
)(t, x) = x + u(t)
donde es una matriz nn y u : [t
0
, t
0
+T] R
n
es una funci on continua
cuya soluci on particular de condici on inicial p
0
obedece a la f ormula
() x = c
A(tt
0
)
p
0
+
_
t
t
0
c
A(ts)
u(:) d: .
Una primera opci on, cuando no obtenemos respuesta con dsolve, es buscar
una aproximada lineal de la EDV original pues, sus soluciones pueden darnos
informaci on sobre el comportamiento del sistema regido por la ecuaci on de
partida. Esto se suele hacer en los sistemas aut onomos, que son de la forma
x
t
= )(x) donde ) : R
n
R
n
es diferenciable en el abierto . Si x
e
es
un cero de la funci on ), la curva constante x(t) = x
e
es, trivialmente, una
soluci on particular de x
t
= )(x) y, en el entorno de x
e
, podemos aproximarla
por la ecuaci on lineal
x
t
= )(x) )(x
e
) + 1)(x
e
)(x x
e
) = 1)(x
e
)x 1)(x
e
)x
e
y estudiar el comportamiento asint otico de esta para inferir el de la original
1
As podemos proceder, por ejemplo, en el ecosistema aut onomo consistente
en un prado ideal donde coexisten corderos y lobos y la posibilidad de ali-
mento de los corderos es ilimitada. Este sistema aut onomo fue modelado
por Lotka y Volterra seg un las EEDD
_
r
t
= r r j
j
t
= j + r j
1
Ver [Ra], 3.5, por ejemplo.
9.1. INTRODUCCI
ON 269
donde r(t) e j(t) representan la cantidad de corderos y de lobos en el instante
t, y , , , son par ametros positivos estimados experimentalmente
2
.
Si intentamos un d:o|c podremos leer el mencionado warning de MAT-
LAB. Sin embargo, es inmediato observar que
x(t) =
_
_
= x
e
es una soluci on constante. As, el ecosistema permanecer a estacionario en
el tiempo si se inicia con esas cantidades concretos de lobos y corderos. La
aproximaci on lineal en el entorno de dicho punto de equilibrio es
_
r
t
j
t
_
=
_
_
_
0

0
_
_
_
_
r
j
_
_
1
1
_
y sobre ella act ua con ecacia la f ormula () dando como soluci on una familia
de elipses centradas en x
e
. La conclusi on que nos interesa destacar es que si
partimos de una condici on inicial pr oxima a x
e
, el ecosistema evolucionar a
en el tiempo sin que se extinga ni crezca indenidamente ninguna de las dos
especies. Este problema est a resuelto en el programa corderosylobos de
Modus.
Pero si lo que nos interesa es resolver el problema de condici on inicial p
0
(1C1)
_
x
t
(t) = )(t, x(t)) t [t
0
, t
0
+T]
x(t
0
) = p
0
cuya soluci on x : [t
0
, t
0
+T] R
n
sabemos existente y unica pero no identi-
cable con dsolve, la opci on m as interesante es discretizar la EDV dada, para
obtener aproximaciones numericas de dicha soluci on. Esta tecnica consiste
en hacer una partici on equidistante del intervalo [t
0
, t
0
+ T]
t
0
< t
1
< < t
k
< t
k+1
< < t
N
= t
0
+ T
y calcular una -tupla (x
k
) que aproxime a la -tupla (x(t
k
)), mediante
un proceso recursivo de la forma
_
x
0
= p
0
x
k+1
= x
k
+/(t
k
, x
k
; /) con / =
T
N
= t
k+1
t
k
/
Por ejemplo, el desarrollo de Taylor
x(t
k+1
) x(t
k
) + /
_
x
t
(t
k
) +
/
2!
x
tt
(t
k
) +
_
2
Tomese, por ejemplo, = 0.25, = 0.01, = 1 y = 0.01
270 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

nos sugiere la consideraci on de diferentes funciones , seg un el n umero de
terminos que tomemos de dicho desarrollo.
Si tomamos un s olo termino:
(t, x; /) = )(t, x) .
Si tomamos dos terminos:
(t, x; /) = )(t, x) +
/
2
_
)
t
(t, x) +
)
x
(t, x) )(t, x)
_
.
Y, as, sucesivamente.
En estos metodos de tipo Taylor, utilizaremos, para mayor comodidad, las
siguientes notaciones:
_
_
)
(0)
(t, x) = )(t, x)
)
(1)
(t, x) =
)
t
(t, x) +
)
x
(t, x) )(t, x)

)
(p)
(t, x) =
)
(p1)
t
(t, x) +
)
(p1)
x
(t, x) )(t, x)
Tambien podemos substituir en las ecuaciones exactas
_
_
x(t
k+1
) = x(t
k
) +
_
t
k+1
t
k
)(:, x(:)) d:
x(t
0
) = p
0
las integrales por aproximaciones numericas del tipo
_
t
k+1
t
k
)(:, x(:)) d: /(t
k
, x
k
; /)
o del tipo
_
t
k+1
t
k
)(:, x(:)) d:
_
t
k+1
t
k
Q
k,r
(:) d:
donde Q
k,r
(:) es un polinomio de interpolaci on en los nodos
(t
kr
, )(t
kr
, x
kr
)), , (t
k
, )(t
k
, x
k
)), (t
k+1
, )(t
k+1
, x
k+1
))
9.2 Metodos de un paso
A partir del desarrollo de Taylor o de ciertos metodos de integraci on numerica
hemos anunciado la aproximaci on de la soluci on exacta del problema
(1C1)
_
x
t
(t) = )(t, x(t)) t [t
0
, t
0
+ T]
x(t
0
) = p
0
9.2. M
ETODOS DE UN PASO 271

mediante metodos iterativos de la forma
(`11)
_
x
0
= p
0
x
k+1
= x
k
+/(t
k
, x
k
; /)
que se llaman metodos de un paso porque para el c alculo de x
k+1
s olo se uti-
lizan los valores obtenidos para x
k
. En todos ellos el procedimiento numerico
elegido ser a el mismo en cada coordenada.
Deniciones 9.2.1
Un metodo de un paso de funci on se dice:
1. Consistente si
lim
h0
_
N1
k=0
|x(t
k+1
) x(t
k
) /(t
k
, x(t
k
); /)|
_
= 0
2. De orden p si existe una constante 1 0 tal que
N1
k=0
|x(t
k+1
) x(t
k
) /(t
k
, x(t
k
); /)| 1/
p
3. Estable si existe una constante ` independiente de / tal que para
todas las -tuplas (y
k
) y (
k
) que veriquen
y
k+1
= y
k
+ /(t
k
, y
k
; /) +
k
se cumple que
max|y
k
x
k
| [ / = 0, , `
_
|y
0
x
0
| +
N1
k=0
|
k
|
_
4. Convergente si el error de discretizaci on
1(/) = max|x
k
x(t
k
)| [ / = 0, , cumple que lim
h0
1(/) = 0
Consecuencia inmediata de estas deniciones es el siguiente
Lema 9.2.2
Si un metodo es consistente y estable, es convergente.
Demostraci on:
Sea
k
= x(t
k+1
) x(t
k
) /(t
k
, x(t
k
); /)
272 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

Por ser el metodo estable existe una constante ` tal que
1(/) `
_
N1
k=0
|x(t
k+1
) x(t
k
) /(t
k
, r(t
k
); /)|
_
y, por ser consistente, lim
h0
1(/) = 0.
No son tan inmediatos los tres lemas siguientes cuyas demostraciones pueden
verse en [Cr-Mi].
Lema 9.2.3
Una condici on necesaria y suciente para que un metodo de un paso sea
consistente es que
(t, x; 0) = )(t, x) (t, x) [t
o
, t
o
+T] R
n
.
Lema 9.2.4
Una condici on necesaria y suciente para que un metodo de un paso sea
estable es que exista un H 0 y una constante 1 tales que
|(t, x; /)(t, y; /)| 1|xy| t [t
o
, t
o
+T], x, y R
n
, / [0, H].
Lema 9.2.5
Si ) : [t
o
, t
o
+ T] R
n
R
n
es j veces continuamente diferenciable y las
funciones
,

/
, ,

p
/
p
existen y son continuas en [t
o
, t
o
+T] R
n
[0, H], la condici on necesaria y
suciente para que el metodo de un paso sea de orden j es que, de acuerdo
con las notaciones introducidas en la p agina 270, se cumplan las condiciones
_
_
(t, x; 0) = )(t, x)
/
(t, x; 0) =
1
2
)
(1)
(t, x)

p1
/
p1
(t, x; 0) =
1
j
)
(p1)
(t, x)
(t, x) [t
0
, t
0
+ T] R
n
9.2.6 Metodo de Euler

El m as sencillo de los metodos de un paso para resolver el PCI
_
x
t
(t) = )(t, x(t)) t [t
o
, t
o
+T]
x(t
o
) = p
o
9.2. M

se obtiene tomando (t, x; /) = )(t, x) en el esquema general
_
x
o
= j
o
x
k+1
= x
k
+/(t
k
, x
k
; /) / = 0, , 1.
Resulta as el metodo de Euler, que tanto es de tipo Taylor, como un metodo
de cuadratura que emplea para integrar la f ormula del rect angulo:
_
t
k+1
t
k
)(:, x(:)) d: /)(t
k
, x
k
).
El metodo de Euler se dene, pues, por el siguiente algoritmo iterativo:
x
0
= p
0
, x
k+1
= x
k
+ /)(t
k
, x
k
), / = 0, , 1
y, de acuerdo con el lema 9.2.3, siempre ser a un metodo consistente. Cuando
) : [t
0
, t
0
+T] R
n
R
n
sea lipshitziana, de acuerdo con el lema 9.2.4, ser a
un metodo estable y, por tanto, convergente. Cuando ) sea derivable con
continuidad, de acuerdo con el lema 9.2.5, ser a un metodo de orden 1.
Este metodo est a implementado en el programa euler de Modus
9.2.7 Metodos de Taylor
Estos metodos de un paso se obtienen, para j = 0, 1, 2, , tomando
(t, x; /) = )(t, x) +
/
2
)
(1)
(t, x) + +
/
p1
j!
)
(p1)
(t, x)
en el esquema general
_
x
0
= p
0
x
k+1
= x
k
+/(t
k
, x
k
; /) / = 0, , 1.
Para j = 0 obtenemos, sencillamente, el metodo de Euler. Para j 2 el
metodo emplea mucha memoria con las funciones )
(2)
, , que, adem as,
suelen resultar de inc omoda complejidad analtica. En la pr actica el m as
usado es el correspondiente a j = 1, con el siguiente algoritmo iterativo
x
0
= p
0
, x
k+1
= x
k
+ /)(t
k
, x
k
) +
/
2
2
)
(1)
(t
k
, x
k
), / = 0, , 1
que, de acuerdo con 9.2.3, ser a consistente y, si ) y )
(1)
son lipshitzianas,
por 9.2.2 y 9.2.4, ser a estable y convergente. Adem as, si ) es dos veces
derivable con continuidad, por 9.2.5, ser a de orden 2.
Este metodo est a implementado en el programa taylor de Modus.
274 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

9.2.8 Metodos de Runge-Kutta
Si usamos la f ormula del trapecio para aproximar las ecuaciones exactas
_
_
x(t
k+1
) = x(t
k
) +
_
t
k+1
t
k
)(:, x(:)) d:
x(t
0
) = p
0
obtenemos
_
t
k+1
t
k
)(:, x(:)) d: /
)(t
k
, x
k
) +)(t
k+1
, x
k+1
)
2
,
que da lugar al siguiente algoritmo iterativo
x
0
= p
0
, x
k+1
= x
k
+
/
2
()(t
k
, x
k
) +)(t
k+1
, x
k+1
))
en el que es necesario despejar x
k+1
de la anterior relaci on implcita. Para
evitar este grave inconveniente nos conformamos con la aproximaci on
_
t
k+1
t
k
)(:, x(:)) d: /
)(t
k
, x
k
) + )(t
k+1
, x
k
+/)(t
k
, x
k
))
2
que da lugar al algoritmo iterativo explcito de Heun:
x
0
= p
0
, x
k+1
= x
k
+
/
2
()(t
k
, x
k
) + )(t
k+1
, x
k
+/)(t
k
, x
k
))
que hemos implementado en el programa heun de Modus.
Profundizando en esta idea Runge y Kutta dise naron el siguiente esquema
general para denir (t
k
, x
k
; /): Dado j N,
1. Se eligen c = (c
1
, , c
p
) y b = (/
1
, , /
p
), y la matriz subdiagonal
=
_
_
_
_
_
_
_
0 0 0 0
o
21
0 0 0
o
31
o
32
0 0
.
.
.
.
.
.
.
.
. 0 0
o
p1
o
p2
o
pp1
0
_
_
_
_
_
_
_
2. Se denen iterativamente las siguientes magnitudes:
_
_
1
k1
= )(t
k
+ c
1
/, x
k
)
1
k2
= )(t
k
+ c
2
/, x
k
+o
21
1
k1
/)
1
k3
= )(t
k
+ c
3
/, x
k
+o
31
1
k1
/ + o
32
1
k
2
/)

1
kp
= )(t
k
+ c
p
/, x
k
+o
p1
1
k1
/ + o
p2
1
k
2
/ + + o
pp1
1
kp1
/)
9.2. M

3. Se toma
(t
k
, x
k
, /) = /
1
1
k1
+ +/
p
1
kp
Observemos que si
- j = 1, c
1
= 0 y /
1
= 1, recuperamos el metodo de Euler.
- j = 2, c = (0, 1), b = (
1
2
,
1
2
) y =
_
0 0
1 0
_
obtenemos el de Heun.
El Runge-Kutta cl asico es el correspondiente a j = 4 con
c =
_
0,
1
2
,
1
2
, 1
_
, b =
_
1
6
,
2
6
,
2
6
,
1
6
_
y =
_
_
_
_
0 0 0 0
1
2
0 0 0
0
1
2
0 0
0 0 1 0
_
_
_
_
y, por tanto, el algoritmo iterativo que lo dene es
r
0
= j
0
, x
k+1
= x
k
+/
1
k1
+ 21
k2
+ 21
k3
+ 1
k4
6
con
_
_
1
k1
= )(t
k
, x
k
)
1
k2
= )(t
k
+
/
2
, x
k
+
/
2
1
k1
)
1
k3
= )(t
k
+
/
2
, x
k
+
/
2
1
k2
)
1
k4
= )(t
k+1
, x
k
+ /1
k3
)
La elecci on del n umero j, de los vectores c y b, y de la matriz tiene
importantes repercusiones en el comportamiento de los metodos de Runge-
Kutta. En [Cr-Mi] se pueden hallar las pruebas de los siguientes resultados
cuyos enunciados se establecen de acuerdo con las siguientes notaciones:
e = (1, , 1) R
p
, C = diagonal(c)
Lema 9.2.9
La condici on necesaria y suciente para que un Runge-Kutta sea de
1. Orden 1 es que (b[e) = 1.
2. Orden 2 es que (b[e) = 1 y (b[Ce) = (b[e) =
1
2
3. Orden 3 es que e = Ce y
(b[e) = 1, (b[Ce) =
1
2
, (b[C
2
e) =
1
3
, (b[Ce) =
1
6
276 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

4. Orden 4 es que e = Ce y
(b[C
3
e) =
1
4
, (b[C
2
e) =
1
12
, (b[
2
Ce) =
1
24
, (b[CCe) =
1
8

Corolario 9.2.10
1. El metodo de Heun es un Runge-Kutta de orden 2.
2. El Runge-Kutta cl asico es un metodo de orden 4.
N otese que el lema 9.2.9 nos permite determinar los vectores c y b y la
matriz para obtener un metodo de Runge-Kutta de orden prejado.
El metodo de Runge-Kutta cl asico est a implementado en el programa rungekutta4
de Modus.
9.3 Metodos multipaso
Estos metodos aparecen al realizar integraciones numericas del tipo
_
t
k+1
t
k
)(:, r(:)) d:
_
t
k+1
t
k
Q
k,r
(:) d:
donde Q
k,r
(:) es el polinomio de interpolaci on en los nodos
(t
kr
, )(t
kr
, x
kr
)), , (t
k
, )(t
k
, x
k
)), (t
k+1
, )(t
k+1
, x
k+1
))
que escribiremos, en lo sucesivo, abreviadamente
(t
kr
, )
kr
), , (t
k
, )
k
), (t
k+1
, )
k+1
)
Podemos ver en [Cr-Mi] que, si ) es derivable con continuidad tantas veces
como el n umero de nodos utilizados, digamos j, el correspondiente metodo
ser a de orden j.
9.3.1 Metodos de Adams-Bashforth
Son metodos multipaso explcitos en los que la interpolaci on se realiza en el
nodo (t
k
, )
k
) y en los : = 1, 2, nodos anteriores. Por eso, designaremos
k,r
a los correspondientes polinomios de interpolaci on.
1. Si : = 1
k,1
(:) =
)
k
)
k1
/
: +
t
k
)
k1
t
k1
)
k
/
con lo que
_
t
k+1
tk
k,1
(:) d: =
/
2
(3)
k
)
k1
)
9.3. M
ETODOS MULTIPASO 277

y el algoritmo iterativo es
x
0
= p
0
; x
k+1
= x
k
+/
3)
k
)
k1
2
/ 1.
Observese que x
1
debe ser determinado con un metdodo de un paso.
2. Si : = 2
_
t
k+1
tk
k,2
(:) d: =
/
12
(23)
k
16)
k1
+ 5)
k2
)
con lo que tenemos el algoritmo iterativo
x
0
= p
0
; x
k+1
= x
k
+ /
23)
k
16)
k1
+ 5)
k2
12
/ 2
Observese que x
1
y x
2
deben calcularse por otros metodos.
3. Si : = 3
_
t
k+1
tk
k,3
(:) d: =
/
24
(55)
k
59)
k1
+ 37)
k2
9)
k3
)
x
0
= p
0
; x
k+1
= x
k
+ /
55)
k
59)
k1
+ 37)
k2
9)
k3
24
/ 3
Observese que x
1
, x
2
y x
3
deben calcularse por otros metodos.
Este metodo est a implementado en el programa adamsbash de Modus.
9.3.2 Metodos de Adams-Moulton
Son metodos multipaso implcitos en los que la interpolaci on se realiza en el
nodo (t
k
, )
k
), en sus : = 0, 1, 2, nodos anteriores, y en el nodo posterior
(t
k+1
, )
k+1
). Por eso designaremos genericamente 1
k+1,r
a los correspondi-
entes polinomios de interpolaci on.
1. Si : = 0
_
t
k+1
tk
1
k+1,0
(:) d: =
/
2
()
k+1
+ )
k
)
y el algoritmo iterativo es
x
0
= p
0
; x
k+1
= x
k
+ /
)
k+1
+ )
k
2
/ 0
Observese que este algoritmo coincide con el de la f ormula del trapecio
presentado al comienzo de la p agina 274 y, por tanto, ser a necesario
en cada paso despejar x
k+1
que s olo est a denido de forma implcita.
278 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

2. Si : = 1
_
t
k+1
tk
1
k+1,1
(:) d: =
/
12
()
k+1
+ 8)
k
)
k1
)
x
0
= p
0
; x
k+1
= x
k
+/
)
k+1
+ 8)
k
)
k1
12
/ 1
Observese que x
1
debe calcularse por alg un metodo de un paso y que
cualquier x
k+1
debe ser despejado en esta ecuaci on implcita.
3. Si : = 2
_
t
k+1
tk
1
k+1,2
(:) d: =
/
24
(9)
k+1
+ 19)
k
5)
k1
+)
k2
)
x
0
= p
0
; x
k+1
= x
k
+/
9)
k+1
+ 19)
k
5)
k1
+ )
k2
24
/ 2
donde x
1
y x
2
deben calcularse por alg un otro metodo y cualquier
x
k+1
debe ser despejado en esta ecuaci on implcita.
En la pr actica, no se resuelven estas ecuaciones implcitas, sino que se com-
binan los metodos de Adams-Moulton con los de Adams-Bashforth, en un
proceso de predicci on y correcci on.
Para explicar este proceso combinaremos, por ejemplo, el metodo de Adams-
Bashforth con : = 3 y el de Adams-Moulton con : = 2:
1. Predecimos:
x
(p)
k+1
= x
k
+
/
24
(55)
k
59)
k1
+ 37)
k2
9)
k3
)
2. Calculamos:
)
(p)
k+1
= )(t
k+1
, x
(p)
k+1
)
3. Corregimos:
x
k+1
= x
k
+ /
9)
(p)
k+1
+ 19)
k
5)
k1
+ )
k2
24
Esto lo hemos implementado en el programa adamsmoul de Modus.
Todos los programas mencionados en este tema, euler, heun, taylor, rungekutta4,
adamsbash y adamsmoul, se ejecutan desde el programa numericedos
de Modus.
9.4. PR
ACTICAS 279
9.4 Practicas
1. Sea el sistema aut onomo
_
r
t
= cos(r + j)
j
t
= sin(r j)
(a) Estudiar sus puntos estacionarios.
(b) Comprobar, programando una gura como la siguiente
que toda soluci on de condici on inicial situada en un entorno pun-
teado de (
4
,
4
) se dirige a (
4
,

4
) o a (
3
4
,
3
4
).
2. Dise nar un programa de MATLAB que nos de la aproximaci on lineal
de cualquier ecuaci on diferencial autonoma en el entorno de un punto
estacionario. (Soluci on: linealizarautonoma de Modus).
3. Seg un Malthus y Verhulst las poblaciones evolucionan seg un la ecuaci on
j
t
= /j :j
2
.
Si / = 0.05 y : = 0.001, pronosticar la evoluci on de una poblaci on de
100 individuos en 9 a nos, usando un Runge-Kutta de orden 4.
4. Un ecosistema de tres especies est a regido por el sistema de EEDD
_
_
r
t
= 0.25r + 0.01 r j 0.01 r .
j
t
= 0.3 j + 0.001 r j .1 j .
.
t
= . + 0.01 r . + 0.01 j .
En un determinado instante el n umero de individuos de cada especie
es (r
o
, j
o
, .
o
) = (100, 80, 20) y nos preguntamos
(a) Cu al de las especies se extingue?
280 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

(b) En cu anto tiempo?
5. La posici on x(t) y la velocidad v(t) de un m ovil est an ligadas por la
ecuaci on diferencial
v(t) = (t) x(t) siendo (t) =
_
cos(
t
2
) sin(
t
2
)
sin(
t
2
) cos(
t
2
)
_
(a) Hallar la trayectoria en el periodo [0, 4] siendo x(0) =
_
1
1
_
.
(b) En que instante est a el m ovil m as lejos del punto de salida?
(c) C ual es la m axima celeridad que alcanza el m ovil?
(Soluci on: m ovil de Modus)
6. La ecuaci on que rige el movimiento de un pendulo simple de 1 : de
longitud, en el vaco, sin rozamientos y bajo la acci on de la gravedad
es
= p sin(),
siendo (t) el desplazamiento angular respecto de la vertical. Esta
ecuaci on se suele substituir por su linealizada
= p
que tiene periodo independiente de las condiciones iniciales, T =
2
g
.
Usando un Runge-Kutta de orden 4, integrar la ecuaci on primera en
[0,T] y comprobar que, ahora, el periodo depende de las condiciones
iniciales.
(Soluci on: pendulo de Modus).
7. En R
3
, una curva x dada en funci on de su arco :, cumple las f ormulas
de Frenet
_
_
t
t
n
t
b
t
_
_
=
_
_
0 1(:) 0
1(:) 0 T(:)
0 T(:) 0
_
_
_
_
t
n
b
_
_
siendo
t = x
t
(:) n =
x
tt
(:)
|x
tt
(:)|
b = t n
1(:) = |x
tt
(:)| y T(:) =
[x
t
(:), x
tt
(:), x
ttt
(:)]
1
2
(:)
Hacer un programa de MATLAB que nos dibuje la curva conociendo
las funciones 1(:), T(:) y los valores iniciales t(0), n(0), b(0) y x(0).
(Soluci on: formulasdefrenet de Modus).
9.4. PR
ACTICAS 281
8. Un avi on espa vuela en crculo a 3000 m de altura sobre nuestra
posici on (0,0,0), describiendo una circunferencia de 2000 m de radio
con una velocidad constante de 200 m/s.
(a) Para advertirle que nos molesta su presencia le lanzamos un misil
inteligente que lo persigue con una velocidad igual a 2/3 de la
suya. Hallar la trayectoria de este misil.
(b) Como insiste en espiarnos, uno de nuestros cazas le dispara cuando
pasa por (2000, 0, 3000) y desde la posici on (4000, 6000, 5000),
otro misil inteligente que lo persigue con velocidad igual a 10/9 de
la suya para darle tiempo al piloto a saltar en paracaidas. Hallar
la trayectoria de este misil y determinar el tiempo y el lugar del
impacto.
(Soluci on: misil de Modus).
9. Un avi on enemigo que vuela en lnea recta a 500 m/seg, es detectado
en (4000, 3000, 5000) dirigiendose a (10000, 2000, 300).
Le ordenamos a un helic optero, situado en (2000, 4000, 7000), que le
dispare un misil inteligente que lleve velocidad constante de 750 m/s.
Teniendo en cuenta que la orden tarda en ejecutarse 5 seg, calcular la
trayectoria del misil y el tiempo de impacto.
(Ayuda: Adaptar el programa misil del ejercicio anterior).
282 TEMA 9. M
ETODOS NUM
ERICOS PARA EEDD

Bibliografa
[1] Abreu, T., Corbacho, E., Tarieladze, V. Integration in quasi-uniforms
monoids. V Iberoamerican Conference in Topology and its Applications.
Lorca (2003).
[2] Aigner, M., Ziegler. M. El libro de las demostraciones. Madrid, Nivola,
2005.
[3] Amig o, J.M., Falc o, A., G alvez, J., Villar, V., Topologa molecular. Bol.
Soc. Esp. Mat. Apl., 39 (2007) 137151.
[4] Andrews, P.L. Fuel Management. How to measure success. Conference
Proceedings, 2006.
[5] Arqumedes. El Metodo. Madrid, Alianza Editorial, 1986.
[6] Banach, S., Oeuvres. Volume II. Warszawa, PWN Editions scientiques
de Pologne, 1979.
[7] R. B. Bapat.Resistance distance in graphs.
The Mathematics Student, vol.68, p ags. 8798, 1999.
[8] Bezrukov, S. Edge isoperimetrc problems on graphs.
[9] Bezrukov, S. Isoperimetrc problems in discrete spaces.
[10] Bollob as, B. Modern graph theory. New York, Springer-Verlag, 1998.
[11] Bochner, S., El papel de la matem atica en el desarrollo de la ciencia.
Madrid, Alianza Universidad Ciencia (689), 1991.
[12] Bollobas, B., Leader I. Edge-isoperimetric inequalities in the grid. Com-
binatorica., 11 (1990), 229314.
[13] Bombal, F., Matem atica y desarrollo cientco. Madrid, UCM, 2000.
[14] Castej on, A., Corbacho, E., Vidal, R.

Arboles optimos en rejillas. Actas
del VEAMD, 79-86, 2007.
283
284 BIBLIOGRAF
IA
[15] P. Chebotarev and E. Shamis. The Matrix-Forest theorem and measur-
ing relations in small social groups.
Automation and Remote Control, Vol. 58, No. 9, 1505-1514. Institute
of Control Sciences, Russian Academy of Sciences, Moscow. Translated
from Avtomatika i Telemekhanika, No. 9, p ags, 125-137, september,
1997.
[16] Chung, F.R.K. Spectral Graph Theory. CBMS, 1997.
[17] Chung, F., Lu, L. Complex Graphs and Networks. CBMS (107), 2006.
[18] Ciarlet, P.G. Introduction ` a lanalyse numerique matricielle et ` a
loptimisation. Paris, Masson, 1990.
[19] Collette, J.P. Historia de las Matem aticas I, II. Madrid, Siglo XXI
Editores, 1985.
[20] Corbacho, E., Estevez, E.

Arboles generadores de grafos aplicados al
dise no de cortafuegos y riegos por goteo. Actas del AEIPRO, 2007.
[21] Corbacho, E., Rodrguez, V. Ampliaci on de C alculo. Vigo. Apuntes de
clase. 2003.
[22] Crouzeix, M., Mignot, A.L. Analyse numerique des equations dieren-
tielles. Paris, Masson, 1984.
[23] Dacuha-Castelle, D., Duo, M. Probabilites et Statistiques 1. Paris,
Masson, 1982.
[24] Danaila, I., Joly, P., Kaber, S.D., Postel, M. Introduction au calcul
scientique par la pratique. Paris, Dunod, 2005.
[25] Dunhan, W. Viaje a traves de los genios. Madrid, Pir amide, 1993.
[26] Dudundji, J. Topology. Boston, Allyn and Bacon, 1967.
[27] Duvaut, G., A counterexample to the approximation problem in Banach
spaces. Acta Math. 130, 1973.
[28] Eno, P., Mecanique des milieux continus. Paris, Masson, 1990.
[29] Estevez, E.

Arboles optimos y desigualdades de Sobolev en rejillas. Tesis
doctoral en elaboraci on. Vigo, 2007.
[30] Euclides. Elementos I-IV; V-IX; X-XIII. Madrid, Editorial Gredos,
1996.
[31] Feyman, R., El Car acter de la ley fsica. Barcelona, Metatemas, 2000.
BIBLIOGRAF
IA 285
[32] Fiedler, M. Special matrices and their applications in numerical math-
ematics. Martinus Njho Publishers. 1986.
[33] L.R. Foulds. Graph theory. Applications New York, Springer-Verlag,
1994.
[34] Gallager, R.G. Low Density Parity Check Codes. MIT Press, 1963.
[35] Garca Barreno, P., La Ciencia en tus manos. Madrid, Espasa-Forum,
2000.
[36] Gonz alez Urbaneja, P.M., Las raices del c alculo innitesimal en el siglo
XVII. Madrid, Alianza Editorial, 1992.
[37] Grady, L., Schwartz, E.L. Isoperimetric Graph Partitioning for Data
Clustering and Image Segmentation. IEEE Trans. on Pattern Anal.
and Machine Int. XX (2004), 130.
[38] Guenard, F., Lelievre, G. Pensar la matem atica. Barcelona, Metatemas,
1999.
[39] Guillen, M., Cinco ecuaciones que cambiaron el mundo. Barcelona,
Temas de Debate, 2001.
[40] Helmberg, G., Introduction to spectral theory in Hilbert spaces. Horth-
Holland. 1969.
[41] Hoory, S., Linial, N., Wigderson, A. Expanders graphs and their appli-
cations. Bulletin A.M.S., 43 (2006), 439561.
[42] Ifrah, G. Historia universal de las cifras. Madrid, Espasa-Forum, 1997.
[43] Javaheri, M. Dirichlet problems in locally nite graphs. Discrete Appl.
Math., 155, (2007), 24962506.
[44] Kline, M. El pensamiento matem atico de la antig uedad a nuestros das
I, II, III. Madrid, Alianza Editorial, 1992.
[45] D. Klein and M. Randic.Resistance distance.
Journal of Mathematical Chemistry, vol 12, p ags 8195, 1993.
[46] K othe, G. Topological vector spaces I. Berlin, Springer, 1969.
[47] Kowalski, M., Sikorski, K., Stenger, F. Select topics in approximation
and computation. Oxford, Oxford University Press 1995.
[48] Luenberger, D.G. Optimization by vector space methods. New York, J.
Wiley, 1969.
286 BIBLIOGRAF
IA
[49] Matousek, J. Lectures on discrete geometry. New York, Springer-Verlag,
2002.
[50] L. Merino, E. Santos.

Algebra Lineal con Metodos Elementales. Univer-
sidad de Granada. 1997.
[51] Mohar, B. Some applications of Laplace eigenvalues of graphs. Preprint
series University of Ljubljana, 35 (1997), 152.
[52] Montero, G., Montenegro, R., Escobar, J.M., Rodriguez, E. Resoluci on
de sistemas de ecuaciones lineales tipo sparse: La estrategia RPK.
[53] Mostern, J., Los l ogicos. Madrid, Espasa-Forum, 2000.
[54] Newton, I. Principios matem aticos de la losofa natural. Madrid, Ed-
itorial Tecnos, 1987.
[55] Ortega, J.M., Poole, W.G. Numerical methods for dierential equations.
Marsheld (Massachusetts), Pitman, 1981.
[56] Ostrovskii, M. Sobolev seminorms for functions on graphs. Seminario
del DMA I, Vigo, 2003.
[57] Ostrovskii, M. Minimal congestion trees, Discrete Math., 285 (2004),
219226.
[58] Ostrovskii, M., Castej on, A. Minimum congestion spanning trees of
grids and discrete toruses, to appear.
[59] Pinsker, M.S. On the complexity of a concentrator, 7th International
Telegrac Conference, 318 , 14. 1973.
[60] Pisier, G. On Reads proof that 1(/
1
) is not amenable, Geometric As-
pects of Functional Analysis 2002-2003, LN 1850, 269275, 2004.
[61] P olya, G., Szeg o, G. Isoperimetric inequalities in mathematical physics.
Princeton University Press, 1966.
[62] Rao, M.R.M. Ordinary dierential equations. London, E. Arnold, 1981.
[63] Rubio de Francia, J.L., Memoria Analisis II. Zaragoza, 1975.
[64] Rudin, W. An alisis real y complejo (3
a
edici on). Madrid, Mc. Graw-
Hill, 1988.
[65] Rudin, W. Functional Analysis. New York, Mc. Graw-Hill, 1973.
[66] Santal o, L. La matem atica: Una losofa y una tecnica. Barcelona,
Editorial Ariel, 1994.
BIBLIOGRAF
IA 287
[67] I. J. Schoenberg. Remarks to Maurice Frechets article Sur la
denition axiomatique dune classe despace distsncies vectoriellment
applicable sur lespace de Hilbert.
The Annals of Mathematics, Second Series, Vol. 36, No. 3, p ags 724
732, 1935.
[68] Schrijver, A. Theory of linear and integer programming. John Wiley
and Sons, 1998.
[69] L. Schwartz. Analyse hilbertienne. Paris, Hermann, 1979.
[70] Shannon, C.E. A mathematical theory of communication, Bell System
Tech. Journal. 27 379423 y 623656, 1948.
[71] Sipser, M., Spielman, D.A. Expander codes, IEEE Trans. Inform. The-
ory. 42 17101722, 1996.
[72] Sobolev, S.L. On a theorem of functional analysis, Mat. Sb.. 4 471479,
1938.
[73] Tarieladze, V.I. A uniqueness theorem for the Fourier transform. (Rus-
sian) Proc. Inst. Computational Math. Georgian Acad. Sci. 27-1 195
207, 1987.
[74] Ueberhuber, C.W. Numerical computation 2. Berlin, Springer-Verlag,
1997.
[75] Weil, A. Number Theory, Birkh auser, Boston, 2001.
[76] Weisstein, E.W. et al. Biconjugate Gradient Method. A Wolfram Web
Resource.
http://mathworld.wolfram.com/BiconjugateGradientMethod.html
Index
funci on
de soporte compacto, 63
grafo, 93
parametros, 120
soporte de una funci on, 63
Stone, 55
teorema
de Stone-Weierstrass, 55
variablesx, 120
Weierstrass, 54, 55
288
INDEX 289
Indice de programas

Mates78 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mates78 PDF

Uploaded by

Copyright:

Available Formats

Apuntes de

denidas como sigue:

A := (A A), podemos denir la operaci on

A, _, ) es un grupo abeliano pues la operaci on _ conserva la asociativi-

A. Todo monoide abeliano cancelativo (A, , ) est a contenido

), , cuyos elementos son las clases de

ETRICOS Y ESPACIOS NORMADOS 27

ETRICOS Y ESPACIOS NORMADOS 29

) es un espacio de Banach. Adem as, dada cualquier otra

y en R la del valor absoluto. Como o

ETRICOS Y ESPACIOS NORMADOS 31

, constitido por todas las sucesiones acotadas (r

que es extensi on de ) y cumple que |

)(x)[ |)| |x| x A

)| |)|. Adem as, es inmediato que

)| sup[)(j)[ [ |j| = 1 = |)|

ETRICOS Y ESPACIOS NORMADOS 33

es el bidual topol ogico

, | |) es un espacio de Banach aunque

unitario tal que p(x) = |x| luego tambien es cierta la desigualdad

identicable con A. Esto se suele expresar abreviadamente A A

es suprayectiva. Entonces, A se puede identicar con A

(p)| = |p 1| |1| |p| p Y

| |1|. Adem as, es cierta la desigualdad

ETRICOS Y ESPACIOS NORMADOS 35

que los separa,

ETRICOS Y ESPACIOS NORMADOS 37

y cualquier x 1 tenemos que

(h) h(x) )(x)

(h) h(x) p(x)

y c R tal que H = (:, x) [ h

C es evidente. S olo hay que probar que

C. Existe un c 0 tal que x + c1 C. Construimos una sucesi on

1( x)| /| x| x A / 0 [ |1(x)| /|x| x A.

(c) debilmente absolutamente sumable si

2. No es f acil probar directamente que una sucesi on debilmente conver-

, | |) es un espacio de Banach, podemos

estas condiciones no se puede conseguir.

dos elementos distintos cuyos terminos sean +1 o 1 est an a

de igual norma y nos proporciona la (

) es un algebra de Banach con unidad puesto que

(), p) 1(T, R) 1(T, R)

= 1 siendo 1 : T R la funci on constante unidad

()) [ 0, 1 compacto en (T, d)

()) = p C(A, R) [ [)(t) p(t)[ < t 1

y probamos que [)[ [\] :

= x A[ (x[y) = 0 y que siempre es un

no nulo, existe un vector unitario u ker )

, | |) y, por tanto, tambien con su bidual (A

, | |), luego, todo

) puede ser considerada elemento de L

(p)(x) = p(1(x)) (x, p) A Y

(y)[x) = (y[1(x)) (x, y) A Y

. Sus puntos jos son las importantes aplicaciones autoadjun-

y se caracterizan por vericar

1|. La desigualdad contraria es evidente.

En un espacio de Hilbert (A, | |) los funcionales )

es denida positiva, las soluciones s R

b tiene soluci on unica s y v = s es el unico mnimo de )[

1 y la soluci on s, debe ser el autovector

o = o o es acotado y est a contenido en un abierto R

) es subgrafo del grafo G = (\, 1, n)

cumple las propiedades 1 y 2 de 2.2.1. Para la