Professional Documents
Culture Documents
MÉTODOS MATEMÁTICOS
Curso 2011-2012
Eusebio Corbacho, Ricardo Vidal y Alberto Castejón
February 1, 2012
2
Contenido
Presentación 7
1 Prerrequisitos 9
1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 métricos 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 Cálculo diferencial . . . . . . . . . . . . . . . . . . . . . . . . 79
1.12 Espacios de medida . . . . . . . . . . . . . . . . . . . . . . . . 84
2 Teorı́a de grafos 93
2.1 Núcleos, matrices y aplicaciones lineales . . . . . . . . . . . . 93
2.2 Cuasimétricas, métricas y núcleos generadores . . . . . . . . . 99
2.3 Relaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
2.4 Digrafos y grafos . . . . . . . . . . . . . . . . . . . . . . . . . 112
2.5 Cuasimétricas y métricas en digrafos y grafos . . . . . . . . . 117
2.6 Problemas modelizados en digrafos y grafos. . . . . . . . . . . 125
2.6.1 Redes hidraúlicas . . . . . . . . . . . . . . . . . . . . . 126
2.6.2 Redes eléctricas . . . . . . . . . . . . . . . . . . . . . 126
2.6.3 Problemas de Dirichlet en grafos . . . . . . . . . . . . 128
2.6.4 Congestiones . . . . . . . . . . . . . . . . . . . . . . . 135
2.7 Prácticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3
4 CONTENIDO
Bibliografı́a 269
Presentación
7
8 CONTENIDO
Tema 1
Prerrequisitos
1.1 Introducción
Desde finales del siglo XIX la matemática sigue el método axiomático deduc-
tivo como sistema de trabajo en todas sus parcelas. Como si quisiera cons-
truir los juegos reunidos educativos del mundo, diseña diferentes tableros,
donde los avances se producen bajo reglas estrictas que los jugadores deben
conocer antes de empezar la partida. Mas tarde, las tácticas, estrategias y
conclusiones de esos ejercicios de la razón, inocuos y de bajo coste, se apli-
can a diversos aspectos de la realidad fı́sica, técnica, económica, biológica,
sociológica, lingüı́stica o filosófica y se observa que la capacidad predictiva
de la realidad es sorprendente.
En el mundo hay cosas y para hablar más cómodamente de ellas cuando las
hacemos objeto de nuestro pensamiento, las designamos por letras minúsculas
9
10 TEMA 1. PRERREQUISITOS
¬(x = y) se escribe x 6= y
¬(x ∈ A) se escribe x ∈
/A
¬(A ⊂ B) se escribe A 6⊂ B
• p ⇒ q si y sólo si (¬p) ∨ q.
• p ⇔ q si y sólo si (p ⇒ q) ∧ (q ⇒ p).
Para establecer el alcance de una proposición utilizamos los cuantificadores:
∃ existe, ∃! existe un único y ∀ para todo.
Ya en los primeros años del siglo XX, Russell apuntó el peligro que se
puede derivar de suponer que para cualquier propiedad p existe una clase
A(p) 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 sı́ mismas. Si r es la propiedad que tienen las clases que no pertenecen a
sı́ mismas e intentamos responder a la pregunta de si A(r) cumple r o ¬r,
caemos en la siguiente antinomia:
Dada una familia de conjuntos no vacı́os y disjuntos dos a dos {Ai | i ∈ I},
existe un conjunto E que consta exactamente de un elemento de cada con-
junto Ai .
Este axioma ha sido el más contestado de todo el sistema BGN, sin em-
bargo, Gödel probó en 1938 que si la teorı́a basada en los 10 primeros
axiomas es consistente, también lo es la basada en los 11 axiomas, y Cohen
probó en 1963 que el axioma de elección no se deriva de los otros 10. Ası́
pues, nosotros usaremos el derecho que tenemos a un universo matemático
donde poder elegir sin restricciones.
2. simétrica si R = >(R).
12 TEMA 1. PRERREQUISITOS
3. antisimétrica si R ∩ >(R) = ∆.
4. transitiva si (x, z) ∈ R ∧ (z, y) ∈ R ⇒ (x, y) ∈ R.
5. total si R ∪ >(R) = X × X.
6. de equivalencia si es reflexiva, simétrica y transitiva. Se suele de-
notar ∼.
7. de orden si es reflexiva, antisimétrica y transitiva. Se suele denotar
y se suele escribir x ≺ y en lugar de (x y ∧ x 6= y).
En (X, ∼) cada elemento x ∈ X genera su clase de equivalencia
[x] = {x0 ∈ X | x0 ∼ x}
y ello origina una partición en X puesto que ∀x, y ∈ X tenemos la disyuntiva
[x] ∩ [y] = ∅ o [x] = [y].
El conjunto {[x] | x ∈ X} es el conjunto cociente X/ ∼.
Los dos lemas siguientes se deducen del axioma de elección (ver [26]).
1.3. SEMIGRUPOS, GRUPOS, ANILLOS Y CUERPOS 13
1. asociativo si (x ∗ y) ∗ z = x ∗ (y ∗ z) ∀x, y, z ∈ X
2. conmutativo si x ∗ y = y ∗ x ∀x, y ∈ X
3. l-cancelativo si x ∗ y = x ∗ z ⇒ y = z ∀x, y, z ∈ X
4. r-cancelativo si x ∗ y = z ∗ y ⇒ x = z ∀x, y, z ∈ X
x ∗ x−1 = x−1 ∗ x = θ
Teorema 1.3.1
Todo semigrupo abeliano cancelativo (X, ∗) se puede sumergir en un grupo
abeliano.
14 TEMA 1. PRERREQUISITOS
Demostración:
En X × X podemos definir la relación de equivalencia
(x, y) ∼ (x0 , y 0 ) ⇔ x ∗ y 0 = x0 ∗ y
Teorema 1.3.2
Todo anillo abeliano e ı́ntegro (X, ∗, θ, ) se puede sumergir en un cuerpo
de fracciones.
Demostración:
(x, y) ∼ (x0 , y 0 ) ⇔ x y 0 = x0 y,
∗ : F(X) × F(X) → F(X)
x1 x2 x1 y2 ∗ x2 y1
, 7→
y1 y2 y1 y2
y
: F(X) × F(X) → F(X)
x1 x2 x1 x2
, 7→
y1 y2 y1 y2
1. (X, ∗, θ, , e) es un cuerpo.
16 TEMA 1. PRERREQUISITOS
3. x y ⇒ x∗z y∗z ∀z ∈ X
4. (θ x ∧ θ y) ⇒ θ xy
xn = b con n ∈ N y 0≤b
En efecto:
A = {z ∈ R+ | z n ≤ b} contiene al 0 y tiene cota superior 1 + b pues
Por tanto, x̄n = b. Además, es fácil observar que no puede existir otra
solución positiva de la ecuación xn = b puesto que x2 > x̄ > x1 >
0 ⇒ xn2 > b > xn1 . ♦
⊕ RI × RI → RI , f ⊕g: I → R
(f, g) 7 → f ⊕g i 7→ f (i) + g(i)
RI × RI → RI , f g : I → R
(f, g) 7 → f g i 7 → f (i) · g(i)
•: R × RI → RI , λ•f : I → R
(λ, f ) 7 → λ•f i 7 → λ · f (i)
1. λ • (f ⊕ g) = λ • f ⊕ λ • g ∀λ ∈ R y ∀f, g ∈ RI
2. (λ + µ) • f = λ • f ⊕ µ • f ∀λ, µ ∈ R y ∀f ∈ RI
3. (λ · µ) • f = λ • (µ • f ) ∀λ, µ ∈ R y ∀f ∈ RI
4. 1 • f = f ∀f ∈ RI
2. λ · (x + y) = λ · x + λ · y ∀λ ∈ R y ∀x, y ∈ X
3. (λ + µ) · x = λ · x + µ · x ∀λ, µ ∈ R y ∀x ∈ X
4. (λ µ) · x = λ · (µ · x) ∀λ, µ ∈ R y ∀x ∈ X
1.4. ESPACIOS VECTORIALES 19
5. 1 · x = x ∀x ∈ X
El conjunto de todas las combinaciones lineales que se pueden formar con los
elementos de A es su envoltura lineal y se denota [A]. Cuando [A]=X deci-
mos que A es generador de X. Un conjunto finito {x1 , x2 , ..., xn} ⊂ X se dice
linealmente independiente cuando cada elemento de [{x1 , x2, ..., xn}] ad-
mite una expresión única como combinación lineal de dichos vectores. Para
ello es necesario y suficiente que
n
X
λi · xi = 0 ⇔ λi = 0 ∀i = 1, ..., n.
i=1
Teorema 1.4.1
Sea (X, +, 0; R, ·) un espacio vectorial, sea G ⊂ X un subconjunto generador
y sea F ⊂ G un subconjunto libre. Entonces, existe una base de Hamel B
de X tal que F ⊂ B ⊂ G.
Demostración:
Sea A el conjunto de todos los subconjuntos de G que contienen a F y son
F ∈ A, y la inclusión es un orden.
libres. Este conjunto es no vacı́o, pues [
Dada una cadena {Ai |i ∈ I}, su unión Ai es una cota superior que está
i∈I
en A pues, claramente, es libre. El lema de Zorn nos asegura que A tiene
un elemento maximal B. Su envoltura lineal [B] debe coincidir con X pues
sino, existirı́a un x ∈ G tal que x ∈[B].
/ Entonces, B ∪ {x} serı́a un elemento
de A que negarı́a la maximalidad de B. ♦
2. L(λ · x) = λ · L(x) ∀x ∈ X, ∀λ ∈ R
Las aplicaciones lineales son las más importantes de las definidas entre espa-
cios vectoriales. Si X e Y tienen bases de Hamel {u1 , · · · , un } y {v1 , · · · vm },
la aplicación lineal L : X → Y queda determinada por los vectores
m
X
L(uj ) = aj = aij vi ∀j = 1, · · · , n
i=1
o por la matriz
a11 · · · a1n
.. .. ..
A = (aij ) = . . .
am1 · · · amn
n
X
pues si x = xj uj , se tiene que
j=1
n xi a11 · · · a1n xi
X . . .. .. = Ax
L(x) = xj aj = a1 · · · an .. = .. ..
. . .
j=1 xn am1 · · · amn xn
b ∈ im L = [a1 , · · · , an ].
1. p(λx) = λp(x) ∀x ∈ X, λ ∈ R+
1.5 Convexidad
n
X
Sea X un espacio vectorial real. Una combinación lineal λi · xi se llama
i=1
n
X
afı́n si λi = 1, se llama cónica si λi ≥ 0 ∀i = 1, · · · , n y se llama
i=1
convexa si es afı́n y cónica.
Esto sucede si y sólo si ningún xi está en la variedad afı́n generada por los
k vectores restantes y, aún, si y sólo si {x2 − x1 , · · · , xk+1 − x1 } es indepen-
diente.
Teorema 1.5.1
Sea X un espacio vectorial.
1. Si A ⊂ X es no vacı́o y C = co(A) se tiene que ext(C) ⊂ A.
2. Si S ⊂ X es un k-simplex de vértices V se tiene que ext(S) = V .
Demostración:
1. Sea e ∈ ext(C). Si e ∈
/ A tenemos que A ⊂ C \ {e}. Entonces,
C = co(A) ⊂ co(C \ {e}) = C \ {e} y, por tanto e ∈
/ C. Absurdo.
Si I = {1, · · · , N }, J = {j ∈ I | µj ≥ 0} y K = {k ∈ I | µk < 0} es
claro que J y K son no vacı́os y constituyen una bipartición de I. Además,
si
X X µj −µk
m := µj = (−µk ) > 0, αj = ∀j ∈ J y βk = ∀k ∈ K
m m
j∈J k∈K
Ti = C1 ∩ · · · ∩ Ci−1 ∩ Ci+1 ∩ · · · ∩ CN +1 6= ∅ ∀i ∈ I
4. Si f : X → R es convexo, L : Y → X es lineal y b ∈ X
h: Y → R
y 7 → f (Ly + b)
es un funcional convexo.
Teorema 1.6.1
Si f : X → Y es continua y K ⊂ X es compacto, f (K) también es compacto
Demostración:
Si {Gi | i ∈ I} es cubrimiento abierto de f (K), {f −1 (Gi) | i ∈ I} lo es de
K y existe un J ⊂ I finito tal que {f −1 (Gi ) | i ∈ J} es cubrimiento de K.
Entonces {Gi | i ∈ J} cubre a f (K) y asegura su compacidad. ♦
Teorema 1.6.2
1. kxk = 0 si y sólo si x = o
2. kλ · xk = |λ|kxk ∀x ∈ X, ∀λ ∈ R
µA : X → R
x 7 → inf{λ > 0 | x ∈ λ · A}
1.6. ESPACIOS MÉTRICOS Y ESPACIOS NORMADOS 29
k k∞ : X → R
x 7→ max{|xi | | i = 1, · · · , n}
En efecto:
Es fácil ver que k k : X → R es continua si consideramos en X la métrica
d∞ (x, y) = kx − yk∞ y en R la del valor absoluto. Como S∞ (X) es com-
pacta, k k alcanza en élla sus extremos absolutos k1 < k2 , luego
Como 0∈
/ S∞ (X), 0 < k1 y, además, por homogeneidad,
Teorema 1.6.4
4. C[a, b], constituido por todas las funciones reales continuas definidas
en el intervalo [a, b], dotado de la norma kf k∞ = sup{|f (t)| | t ∈ [a, b]}
r0
L(x + r · B(X)) ⊂ L(x) + r 0 · B(Y ) ⇔ L(B(X)) ⊂ · B(Y )
r
Vemos, de paso, que la continuidad de L equivale a su acotación, es decir, a
la existencia de un k > 0 tal que L(B(X)) ⊂ k ·B(Y ). Designamos Lc (X, Y )
al subespacio de L(X, Y ) de las aplicaciones acotadas y es claro que
La función que asigna este valor común a cada aplicación lineal acotada
kk : Lc (X, Y ) → R
L 7 → sup{kL(x)k | kxk = 1}
es una norma importante. Por homogeneidad tendremos que
kM Lk ≤ kM k · kLk
kk : X? → R
f 7 → sup{|f (x)| | kxk = 1}
|f (x)| ≤ kf k · kxk ∀x ∈ X
Corolario 1.6.5
Si (X, k k) es un espacio normado, Y ⊂ X es un subespacio vectorial y
f ∈ Y ? , existe un f¯ ∈ X ? que es extensión de f y cumple que kfk
¯ = kf k.
Demostración:
El funcional sublineal
kf k · k k: Y → R
y 7→ kf k · kyk
domina al funcional f . El teorema 1.4.2 asegura la existencia de una ex-
tensión lineal f¯ : X → R también dominada por kf k · k k, es decir,
|f¯(x)| ≤ kf k · kxk ∀x ∈ X
¯ = kf k ♦
y, por tanto, se da la igualdad kfk
Corolario 1.6.6
Sea (X, k k) un espacio normado y sea x0 ∈ X no nulo. Siempre existe un
f ∈ S(X ?) alineado con x0 .
Demostración:
El funcional g : [x0 ] → R tal que g(λx0) = λkx0k es lineal y kgk = 1.
Podemos extenderlo a un un funcional f : X → R de igual norma 1. Por ser
1.6. ESPACIOS MÉTRICOS Y ESPACIOS NORMADOS 33
Teorema 1.6.7
Todo espacio normado (X, k k) está contenido isométricamente en su bidual.
Demostración:
Para cada x ∈ X definimos el funcional lineal
ux : X? → R
f 7 → f (x)
Puesto que |ux (f )| = |f (x)| ≤ kxk · kf k ∀f ∈ X ? resulta que ux ∈ X ?? y
es claro que kux k ≤ kxk. Además, el corolario 1.6.6 asegura la existencia de
un g ∈ X ? unitario tal que g(x) = kxk luego también es cierta la desigualdad
contraria kux k ≥ kxk. La aplicación
J: X → X ??
x 7 → ux
es lineal e isométrica y, por tanto, inyectiva. J(X) es un subespacio de X ??
identificable con X. Esto se suele expresar abreviadamente X ,→ X ?? . ♦
L? : Y? → X?
g 7 → g◦L
y, como es cierto ∀ε > 0, se tiene que kL? k ≥ kLk. Luego kL? k = kLk. ♦
Demostración:
Tomamos al arbitrio a0 ∈ A y b0 ∈ B, designamos x0 = b0 − a0 y conside-
ramos C = x0 + A − B que, obviamente, es convexo y contiene al 0.
[
1. Si A es abierto, C es abierto y, por contener al 0, X = n · C. Ası́,
n∈N
por el teorema 1.6.3, µC es un funcional sublineal y, como x0 ∈ / C, se
tiene que µC (x0 ) ≥ 1. El funcional g : [x0 ] → R tal que g(λx0) = λ es
lineal y está dominado por µC :
Teorema 1.6.9
2. Sea f ∈ X ? y sean
m = min{f (x)} y Em = {x ∈ A | f (x) = m}
x∈A
M = max{f (x)} y EM = {x ∈ A | f (x) = M }
x∈A
Demostración:
1. Inmediato.
2. A = co(ext(A))
Demostración:
f◦ : A◦ → R
h 7→ sup {h(x) − f (x)}
x∈A
1.6. ESPACIOS MÉTRICOS Y ESPACIOS NORMADOS 37
g◦ : B◦ → R
h 7→ inf {h(x) − g(x)}
x∈B
se cumple que
Demostración:
Para cualquier h ∈ A◦ ∩ B ◦ y cualquier x ∈ A ∩ B tenemos que
(
f ◦ (h) ≥ h(x) − f (x)
◦
luego f (x) − g(x) ≥ g ◦ (h) − f ◦ (h)
g (h) ≤ h(x) − g(x)
y, por tanto,
y (
E(f − µ, A) ⊂ H +
H(g, B) ⊂ H−
Es decir, (
∀x ∈ A, f (x) − µ ≤ r ⇒ h0 (x) − r ≥ c
.
∀x ∈ B, g(x) ≥ r ⇒ h0 (x) − r ≤ c
Por tanto,
c = sup {h0 (x) − f (x) + µ} = inf {h0 (x) − g(x)}
x∈A x∈B
Demostración:
El funcional
f: X → R
x 7 → max{h(x)}
h∈B
f◦ : B → R
h 7 → sup {h(x) − max{h(x)}} = 0.
x∈X h∈B
y
A◦ = {h ∈ X ? | inf {h(x)} > −∞} = X ?
x∈A
g◦ : X? → R
h 7 → min{h(x)}
x∈A
En consecuencia,
inf {f (x)} = max{min{h(x)}}.
x∈A h∈B x∈A
luego
min{max{h(x)}} = max{min{h(x)}}. ♦
x∈A h∈B h∈B x∈A
completo.
Sólo si) Sea C una familia de Cauchy de cerrados con la propiedad de in-
tersección finita. Formamos la familia F = {Fi | i ∈ I} de todas las intersec-
ciones de las subfamilias finitas de C. Esta familia F también es una familia
de Cauchy de cerrados con la propiedad de intersección finita y, además,
cumple la siguiente condición filtrante:
∞
X
Por tanto, la serie xn es convergente o si, se prefiere, (xn ) es sumable.
n=1
Supongamos, ahora, que la sumabilidad en norma implica la sumabilidad y
probemos que (X, k k) es un Banach. Sea (xn) de Cauchy. ∀k ∈ N ∃nk ∈ N
tal que kxp − xq k < 21k si p, q ≥ nk . Podemos elegir nk < nk+1 ∀k ∈ N
y considerar lasubsucesión (xnk ) de la sucesión de partida. La sucesión
1
kxnk+1 − xnk k , al estar mayorada por la sucesión sumable 2k , también
es sumable y, en consecuencia, también es sumable la sucesión telescópica
(xnk+1 − xnk ) cuya suma vale lim xnk . Es decir, (xn ) es una sucesión de
1.7. ESPACIOS DE BANACH 41
Cauchy que tiene una subsucesión convergente. Ella misma tiene que ser
convergente. ♦.
Demostración:
La equivalencia de ambas propiedades es clara pues el complementario de
un abierto denso es un cerrado con interior vacı́o. Probaremos, por ejemplo,
que se cumple la primera:
Si x es un punto cualquiera del espacio y E es un entorno cualquiera de x,
basta probar que E ∩ G 6= ∅. Pero es claro que existe un x1 y un r1 ≤ 1 tal
que B(x1 , r1) ⊂ E ∩ G1 y, también, que existe un x2 y un r2 ≤ 12 tal que
B(x2 , r2 ) ⊂ B(x1 , r1 ) ∩ G2 y, también, que existe un x3 y un r3 ≤ 13 tal que
B(x3 , r3 ) ⊂ B(x2 , r2 ) ∩ G3 .... La sucesión (xn ) ası́ construida es de Cauchy
y su lı́mite x0 ∈ E ∩ G. ♦
Comentario 1.7.4
∞
X
(xn) ⊂ C y λn ≥ 0 ∀n ∈ N, λn = 1
n=1
El subconjunto C se dice
Comentario 1.7.5
x1 x2 − x1 xn − xn−1
y1 = , y2 = , · · · , yn = ,···
λ1 λ2 λn
∞
X
λn yn es una serie convexa de Y que converge a x, luego x ∈ Y .
n=1
1.7. ESPACIOS DE BANACH 43
Corolario 1.7.8
L̄ : X → Y
x̄ 7 → lim L(xn )
n→∞
L̄1 (x̄) = lim L̄1 (xn ) = lim L(xn ) = lim L̄2 (xn) = L̄2 (x̄) ∀x̄ ∈ X. ♦
n→∞ n→∞ n→∞
Demostración:
∀A ∈ A el conjunto
\ {x ∈ X| kA(x)k ≤ 1} es cerrado, convexo y simétrico
luego C = {x ∈ X| kA(x)k ≤ 1} también es cerrado, convexo y simétrico.
A∈A
La acotación puntual de A asegura que
y, por tanto, C es absorbente. El lema 1.7.7 asegura que ∃k > 0 tal que
kBX ⊆ C y, ası́, kA(kx)k ≤ 1 ∀A ∈ A y ∀x ∈ BX . Por tanto,
1
sup{kAk |A ∈ A} ≤ . ♦
k
Comentario 1.7.11
xn : X? → R
f 7 → f (xn )
46 TEMA 1. PRERREQUISITOS
δ
L(x) + δBY ⊆ L(x + εBX ) ⇔ δBY ⊆ εL(BX ) ⇔ BY ⊆ L(BX )
ε
Ası́, ser abierta en x equivale a serlo en el origen y equivale a que
es decir, a que
Comentario 1.7.13
Comentario 1.7.15
L: X? → `1
f 7→ (f (xn ))
Surge ası́ la idea de buscar una sucsesión (xn) ⊂ X tal que para cada
elemento x ∈ X exista una única sucesión (λn) ⊂ R de modo que
∞
X
x= λn xn
n=1
Si tal sucesión (xn) existe se llama base de Schauder del espacio normado
(X, k k). Para ello es necesario y suficiente que
!
k
X
∀x ∈ X ∃!(λn) ⊂ R tal que
x − λn xn
→ 0
n=1
Ejemplos 1.8.1
puesto que éstas son las condiciones necesarias y suficientes para que
max {|s(n) − λn | |n ≤ k} ∪ {|s(n)| |n > k} → 0
puesto que éstas son las condiciones necesarias y suficientes para que
k ∞
!
X X
|s(n) − λn |p + |s(n)|p → 0
n=1 n=k+1
50 TEMA 1. PRERREQUISITOS
Observaciones 1.8.2
los cardinales de los conjuntos densos de (X, k k) pues, todo denso es total
y, si T es total, [T ] es denso y también lo es el conjunto de combinaciones
lineales de elementos de T con coeficientes racionales que designamos [T ]Q
y tiene el mismo cardinal que T .
En un espacio normado (X, k k), siempre sucede que T(X) ≤ dim X, pues
toda base algebraica es un conjunto total. En un espacio de Banach sepa-
rable (X, k k), sólo hay dos posibilidades:
Teorema 1.8.3
Sea (X, k k) un espacio de Banach y (xn) una base de Schauder en la que
X∞
x= λn xn . Para cada k ∈ N la aplicación
n=1
Pk : X → X
k
X
x 7→ λn xn
n=1
Comentario 1.8.4
fk : X → R
∞
X
λn xn 7→ λk
n=1
Teorema 1.8.5
Si (X, k k) es un espacio normado, (xn) ⊂ X es total, existe
(fn ) ⊂ X ?
(
k )
X
biortogonal a (xn ) y existe K > 0 tal que sup
fn ⊗ xn
≤ K, se
k∈N
n=1
tiene que (xn ) es base de Schauder de (X, k k).
Demostración:
∞
X
Como (fn ) es biortogonal a (xn ), si x = λn xn , forzosamente λn = fn (x).
n=1
Esto asegura la unicidad del desarrollo en serie en el caso de que exista.
Probemos la existencia de tal desarrollo:
ε
Dado un x ∈ X y un ε > 0 existe un y ∈ [(xn)] tal que kx − yk < .
K+1
Este y está en un [x1 , x2 , ..., xn0], luego Pn (y) = y ∀n ≥ n0 . Por tanto,
kPn (x) − xk ≤ kPn (x) − Pn (y)k + ky − xk ≤ (1 + kPnk)kx − yk ≤ ε ∀n ≥ n0 .
X∞
Es decir, (Pn (x)) → x o, lo que es lo mismo, fn (x)xn = x. ♦
n=1
1.8. BASES DE SCHAUDER 53
Corolario 1.8.6
Sea (X, k k) un espacio de Banach y sea (xn) ⊂ X una sucesión total de
vectores no nulos. Son equivalentes:
1. (xn ) es base de Schauder
2. ∃k > 0 tal que ∀(λn) ⊂ R se verifica
p
q
X
X
λn xn
≥ k
λn xn
cuando p ≥ q
n=1 n=1
Demostración:
1.⇒ 2. Si (xn ) es base de Schauder y Pn , K son sus proyecciones y su cons-
X p X q
tante, dado x = λn xn tenemos Pq (x) = λn xn si p ≥ q.
n=1
p n=1
q
X
1
X
Como kPq (x)k ≤ Kkxk, se tiene que
λn xn
≥
λn xn
.
K
n=1 n=1
p
X
2.⇒ 1. Si αn xn = 0, por recurrencia tenemos α1 x1 = 0, · · · , αpxp = 0.
n=1
Ası́, (xn ) es libre y ∀y ∈ [(xn)] = Y habrá una representación única
X∞
λn xn = y donde sólo un número finito de coficientes serán no nulos.
n=1 !
Xn
Consideramos (fn ) ⊂ Y a tal que fn (y) = λn y Pn = fi ⊗ xi . Es
i=1
claro que fi (xj ) = δij ∀(i, j) ∈ N × N. Además, la hipótesis asegura
1
que kPq (y)k ≤ kyk ∀y ∈ Y, ∀q ∈ N. Por tanto, (Pn ) ⊂ Lc (Y )
k
y, en consecuencia, (fn ) ⊂ Y ? . El teorema 1.6.5 nos extiende cada fn
a un f¯n ∈ X ? de igual norma y nos proporciona la (f¯n ) biortogonal
Xn
a (xn) y las proyecciones básicas P̄n = f¯i ⊗ xi . Nuevamente la
i=1
1
hipótesis nos asegura que kP̄q (x)k ≤ kxk ∀x ∈ X, ∀q ∈ N. Luego
k
1
(xn ) es base de Schauder y su constante es menor o igual que . ♦
k
Comentario 1.8.7
1. Un espacio de Banach (X, k k) con base de Schauder puede consi-
derarse un espacio de sucesiones: Si (un ) es una base normalizada,
X∞
x= λn un es la serie de Fourier de x y (λn ) son sus coeficientes
n=1
de Fourier.
54 TEMA 1. PRERREQUISITOS
Φ: X → c0
x 7→ (λn )
k
!!
X
x = lim xm = lim lim sm (n)un =
m→∞ m→∞ k→∞
n=1
k
!! ∞
X X
= lim lim sm (n)un = s(n)un
k→∞ m→∞
n=1 n=1
k k∞ : B(T, R) → R
f 7→ sup{|f (t)|}
t∈T
donde
BεK (f ) = {g ∈ C(X, R) | |f (t) − g(t)| < ε ∀t ∈ K}
Es rutinario comprobar que k es una topologı́a Hausdorff y hace continuas
a todas las operaciones del álgebra C(T, R). Además, si (T, d) es compacto,
k es la topologı́a generada por la norma
k k∞ : C(T, R) → R
f 7→ sup{|f (t)|}
t∈T
Lema 1.9.2
1. pn (0) = 0
√
2. 0 ≤ pn (t) ≤ t
√
√ 2 t
3. t − pn (t) ≤ √ .
2+n t
En particular,
56 TEMA 1. PRERREQUISITOS
√ 2
(A) t − pn (t) ≤
n
√
(B) lim sup | t − pn (t)| = 0
n t∈[0,1]
Demostración:
Veamos que la sucesión de polinomios, definida por iteración en la forma:
t 1
p1 (t) = , pn+1 (t) = pn (t) + (t − p2n (t))
2 2
cumple las propiedades exigidas. Es claro que p1 las cumple. Procediendo
por inducción, asumimos que pn las cumple y las probamos para pn+1 :
1. Evidente
obtenemos
√
√ √ t + pn (t)
(?) t − pn+1 (t) = t − pn (t) 1−
2
√ √ √ √
y como 1 ≥ t y t ≥ pn (t) resulta que 2 ≥ 2 t ≥ t + pn (t).
Luego el segundo miembro de (?) es positivo y, por tanto,
√ √
t − pn (t) ≥ 0 ⇒ t − pn+1 (t) ≥ 0
1
Como pn+1 (t) = pn (t) + (t − p2n (t)) y, t − p2n (t) ≥ 0, tenemos
2
que pn (t) ≥ 0 ⇒ pn+1 (t) ≥ 0.
Corolario 1.9.3
Dado 0 < a < ∞ existe una sucesión de polinomios (qn ) que satisfacen
∀n ∈ N y ∀t ∈ [−a, a]:
1. qn (0) = 0
2a
2. ||t| − qn (t)| ≤
n
En particular,
Demostración:
2
t
Si qn (t) = a pn es claro que qn (0) = 0. Por el lema 1.9.2 tenemos
a2
2 2
t
− pn t ≤ 2 luego |t| − apn t = ||t| − qn (t)| ≤ 2a . ♦
a a2 n 2
a n
Lema 1.9.4
Sea (T, d) un espacio métrico y sea (B(T, R), k k∞) el álgebra de Banach
de las funciones acotadas. Si W ⊂ B(T, R) es no vacı́o y cerrado para el
producto punual, [W ] tiene las siguientes propiedades:
1. f ∈ [W ] ⇒ |f | ∈ [W ]
2. f1 , f2 ∈ [W ] ⇒ max(f1 , f2 ) ∈ [W ], min(f1 , f2 ) ∈ [W ].
Demostración:
f1 , f2 ∈ [W ] ⇒ f1 · f2 ∈ [W ]
Entonces, evidentemente,
¯ k∞ = 0
lim k |fn| − |f|
n
Lema 1.9.5
Sea (T, d) compacto, sea f ∈ C(T, R) y sea {ut | t ∈ T } ⊂ C(T, R). Entonces:
1. Si ut (t) > f (t) ∀t ∈ T ⇒ ∃ n ∈ N y ∃{t1 , . . ., tn } ⊂ T tal que
la función M = max{ut1 , . . . , utn } también cumple que
Demostración:
1. Sea Gt = {s ∈ T | ut(s) > f (s)}. Por ser f y ut continuas, Gt es abierto
y, claramente, t ∈ Gt . Por tanto, {Gt | t ∈ T } es un cubrimiento
abierto de T . Como (T, d) es compacto, existe un n ∈ N y existe
{t1 , · · · , tn } ⊂ T tales que Gt1 ∪ · · · ∪ Gtn = T . Es fácil comprobar
que la función M = max{ut1 , . . . , utn } tiene la propiedad deseada.
1.9. TEOREMAS DE STONE-WEIERSTRASS 59
Lema 1.9.6
f1 , f2 ∈ W ⇒ max(f1 , f2 ) ∈ W y min(f1 , f2 ) ∈ W
Demostración:
Lema 1.9.7
1. f1 , f2 ∈ W ⇒ max(f1 , f2 ) ∈ W y min(f1 , f2 ) ∈ W
( (
(t, s) ∈ T × T \ ∆T g(t) = λ
2. ∀ ⇒ ∃ g ∈ W tal que
(λ, µ) ∈ R × R g(s) = µ
60 TEMA 1. PRERREQUISITOS
Lema 1.9.8
1. f1 , f2 ∈ W ⇒ max(f1 , f2 ) ∈ W y min(f1 , f2 ) ∈ W
2. W separa puntos de T
3. 1 ∈ W
Lema 1.9.9
2. 1 ∈ W
y, por tanto, existe una g ∈ [Π(W )] tal que g|K = g0 . Evidentemente, esta
g satisface nuestras espectativas. ♦
Observación 1.9.10
El teorema 1.9.1 no funciona en el caso de funciones con valores complejos. Si
C(T, C) = {f : T → C | f continua }, las condiciones de separar los puntos
de T y contener funciones constantes no nulas, no son suficientes para que
se cumpla el lema 1.9.9 en el caso de un W ⊂ C(T, C).
Por ejemplo, T = {z ∈ C | |z| ≤ 1} con la métrica canónica, es un espacio
métrico compacto y el conjunto W = {1, z} separa puntos de T y contiene
una función constante no nula. Sin embargo, [Π(W )] no es denso en C(X, C)
porque la función z → z̄ que es contiua, no es derivable en sentido complejo
y, por tanto, no es desarrollable en serie de potencias.
62 TEMA 1. PRERREQUISITOS
Comentario 1.9.13
g = f ◦ Arg: T → [−π, π] → R
z 7→ Arg(z) = t 7→ f (t)
Por tanto,
y, en consecuencia,
!
n
X
ck eikt <
f (t) − Re ∀t ∈ [−π, π]
k=−n
Re(ck eikt ) =Re ((ak + ibk )(cos kt + i sin kt)) = ak cos kt − bk sin kt
Re(c−k e−ikt ) =Re ((a−k + ib−k )(cos kt − i sin kt)) = a−k cos kt + b−k sin kt
y, por tanto,
n
X n
X
ikt
Re( ck e ) = a0 + (ak + a−k ) cos kt + (b−k − bk ) sin kt
k=−n k=1
que se llama ley del paralelogramo. También 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.
66 TEMA 1. PRERREQUISITOS
Pn 1
En Rn la norma kxk2 = ( i=1 x2i ) 2 procede del producto escalar (x|y) =
Pn
i=1 xi yi .
Rb
En C[a, b] el producto escalar (f |g) = a f (t) · g(t)dt nos define la norma
R 1
b 2
kf k2 = a f 2 (t)dt . No es difı́cil ver que (C[a, b], k k2) no es un espacio
completo, pero , como ya hemos dicho, existe un completado de este espacio.
Precisamente, es el espacio de Lebesgue L2 (a, b) (ver pág. 87).
(x|y)
ang(x, y) = arccos .
kxk kyk
n
X
Si A es ortogonal y 0 ∈
/ A, A es libre pues si {x1 , ..., xn} ⊂ A y λi xi =
i=1 !
n
X
0, multiplicando escalarmente por cada xj tenemos λixi |xj =
i=1
λj (xj |xj ) = 0 ⇒ λj = 0 ∀j = 1, ..., n.
Teorema 1.10.2
Demostración:
1. {−x} + C es convexo cerrado y no vacı́o ∀x ∈ X. Por el lema 1.10.3,
∃1 y0 ∈ C tal que kx − y0 k = min{kx − yk}. Luego y0 = AC (x).
y∈C
luego
kx − AC (x)k2 ≤ kx − (1 − λ)AC (x) − λyk2 =
= kx − AC (x)k2 − 2λ(x − AC (x)|y − AC (x)) + λ2 ky − AC (x)k2
y, por tanto,
En consecuencia,
(x − AC (x)|y − AC (x)) ≤ 0 ∀y ∈ C
3. Es evidente que
kx − y0 k2 ≤ (x − y0 |x − y) ≤ kx − y0 k · kx − yk ∀y ∈ C.
1. Y es de Chebychev
2. x − AY (x) ∈ Y ⊥ ∀x ∈ X.
3. X = Y ⊕ Y ⊥
Demostración:
G(a1 , a2 , · · · , ap , x)
2. d2 (x, Y ) =
G(a1 , a2 , · · · , ap)
Demostración:
El teorema 1.10.5 asegura, para cada x ∈ X, una única mejor aproximación
Xp p
X
αi ai que cumple x− αi ai ∈ Y ⊥ . Como Y ⊥ = {a1 , · · · , ap }⊥ , el vector
i=1 i=1
a = (αi) ∈ Rp es la única solución del sistema de ecuaciones lineales
p
X
(SL) αi (aj |ai ) = (aj |x) ∀j = 1, · · · , p.
i=1
Consecuencias 1.10.7
2. Desigualdad de Bessel:
Si (X, k k) es un Hilbert y A ⊂ X es ortonormal, se cumple que
X
|(x|y)|2 ≤ kxk2 ∀x ∈ X y ∀F ⊂ A finito
y∈F
1.10. ESPACIOS DE HILBERT 71
se escribe ahora
1. L?? = L
72 TEMA 1. PRERREQUISITOS
3. L? ◦ L y L ◦ L? son autoadjuntos.
4. kL? ◦ Lk = kLk2
Las tres primeras son inmediatas. Tampoco son difı́ciles las otras dos:
Φ: X → c0 ,
x 7→ (λn )
∞
X ∞
X
toma, ahora, sus valores en `2 pues λ2n = |(x|en)|2 ≤ kxk2
n=1 n=1
Sea (X, k k) un espacio de Hilbert separable y sea (en ) una base hilbertiana.
La transformación lineal
Φ: X → `2
x 7→ ((x|en))
k
!
X
Finalmente, dada una (λn ) ∈ `2 , es claro que la sucesión λ n en es
n=1
∞
X
de Cauchy en (X, k k) y, por tanto, ∃x0 = λn en ∈ X. Evidentemente,
n=1
Φ(x0 ) = (λn ) y, en consecuencia, Φ es suprayectiva. El teorema 1.7.12 nos
asegura que Φ−1 : `2 → X también es continua. ♦
2
El teorema 1.10.9, al asegurar que Φ(X) = Sas , permite suprimir, en el
caso de un espacio de Hilbert separable, las cotas Sas ⊂ Φ(X) ⊂ S0 de la
transformación de Fourier de un espacio de Banach separable (ver 1.8.7,4).
Además, nos presenta a `2 como modelo de todos los espacios de Hilbert
separables. Mediante la transformación de Fourier-Parseval Φ : X → `2
podemos trasladar un problema de un espacio de Hilbert (X, k k) al espacio
canónico `2 , resolverlo, y retornar con continuidad al espacio original.
Demostración:
m
X
(⇒) Si b ∈ cono({a1 , · · · , am }) es claro que (x|b) = λi (x | ai) ≥ 0 si
i=1
(x | ai) ≥ 0 ∀i.
(⇐) Consideramos el hiperplano H = {x ∈ X | (x|b) = −1} y los semies-
pacios
Hi = {x ∈ X | (x|ai) ≥ 0} ∀i = 1, · · · , m
Si denotamos Ai = H ∩ Hi , la hipótesis dice que la familia de convexos
{A1 , · · · , Am } tiene intersección vacı́a. Entonces, existe una subfamilia mini-
mal con esta misma propiedad y, por tanto, podemos suponer que existe
j ≤ m tal que la intersección de todos los {A1 , · · · , Aj } es vacı́a pero la
intersección de cualesquiera j − 1 de ellos no lo es. En estas condiciones, si
E = [a1 , · · · , aj ], probaremos: (1) b ∈ E y (2) dim E = j. En efecto:
74 TEMA 1. PRERREQUISITOS
j
\
Esto está en contra de que Ai = ∅, luego b ∈ E.
i=1
j
\
y llegamos al absurdo c ∈ Ai = ∅. ♦
i=1
El teorema 1.10.10 tiene muchas consecuencias importantes:
Corolario 1.10.11
(I) b ∈ cono({a1 , · · · , am })
(II) Existe un hiperplano H que pasa por el origen, separa los conjuntos
{b} y {a1 , · · · , am } y contiene a k − 1 elementos de {a1 , · · · , am }.
1.10. ESPACIOS DE HILBERT 75
Demostración:
Está totalmente contenida en la demostración del teorema 1.10.10. ♦
Corolario 1.10.12
Sea A : Rn → Rm una aplicación lineal y sea b ∈ Rm . Entonces:
1. ∃x ∈ Rn+ tq Ax = b ⇔ (y | b) ≥ 0 ∀y ∈ Rm tq A? y ≥ 0.
2. ∃x ∈ Rn tq Ax ≤ b ⇔ (y | b) ≥ 0 ∀y ∈ Rm
+ tq A? y = 0
3. ∃x ∈ Rn+ tq Ax ≤ b ⇔ (y | b) ≥ 0 ∀y ∈ Rm
+ tq A? y ≥ 0
Demostración:
B: Rm × Rn × Rn → Rm
(y, x1, x2) 7 → y + Ax1 − Ax2
Es claro que
B: Rm × Rn → Rm
(y, x) 7 → y + Ax
Es claro que
(y | b) ≥ 0 ∀y ∈ Rm tq (y, A?y) ≥ 0. ♦
76 TEMA 1. PRERREQUISITOS
m
X
m
Si en R fijamos una base {e1 , · · · , em} y designamos A = ai ⊗ ei
i=1
m
X
y b= bi ei , todavı́a podemos describir el poliedro en la forma P =
i=1
{x ∈ X | Ax ≤ b}.
Corolario 1.10.13
Sea (X, k k) un espacio euclı́deo y sea C ⊂ X un cono. Entonces,
Demostración:
Teorema 1.10.14
Demostración:
B: X ×R → Rm
(x, λ) 7 → Ax − λb
78 TEMA 1. PRERREQUISITOS
C = {(x, λ) ∈ X × R+ | B(x, λ) ≤ 0}
k
X p
X
(x, 1) = αi (xi , 1) + αi (xi , 0) ∀x ∈ P
i=1 i=k+1
Corolario 1.10.15
La nueva aplicación
Df : Ω → Lc (X, Y )
x 7→ Lx
D2f : Ω → Bc (X × X, Y )
x 7→ L0x
1
f (x + h) ≈ f (x) + Df (x)(h) + D2 f (x)(h, h),
2
que nos permite estudiar funciones complicadas mediante el simple manejo
de aplicaciones lineales y bilineales continuas es, casi siempre, suficiente para
estudiar los problemas de la realidad. Es más, en muchos casos basta con
la aproximación
f (x + h) ≈ f (x) + Df (x)(h).
Un problema inverso f (x) = b donde f : Ω → Y es diferenciable puede ser
substituido en el entorno de un punto x1 ∈ Ω por el problema inverso lineal
Si una solución x2 de éste cumple que kb−f (x2 )k ≤ kb−f (x1 )k planteamos
(
L2 = Df (x2 )
L2 (x) = b2 donde
b2 = b − f (x2 ) + Df (x2 )(x2 )
Si una solución x3 de éste cumple que kb−f (x3 )k ≤ kb−f (x2 )k planteamos
(
L3 = Df (x3 )
L3 (x) = b3 donde ···
b3 = b − f (x3 ) + Df (x3 )(x3 )
En el caso Y = R, la aproximación
1
f (x + h) ≈ f (x) + Df (x)(h) + D2 f (x)(h, h)
2
nos asegura que en los puntos en que Df (x) es el funcional lineal nulo y
D2 f (x) es una forma bilineal definida positiva, se ha de cumplir, para un
cierto ε > 0, que
f (x + h) ≥ f (x) ∀h ∈ εB(X).
Si (X, k k) = `n2 , la búsqueda de los mı́nimos y máximos relativos de la
función f : Ω → R pasa por la resolución del problema inverso ∇f (x) = 0
y el estudio de la aplicación lineal autoadjunta ∇2 f (x0 ) : Rn → Rn en las
soluciones x0 de dicho problema inverso.
Entonces,
imDα(u) = Tx (V )
y, en tal caso, Nx (V ) = [∇F1 (x), · · · , ∇Fn−p (x)]. Ası́, para que x sea
mı́nimo relativo de f |V debe cumplir que
L: Ω × Rn−p → R
(x, r) 7→ f (x) − (r|F (x))
y si
∂F1 ∂F1
0 ... 0 ...
∂x1 ∂xi
. .. .. .. ..
.. . . . .
0 ∂Fn−p ∂Fn−p
... 0 ...
∂x1 ∂xi
4i L(x0 , r0) =
∀i = 1, · · · , n
∂F1 ∂Fn−p
∂x1 ... f11 ... f1i
. ∂x1
. .. .. .. ..
. . . . .
∂F ∂Fn−p
1
... fi1 ... fii
∂xi ∂xi
se tiene que
3
Ver, por ejemplo, [C-RdeM]
1.11. CÁLCULO DIFERENCIAL 83
Ejemplo 1.11.3
Dado un vector b ∈ `n2 hallar su mejor aproximación euclı́dea en el subespa-
cio generado por los vectores linealmente independientes {a1 , · · · , ap }.
Solución:
Se trata de calcular el mı́nimo de la función
f: Rn → R en la variedad lineal V = [a1 , · · · , ap ]
x 7 → (b − x|b − x)
Es claro que la variedad lineal V también es una variedad diferenciable con
carta local (Rp, L) siendo L : Rp → Rn la aplicación lineal de matriz
a11 · · · a1p
A = ... .. .
.
an1 · · · anp
Por tanto, nuestro problema se convierte en la optimización libre de
g =f ◦L: Rp → R
u 7 → (b − Au|b − Au)
Puesto que
g(u) = (b|b) − 2(A? b|u) + (Au|Au)
es claro que
∇g(u) = −2A? b + 2A? Au y ∇2 g(u) = 2A? A.
Ejemplo 1.11.4
Hallar la norma de una aplicación lineal L : `n2 → `m
2 .
Solución:
Sabemos que kLk = max{kL(x)k | kxk = 1}. Debemos hallar el máximo de
la función
84 TEMA 1. PRERREQUISITOS
L: Rn × R → R
(x, r) 7→ (L(x)|L(x)) − r((x|x) − 1)
y, por tanto, (
L? L(x) = rx
∇L(x, r) = 0 ⇔
(x|x) = 1
El escalar r debe ser autovalor de L? L y la solución s, debe ser el autovector
de norma 1 asociado a r. Si multiplicamos escalarmente la primera ecuación
por s obtenemos
kLk2 = (L(s)|L(s)) = r
y, por tanto, kLk es la raiz cuadrada del mayor autovalor de L? L. Lo
escribimos: p
kLk = ρ(L? L)
1. X ∈ M
2. A ∈ M ⇒ Ac := X \ A ∈ M
∞
[
3. {An | n ∈ N} ⊂ M ⇒ An ∈ M
n=1
µ: M → [0, ∞]
A 7→ µ(A)
1.12. ESPACIOS DE MEDIDA 85
1. µ(∅) = 0
∞
! ∞
[ X
2. {An | n ∈ N} ⊂ M disjuntos dos a dos ⇒ µ An = µ(An )
n=1 n=1
En todo espacio (X, M) con car(X) suficiente, se pueden definir las proba-
bilidades de
1. Dirac concentrada en x0 ∈ X
δx0 : M → ( [0, 1]
1 si x0 ∈ A
A 7→
0 si x0 ∈ /A
αδx0 + (1 − α)δx1
∞ −α k
X e α
δxk
k!
k=0
P
5. En general, para una serie de reales positivos ∞ k=0 αk = 1 y una
sucesión (xn )∞
n=0 ⊂ X tenemos la medida discreta
∞
X
αk δxk
k=0
86 TEMA 1. PRERREQUISITOS
Gm,v : R → R
1 (t−m)2
t 7→ √ e− 2v
2πv
Ep,q : R → R
0 si t ≤ 0
t
t 7→ tp−1 e− q
si t > 0
Γ(p)q p
y, en particular, Z Z
n
f dµ = tn dµf (t) ∀n ∈ N
X R
Estas fórmulas nos permiten calcular la esperanza y la varianza de f :
X→R
Z Z
E(f ) = f dµ y V AR(f ) = |f − E(f )|2dµ
X X
v y
d
C 1-
Q - A
O a b u O x
y, entonces, Z Z
r 2π
r2
m2 (A) = ρ dρ · dθ = · 2π = πr 2
0 0 2
y la medida
µα : Aα → Z [0,∞]
1
E 7→ |G (t1 , · · · , tp) | 2 dmp
α−1 (E)
Teorı́a de grafos
k : X × Y → R.
>: Y ×X → X×Y ,
(y, x) 7→ (x, y)
δ: X×X → ( R,
1 si x = y
(x, y) 7→
6 y
0 si x =
93
94 TEMA 2. TEORÍA DE GRAFOS
2. K(λg) = λK(g) ∀λ ∈ R, ∀g ∈ KY
Kt : RX → RY donde Ktf : Y → X R
t
f 7 → Ktf y 7 → k (y, x)f (x)
x∈X
En consecuencia, (
Kf = αf − βg
.
Kg = βf + αg
Además, α − iβ también será raiz del polinomio caracterı́stico y su au-
tovector correspondiente será f − ig. Ası́ pues, un par de raices complejas
conjugadas del polinomio caracteristico constatan la existencia de un plano
invariant [f,g] en lugar del simple rayo invariante de un autovalor real.
Demostración:
Si K es autoadjunto sus valores propios {λx | x ∈ X} son reales y sus autovec-
tores asociados son ortogonales. Existe una base ortonormal {fx | x ∈ X}
de autovectores. Por tanto,
X X X
f= (fx | f )fx y K(f ) = (fx | f )K(fx) = λx(fx | f )fx.
x∈X x∈X x∈X
X
Si K(f ) = λx(fx | f )fx ∀f ∈ RX es claro que (Kg|f ) = (g|Kf ) ∀f, g ∈ RX
x∈X
y, por tanto, K es autoadjunto. Además, los λx son sus autovalores y los fx
sus autovectores asociados. ♦
Teorema 2.1.2
Demostración:
2.1. NÚCLEOS, MATRICES Y APLICACIONES LINEALES 97
LB : RX × R → R
(f, µ) 7→ (K(f )|f ) − µ((f |f ) − 1)
3. k ≥ 0 ⇒ `k (x, x) ≥ 0 ∀x ∈ X y `k (x, y) ≤ 0 ∀x 6= y.
Demostración :
La linealidad de ` es evidente. Veamos las propiedades:
y, por tanto,
1. q(x, x) = 0 ∀x ∈ X
2. q(x, y) > 0 si x 6= y
Observaciones 2.2.2
Teorema 2.2.3
1. Si q es cuasimétrica en X, también lo es q t .
(q1 , q2 )∞ : X ×X → R
(x, y) 7→ max{q1 (x, y), q2(x, y)}
(q1 , q2 )r : X×X → R
1
(x, y) 7 → (q1r (x, y) + q2r (x, y)) r
Demostración:
100 TEMA 2. TEORÍA DE GRAFOS
1, 2 Inmediatas.
y, por tanto,
1 1
(q1r (x, y)+q2r(x, y)) r ≤ ((q1 (x, z) + q1 (z, y))r + (q2 (x, z) + q2 (z, y))r) r .
s: X0 × X0 → R
q (xi, x0 ) + q (xj , x0 ) − q 2 (xi , xj )
2 2
(xi , xj ) 7→
2
Los siguientes hechos son equivalentes:
Demostración;
1 ⇒ 2) Probaremos que
2
Xn
∀f ∈ RX0 .
(S(f )|f ) =
f (xi )(vi − v0 )
(2.1)
i=1
n
X
En efecto, (S(f )|f ) = s(xi , xj )f (xi )f (xj ) y, por otra parte,
i,j=1
2
Xn
n
X n
X
f (xi )(vi − v0 )
= f (xi )(vi − v0 )| f (xj )(vj − v0 ) =
i=1 i=1 j=1
n
X
= (vi − v0 |vj − v0 )f (xi)f (xj ).
i,j=1
Según (2.1) tenemos que (S(f )|f ) = kT (f )k2 ≥ 0 ∀f ∈ RX0 y, por tanto,
ker S = ker T . Es claro que rang(T ) ≤ m y, por tanto, rang(S) ≤ m. ♦
Como rang(S) = d resulta que dim T (RX0 ) = d. Entonces existe una isome-
tria lineal J : T (RX0 ) → Rd . Los vectores u0 = 0 y uk = J(xk − x0 ) ∀k =
1, · · · , n cumplen las condiciones pedidas. ♦
2. k ∈ G2 si y sólo si se cumplen
3. k ∈ G3 si y sólo si se cumplen
Demostración:
⇒ Es inmediato en los tres casos.
(i)
⇐ Los núcleos qk son nulos en la diagonal de X × X y, por (a),(b) o (c),
son estrictamente positivos fuera de la misma.
Para cualquiera i = 1, 2, 3, la desigualdad
(i) (i) (i)
qk (x, y) ≤ qk (x, z) + qk (z, y)
Demostración:
Como sk : X × X → R es simétrico y se anula en la diagonal, será una
métrica si y sólo si
1. K es definido no negativo.
2. 1 ∈ ker K.
3. rang K = |X| − 1.
√
Entonces sK (ver obs. 2.2.8) es una métrica y, si 3 no se satisface, es una
pseudométrica.
Demostración:
√ √ √
Por 1, existe K autoadjunto y definido no negativo tal que K · K = K.
Como √ √
sK (x, y) = (K(ex − ey )|ex − ey ) = k Kex − Key k2 ,
√
es claro que sK cumple todas las propiedades de pseudométrica. Para ver
√
que es métrica sólo falta comprobar que sK (x, √y) = 0 ⇒ x = y:
√
Es claro que sK (x, y) = 0 ⇒ ex − ey ∈ ker K ⊂ ker K y, por 2 y 3,
ker K = [1]. Luego, ex − ey = λ1 y, en consecuencia, x = y. ♦.
2. k ∈ G1 ⇔ kt ∈ G2
(1) t (2) t
3. sk = qk + q (1)k = qk + q (2)k
2.2. CUASIMÉTRICAS, MÉTRICAS Y NÚCLEOS GENERADORES105
(3)
4. k = kt ⇔ qk = sk
5. G1 ∩ G2 ⊂ G3 ⊂ G1 ∪ G2 ⊂ GM
pudiendo ser estrictos todos los contenidos.
(1)
6. Si k ∈ G1 , qk es métrica si y sólo si
(2)
7. Si k ∈ G2 , qk es métrica si y sólo si
(3)
8. Si k ∈ G3 , qk es métrica si y sólo si k = kt y en la cadena de
contenidos 5 todos los conjuntos coinciden.
Demostración:
(1) (2)
1. qk (x, y) + qk (x, y) = k(x, x) − k(x, y) + k(y, y) − k(x, y) = k(x, x) +
(3)
k(y, y) − 2k(x, y) = qk (x, y) ∀x, y ∈ X.
(1) (1)t
2. k ∈ G1 ⇔ qk es cuasimétrica ⇔ qk es cuasimétrica.
(1)t (1)
Y sabemos que qk (x, y) = qk (y, x) = k(y, y) − k(y, x) = kt (y, y) −
(2) (1)t
kt (x, y) = qkt (x, y) ∀x, y ∈ X. Por tanto tenemos que qk es
(2)
cuasimétrica ⇔ qkt es cuasimétrica ⇔ kt ∈ G2 .
8. Inmediato. ♦
2. Si x 6= y tenemos:
(1) 2kkk∞ 1
qδ−βk (x, y) = 1 − β(k(x, x) − k(x, y)) ≥ 1 − β2kkk∞ ≥ 1 − = ,
4kkk∞ 2
(2) 2kkk∞ 1
qδ−βk (x, y) = 1 − β(k(y, y) − k(x, y)) ≥ 1 − β2kkk∞ ≥ 1 − = ,
4kkk∞ 2
(3) 4kkk∞
qδ−βk (x, y) = 2−β(k(x, x)+k(y, y)−2k(x, y)) ≥ 2−β4kkk∞ ≥ 2− =1
4kkk∞
Por tanto, todas las cuasimétricas generan la topologı́a discreta.
Observaciones 2.2.16
1. Si k = kt todos los Ci (k) coinciden y los denotamos C(k).
2. En las cadenas de contenidos
1
0, ⊂ Ci (k) ⊂ R+ ∀i = 1, 2, 3
4kkk∞
podemos tener la igualdad o el contenido estricto en todas las posi-
ciones:
(a) Si k es una cuasimétrica, Ci (k) = R+ ∀i = 1, 2, 3.
(b) Si X = {1, 2, 3} y el núcleo k : X × X → R está dado por la
matriz
0 −3 3
2 3 −3 ,
3 1 0
tenemos que kkk∞ = 3 y que
0 1 − 3β 1 + 3β
(1)
qδ−βk = 1 − β 0 1 − 6β
1 + 3β 1+β 0
0 1 − 6β 1 + 3β
(2)
qδ−βk = 1 − 2β
0 1 − 3β
1 + 3β 1 − 2β 0
0 2 − 9β 2 + 6β
(3) (1) (2)
qδ−βk = qδ−βk + qδ−βk = 2 + β 0 2 − 9β .
2 + 6β 2 − β 0
h i
1 1
son cuasimétricas si y sólo si β ≤ 12 . Luego 0, 4kkk ∞
=
Ci (k) ∀i.
(c) Si X = {1, 2, 3, 4} y el núcleo k : X × X → R está dado por la
matriz
0 1 2 1
1 0 1 2
2 1 0 1
1 2 1 0
1
tenemos kkk∞ = 6 y, para β = 1, tenemos que β > 4kkk∞ y que
0 4 6 4
(3) 4 0 4 6
qδ−k =
6 4 0 4
4 6 4 0
1
es una métrica. Por tanto, [0, 4kkk ∞
] ⊂ C3 (k), estrictamente.
2.2. CUASIMÉTRICAS, MÉTRICAS Y NÚCLEOS GENERADORES109
Observaciones 2.2.18
1. El teorema 2.2.17 y los experimentos numéricos realizados nos hacen
pensar que S(k) debe ser un intervalo. Sin embargo, esta cuestión aun
no ha podido ser demostrada.
0 1 2 1
1 0 1 2
2. Para el núcleo k : {1, 2, 3, 4}×{1, 2, 3, 4} → R de matriz
2 1 0 1 ,
1 2 1 0
ya considerado en el ejemplo 2.2.16,2c, tenemos, para β = 1, la
0 4 6 4
(3) 4 0 4 6
métrica qδ−k = 6 4 0 4 con núcleo de Schoenberg k3δ−k =
4 6 4 0
16 18 −2
18 36 18 y espectro σ(k3δ−k ) = (−2.7308, 18, 52.7308).
−2 18 16
(3)
Por tanto, el espacio métrico ({1, 2, 3, 4}, qδ−k) no es embebible en
ningún Hilbert y, ası́, en general, el contenido S(k) ⊂ C(k) es es-
tricto.
3. Para núcleos k : X ×X → R+ generados aleatoriamente, hemos obser-
(3)
vado una alta frecuencia de casos en que (X, qδ− 1 k ) ,→ H cuando
4kkk∞
(3)
card(X) ≤ 25, mientras que los casos en que (X, qδ− 1
k
) 6,→ H son
4kkk∞
muy frecuentes cuando card(X) ≥ 35.
110 TEMA 2. TEORÍA DE GRAFOS
2.3 Relaciones
Si X es un conjunto no vacı́o, los subconjuntos de X × X constituyen el
conjunto R(X) de las relaciones de X. Son relaciones en X, por ejemplo, el
vacı́o ∅ y la diagonal 4 = {(x, x) | x ∈ X}. Un elemento p de una relación
P es un par ordenado de elementos de X que escribiremos (p− , p+). Cada
relación P tiene su traspuesta >(P ).
Se dice que una relación P es reflexiva si ∆ ⊂ P y que es simétrica si
P = >(P ). La relación Ps = P ∪ >(P ) siempre es simétrica.
{(x1 , y1 )} ◦ {(x2 , y2 )} = ∅ si x1 6= y2 .
P (k + 1) = P ◦ P (k) ∀k ∈ N.
y, por tanto,
(Xx ∪ Xy )×(Xx ∪ Xy ) = (Xx ×Xx )∪ (Xy ×Xy )∪ (Xx ×Xy )∪ (Xy ×Xx ) ⊂ C
∞
[
1. T = P (k) es una relación transitiva en X.
k=1
m
[
2. Si P es finito y card(P ) = m, T = P (k)
k=1
Demostración:
∞
! ∞
∞
[ [ [
1. T ◦ T = P (i) ◦ P (j) = P (k) = T.
i=1 j=1 k=1
m
[ ∞
[
2. Es claro que P (k) ⊂ P (k) = T . Veamos el contenido contrario:
k=1 k=1
Si (x, y) ∈ T existe un n ∈ N tal que (x, y) ∈ P (n). Si n ≤ m el resultado
es inmediato. Si n > m existe un n-camino (p1 , . . . , pn ) ∈ P n . Alguno de
estos elementos de P , por ejemplo pj , debe aparecer repetido y, sustituyendo
en el camino la parte pj , · · · , pj por pj , vemos que (x, y) ∈ P (`) con ` < p.
Si ` ≤ m el resultado es inmediato y si ` > m volvemos a rebajarlo. En un
número finito de pasos, concluimos la prueba.
3. Es evidente que 4 ⊂ C, luego es reflexiva. Además, es transitiva pues
C ◦ C = (4 ∪ U ) ◦ (4 ∪ U ) = 4 ∪ T = C.
Los elementos de V son los vértices del digrafo y los elementos de E son los arcos
del digrafo. El núcleo w asigna pesos a los arcos. Si w = 1 hablamos de digrafo sin
pesos (V, E).
Observaciones 2.4.3
2 5 1
4
3
3 1 7 2
4 4 5
2. Los digrafos Gt y Gs se representan, respectivamente por los esquemas
5
2 1 2
2.5
1
2.5
3
3.5
4
3.5
3 1 7 2
3 0.5
3.5
0.5 1 1
3.5
2 1
1
4
4 5 4
2
5
2
2 2.5 1
3.5
3 .5 3.5 1
4 2 5
La utilización de pesos nos permite formalizar la cuestión de las aristas
múltiples, habitual en la presentacón clásica de la teorı́a de grafos.
Los programas de MATLAB datosdelgrafo y pintagrafo nos permiten obtener
fácilmente estas representaciones.
∞
[
Si card(Vi ) = 1, es trivial. Si card(Vi ) > 1, sabemos que Vi × Vi ⊂ E(k).
k=1
Ası́, ∀(u, v) ∈ Vi ×Vi existe un camino (e1 , · · · , ek ) en E con (e− +
1 , ek ) = (u, v)
2.4. DIGRAFOS Y GRAFOS 115
Definiciones 2.4.8
1. Un digrafo G = (V, E, w) conexo y sin ciclos se llama árbol.
2. En un digrafo G = (V, E, w), un subdigrafo generador conexo y sin ciclos se
llama árbol generador.
uG : E ×V → q R
w(e) +
(e, v) 7→ 2 (δ(e , v) − δ(e− , v))
Demostración:
Es claro que
UG : RV → RE donde UG f : E → q R
w(e) +
f 7→ UG f e 7→ 2 (f(e ) − f(e− ))
y, por tanto,
X X w(e)
t
(UG ·UG eu |ev ) = UG eu (e)·UG ev (e) = (eu (e+ )−eu (e− ))·(ev (e+ )−ev (e− ))
2
e∈E e∈E
Si u 6= v, sólo son no nulos los sumandos correspondientes a los pares (u, v) o (v, u)
si pertenecen a Es , luego
t w(u, v) w(v, u)
(UG · UG eu |ev ) = − − = −ws (u, v)
2 2
116 TEMA 2. TEORÍA DE GRAFOS
pues sólo son no nulos los sumandos correspondientes a elementos de Es que con-
tienen a u menos el posible lazo (u, u).
Según el teorema 2.1.3, tenemos
t t
(UG · UG eu |eu ) = `ws (u, v) ∀(u, v) ∈ V × V luego UG · UG = LGs .♦
2. rang L = |V | − p.
Demostración:
1. Si p > 1 existe una C-partición de V , no trivial, {V1 , · · · , Vp }. Si enumeramos
los vértices de V empezando por los de V1 , después los de V2 , y seguimos
ası́ hasta terminar por los de Vp , es claro que L tendrá forma diagonal por
bloques, con p bloques.
∞
[
Teorema 2.5.2 Sea G = (V, E, w) un digrafo y la relación C = 4 ∪ E(k). El
k=1
núcleo
qG : V ×V → R
0 si (u, v) ∈ ∆
(u, v) 7→ min {w(Γ)} si (u, v) ∈ C \ ∆
Γ∈Cuv
1 + w(G) si (u, v) ∈
/C
Observaciones 2.5.3
1. Hemos definido qG(u, v) como el mı́nimo de los costes de los caminos de Cuv .
Si Cuv fuera vacı́o, qG (u, v) deberı́a ser infinito y para evitar ese inconve-
niente, le hemos dado el valor 1 + w(G) que también es un coste inalcanzable
para cualquier camino que no tenga aristas repetidas.
2. La operación de composición de relaciones juega un papel básico en la teorı́a
de los espacios uniformes y cuasiuniformes. Ahora, la relación T definida
a través de la composición, no sólo simplifica la presentación teórica de la
cuasimétrica de Dijkstra sino también nos permite el diseño de algoritmos
de cálculo efectivo de la misma como sucede con los programas de MATLAB
composicion, relacionT, depura y dijkstra.
k
X
∃(e1 , · · · , ek ) tal que qG(u, v) ≤ w(ei )
i=1
k
X
t
∃(>(ek ), · · · , >(e1 )) tal que qG (u, v) ≤ w(>(ei ))
i=1
t t
y se verifica que 2 min{qG(u, v), qG (u, v)} ≤ qG(u, v)+qG (u, v) ≤ 2qGs (u, v)
y, por tanto,
t
min{qG(u, v), qG (u, v)} ≤ qGs (u, v)
t
y, por tanto, (qG, qG )∞ (u, v) ≥ qGs (u, v). ♦
Dado un digrafo G = (V, E, w) y un punto v∞ ∈ / V podemos elegir un vértice
v0 ∈ V y considerar un nuevo digrafo G0 = (V ∪ {v∞ }, E ∪ {(v0 , v∞)}, w 0 ) siendo
w 0 |E = w y w 0 (vo , v∞ ) > 0. Claramente, qG0 coincide con qG en V × V y esto nos
dice que la cuasimétrica de Dikjstra no puede apreciar los cambios que se producen
en un digrafo cuando se añade un nuevo vértice.
La prueba de que sL+ es una métrica la presentamos siguiendo las ideas de Ba-
pat [7]. Comenzamos recordando un importante teorema de representación de
operadores lineales y el inverso generalizado de Moore-Penrose:
Demostración:
El operador K t · K : RY → RY es autoadjunto y definido no negativo. El teorema
2.1.1 asegura la existencia de una base ortogonal {g1 , · · · , gn } de RY constituida
por vectores propios de K t · K. Si suponemos que
(
[g1 , · · · , gr ] = im K t · K = im K
[gr+1 , · · · , gn ] = ker K t · K = ker K
r
1
X √
El operador P = (K t · K) 2 = µi gi ⊗ gi cumple
i=1
U0 : P(RY ) → RX
Pg 7 → Kg
y extenderlo al operador
P U
K: RY → P(RY ) →0 RX
g 7 → Pg 7→ Kg
120 TEMA 2. TEORÍA DE GRAFOS
Entonces,
r
! r
X √ X √
Kg = U0 µi (gi |g)gi = µi (gi |g)U0 (gi ) ∀g ∈ RY
i=1 i=1
(
fi = U0 (gi )
y el teorema queda probado con √ ∀i = 1, · · · , r. ♦
λi = µi
2. K + · K · K + = K +
3. K · K + = (K · K + )t
4. K + · K = (K + · K)t
Demostración:
El teorema 2.5.5 asegura para K una representación
r
X
K= λi gi ⊗ fi
i=1
Lema 2.5.9
Sea X un conjunto finito y K : RX → RX un operador autoadjunto con ker K = [1].
Si H1 y H2 son g-inversos de K, se tiene que sH1 = sH2 .
2.5. CUASIMÉTRICAS Y MÉTRICAS EN DIGRAFOS Y GRAFOS 121
Demostración:
Para todo (x, y) ∈ X × X es claro que (1|ex − ey ) = 0 y, por tanto,
Lema 2.5.10
Sea X un conjunto finito y K : RX → RX un operador autoadjunto. Sea {x1 , · · · , xn}
una enumeración de X y K = (kij ) la matriz de K en la base {ex1 , · · · , exn }.
1. Si K es definido no negativo, ker K = {0} y kij ≤ 0 ∀i 6= j se tiene:
es g-inverso de K.
Demostración:
1. Sean µ1 ≥ µ2 ≥ · · · ≥ µn−1 ≥ µn > 0 los autovalores de K y sea β > 0
tal que βµ1 < 1. El operador P = I − βK es autoadjunto, con entradas no
negativas y autovalores
Además, ((I − P)−1 exi |exi ) > 0 ∀i luego (K −1 exi |exi ) > 0 ∀i.
2. La matriz K de entradas (kij ) es simétrica y cumple
k11 · · · k1n 1 0
.. . . .. .. = .. .
. . . . .
kn1 · · · knn 1 0
tendrá rango n − 1. Sus filas {f1 , · · · , fn} forman una famiia de Rn−1 cuya
suma es 0 y dim [f1 , . . . , n] = n − 1. Suprimiendo cualquier fi obtenemos
una familia libre {f1 , · · · , fi−1 , fi+1 , · · · , fn } y la matriz
k11 · · · k1j−1 kij+1 ··· k1n
.. .. .. .. .. ..
.
. . . . .
ki−11 · · · ki−1j−1 ki−1j+1 · · · ki−1n
ki+11 · · · ki+1j−1 ki+1j+1 · · · ki+1n = K[i, j]
. .. .. .. .. ..
.. . . . . .
kn1 ··· knj−1 knj+1 ··· knn
∆+
n = {(i, j) ∈ Nn × Nn | i < j} y ∆−
n = {(i, j) ∈ Nn × Nn | i > j} .
Ahora bien,
n
X X f 2 (xi ) + f 2 (xj ) X f 2 (xi ) + f 2 (xj )
kii f 2 (xi )+ kij + kij =
2 2
i=1 (i,j)∈∆+
n (i,j)∈∆−
n
n
X 1X
= f 2 (xi ) kii + (kij + kji )
2
i=1 j6=i
n
X X
1
y, como kij = 0 ∀i ∈ Nn , kii + 2 (kij + kji ) ≥ 0 ∀i ∈ Nn .
j=1 j6=i
Luego
n
X 1 X
(Kf | f) ≥ f 2 (xi ) kii + (kij + kji) ≥ 0. ♦
2
i=1 j∈Nn \{i}
RX
k = [ex1 , · · · , exk−1 , exk+1 , · · · , exn ]
y sea Jk : RXk ,→ R
X
la inmersión canónica. Es claro que la restricción
de Pk · K · Pk al subespacio RX
k está representado por la matriz K[k, k]
y que, si Bk : RX X
k → Rk es el operador de matriz Bk , se tiene que
Hk = Jk · Bk · Pk .
K · Hk · K(exi ) = K(exi ) ∀i ∈ Nn .
K · Hk · K(exi ) = K(exi ).
Demostración:
Sabemos que L+ es autoadjunto, definido no negativo y tiene rango |V | − 1. Por
124 TEMA 2. TEORÍA DE GRAFOS
√
la proposición 2.2.11 sL+ es una métrica. Sólo falta probar que sL+ satisface la
desigualdad triangular. Fijados vi , vk , vj ∈ V distintos, debemos probar que
Corolario 2.5.12 Sea X un conjunto finito con |X| ≥ 3 y sea {x1 , · · · , xn } una
1
enumeración de X. Tomamos en RX una base ortonormal {f1 , . . . , fn−1 , √ } y
n
en R un conjunto de números positivos {m1 , . . . , mn−1 }. Si
n−1
X
mk (fk |exi )(fk |exj ) ≤ 0 ∀i 6= j ,
k=1
Demostración:
n−1
X
El operador K = mk fk ⊗ fk : RX → RX es autoadjunto y ker K = [1]. Además,
k=1
las entradas de la matriz que lo representa en la base {ex1 , · · · , exn } son
n−1
X
kij = (exi |K(exj ) = mk (fk |exi )(fk |exj ) ≤ 0 ∀i 6= j
k=1
es claro que
n−1
X 1
q(xi , xj ) = (fk |exi − exj )2 = (K + (exi − exj )|(exi − exj ) = sK+ (xi , xj )
mk
k=1
La prueba de que sQα es una métrica sigue un camino muy distinto al presentado
en [15].
Demostración:
Sea {v1 , · · · , vn } una enumeración de V . Como L : RV → RV es autoadjunto,
1
definido no negativo y ker L = [1], existe una base ortonormal {f1 , . . . , fn−1 , √ }
n
en RV constituida por vectores propios de L. Si µ1 ≥ · · · ≥ µn−1 > µn = 0 son los
valores propios correspondientes, tenemos,
n−1
X
L= µk fk ⊗ fk .
k=1
Las entradas de la matriz L que representa a L en la base {ev1 , · · · , evn } son, según
el teorema 2.1.3,
n−1
X
`ij = (evi |L(evj ) = µk (fk |evi )(fk |evj ) ≤ 0 ∀i 6= j.
k=1
1
Por ser {f1 , . . . , fn−1 , √ } base ortonormal tenemos
n
n−1
X 1 1
(evi |fk )(evj |fk ) + (evi | √ )(evj | √ ) = (evi |evj ) , ∀(i, j) ∈ Nn × Nn
n n
k=1
y, por tanto,
n−1
X 1
(evi |fk )(evj |fk ) = − < 0 cuando i 6= j .
n
k=1
Ası́,
n−1
X
(1 + µk )(evi |fk )(evj |fk ) < 0 cuando i 6= j
k=1
es una métrica. ♦
Observación 2.5.14
Si un grafo (V, E, w) es simétrico y conexo y tiene laplaciano L, el grafo (V, E, αw)
también es simétrico y conexo y tiene laplaciano αL para cualquier α > 0. El
teorema 2.5.13 asegura que el operador Qα = (I + αL)−1 es generador de métrica
∀α > 0. La métrica se llama métrica de Chebotaref de parámetro α y la αsQα se
llama métrica de Chebotaref ajustada de parámetro α.
(Lt + D) · 1 = a
deben cumplir:
2.6. PROBLEMAS MODELIZADOS EN DIGRAFOS Y GRAFOS. 127
∂2F ∂2F
∆F (x) := (x) + (x) = 0 ∀x ∈ Ω .
∂x2 ∂y2
1 2
• •
G D
3 4
• •
y cumpla la propiedad del valor medio en los cuatro vértices interiores. En este
caso el sistema lineal a resolver es el Ax = b donde
4 −1 −1 0 U +G
−1 4 0 −1 y b = U + D
A= −1 0 4 −1 L + G
0 −1 −1 4 L+D
cuya solución es
0
x = A\b = F (1) F (2) F (3) F (4) .
1 2 3
• • •
4 5 6
G • • • D
7 8 9
• • •
cuya solución es 0
x = A\b = F (1) · · · F (9) .
Si G(V, E) es la rejilla cuadrada Qn+2 y B es el subconjunto de vértices del borde,
podemos hallar una F : V → R con valores predeterminados en B que cumpla las
condiciones del valor medio en los n2 vértices interiores, si hallamos inductivamente
la correspondiente matriz A ∈ Mn,n y el vector b ∈ Rn . Esto lo hemos hecho,
para n ≤ 700, en el programa de MATLAB ??. Para n = 400 y (U, L, G, D) =
(500, 100, 500, 300), hemos obtenido unos valores en los 160.000 puntos interiores
que vienen dados por la gama de colores
132 TEMA 2. TEORÍA DE GRAFOS
En efecto:
Aproximando las derivadas parciales por diferencias finitas centradas como se in-
dica, por ejemplo en [?], tenemos
∂2F ∂2F
2
(x) + (x) = 0
∂x ∂y2
exige que
F (xi+1 , yj ) + F (xi−1 , yj ) + F (xi , yj+1 ) + F (xi , yj−1 )
F (xi , yj ) =
4
que es, precisamente, la propiedad del valor medio en los vértices interiores.
y cumpla la propiedad del valor medio en los tres puntos interiores. En este caso
el sistema lineal a resolver es el Ax = b donde
6 −1 −1 G+L
A = −1 6 −1 y b = 2 G + D
−1 −1 6 L+D
2.6. PROBLEMAS MODELIZADOS EN DIGRAFOS Y GRAFOS. 133
cuya solución es 0
x = A\b = F (1) F (2) F (3) .
Si G(V, E) es la rejilla triangular T6 y B es el subconjunto de vértices del borde,
podemos pensar en una F : V → R que tome el valor L en los vértices inferiores de
B, G en los izquierdos y D en los derechos
y cumpla la condición del valor medio en los seis puntos interiores. En este caso el
sistema lineal a resolver es el Ax = b donde
6 −1 0 −1 0 0 G+L
−1 6 −1 −1 −1 0 G
0 −1 6 0 −1 0 G + D
A= −1 −1 y b = 2
0 6 −1 −1
L
0 −1 −1 −1 6 −1 D
0 0 0 −1 −1 6 L+D
cuya solución es
0
x = A\b = F (1) F (2) F (3) F (4) F (5) F (6) .
Si T es la √
envoltura convexa de los puntos del plano x1 = (0, 0), x2 = (1, 0),
x3 = ( 12 , 23 ), queremos ver si la solución obtenida es la discretización en los vértices
◦
de la rejilla Tn+3 , de una función F : T → R que sea armónica en T y cumpla las
condiciones de contorno
F |G = 100, F |D = 300, F |L = 700
Cada punto x ∈ T es una única combinación convexa de los vértices
x = αx1 + βx2 + γx3
Diremos que (α, β, γ) son las coordenadas convexas de x y están relacionadas
con las coordenadas cartesianas (x, y) de x mediante las ecuaciones
x 1 21 0 x 12 0 1 x
√ √
y 0 3 0 y 3 0 0 y
2 2
1 1 1 1 1 1 1 1 1
α= , β = , γ = .
0 1 12 0 1 12 0 1 12
√ √ √
0 0 3 0 0 3 0 0 3
2 2 2
1 1 1 1 1 1 1 1 1
Para cambiar, en la ecuación de Laplace, las variables (x, y) por las (α, β, γ), ten-
emos en cuenta que
∂F ∂F ∂α ∂F ∂β ∂F ∂γ
∂x = ∂α ∂x + ∂β ∂x + ∂γ ∂x
∂F = ∂F ∂α + ∂F ∂β + ∂F ∂γ
∂y ∂α ∂y ∂β ∂y ∂γ ∂y
y que 2 2 2
∂2F ∂ 2 F ∂α ∂2F ∂β ∂ 2 F ∂γ
= + + +
∂x2 ∂α2 ∂x ∂β 2 ∂x ∂γ 2 ∂x
2 2 2
∂ F ∂α ∂β ∂ F ∂α ∂γ ∂ F ∂β ∂γ
+2 + +
∂α∂β ∂x ∂x ∂α∂γ ∂x ∂x ∂β∂γ ∂x ∂x
2 2
2 2 2
∂ F = ∂ F ∂α
∂2F ∂β ∂ 2 F ∂γ
2 2
+ + +
∂y ∂α ∂y ∂β 2 ∂y ∂γ 2 ∂y
2
∂ F ∂α ∂β ∂ 2 F ∂α ∂γ ∂ 2 F ∂β ∂γ
+2 + +
∂α∂β ∂y ∂y ∂α∂γ ∂y ∂y ∂β∂γ ∂y ∂y
2.6. PROBLEMAS MODELIZADOS EN DIGRAFOS Y GRAFOS. 135
∂2F ∂α ∂β ∂α ∂β ∂2F ∂α ∂γ ∂α ∂γ ∂2F ∂β ∂γ ∂β ∂γ
+2 + + + + + =0
∂α∂β ∂x ∂x ∂y ∂y ∂α∂γ ∂x ∂x ∂y ∂y ∂β∂γ ∂x ∂x ∂y ∂y
y, en nuestro caso, resulta que
2 2 2 2 2 2
∂α ∂α ∂β ∂β ∂γ ∂γ 4
∂x + = + = + =
∂y ∂x ∂y ∂x ∂y 3
∂α ∂β ∂α ∂β ∂α ∂γ ∂α ∂γ ∂β ∂γ ∂β ∂γ 2
+ = + = + =−
∂x ∂x ∂y ∂y ∂x ∂x ∂y ∂y ∂x ∂x ∂y ∂y 3
y, en consecuencia, la ecuación de Laplace se escribe:
2
∂2F ∂2F ∂2F ∂ F ∂2F ∂2F
+ + − + + =0
∂α2 ∂β 2 ∂γ 2 ∂α∂β ∂α∂γ ∂β∂γ
Ahora bien, como α + β + γ = 1 si mantenemos constantes dos de estas variables,
la variación con respecto a la tercera debe ser nula y, ası́, la ecuación de Laplace se
reduce a
∂2F ∂2F ∂2F
+ + =0
∂α∂β ∂α∂γ ∂β∂γ
Aproximando estas derivadas parciales por las siguientes diferencias finitas
2
∂ F (αi , βj , γk ) ≈ F (αi+1 , βj−1 , γk ) − 2F (αi , βj , γk ) + F (αi−1 , βj+1 , γk )
∂α∂β ∆α∆β
2
∂ F F (αi+1 , βj , γk−1 ) − 2F (αi , βj , γk ) + F (αi−1 , βj , γk+1 )
(αi , βj , γk ) ≈
∂α∂γ ∆α∆γ
2
∂ F F (αi , βj+1 , γk−1 ) − 2F (αi , βj , γk ) + F (αi , βj−1 , γk+1 )
(αi , βj , γk ) ≈
∂β∂γ ∆β∆γ
y, teniendo en cueta que en nuestra malla ∆α∆β = ∆α∆γ = ∆β∆γ, la dis-
cretización de la ecuación de Laplace en coordenadas convexas exige que
F (αi+1 , βj−1 , γk ) + F (αi−1 , βj+1 , γk ) + F (αi , βj+1 , γk−1 )
F (αi , βj , γk ) = +
6
F (αi , βj−1 , γk+1 ) + F (αi , βj+1 , γk−1 ) + F (αi , βj− , γk+1 )
+
6
que es, precisamente, la propiedad del valor medio en los vértices interiores.
2.6.4 Congestiones
Es fácil interpretar cualquiera grafo simétrico como un diseño en que los vértices
son núcleos de población y las aristas son las carreteras que los comunican o en
que los vértices son ordenadores y las aristas las lı́neas que los conectan entre sı́.
136 TEMA 2. TEORÍA DE GRAFOS
Por tanto, es importante evaluar los daños producidos por posibles cortes en las
comunicaciones debidos a cualquier causa (terremotos, nevadas, incendios, virus,
terrorismo, etc) y hacer diseños que minimicen los riesgos de tales cortes.
En un grafo simétrico, conexo y sin pesos (V, E), cada subconjunto propio X ⊂ V
determina una partición (X, X c ) y se han propuesto diferentes valoraciones del
daño que dicha partición genera en el grafo. Designando A(X, X c ) al conjunto de
aristas del grafo con un vértice en X y el otro en X c , tenemos:
1. La valoración isoperimétrica
card(A(X, X c ))
vi(X) =
min{card(X), card(X c )}
card(A(X, X c )) X
vh(X) = con v(X) = card(I(v)).
min{v(X), v(X c )}
v∈X
yt Ly
λ2 = min
1
y∈[D 1]⊥
2
yt y
λ2 p
≤ h(G) < 2λ2 .
2
Ası́, el menor autovalor no nulo de la matriz laplaciana de un grafo G(V, E),
llamado conectividad algebraica del grafo, nos permite una cómoda acota-
ción de la constante de Cheeger de G(V, E).
3. Las particiones más interesantes en un grafo simétrico, conexo y sin pesos
(V, E) están ligadas a la familia de sus árboles generadores T , definidos y
2.4.8 comentados en y 2.4.9. Por ejemplo, tras una gran nevada en una
2.6. PROBLEMAS MODELIZADOS EN DIGRAFOS Y GRAFOS. 137
• • •
• • • • • •
T2 = , T3 = , T4 =
• • • • • • • • •
138 TEMA 2. TEORÍA DE GRAFOS
• • • •
• • • • • • •
• • • • • • • • •
Q2 = , Q3 = , Q4 =
• • • • • • • • •
P1 = , P2 = , P3 =
2.7 Prácticas
1. Sea k : X ×Y → R un núcleo y Sk su soporte. Implementarlo en el ordenador
en los siguientes casos;
X = {x1 , x2 , x3 , x4 , x5, x6 }
Y = {{y1 , y2 , y3 , y4 }
card(S k) = 6
k(x1 , y1 ) = 1
(a) k(x1 , y2 ) = 5
k(x1 , y4 ) = 3
k(x2 , y3 ) = 7
k(x5 , y4 ) = 3
k(x6 , y3 ) = 7
(b) En la rejilla triangular T4 , ¿cuántos caminos de 9 aristas existen entre
dos vértices extremos distintos? y ¿cuántos de 9 aristas parten de un
vértice extremo y llegan al mismo?
(c) Una pista circular está dividida en 9 tramos y al final 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. ¿Cuál es la probabilidad de
dar una vuelta completa sin retroceder jamás? ¿Cuál es la probabilidad
de partir de un control y llegar al mismo tras recorrer nueve tramos?
Considerar como arcos las direcciones permitidas que unen estos vértices y
dar una calificación de su conectividad. Averiguar que nueva arista orientada
lo mejorarı́a más.
5. Visualizar el algoritmo de Dijkstra1
1
http://www.dgp.toronto.edu/people/JamesStewart/270/9798s/Laffra/DijkstraApplet.html
140 TEMA 2. TEORÍA DE GRAFOS
Tema 3
Problemas lineales.
Si b ∈
/ imf podemos quedarnos con su mejor aproximación euclı́dea Aim f (b) que
(ver pág. 83) es solución de la ecuación
f ? f(x) = f ? (b)
141
142 TEMA 3. PROBLEMAS LINEALES.
Hoy, los algoritmos de tipo algebraico se llaman métodos directos y los algoritmos
que buscan aproximaciones sucesivas de las soluciones se llaman métodos iterativos.
Ante un problema determinado debemos decantarnos por seguir un método directo
o un método iterativo pero saber cúal es preferible, puede no resultar sencillo.
El número de operaciones que hay que realizar para obtener todos los determinantes
que intervienen es tan elevado que, seguramente, el lector prefiere el método de
eliminación de Gauss que, además, es aplicable a cualquier sistema lineal Ax = b
con A ∈ Mm×n . Recordemos, brevemente, este segundo método directo.
al menos un ai1 1 , con i1 ∈ {1, . . . , m}, será no nulo. Intercambiamos la fila de este
pivote ai1 1 con la primera fila y obtenemos el sistema equivalente
ai 1 1 x 1 + ai 1 2 x 2 + · · · + ai 1 n x n = bi 1
a21 x1 + a22 x2 + · · · + a2n xn = b2
..
.
a11 x1 + a12 x2 + · · · + a1n xn = b1
..
.
am1 x1 + an2 x2 + · · · + amn xn = bm
Si todos los a1ij fuesen nulos, el proceso habrá terminado. En otro caso, renom-
brando las variables, si fuese necesario, tendremos un a1i2 2 no nulo para cierto
i2 ∈ {2, . . . , m}. Entonces, multiplicando por matrices P2 y G2 , similares a las P1
y G1 , conseguimos un sistema
G2 P2 G1 P1 Ax = G2 P2 G1 P1 b
144 TEMA 3. PROBLEMAS LINEALES.
(s1 , · · · , sm , 0, · · · , 0) ∈ Rn
3.2. MÉTODOS DIRECTOS 145
(v1 , · · · , vk , · · · , vm )
3.2.3 Factorización LU
Imaginemos una matriz A en la que el proceso de eliminación gaussiana se pueda
llevar a cabo sin permutar filas o, si se prefiere, con matrices de permutación Pi =
I ∀i = 1, . . . , k − 1. En tal caso (ver pág. 144),
M = Gk−1 . . . G1
A = M −1 · M · A = L · U
146 TEMA 3. PROBLEMAS LINEALES.
Daremos algunas condiciones suficientes para que una matriz cuadrada admita una
tal descomposición en factores o factorización LU .
Teorema 3.2.4
Multiplicabdo por bloques vemos que det(∆k ) = a111 . . . akkk 6= 0. Luego akkk puede
tomarse como pivote, y en consecuencia, podemos tomar Pk = I.
Con ello A tiene asegurada una factorización LU . Si suponemos que no es única,
A = L · U = L1 · U1 y, en consecuencia, (L1 )−1 · L = U −1 · U1 . Pero como la primera
es triangular inferior y la segunda, triangular superior, esta igualdad solo es posible
si (L1 )−1 · L = U −1 · U1 = I, es decir, si
L = L1 y U = U1 . ♦
Corolario 3.2.5
Corolario 3.2.6
δ0 = 1, δ1 = b1 , δk = bk δk1 − ak ck−1δk−1 ∀k = 2, . . . n
Teorema 3.2.8
Si A es simétrica y definida positiva existe una matriz triangular inferior B tal que
A = B · B? (factorizacion de Cholesky)
Además, podemos imponer que los elementos diagonales de B sean todos estricta-
mente positivos y, en este caso, la factorización A = B · B ? es única.
Demostración:
Si A es simétrica y definida positiva admite una única factorización LU
1 u11 . . . × ... ×
.. . . .. .. ..
.
.
. . .
A= × . . . 1
u kk . . . ×
. . . . .
.. .. .. .. ..
× ... × ... 1 unn
y sólo pueden ser iguales si ambas son la identidad. Por tanto, C = B ? . Esto
demuestra la existencia de una factorización de Cholesky A = B · B ? .
3.2.9 Factorización QR
Dado cualquier vector v ∈ Rn definimos su matriz de Householder
I − 2 vv? si v 6= 0
Hv = v? v
I si v = 0
Comentario 3.2.10
F · Ux = B
Todos estos métodos directos para resolver los problemas inversos lineales se han
programado en los siguientes ficheros de MATLAB: rouche, cramer, metodos-
directos, remontada, descenso y qrhouseholder.
Ejercicios 3.2.11
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]
tenemos que
(
kbk ≤ kAk · kxk k∆xk k(∆b)k
y ≤ kAk · kA−1 k .
k∆xk ≤ kA−1 k · k∆bk kxk kbk
k∆xk
Por tanto, el error relativo ε(x) = kxk
está acotado por el producto del error
k∆bk
relativo ε(b) = y el número de condición c(A) = kAk · kA−1 k. Además, esta
kbk
acotación es la mejor posible pues existe un dato bm y una desviación ∆bm cuyas
xm y ∆xm verifican la igualdad
k∆xm k k∆bm k
ε(xm ) = = kAk · kA−1 k · = c(A) · ε(bm )
kxm k kbmk
En efecto:
(
∃xm tal que kAxm k = kAk · kxm k
∃∆bm tal que kA−1 (∆bm )k = kA−1 k · k∆bm k
Como 1 = kIk ≤ kAk · kA−1 k, c(A) es siempre mayor o igual que la unidad.
Cuanto mayor es, más repercuten los errores de observación en los resultados.
n
! 12
X p
2
3. Si kxk = |xi | (euclı́dea) ⇒ kAk = ρ(A? A) (norma s).
i=1
3. Precondicionamiento bilateral
(
M1−1 AM2−1 y = M1−1 b
M1−1 AM2−1 M2 x = M1−1 b ⇔
M2 x = y
Teorema 3.3.1
Dada una matriz regular A ∈ Mn existe una matriz diagonal regular D ∈ Mn tal
que D−1 A es equilibrada por filas, es decir,
n
X
D−1 A = (bij ) y |bij | = constante ∀i = 1, · · · , n
j=1
cf (D−1 A) = kD−1 Akf · k(D−1 A)−1 kf = kkA−1 Dkf ≤ kkA−1 kf kDkf = cf (A)
El precondicionador D−1 que equilibra por filas es óptimo en cierto sentido: Para
cualquier otra matriz diagonal regular D1 tal que D1−1 A no sea equilibrada por filas
tenemos
cf (D−1 A) ≤ cf (D1−1 A)
pues D−1 A = D−1 D1 D1−1 A y es claro que D−1 D1 equilibra por filas a D1−1 A y,
por tanto, cf (D−1 A) ≤ cf (D1−1 A). ♦
se tiene que
1. Existe un único p ∈ Ω tal que G(p) = p.
2. El algoritmo iterativo
(
x0 ∈ Ω
xk+1 = G(xk ) ∀k ≥ 0
Demostración:
Para k ≥ 1 se verifica
kxk+1 − xk k = kG(xk ) − G(xk−1 )k ≤ Lkxk − xk−1 k ≤ · · · ≤ Lk kx1 − x0 k
y, en consecuencia, para n > k ≥ 1 tenemos
kxn − xk k ≤ kxn − xn−1 k + · · · kxk+1 − xk k ≤ (Ln−1 + · · · + Lk )kx1 − x0 k
luego
Lk
kxn − xk k ≤ kx1 − x0 k
1−L
Esto prueba que (xk ) es una sucesión de Cauchy en el espacio métrico completo
(Ω, dk k ). Ası́, existe p ∈ Ω tal que (xk ) → p y G(p) = p. Si existiera otro
q ∈ Ω cumpliendo G(q) = q, llegarı́amos al absurdo:
kp − qk = kG(p) − G(q)k ≤ Lkp − qk < kp − qk.
La estimación del error se obtiene tomando el lı́mite en la desigualdad
Lk
kp − xk k = lim kxn − xk k ≤ kx1 − x0 k ♦
n→∞ 1−L
Para una aplicación lineal f : Rn → Rn si f = p−q, con p y q lineales y p fácilmente
inversible, se tienen las siguientes equivalencias
f(x) = b ⇔ p(x) = q(x) + b ⇔ x = p−1 q(x) + p−1 (b)
y designando p−1 q = g y p−1 (b) = c, resulta que
f(x) = b ⇔ x = g(x) + c
Si existe una norma k k en Rn para la cual kgk < 1, la aplicación
g+c : Rn → Rn
x 7 → g(x) + c
cumple todas las condiciones del teorema 3.4.1 y la sucesión de iterantes {xn } con
x0 arbitrario y
x1 = g(x0 ) + c, x2 = g(x1 ) + c, . . . , xn+1 = g(xn ) + c, . . .
es convergente a un cierto x̄ que por cumplir
x̄ = g(x̄) + c también cumplirá f(x̄) = b.
¿Cómo podemos saber si existe una norma k k en Rn para la cual la norma funcional
de g : Rn → Rn cumpla que kgk < 1?
Es fácil ver que el radio espectral de g es cota inferior de todas las posibles normas
funcionales de g pues, si x es un autovector de g correspondiente al autovalor λ de
módulo máximo, para cualquier norma k k de Rn se cumple
kg(x)k = kλxk = ρ(g)kxk.
Comprobaremos en el teorema siguiente que ρ(g) es la cota inferior máxima. Para
ello, necesitamos recordar algunas cuestiones relativas a las normas funcionales
vistas en la pág. 150.
154 TEMA 3. PROBLEMAS LINEALES.
Observaciones 3.4.2
k| k| : Rn → Rn
x 7 → kb(x)k
Teorema 3.4.3
Demostración:
Dado > 0 existe δ > 0 tal que
δ|tn−1n| <
δ|t 2
n−2n−1| + δ |tn−2n| <
...
δ|t12| + δ 2 |t13 | + · · · + δ n−1 |t1n | <
Teorema 3.4.4
Sea f : Rn → Rn lineal, autoadjunta, positiva y descomponible en la forma f =
p − q, con p y q lineales y p inversible. Sea g = p−1 q.
Demostración:
Como p = f + q, se tiene que
?
p? + q = f ? + q ? + q = f + q + q ? = p + q ? = (p? + q)
Por tanto,
k|gk| = sup{kx − rp−1 r(x)k2 | kxk2 = 1}.
Si kxk2 = 1, tenemos
Por tanto,
k|gk| < 1 y, en consecuencia ρ(g) < 1 ♦
156 TEMA 3. PROBLEMAS LINEALES.
A = D − (L + U )
o si se prefiere
D(xk+1 ) = (L + U )(xk ) + b
El método de Jacobi será convergente cuando
ρ(D−1 (L + U )) < 1
A = (D − L) − U
(D − L)(xk+1 ) = U (xk ) + b
(D − L)? + U = D − L? + U = D
es definida positiva.
3.5. MÉTODO DEL GRADIENTE CONJUGADO 157
Teorema 3.4.8
Si la matriz A es simétrica definida positiva y ω ∈ (0, 2), el método de relajación
es convergente.
Demostración:
Como A es simétrica, L? = U . El teorema 3.4.4 asegura la convergencia del método
cuando ?
1 1−ω 2−ω
D−L + D+U = D
ω ω ω
sea definida positiva. Pero, por ser A definida positiva, también lo es D, y en
consecuencia, si ω ∈ (0, 2), también lo es
2−ω
D ♦
ω
Podemos implementar todos estos resultados en el programa metodositerativos
de Modus.
El método de Gram-Schmidt (ver pág. 67) nos permite construir bases ortonor-
males respecto de este nuevo producto escalar que llamaremos bases f-ortonormales.
y, en consecuencia,
f1 + · · · + fn = P
x1 f1 + · · · + xn fn = PL
Sin embargo, desde un punto de vista mecánico, la solución debe ser única:
El apoyo xi realiza una fuerza fi si y sólo si actúa como un muelle de constante
elástica ki y sufre un desplazamiento vertical yi tal que fi = ki yi . La condición
de perfecta rigidez de la barra impone la existencia de una recta y = p + mx que
pase por los puntos {(x1 , y1 ), · · · , (xn , yn )}. Por tanto, se ha de cumplir que
fm = f o − ao 1 v1 + · · · − ao n−2 vn−2 .
Ejemplo 3.6.2
2
Ver sujetarbarra de Modus
160 TEMA 3. PROBLEMAS LINEALES.
m1 a1 - T1 = -m1 g
m2 a2 - T2 = -m2 g
T1 - T2 = 0
a1 + a2 = 0
En el caso de 2 poleas:
m1 a1 - T1 = -m1 g
m2 a2 - T2 = -m2 g
m3 a3 - T3 = -m3 g
T1 - 2T2 = 0
T2 - T3 = 0
2a1 + a2 + a3 = 0
En el caso de 3 poleas:
3
Ver poleas de Modus
3.6. EJEMPLOS DE PROBLEMAS LINEALES INVERSOS 161
m1 a1 - T1 = -m1 g
m2 a2 - T2 = -m2 g
m3 a3 - T3 = -m3 g
m4 a4 - T4 = -m4 g
T1 - 2T2 = 0
T2 - 2T3 = 0
T3 - T4 = 0
4a1 + 2a2 + a3 a4 = 0
Ejemplo 3.6.3
Se quiere convertir el digrafo siguiente en una red hidraúlica en la que el peso de
los arcos sea el caudal de las tuberı́as.
100 120
110 25 85 20
90
175 25
Solución:
Enumerando los nodos de izquierda a derecha y de arriba a abajo, el programa
redhidraulica nos da
10 40 100
100 120
1 2 3
110 25 85 20
90
4 5
175 25
6
150
Ejemplo 3.6.4
Observaciones 3.6.5
1. La misma técnica utilizada en el espacio Rn euclı́deo es válida en cualquier
espacio de Hilbert. En particular si f ∈ L2 (a, b), su mejor aproximación en
el subespacio generado por las funciones {g1 , · · · , gm } ⊂ L2 (a, b) la encon-
traremos resolviendo el sistema lineal
α1 (g1 |g1 ) + α2 (g2 |g1 ) + · · · + αm (gm |g1 ) = (f|g1 )
α1 (g1 |g2 ) + α2 (g2 |g2 ) + · · · + αm (gm |g2 ) = (f|g2 )
..
.
α1 (g1 |gm ) + α2 (g2 |gm) + · · · + αm (gm |gm ) = (f|gm )
donde, ahora, los productos escalares vienen dados por las integrales:
( Rb
(gi |gj ) = a gi (x)gj (x)dx
Rb
(f|gi ) = a f(x)gi (x)dx
Ejemplo 3.6.6
Sea A : Rn → Rm una aplicación lineal y sea b ∈ imA. Hallar el vector de norma
euclı́dea mı́nima en la variedad Mb = {x ∈ Rn | Ax = b}.
Solución:
Veamos tres maneras diferentes de calcular este vector:
1. Como b ∈ imA, existe un x0 ∈ Mb . Si Mb = {x0 } el vector de norma
euclı́dea mı́nima en Mb es x0 . En otro caso, cualquier otro x ∈ Mb cumplirá
que x ∈ x0 + ker A y, por tanto, Mb = x0 + ker A. Ası́, el vector de norma
euclı́dea mı́nima xm ∈ Mb tendrá que ser ortogonal a ker A.
Sea {u1 , · · · , un } es una base ortonormal de Rn tal que [u1, · · · , ur ] = [ker A]⊥ ,
y [ur+1 , · · · , un ] = ker A, tendremos
y, en consecuencia,
En efecto:
Por tanto,
r
X 1
A+ (b) = (vi |b)ui ∈ [ker A]⊥.
i=1
λi
Φ: Rn × Rm → R
(x, y) 7→ (x|x) − (At y|x) + (y|b)
2xm − At y = 0 y Axm = b
3.6. EJEMPLOS DE PROBLEMAS LINEALES INVERSOS 165
y
Eliminando la xm obtenemos la ecuación lineal en
2
y y
A · At = b cuya solución en MATLAB es = A · At \b
2 2
y sustituyendo tenemos xm = At (A · At \b).
Observación 3.6.8
3.7 Prácticas
1. Del techo del laboratorio se cuelga, con un muelle de constante elástica k, una
masa m1 . De ésta se cuelga, con un segundo muelle de idéntica constante,
una masa m2 . De ésta se cuelga, con un tercer muelle de idéntica constante,
una masa m3 y ası́, sucesivamente, hasta n masas.
(a) Programar un método que determine la posición de cada masa cuando
todo el sistema está en equilibrio. Suponiendo n = 5 y k = 9.8, aplicarlo
a distintas combinaciones de masas y comentar los resultados.
(b) Si la precisión de la balanza con la que se determinan las cinco masas
es 0.01 ¿cúal es la precisión de nuestro método?
2. En las condiciones del problema anterior, se cuelga la última masa, con un
muelle de idéntica constante elástica, de otro punto del techo del laboratorio
situado a una distancia L del primero. Programar un método que determine
la posición de cada masa cuando todo el sistema está en equilibrio.
3. Una pulga situada en un alambre [0, n] da saltos de longitud unidad hacia el
0 con probabilidad α y hacia el n con probabilidad 1 − α. Designamos Pk la
probabilidad de que la pulga, partiendo del punto k, llegue al 0 antes que al
n. Ası́, P0 = 1 y Pn = 0.
Teniendo en cuenta que Pk = αPk+1 + (1 − α)Pk−1 , determinar Pk para
k = 1, · · · , n − 1 cuando α = 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
está en equilibrio actuando las dos fuerzas exteriores que se indican
1000
• ? • - 500
30o
45o 45o
• • • •
∆ ∆
8. Ajustar por la parábola de regresión 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
2 −1
−1 2 −1
−1 2 −1
Mn = . .. . .. . .. ∈ Mn×n
−1 2 −1
−1 1
Problemas espectrales
f(x) + u = b
α1 + · · · + αr = n
sp(f) = {λ1 , · · · , λr }.
Vλi = ker(f − λi I)
169
170 TEMA 4. PROBLEMAS ESPECTRALES
Ejemplo 4.1.1
Ya sabemos (pág 83) que la norma de una aplicación lineal entre espacios euclı́deos
f : Rn → Rn , es la raiz cuadrada del radio espectral de f ? f. Para n = 2 o 3,
podemos ver el significado geométrico de este resultado:
p
kfk = max{kf(x)k2 | kxk2 = 1} = ρ(f ? f)
1
Para obtener la expresión del polinomio de coeficientes p puedo usar la orden de
MATLAB P = poly2sym(p).
4.1. EJEMPLOS TÍPICOS DE PROBLEMAS ESPECTRALES 171
Ejemplo 4.1.2
En el estudio del movimiento de un sólido rı́gido es importante saber que dadas
dos posiciones del sólido que mantengan un punto fijo O siempre se puede pasar
de una a la otra mediante una rotación alrededor de un eje que pasa por O. Para
demostrar este importante resultado de Euler podemos razonar del siguiente modo:
A−1 = A?
con tr(A) = a11 + a22 + a33 y D = a12 a21 + a13 a31 + a23 a32
y, como det A = 1, las tres raices de esta ecuación tienen su producto igual a 1. Si
las tres son reales al menos una será positiva y, por tanto, igual a 1. Pero si sólo
una es real, ella misma debe ser positiva y, por tanto, igual a 1. Ası́, A tiene un
valor propio igual a 1 y, en consecuencia, un vector propio e tal que A(e) = e. Ası́,
A representa un giro de eje e.
Ejemplo 4.1.3
Un campo lineal viene dado por una función
F : R3 → R3
x 7 → Ax
donde A 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:
k1 k1 −k2
A= k2 o A = k2 k1 con k2 6= 0
k3 k3
172 TEMA 4. PROBLEMAS ESPECTRALES
Los campos del segundo tipo se descartan por no ser conservativos, ya que tienen
rotacional no nulo:
i k
∂ ∂ ∂
rotF (x) = = 2k2 6= 0.
∂x ∂x ∂x
k x −1k x k x +2k x k x3
1 1 2 2 2 1 1 2 3 3
Por ello, los campos lineales conservativos son de la forma F (x) = −Dx donde D
una matriz diagonal.
∀x ∈ R3
∃λx ∈ R+ tal que F (x) = −λx (x − c)
Dx = λx x
Ası́,
3
X 3
X
Dx = λx xi vi = ki xi vi
i=1 i=1
k1 = k2 = k3 = λx
que, por ser acotadas, podemos llamar oscilaciones aunque, en general, no son
periódicas. Para que lo sean, es necesario que los tres subperiodos
2π
Ti = ∀i = 1, 2, 3
ωi
sean conmensurables, es decir, es necesario que exista una tripleta de números
naturales (N1 , N2 , N3 ) tales que N1 T1 = N2 T2 = N3 T3 o, equivalentemente,
tales que
N12 N2 N2
= 2 = 3.
k1 k2 k3
Podemos ver la trayectoria de una partı́cula bajo la acción de diferentes campos
lineales conservativos con el programa osciladorestipo de Modus.
Observaciones 4.2.1
[U DV ] = svd(A)
nos devuelve una matriz diagonal D con los valores singulares de f ordena-
dos de mayor a menor y repetidos según su multiplicidad algebraica y dos
matrices unitarias U y V que cumplen
U ·D·V0 =A
0 6= (u | u) = (f(v) | u) = (v | f(u)) = 0
Demostración:
Si f tiene esa representación es claramente autoadjunto. Además, los λi son sus
autovalores y los ui sus autovectores asociados.
Si f es autoadjunta existe una n-tupla {λi } de autovalores y una base ortonormal
de autovectores asociados {ui }. Entonces,
n
X n
X n
X
x= (ui | x)ui ⇒ f(x) = (ui | x)f(ui ) = λi (ui | x)ui ♦
i=1 i=1 i=1
Demostración:
El teorema 4.2.2 asegura para el operador f ? f : Rn → Rn una base ortonormal
{u1 , · · · , ur , ur+1 , · · · , un } de Rn constituida por vectores propios de f ? f con au-
tovalores correspondientes µ1 ≥ · · · ≥ µr > 0, · · · , 0 tales que
r
(
X [u1 , · · · , ur ] = im f ? f = im f
f?f = µi ui ⊗ ui y
i=1
[ur+1 , · · · , un ] = ker f ? f = ker f
r
? 1
X √
El operador p = (f f) = 2 µi ui ⊗ ui cumple
i=1
Corolario 4.2.4
Todo operador lineal lineal f : Rn → Rm tiene un único inverso de Moore-Penrose
f + : Rm → Rn que cumple las siguientes propiedades
1. f · f + · f = f
2. f + · f · f + = f +
3. f · f + = (f · f + )t
4. f + · f = (f + · f)t
Demostración:
El teorema 4.2.3 asegura para un operador f : Rn → Rm de rango r, conjuntos
ortonormales {u1 , · · · , ur } ⊂ Rn , {v1 , · · · , vr } ⊂ Rm y un conjunto de reales es-
Xr
trictamente positivos {λ1 , · · · , λr } tales que f = λi ui ⊗ vi . Es inmediato
i=1
comprobar que el operador
r
X 1
f+ = vi ⊗ ui : Rm → Rn
i=1
λi
Observación 4.2.5
En 3.6.6 hemos tratado el problema de hallar el vector de norma euclı́dea mı́nima
en la variedad Mb = {x ∈ Rn | f(x) = b} siendo f : Rn → Rm una aplicación lineal.
Allı́ concluı́mos que debı́a ser un xm ∈ (x0 + ker f) ∩ [ker f]⊥ con f(x0 ) = b.
Si x0 = f + (b), resulta que f(x0 ) = b y x0 +0 ∈ [ker f]⊥ y, por tanto, xm = f + (b).
En MATLAB obtenemos este vector mediante la orden xm = pinv(f) · b.
Por otra parte, si recordamos que los autovalores de A−1 son los inversos de los
autovalores de A y que ker(A) es el subespacio propio del autovalor nulo cuando
A no es inyectiva, podremos hallar, también, el autovalor de A de menor módulo.
Finalmente, si observamos que la matriz A − mI tiene por autovalores los de la
matriz A disminuidos en m podemos especializar el procedimiento para calcular el
autovalor de A más próximo a un número arbitrario.
Teorema 4.3.1
En un Hilbert X todo operador autoadjunto f : X → X cumple:
Demostración:
Es claro que Rf := sup {|(f(x)|x)|} ≤ kfk. Para probar la desigualdad contraria
x∈B
designamos (f(x)|x) = Qf (x), aprovechamos la simetrı́a de la condición de au-
toadjunto
y, de igual modo,
ϕ: H → R
h 7 → lim {(xnn |h)}
n→∞
que está bien definida por ser {(xnn |h)} convergente ∀h ∈ H. En efecto:
ε
Dado h ∈ H y ε > 0 existe aih ∈ D tal que kh −aih k ≤ . Entonces
4
|(h|xnn) − (h|xmm )| ≤ |(h − aih |xnn − xmm )| + |(aih |xnn − xmm )|
y como
|(h − aih |xnn − xmm )| ≤ ε kxnn − xmm k ≤ ε por ser {xnn } ⊂ B
4 2
|(aih |xnn − xmm )| ≤ ε ∀n, m > Ne por ser {(ai |xnn )} de Cauchy
2
resulta que {(xnn |h)} es de Cauchy ∀h ∈ H.
Además, ϕ es claramente lineal y es acotada con kϕk ≤ 1 porque
|ϕ(h)| ≤ lim kxnn k khk ≤ khk
n→∞
pH ϕ
Podemos extender ϕ a una forma lineal acotada f : X −→ H − → R donde pH es
la proyección normal. Como kfk = kϕ ◦ pH k ≤ kϕk kpH k ≤ 1, si identificamos
f ∈ X ? con un u ∈ X que está en B y cumple:
w
{(xnn |y)} → (x|y) ∀y ∈ X . Luego {xnn } −
→x∈B ♦
Definición 4.3.3
Un operador f ∈ B(X) se dice compacto si transforma la bola unidad B en un con-
junto totalmente acotado. Ello equivale (ver pág. 27) a que f(B) sea compacto.
Al conjunto de todos los operadores compactos de B(X) lo designamos K(X) y,
claramente, contiene al conjunto de todos los operadores de rango finito F(X).
( w w
{xn } −
→ x ⇒ {f(xn )} − → f(x)
Si f ∈ B(X) es claro que pero los op-
{xn } → x ⇒ {f(xn )} → f(x)
eradores compactos transforman sucesiones w-convergentes en convergentes y por
ello se dice que son completamente continuos.
Lema 4.3.4
(
f ∈ K(X)
w ⇒ {f(xn )} → f(x)
{xn } −
→x
Demostración:
Si {f(xn )} 6→ f(x) existe ρ > 0 y una subsucesión {zn } de {xn } tal que kf(zn ) −
f(x)k > ρ. Como {zn } es acotada y f es compacto, existe una subsucesión {wn }
de {zn } tal que {f(wn )} converge fuertemente a un cierto punto y0 ∈ X que,
obviamente, será distinto de f(x). Como el lı́mite débil de una sucesión es único,
llegamos al siguiente absurdo:
( w w
{wn } −→x ⇒ {f(wn )} − → f(x)
w y y0 6= f(x) ♦
{f(wn )} → y0 ⇒ {f(wn )} −→ y0
4.3. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT 181
Teorema 4.3.5
K(X) es un ideal cerrado del álgebra B(X)
Demostración:
Es fácil 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(X) es un subespacio vectorial de B(X).
Por tanto,
( p
kg(v) − fn0 (v)k < ε2 [
∀v ∈ B ⇒ ε
⇒ g(B) ⊂ {xi + εB} ♦
∃ xi0 tq kfn0 (v) − xi0 k < 2 i=1
Lema 4.3.6
Sea X un espacio de Hilbert y sea f : X → X un operador compacto y autoadjunto.
Existe un u1 unitario y un θ ∈ {−1, 1} tal que
fu1 = θkfku1
Demostración:
Según el memorándum ??.4.3.1 ∃{xn } ⊂ B tal que kfk = lim {|(fxn |xn )|}
n→∞
w
El teorema 4.3.2 nos permite suponer que {xn } − → u1 ∈ B y la compacidad de f
y el lema 4.3.4 aseguran que el supremo es accesible
luego
2
fu1 − θkfku1
≤ kfk2 − 2kfk2 + kfk2 = 0 ♦
2
Nótese que si f es no nulo, también lo es u1
182 TEMA 4. PROBLEMAS ESPECTRALES
donde {ui } es una base ortonormal, {vi } un conjunto ortonormal y {λi } es una
sucesión escalar nula.
Demostración:
Como X es separable tiene una base ortonormal {ui }. Claramente
∞ ∞
X X f(ui )
f(x) = (x|ui )f(ui ) = kf(ui )k(x|ui )
i=1 i=1
kf(ui )k
n o
f(ui )
Si {ui } pudiera ser elegida de modo que {vi } = kf(u i )k también fuese ortonor-
mal, el teorema quedarı́a probado con {λi } = {kf(ui k} pues, por ser f completa-
mente continuo y ser {ui } * o tendrı́amos que {λi } → 0.
Basta elegir {ui } como la que asegura el teorema 4.3.7 para el operador f ? f que
es compacto autoadjunto e inyectivo. ♦
4.3. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT 183
Corolario 4.3.9
Observaciones 4.3.11
184 TEMA 4. PROBLEMAS ESPECTRALES
Definición 4.3.12
Sea (X, k k) un espacio de Hilbert separable. Un operador H ∈ B(X) se dice de
Hilbert-Schmidt si existe una base hilbertiana (un ) tal que
∞
X
kH(un )k2 < ∞
n=1
4.3. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT 185
Observaciones 4.3.13
1. La identidad de Parseval (ver 1.10.9) asegura, para cualquier otra base hilber-
tiana (vm ), que
∞ ∞ ∞
!
X X X
kH(un )k2 = |(H(un ) | vm )|2 =
n=1 n=1 m=1
∞ ∞
! ∞
X X X
2
= ?
|(un | H (vm ))| = kH ? (vm )k2
m=1 n=1 m=1
∞
X
Esto prueba que kH(un )k2 no depende de la base inicial (un ) y, además,
n=1
si designamos HS(X) al conjunto de todos los operadores de Hilbert-Schmidt
del espacio de Hilbert separable (X, k k), resulta que H ∈ HS(X) si y sólo si
H ? ∈ HS(X).
2. La función
N: HS(X) → R
∞
! 21
X
2
H 7→ kH(un )k
n=1
está bien definida porque no depende de la base (un ) y nos permite probar
que HS(X) es subespacio vectorial de B(X). En efecto:
(a) Si H ∈ HS(X) y λ ∈ R es claro que λH ∈ HS(X)
(b) Si H, G ∈ HS(X) tenemos ∀m ∈ N que
m
! 21 m
! 21
X X
2 2
kH(un ) + G(un )k ≤ (kH(un )k + kG(un )k) ≤ N(H)+N(G)
n=1 n=1
( | ): HS(X) × HS(X) → R
∞
X
(H, G) 7→ (H(un )|G(un ))
n=1
Hk : X → X
k
X
x 7→ (x|un )H(un )
n=1
El espacio de Hilbert más útil para el técnico es L2 [a, b]. Este espacio es separable
pues, por el teorema 1.9.1, la sucesión de polinomios en una variable (tn−1 ) es densa
en (C[a, b], k k∞) y, a su vez, éste es denso en L2 [a, b].
Es interesante observar que si (en ) es una base ortonormal de L2 [a, b], (enm )
es una base ortonormal de L2 ([a, b] × [a, b]) donde
enm : [a, b] × [a, b] → R
(t, s) 7→ en (t) · em (s)
Teorema 4.3.14
Una aplicación lineal H : L2 [a, b] → L2 [a, b] está en HS(L2 [a, b]) si y sólo si existe
una función G ∈ L2 ([a, b] × [a, b]), llamada función de Green tal que ∀φ ∈
L2 [a, b]
H(φ) : [a, b] → R
Z b
s 7→ G(t, s)φ(t)dt
a
Z Z ! Z !
b b b
≤ |G(t, s)|2 dt · |φ(t)|2 dt ds = kGk2 kφk2
a a a
2
∞ Z b
X
= H(en )(s) · em (s)ds =
a
n,m=1
" # 2
∞ Z b Z b
X ∞
X 2
|(G | enm)| = kGk2
= G(t, s)(en )(t)d(t) · em (s)ds =
a a
n,m=1 n,m=1
2
y, por tanto, H ∈ HS(L [a, b]). Además, si G es simétrica, H es autoadjunto:
Z b Z "Z #
b b
(H(φ) | ψ) = H(φ)(s)ψ(s)ds = G(t, s)φ(t)dt ψ(s)ds =
a a a
Z "Z # Z
b b b
G(s, t)ψ(s)ds φ(t)dt = H(ψ)(t)φ(t)dt = (φ | H(ψ))
a a a
Si partimos de que H ∈ HS(L2 [a, b]), la observación 4.3.12,4 y el teorema 4.3.8 nos
aseguran la existencia de una base ortonormal (en ), una sucesión ortonormal (vn )
y una sucesión real (λn ) de cuadrado sumable, tales que
∞
X ∞
X
H= λn en ⊗ vn y, por tanto H(φ) = λn (en | φ)vn luego
n=1 n=1
∞ Z ! Z ∞
!
X b b X
H(φ)(s) = λn en (t)φ(t)dt vn (s) = λn en (t)vn (s) φ(t)dt
n=1 a a n=1
∞
X
Probemos que G(t, s) = λn en (t)vn (s) está en L2 ([a, b] × [a, b]):
n=1
Z ∞
! ∞
!
bZ b Z b Z b X X
2
G (t, s)dtds = λn en (t)vn (s) λm em (t)vm (s) dtds =
a a a a n=1 n=1
∞ Z ! Z ! ∞
X b b X
λn λm en (t)em (t)dt vn (s)vm (s)ds = λ2n = N2 (H) < ∞
n,m=1 a a n=1
y, por las condiciones de contorno, es claro que [x0 y]ba = [xy0 ]ba . Como X es denso
L2 [a, b], podemos considerar que L es autoadjunto aunque no sea un endomorfismo
en L2 [a, b] (ver [40], pág 117).
tiene una única solución u1 que, necesariamente, es no nula. También es claro que
todo elemento del rayo [u1 ] es solución del P CC(a).
Por otra parte, si v es una solución no nula del P CC(a), por la condición de
contorno αv(a) + α0 v0 (a) = 0 con α 6= 0 o α0 6= 0 resulta que v0 (a) 6= 0 o v(a) 6= 0.
α0
Entonces − v 0α(a) v o v(a) v deben coincidir con la única solución u1 del P CI(a) y,
ası́, en cualquiera de los dos casos, v ∈ [u1 ].
De igual modo, el problema con la segunda condición
(
−u00 (t) + c(t)u(t) = 0 en a < t < b
P CC(b)
βu(b) + β 0 u0 (b) = 0 con |β| + |β 0 | > 0
3
Ver la sección ?? dedicada a las distribuciones
4.4. PROBLEMAS DE STURM-LIOUVILLE 189
sólo tiene la solución nula, los rayos [u1 ] y [u2 ] tienen que ser distintos pues, de
lo contrario, habrı́a una solución no nula para el problema homogéneo. Por tanto,
u1 u02 − u2 u01 6= 0 pues,
u01 u0
u1 u02 − u2 u01 = 0 ⇒ = 2 ⇒ log u1 = log u2 + log k ⇒ u1 = ku2 .
u1 u2
Por ser u1 y u2 soluciones de la ecuación homogénea −u00 + cu = 0 se tiene que
u1 u002 − u2 u001 = 0 y como u1 u002 − u2 u001 = (u1 u02 − u2 u01 )0 resulta que u1 u02 − u2 u01 es
una constante no nula que designamos W .
ρ2 u2 (t) + ρ1 u1 (t) = 0
ρ2 u02 (t) + ρ1 u01 (t) = 1
u2 (t) u1 (t)
que tiene solución única ρ1 = − y ρ2 = . La función
W W
Gt : [a, b] → R
u2 (t)u1 (s)
ρ1 u1 (s) = −
si s ∈ [a, t]
W
s 7→
−ρ2 u2 (s) = − u1 (t)u2 (s) si s ∈ [t, b]
W
es continua pero no es derivable. Definiendo G(t, s) = Gt (s) tenemos
G: [a, b] × [a, b] → R
u1 (t)u2 (s)
−
si a≤t≤s≤b
W
(t, s) 7→
u
− 2
(t)u 1 (s)
si a≤s≤t≤b
W
que es simétrica, está en C([a, b] × [a, b]) ⊂ L2 ([a, b] × [a, b]) y, por tanto, genera un
operador de Hilbert-Schmidt autoadjunto HG : L2 [a, b] → L2 [a, b].
La transformación lineal
L: X → L2 [a, b]
u 7→ −u00 + cu
ligada al problema (SL) tiene una inversa HG : L2 [a, b] → X con las buenas
propiedades espectrales que hemos visto. Pero L tiene el mismo conjunto de vec-
tores propios que HG y los valores propios de L son los inversos de los valores
propios de HG. La aplicación lineal L no es acotada porque tiene una sucesión de
valores propios que tiende a ∞ pero, tiene una sucesión de vectores propios que con-
stituyen una base ortonormal de L2 [a, b]. Este es el famoso teorema de oscilación
que aquı́ es un corolario del teorema 4.3.7.
Ejemplo 4.4.1
Dada una función f ∈ L2 [0, l] hallar u : [0, l] → R tal que
00
−u (t) = f(t) en 0 < x < l
u(0) = 0
u(l) = 0
Solución:
Este problema de Sturm-Liouville esta ligado al operador
4.4. PROBLEMAS DE STURM-LIOUVILLE 191
L: X → L2 [0, l]
u 7→ −u00
Como el problema homogéneo asociado
00
u (t) = 0 en
0<t<l
u(0) = 0
u(l) = 0
sólo tiene la solución nula, podemos construir la función de Green:
La solución general de la ecuación homogénea u00 = 0 es u = At + B. Imponiendo
la primera condición de contorno, u(0) = 0, obtenemos que B = 0 y que el rayo de
soluciones es [u1 ] con u1 (t) = t.
Análogamente, imponiendo la segunda condición de contorno, u(l) = 0, obtenemos
que 0 = Al + B ⇒ B = −Al, y el correspondiente rayo de soluciones es [u2 ] con
u2 (t) = t − l.
u (t) u2 (t) t t − l
Puesto que W = 10 = = l, la función de Green viene dada por
u1 (t) u02 (t) 1 1
u1 (t) u2 (s) t(s − l)
−
=− , 0≤t≤s≤l
G(t, s) = W l
− u2 (t) u1 (s) = − (t − l)s , 0 ≤ s ≤ t ≤ l
W l
y la solución del problema inicial es:
Z l Z Z
t−l t t l
u(t) = G(t, s)f(s) ds = − sf(s) ds − (s − l)f(s) ds
0 l 0 l t
Otra vı́a de resolver el problema es hallar la representación espectral del operador
HG , es decir, buscar los autovalores y autofunciones de L:
1. Como el problema homogéneo asociado sólo tiene la solución nula, 0 no es
valor propio de L.
2. No hay autovalores negativos pues la ecuación diferencial −u00 = −k 2 u tiene
la solución general A sinh(kt) + B cosh(kt) y las condiciones de contorno im-
ponen (
A·0+B =0
⇒ A = B = 0.
A sinh(kl) = 0
3. Buscamos los autovalores positivos. La ecuación diferencial −u00 = k 2 u tiene
la solución general A sin(kt)+B cos(kt) y las condiciones de contorno imponen
(
A·0+B = 0
⇒ B =0
A sin(kl) = 0
nπ
pero A puede ser no nula si k = ∀n = 1, 2, · · · .
l
2 2 r !
n π 2 nπt
Ası́, son los autovalores de L y (en ) = sin es la correspon-
l2 l l
diente base ortonormal de vectores propios. Por tanto,
∞
l2 X 1
HG(f) = 2 (f|en ) en
π n=1 n2
192 TEMA 4. PROBLEMAS ESPECTRALES
Hasta ahora hemos tratado los problemas de Sturm-Liouville tales que su asoci-
ado homogéneo tiene únicamente la solución nula. Ahora veremos que siempre
existe un µ ∈ R tal que el problema homogéneo
00
−u (t) + (c(t) + µ)u(t) = 0 en a < t < b
αu(a) + α0 u0 (a) =0 con |α| + |α0 | > 0
βu(b) + β 0 u0 (b) con |β| + |β 0 | > 0
=0
Lema 4.4.2
∀φ ∈ C 1 [a, b] y ∀ > 0 ∃C() > 0 tal que
Z b
2 2
kφk∞ ≤ ( φ0 (t) + C()φ2 (t))dt
a
Demostración:
Si ası́ no fuera existirı́a un > 0 y una sucesión (ϕn ) ⊂ C 1 [a, b] tal que
Z b
2 ϕn
kϕn k2∞ > ( ϕ0 n (t) + n ϕ2n (t))dt y, tomando φn = ,
a kϕn k∞
Z b
2 2
∃(φn ) tal que 1 = kφn k∞ > ( φ0 n (t) + n φ2n (t))dt
a
Entonces,
Z b
1 1 1
> φ2n (t)dt ≥ m t | φn (t) >
n a 4 2
y, por tanto,
1 4
m t | φn (t) > ≤
2 n
4 4 8
Sea tn ∈ [a, b] tal que |φn (tn )| = 1. Como m tn − , tn + =
n n n
4 4 1
existirá sn ∈ tn − , tn + tal que φn (sn ) ≤ y el teorema de los
n n 2
incrementos finitos en [tn , sn ] asegura que
Z sn Z b 21
1 0
Holder p
≤ |φ (t)|dt ≤ |tn − sn | |φ0n (t)|2 dt .
2 tn a
4.4. PROBLEMAS DE STURM-LIOUVILLE 193
Luego
Z b 21 Z b
1 2 n
≤√ |φ0n (t)|2 dt y ≤ |φ0n (t)|2 dt < 1
2 n a 16 a
Este lema nos dice que siempre existe un K > 0 tal que si c(t) ≥ K, el
problema homogéneo asociado al (SL) inicial sólo tiene la solución trivial.
Veámoslo:
Si v es solución del problema homogéneo asociado es claro que
Z b
0= −v 00 (t) + c(t)v(t) v(t) dt luego
a
Z b
2 α 2 β
(v 0 (t) + c(t)v 2(t))dt = v 0 (b)v(b) − v 0 (a)v(a) = v (a) − 0 v 2 (b) ≤ 4
a α0 β
Z b
α β 2 α β 2
≤ 0 + 0 kvk∞ ≤ 0 + 0 (v 0 (t) + C(1)v 2 (t))dt
α β α β a
y, por tanto,
(f + µu|un )
(u|un ) = ∀n ≥ 2
λn + µ
y despejando,
(f |un)
(u|un ) = ∀n ≥ 2.
λn
El único producto (u|un ) que queda sin determinar y que, por tanto, es una
constante arbitraria k, es (u|u1 ) y, ası́, la solución se expresa en la forma
∞
X (f |un )
u = ku1 + un
λn
n=2
Ejemplo 4.4.3
Resolver el problema
00
−u (t) − u(t)
= cos t + sin t , t ∈ [0, π]
0
u(0) + u (0) = 0
u(π) + u0 (π) = 0
Solución:
4.4. PROBLEMAS DE STURM-LIOUVILLE 195
Ejemplo 4.4.4
Resolver el siguiente problema de contorno:
h πi
u00 (t) + 4 u(t) = et en t ∈ 0,
4
u(0)
π= 1
u = −1
4
198 TEMA 4. PROBLEMAS ESPECTRALES
Solución:
Descomponemos el problema en los dos subproblemas
h πi
−u00 (t) − 4u(t) = −et , t ∈ 0,
4
SL u(0) = 0
π
u =0
4
y h i
00 (t) − 4u(t) = 0 , t ∈ 0, π
−u
4
P u(0) = 1
π
u = −1
4
SL es un problema de Sturm-Liouville regular que vamos a resolver en primer
lugar. La solución general de la ecuación diferencial u00 + 4u = 0 es u =
A cos 2t+B sin 2t que, sustituida en las condiciones de contorno homogéneas,
nos da π
u(0) = 0 = A , u =0=B
4
Ası́, el problema homogéneo asociado a SL solo tiene la solución 0 y, por
ello, SL tiene una única solución que podemos hallar a través de la función
de Green o mediante la representación espectral del operador HG . Con-
struyamos en primer lugar la función de Green:
Resolvemos el sistema formado por la ecuación diferencial homogénea y la
primera condición de contorno para obtener el rayo [u1 ]:
)
u00 + 4u =0 ⇒ u = A cos 2t + B sin 2t
⇒ u1 (t) = sin 2t
u(0) = 0 =A
Procediendo de igual manera con la segunda condición de contorno,
u00 + 4u =0 ⇒ u = A cos 2t + B sin 2t
π ⇒ u2 (t) = cos 2t
u =0=B
4
sin 2t cos 2t
W es, W = = −2, y la función de Green:
2 cos 2t −2 sin 2t
u (t) u2 (s) sin 2t cos 2s π
− 1
= , 0≤t≤s≤
G(t, s) = W 2 4
− u2 (t) u 1 (s) cos 2t sin 2s π
= , 0≤s≤t≤
W 2 4
La solución del problema (SL), teniendo en cuenta que debemos escribir la
ecuación diferencial en la forma −u00 − 4u = −et , es:
Z π Z t
4 1
u(t) = G(t, s)(−es ) ds = − cos 2t es sin 2s ds −
0 2 0
4.4. PROBLEMAS DE STURM-LIOUVILLE 199
Z π π
1 4 et cos 2t e 4 sin 2t
− sin 2t es cos 2s ds = − −
2 t 5 5 5
Hallemos ahora la solución de SL mediante la representación espectral del
operador HG . Debemos calcular los autovalores de su inversa L, tal que
L(u) = −u00 − 4u, es decir, los valores de λ para los cuales existe un u, no
nulo, verificando −u00 − 4u = λu, o bien, u00 + (4 + λ)u = 0.
Solución:
Buscamos una solución U (x, t) = X(x) · T (t) en variables separadas pues,
en tal caso,
T 00 τ X 00
=
T µ X
y esta igualdad entre funciones de variables que se suponen independientes,
obliga a que ambas sean iguales a una constante k. Ası́, aparecen los prob-
lemas separados
kµ
X” − τ X = 0
(
T 00 − kT = 0
X(0) = 0, X(l) = 0 y
T 0 (0) = 0
X(x) · T (0) = f (x)
o, si se prefiere,
00 kµ
00
X − τ X = 0 T − kT = 0
(I) X(0) = 0, X(l) = 0 y (II) T 0 (0) = 0
X(x) = f (x) T (0) = 1
Para que (I) tenga solución no nula, según 4.4.1, se precisa que
n2 π 2 τ
k=− con n ∈ N
l2µ
del problema
τ
Utt = · Uxx en (0, l) × (0, ∞)
µ
U (0, t) = 0 ∀t ∈ (0, ∞)
U (l, t) = 0 ∀t ∈ (0, ∞)
U (x, 0) = 0 ∀x ∈ (0, l)
t
Sólo nos falta determinar los coeficientes An para imponer la última condición
U (x, 0) = f (x) ∀x ∈ (0, l)
Esto se consigue obteniendo el desarrollo de Fourier de f respecto de la
misma base ortogonal en que tenemos desarrollada
∞
X nπx
U (x, 0) = An sin
n=1
l
Ası́,
∞ Z l nπx nπx
2X
f (x) = f (x) sin dx sin
l 0 l l
n=1
y, como el desarrollo es único, deducimos que
Z
2 l nπx
An = f (x) sin dx ∀n ∈ N
l 0 l
Por tanto, la función
∞ Z l nπx r nπx
2X τ nπt
U (x, t) = f (x) sin dx cos sin
l 0 l µ l l
n=1
y a la ecuación
Según 4.4.1, el problema (I) tiene soluciones no nulas para los valores de k
k n2 π 2
tales que 2 = − 2 y, en ese caso, la solución correspondiente es
a l
nπx
Xn (x) = An sin
l
Para estos valores de k resolvemos el correspondiente problema (II):
0 n2 π 2 a2
T (t) = − T (t)
l2
T (0) = 1
y obtenemos la solución
n2 π 2 a2 t
−
Tn (t) = e l2
n2 π 2 a2 t
− nπx
Un (x, t) = An e l2 sin , n∈N
l
y, por el principio de superposición, la solución
∞ n2 π 2 a2 t
X − nπx
U (x, t) = An e l2 sin
l
n=1
∞ Z l nπx n2 π 2 a2 t nπx
2X −
U (x, t) = f (x) sin dx e l2 sin ♦
l 0 l l
n=1
B−A
cuya solución es ϕ(x) = x + A, y a continuación, los problemas
l
00 kµ
00
X − τ X = 0 T − kT = 0
(I) X(0) = 0, X(l) = 0 y (II) T 0 (0) = 0
X(x) = f (x) − ϕ(x) T (0) = 1
La solución será,
∞ Z l ! r
2X nπx τ nπt nπx
U (x, t) = ϕ(x) + (f − ϕ)(x) sin dx cos sin
l n=1 0 l µ l l
∞ Z l ! n 2 π 2 a2 t
2X nπx − nπx
U (x, t) = ϕ(x) + (f − ϕ)(x) sin dx e l2 sin
l n=1 0 l l
B−A
donde ϕ(x) = x + A.
l
4.5 Prácticas
1. Pasar los sistemas lineales del Ejercicio 3.2.11 a sus formas autoadjun-
tas y hallar sus representaciones espectrales.
206 TEMA 4. PROBLEMAS ESPECTRALES
Problemas no lineales
√
2b2 − 4ac −b ± b2 − 4ac
X = y, por tanto, x =
4a2 2a
27ca2 − 9ab2
A =
27a3
X 3 + AX = B con .
9cab − 27da2 − 2b3
B=
27a3
207
208 TEMA 5. PROBLEMAS NO LINEALES
En efecto,
√ √ p p
X 3 = ( 3 p − 3 q)3 = p − 3 3 p2 q + 3 3 pq 2 − q
y se cumple que
A X B
z√}| { z√ }| √ { z }| {
3
X + 3 3 pq ( 3 p − 3 q) = p − q .
Euler nos enseñó a resolver el caso F (x) = ax4 + bx3 + cx2 + dx + e pues,
b
mediante el cambio x = X − , se reduce a una ecuación del tipo
4a
96a2 b2 − 256ca3
A =
256a4
128ca2b − 32ab3 − 256da3
X 4 = AX 2 + BX + C con B = .
256a4
2 3 2 4
C = 64da b − 256ea − 16cab + 3b
256a4
Esta ecuación admite la solución
A
p+q+r =
2
√ √ √
B2
X= p+ q+ r si p, q, r cumplen pqr =
64 2
pq + pr + qr = A + 4C
16
es decir, si p, q, r son las raices de la ecuación cúbica
A 2 A2 + 4C B2
x3 − x + x− = 0.
2 16 64
5.1. MÉTODOS DIRECTOS, DE BISECCIÓN Y DE PUNTO FIJO 209
Los métodos directos para polinomios de hasta cuarto grado están imple-
mentados en raicespoldir de Modus. No es posible llegar más lejos pues
Abel probó en 1824 que para la ecuación general de grado mayor que cuatro
no puede haber una solución formal conseguida mediante operaciones alge-
braicas sobre los coeficientes de la ecuación.
Ejemplo 5.1.1
Se busca la V : [0, 10] → R que nos de el volumen de gasóleo de un depósito
esférico de 5m de radio en función de la altura del lı́quido y se nos pide la
altura cuando esté al 80% de su capacidad.
Solución:
Si integramos por discos podemos calcular el volumen en función de H:
Z H
V (H) = π(2rh − h2 )dh = πrH 2 − πH 3
0
Debemos encontrar un Ho ∈ (5, 10) que sea raiz de la ecuación polinómica
4 3 80
π5H 2 − πH 3 = π5 ⇔ H 3 − 15H 2 + 400 = 0.
3 100
Usando raicespolir obtenemos
Ho = 7.1285927458325923922188849246595
Usando biseccion con T OL = 10−12 obtenemos
Ho = 7.1285927458328046668611932545900 en 43 iteraciones
400
Usando puntofijo con G(H) = , T OL = 10−12 e inicio 7,
15H − H 2
obtenemos
Ho = 7.1285927458325204497668892145157 en 13 iteraciones
210 TEMA 5. PROBLEMAS NO LINEALES
Ejemplo 5.1.2
Nieva de forma regular y los quitanieves retiran una cantidad constante
de nieve por unidad de tiempo. Sale un quitanieves a las 12 horas y en la
primera hora recorre doble distancia que en la segunda. ¿A que hora empezó
a nevar? A las 12:30 horas sale otro quitanieves desde el mismo punto y por
la misma ruta que el primero. ¿A qué hora lo alcanza?
Solución:
Sabemos que la cantidad de nieve quitada por unidad de tiempo es una
constante C y que la altura que alcanza la nieve en el instante t es k(t-t0)
siendo k otra constante y t0 el instante en que empezó a nevar. Entonces,
si L es la ancura del quitanieves y v(t) es su velocidad tendremos:
C = Lk(t − t0 )v(t)
Ejemplo 5.2.2
Desde un punto de una circunferencia C1 se traza otra circunferencia C2 de
modo que la intersección de sus cı́rculos ocupe la mitad del área del cı́rculo
de C1 . ¿Es el radio de C2 igual al radio del hexágno circunscrito a C1 ?
Solución:
Tomando como sistema de referencia polar el centro de C2 y la tangente por
él a C1 , la ecuación de C1 es ρ = 2r sin θ. Como vemos en la figura
212 TEMA 5. PROBLEMAS NO LINEALES
Θ = .61794846213990661798476367039257 en 41 iteraciones
π
Usando linealizacion con T OL = 10−12 y punto inicial 4 obtenemos
Θ = .61794846213995480166403240218642 en 5 iteraciones
2 sin(.6179484621399) = 1.1587284730180322789294677932048
y de la norma correspondiente
Z 1 21
0 2 2
kvk = |v (x)| + |v(x)| dx
0
y la forma lineal
L: V → R
Z 1
v 7→ f (x)v(x)dx
0
B(u, v) = L(v) ∀v ∈ V
En efecto:
y, por tanto,
B(u, v) = L(v) ∀v ∈ V
En lugar de resolver el problema inicial (P C) resolvemos este problema
asociado y buscamos un u ∈ V tal que B(u, v) = L(v) ∀v ∈ V al que
llamaremos solución generalizada del (P C).
la idea de que al hacer crecer la dimensión Vn ⊂ Vn1 ⊂ Vn2 ⊂ ... las cor-
respondientes soluciones aproximadas u, u1 , u2 , ... tiendan a la solución
generalizada del problema inicial.
siendo 4u el laplaciano.
Si u es solución de (P C), −v4u + cuv = f v ∀v de un adecuado espacio
de funciones que se anulan en ∂Ω. Ası́, toda solución u de (P C) cumple
Z Z Z
−v4udm + cuvdm = f · vdm
Ω Ω Ω
5.2. MÉTODOS DE LINEALIZACIÓN 215
h2 00 h3 h4
φ(xi+1 ) = φ(xi) + hφ0 (xi) + φ (xi ) + φ000 (xi) + φ0000 (xi + θi+ h)
2 6 24
h2 00 h3 h4
φ (xi ) − φ000 (xi) + φ0000 (xi + θi− h)
φ(xi−1 ) = φ(xi) − hφ0 (xi) +
2 6 24
Sumando ambas expresiones obtenemos
h4 0000
−h2 φ00 (xi ) = −φ(xi−1 )+2φ(xi )−φ(xi+1 )+ φ (xi + θi+ h) + φ0000(xi + θi− h)
24
y si despreciamos el último sumando
−h2 φ00 (xi ) = −φ(xi−1 ) + 2φ(xi) − φ(xi+1 ) ∀i = 1, · · · , N
Ello obliga a la solución φ a cumplir el sistema de ecuaciones lineales
2 + c(x1 )h2 φ(x1 ) − φ(x2 ) = h2 f (x1 ) + ua
−φ(xi−1 ) + 2 + c(xi)h2 φ(xi ) − φ(xi+1 ) = h2 f (xi ) ∀i = 2, · · · , N − 1
−φ(xN −1 ) + 2 + c(xN )h2 φ(xN ) = h2 f (xN ) + ub
La matriz de este sistema es la tridiagonal
2 + c(x1 )h2 −1
−1 2 + c(x 2 −1
2 )h
..
A=
.
−1 2 + c(xN −1 )h2 −1
−1 2 + c(xN )h2
y el vector dato es
h2 f (x1 ) + ua
h2 f (x2 )
b= .
.
2 .
h f (xN −1 )
h2 f (xN ) + ub
La solución del problema Ax = b es la discretización (φ(x1 ), · · · , φ(xN )) de
la solución φ : [a, b] → R del problema (PC). Todo esto está implementado
en el programa diferenciasfinitas de Modus.
5.2. MÉTODOS DE LINEALIZACIÓN 217
Fx : R → C ,
y 7→ e−ixy
la aplicación
F : M(R) → C(R, C) donde µ̂ : R → R C
µ 7→ µ̂ x 7→ R Fx dµ
Lo hacemos en 3 pasos.
Paso 1:
Sea A0 (R, C) el conjunto de todas las combinaciones lineales con coeficientes
complejos del conjunto {Fx | x ∈ R}. De la igualdad µ̂1 = µ̂2 y de la aditivi-
dad de la integral se sigue que
Z Z
a0 dµ1 = a0 dµ2 ∀a0 ∈ A0 (R, C). (5.2)
R R
1
La aplicación F es la Transformación de Fourer. La curva R → R3 definida de modo
que x 7→ (<(µ̂(x)), =(µ̂(x)), x) es la Tranformada de Fourier de la medida µ.
218 TEMA 5. PROBLEMAS NO LINEALES
Paso 2.
Sea K ⊂ R un compacto no vacı́o, f ∈ Cb (R, R) una función no identica-
mente nula en K y ε ∈]0, 1[ un número real. Existe a ∈ A(R, R) tal que
En efecto:
Usaremos el siguiente hecho establecido en el lema 1.9.4:
A(R, R) es un álgebra que contiene las constantes reales, separa los puntos
de R y es cerrada en la toma de máximos y mı́nimos:
(
a1 ∨ a2 = max(a1 , a2 ) ∈ A(R, R)
a1 , a2 ∈ A(R, R) ⇒
a1 ∧ a2 = min(a1 , a2 ) ∈ A(R, R)
kf kK
g := g1 ∈ A(R, R).
kg1 kK
puesto que
kf kK
kf − gkK ≤ kf − g1 kK + kg1 − gkK = kf − g1 kK +
g1 − g1 kg k
=
1 K K
kf kK
= kf − g1 kK + kg1 kK 1 −
=
kg1 kK
= kf − g1 kK + |kg1 kK − kf kK | ≤ 2kf − g1 kK < ε.
5.2. MÉTODOS DE LINEALIZACIÓN 219
a := (−kgkK ∨ g) ∧ kgkK
Paso 3.
Fijemos una f ∈ Cb (R, R) no idénticamente nula y un ε ∈]0, 1[. Existe un
compacto K ⊂ R tal que
µ1 (R \ K) < ε, µ2 (R \ K) < ε y f |K 6= 0.
y, también,
Z Z Z
(f − a)dµ1 = (f − a)dµ1 + (f − a)dµ1 .
R K R\K
Consecuencias 5.2.7
220 TEMA 5. PROBLEMAS NO LINEALES
La matriz compleja
w11 · · · w1n
.. .. .. con w = e−2πi (p−1)(q−1)
W = . . . qp n
wn1 · · · wnn
tiene una inversa especialmente sencilla:
1
W −1 = W donde W = (wqp)
n
pues es fácil2 comprobar que
n n
(
1X 1 X 2πi (k−1)(q−p) 1 si p = q
wpk w kq = e n =
n n 0 6 q
si p =
k=1 k=1
2
Cuando p 6= q tenemos la suma de las raices del polinomio z n − 1 = 0 que es nula
como el coeficiente del término de grado n − 1.
5.2. MÉTODOS DE LINEALIZACIÓN 221
Su solución es
h1 w11 w12 · · · w1n µ̂(0)
µ̂ 2π
h2
1 w21 w22 · · ·
w2n
n
.. = .. .. .. ..
..
. n . . .
.
.
2π(n−1)
hn wn1 wn2 · · · wnn µ̂ n
n
T −ias X T (p−1)
≈ e h(tp )e−is n
n
p=1
El sistema lineal
w11 w12 ··· w1n h(t1 ) ĥ(0)
i2πa
w21 w22 ··· w2n
e T ĥ 2π
h(t2 )
n n
.. .. .. .. .. = .
.
. . T .
. .
.
i2πa(n−1)
wn1 wn2 ··· wnn h(yn ) e T ĥ 2π(n−1)
n
se resuelve automáticamente:
ĥ(0)
h(t1 ) w11 w12 ··· w1n i2πa
h(t2 ) 1 w21
w22 ··· w2n
e T ĥ 2π n
.. = .. .. .. .. ..
. T . . . .
.
i2πa(n−1)
h(tn ) wn1 wn2 ··· wnn e T ĥ 2π(n−1)
n
222 TEMA 5. PROBLEMAS NO LINEALES
5.3 Prácticas
1. Hallar la raiz real del polinomio x3 +3x−5 por el método de la bisección
y por el del punto fijo. En este último caso probar con las funciones
5 − x3
(a) G(x) = e inicio en 1.15
3
5
(b) G(x) = 2 e inicio en 1
x +3
2. Usando el método del punto fijo, hallar una solución del sistema
Probar con
x21 + x22 + 8 x1 x22 + x1 + 8
G(x1 , x2 ) = , e inicio en (0, 0)
10 10
x21 + x2 − 37 = 0
x1 − x22 − 5 = 0
x1 + x2 + x3 − 3 = 0
Sol:(6,1,-4), (6,-1,-2)
Aproximación no hilbertiana
6.1 Introducción
Si Y es un subespacio cerrado de un espacio normado (X, k k), para cada
x ∈ X hemos definido en la pág. 29 la distancia al subespacio
d(x, Y ) := inf{kx − yk | y ∈ Y }.
A(x, Y ) := {y ∈ Y | kx − yk = d(x, Y )} =
6 ∅
AY : X → X
x 7 → AY (x)
225
226 TEMA 6. APROXIMACIÓN NO HILBERTIANA
Corolario 6.1.1
Sea (X, k k) un espacio normado y sea Y un subespacio. Entonces:
1. Y ⊥ es subespacio cerrado de (X ?, k k).
kf − gf k = inf{kf − gk | g ∈ Y ⊥ } = kf kY
ux : X? → R
f 7→ f (x)
kf − gf k = kf¯k = kf kY ≤ inf{kf − gk | g ∈ Y ⊥ }
Lema 6.1.2
Sea (X, k k) un espacio normado, B(X) su bola unidad cerrada y S(X) su
frontera.
1. ext(B(X)) ⊂ S(X).
Lema 6.1.3
Si 1 < p < ∞, el espacio lpn es estrictamente convexo.
Demostración:
Sean x 6= y tales que kxkp = kykp. Debemos probar que, entonces,
x + y
2
< kxkp
p
luego, una de las desigualdades entre las sumas tiene que ser estricta. ♦
Una condición suficiente para que los conjuntos A(x, Y ) sean atómicos es
que (X, k k) sea estrictamente convexo. En efecto, si y1 , y2 ∈ A(x, Y ) con
y1 6= y2 llegamos a un absurdo:
(
kx − y1 k = kx − y2 k
y1 + y2
⇒
x −
< d(x, Y )
x − y1 6= x − y2 2
Sin embargo, (C[a, b], k k∞) no es estrictamente convexo, pues las funciones
x−a
f1 (x) = 1 y f2 (x) = tienen norma 1 y su semisuma f1 +f 2
2
también
b−a
tienen norma 1.
d(x, Y ) ≤ kx−P (x)k = kx−AY (x)+P ◦AY (x)−P (x)k ≤ (1+kP k)d(x, Y )
que en promedio
Z b 12
kf − gk2 = |f (x) − g(x)|2dx
a
Definición 6.2.1
Si f, g ∈ C[a, b], designamos
Teorema 6.2.2
Sea Y ⊂ C[a, b] un subespacio de dimensión finita y sea f ∈ C[a, b].
Demostración:
Notemos que si f ∈ Y , ambas afirmaciones se verifican trivialmente. Por
tanto, supondremos que f ∈
/ Y.
⇐) Si y0 ∈
/ A(f, Y ) existe una y1 ∈ Y tal que
|f (x) − y1 (x)| < |f (x) − y0 (x)| ∀x ∈ D(f, y0 )
y, por tanto,
(a) Si x ∈ U :
δk
|f (x) − y3 (x)|2 ≤ kf − y0 k2∞ − < kf − y0 k2∞
2
(b) Si x ∈ K:
c
|f (x) − y3 (x)| = |f (x) − y0 (x)| + δ|y2 (x)| ≤ |f (x) − y0 (x)| + ≤
2
c c
≤ max{|f (x) − y0 (x)|} + = kf − y0 k∞ − < kf − y0 k∞ ♦
x∈K 2 2
Lema 6.2.5
( (
{y1 , y2 , · · · , yn } ⊂ C[a, b] ∀{x1 , x2 , · · · , xn} ⊂ [a, b]
es de Haar ⇔
lin. ind. dispersa, det[yi (xj )] 6= 0
Demostración:
2⇒1 Existe una combinación no nula con n raices distintas, luego el sistema
siguiente tiene solución no trivial:
1⇒2 Existe una n-tupla dispersa1 en [a, b] con det[yi (xj )] = 0. El sistema
anterior
P tiene solución no trivial y, por tanto, existe una combinación
λiyi no identicamente nula con n raices. Luego {y1 , y2 , · · · , yn } no
es un sistema de Haar.
Lema 6.2.6
Teorema 6.2.7
y como
f (x) − y1 (x) + f (x) − y2 (x)
f (x) − y0 (x) =
2
resulta que
Es fácil comprobar que {1, x, · · · , xn−1 } y {1, e−x, · · · , e−nx } son sistemas
de Haar en cualquier C[a, b] y {1, cos x, sin x, · · · , cos nx, sin nx} lo es en
C[−π, π − ] para < 2π. Ası́, en los más importantes subespacios fini-
todimensionales de funciones continuas, tenemos asegurada la unicidad de
la mejor aproximación. Nuestro siguiente objetivo es cracterizarla.
Lema 6.2.10
M: C[a, b] → R
n+1
X
f 7→ µi f (xi )
i=1
que cumple:
n+1
Y n+1
X
i+1
µi 6= 0 , sig(µi) = (−1) ∀i = 1, · · · , n y |µi | = 1
i=1 i=1
Demostración:
Dada una base de Haar {y1 , · · · , yn } de Y y la (n + 1)-tupla X, el sistema
n+1
Y
tiene un rayo de soluciones [(λ̄1, · · · , λ̄n+1 )] tal que λ̄i 6= 0 pues si
i=1
algún λ̄i fuese nulo, pasando su columna al segundo miembro, verı́amos
que también deberı́an ser nulos todos los demás.
Con cualquier solución particular no nula, {λ · λ̄1, · · · , λ · λ̄n+1} construimos
un funcional lineal
n+1
X
L(f ) = λ λ̄i f (xi )
i=1
n+1
Y n+1
X
cumplan que µ1 > 0 , µi 6= 0 y |µi | = 1.
i=1 i=1
Por otra parte, es claro que existe una y ∈ Y que tiene sus n − 1 raices en
{x1 , · · · , xn+1 } \ {xi, xi+1 } y, por tanto, y(xi ) · y(xi+1 ) > 0. Ası́,
Corolario 6.2.11
Dada f ∈ C[a, b], M (f ) depende continuamente de X = {x1 , · · · , xn+1 } y
lim M (f ) = 0
xi →xi+1
Demostración:
Si {y1 , · · · , yn } es una base de Haar de Y , el sistema
Ası́,
lim |f (xi) − y(xi )| = 0 ≥ lim |M (f )| ≥ 0 ♦
xi →xi+1 xi →xi+1
236 TEMA 6. APROXIMACIÓN NO HILBERTIANA
Corolario 6.2.12
Dado un subespacio de Haar n-dimensional Y ⊂ C[a, b] suponemos que para
una f ∈ C[a, b] y una y ∈ Y existe una (n+1)-tupla dispersa {x1 , · · · , xn+1 } =
X ⊂ [a, b] tal que
sig(f (xi) − y(xi)) = ±(−1)i ∀i = 1, · · · , n + 1
Entonces,
d(f, Y ) > min {|f (xi) − y(xi)|}
xi ∈X
Demostración:
Siendo M el funcional maximal de Y asociado a la (n + 1)-tupla X tenemos
n+1
X
d(f, Y ) = d(f − y, Y ) ≥ |M (f − y)| = µi (f (xi) − g(xi))
i=1
Nos dicen que todos los sumandos tienen signo constante. Por tanto,
n+1
X
d(f, Y ) = |µi | · |(f (xi) − g(xi))| ≥ min {|f (xi) − g(xi )|} ♦
xi ∈X
i=1
Lema 6.2.13
Sea Y ⊂ C[a, b] un subespacio de Haar n dimensinal y M : C[a, b] → R el
funcional maximal asociado a la (n + 1)-tupla dispersa X = {x1 , · · · , xn+1 }.
Para cada f ∈ C[a, b] existe una única y0 ∈ Y tal que
µi
y0 (xi ) + M (f ) = f (xi ) ∀xi ∈ X
|µi|
Además, y0 |X es la mejor aproximación de f |X .
Demostración:
Dada una base de Haar {y1 , · · · , yn } de Y consideramos el sistema
µ1
α1 y1 (x1 ) + · · · · · · + αn yn (x1 ) + αn+1 = f (x1 )
|µ1 |
..
.
µn+1
α1 y1 (xn+1 ) + · · · + αn yn (xn+1 ) + αn+1 = f (xn+1 )
|µn+1 |
y sumando tenemos
n+1
X n+1
X
α1 µi y1 (xi ) + · · · + αn µi yn (xi ) +αn+1 = M (f )
i=1 i=1
| {z } | {z }
0 0
Teorema 6.2.14
Sea Y ⊂ C[a, b] un subespacio de Haar n-dimensional y f ∈ C[a, b]:
(
∃X = {x1 , · · · , xn+1 } ⊂ [a, b] dispersa tq
(1) y0 ∈ A(f, Y ) ⇔ (2)
f (xi ) − y0 (xi ) = ±(−1)i kf − y0 k∞ ∀xi ∈ X
Demostración:
2⇒1 Suponiendo (2 ∧ ¬1) llegaremos a un absurdo: ∃y1 ∈ Y tal que
¯i) − y1 (x̄
sig(f (x̄ ¯i)) = ±sig(f (x̄i) − y1 (x̄i)) ∀i = 1, · · · , n + 1
¯ fuera el funcional maximal respecto de X̄
Si M̄ ¯ tendrı́amos
n+1
X
¯ (f )| = |M̄
|M̄ ¯ (f − y )| = ¯i | · |f (x̄
|µ̄ ¯i ) − y1 (x̄
¯i )| =
1
i=1
n+1
X
= |M̄(f )| + ¯i | · |f (x̄
|µ̄ ¯i) − y1 (x̄
¯i )| − |M̄ (f )| > |M̄ (f )| = M
i=1
en contra del carácter máximo de M. Luego y0 es la mejor aproxi-
mación de f en la (n + 1)-tupla X0 . ♦
Es fácil comprobar que los polinomios de grado menor o igual que 1 que
mejor aproximan a ex , cos(x) y ex + cos(x) en [0,1] son
y la base {p0 , ..., pn} debe ser la de Lagrange para {x0 , ..., xn}:
Y x − xi
pj (x) = ∀j = 0, · · · , n
xj − xi
i6=j
240 TEMA 6. APROXIMACIÓN NO HILBERTIANA
n
X
observemos que la función Λn = |pi| : [a, b] → R cumple que
i=0
Xn
X n
kPn k =
δxi ⊗ pi
≤ kpik∞ = kΛn k∞ .
i=0 i=0
Tabla comparativa
n kPn (E)k kPn (CH)k
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
6.3. PROYECCIONES VERSUS MEJOR APROXIMACIÓN 241
Tomando hi = ωpi donde {p0 , ..., pn} es una base de polinomios ortonormales
respecto de cualquier peso ω : [a, b] → R+ cumpliremos la condición:
Z b
ωpj pi dm = δij ∀i, j = 0, ..., n
a
242 TEMA 6. APROXIMACIÓN NO HILBERTIANA
C1 (cos t) = cos t,
Cn+1 (cos t) + Cn−1 (cos t) = cos(nt + t) + cos(nt − t) = 2 cos tCn (cos t),
2. C1 (x) = x
y, por tanto, los polinomios Cn son ortogonales en [−1, 1] respecto del peso
1
ω(x) = √
1 − x2
6.4. PRÁCTICAS 243
6.4 Prácticas
1 x2
1. Consideramos la función f (x) = √ e− 2 en el intervalo [−1, 1].
2π
(a) Hallar un polinomio de interpolación de grado 4 en el intervalo.
R1
(b) ¿Qué error se comete si aproximamos −1 f (x)dx por la integral
de dicho polinomio?
1
2. Consideramos la función f (x) = en el intervalo [−1, 1].
1 + x2
(a) Interpolar f en dicho intervalo con 3 splines cúbicos.
R1
(b) ¿Qué error se comete si aproximamos −1 f (x)dx por la integral
de su interpolada?
cosh(x−3 − 2)
3. Consideramos la función f (x) = x3 en el intervalo [1, 8].
x4 + 2
(a) Elegir los 3, 4, 5, 6 y 7 puntos intermedios de dicho intervalo que
se estimen más convenientes para realizar las correspondientes
interpolaciones de 4, 5, 6 , 7 y 8 splines.
(b) MATLAB nos dice que
Z 8
I= f (x)dx ≈ 6.1951157
1
7.1 Introducción
A partir de la revolución cientı́fica protagonizada por Newton y Leibnitz
en el siglo XVII, muchos de los fenómenos de la naturaleza han podido
modelarse en términos de un sistema de ecuaciones diferenciales (EEDD):
dxi
= fi (t, x1 (t), · · · , xn (t)); i = 1, · · · , n; t ∈ [t0 , t0 + T ]
dt
o, si se prefiere, en términos de una ecuación diferencial vectorial (EDV):
245
246 TEMA 7. MÉTODOS NUMÉRICOS PARA EEDD
Teorema 7.1.1
En MATLAB la orden
dsolve(’Dx1 = f1 (t, x), · · · , Dxn = fn (t, x)’, ’x1 (t0 ) = p01 , · · · , xn (t0 ) = p0n ’)
y es que, realmente, son excepcionales las EDV para las que se sabe hallar
la expresión de las curvas sp : [t0 , t0 + T ] → Rn en términos elementales.
f (t, x) = Ax + u(t)
Circuitos RLC:
Un alternador bipolar de velocidad angular ω genera una diferencia de po-
tencial instantánea V sin ωt. Si alimenta a un circuito en serie con una
resistencia de R ohmios, un condensador de C f aradios y una bobina de
L henrios, la carga q(t) y la intensidad i(t) cumplen el sistema lineal
(
dq(t)
dt = i(t)
di(t) 1 R V
dt = − CL q(t) − L i(t) + L sin ωt
Oscilador lineal:
Sea L : R3 → R3 un campo de fuerzas lineal. Una partı́cula de masa 1 se
moverá en un medio viscoso de coeficiente b bajo la acción del campo L,
según la ecuación diferencial
x00 = Lx − bx0 .
Si añadimos una fuerza externa φ(t), por ejemplo, para anular el rozamiento
viscoso, el movimiento de la partı́cula estará gobernado por la ecuación:
Designando
x 0 I o
X= , A= y Φ=
v L −bI φ
X 0 = AX + Φ.
y es curioso comprobar que MATLAB 6.5 calcula sin problemas eAt , me-
diante la orden expm(A. ∗ t), en el primer caso pero no lo consigue en el
segundo.
7.1. INTRODUCCIÓN 249
y sobre ella actúa con eficacia la fórmula (?) dando como solución una familia
de elipses centradas en xe . La conclusión que nos interesa destacar es que si
partimos de una condición inicial próxima a xe , el ecosistema evolucionará
en el tiempo sin que se extinga ni crezca indefinidamente ninguna de las dos
especies. Este problema está resuelto en el programa corderosylobos de
Modus.
dxi dx3
xi (t) + x3 (t) = Ci o + = 0 para i = 1, 2.
dt dt
dx3
La función se llama velocidad de la reacción y la ley de acción de masas
dt
asegura que existe una constante k tal que
dx3
= kx1 x2 .
dt
Si x = (x1 , x2 , x3 ) y u = (−1, −1, 1), una reacción quı́mica de constante k
estará gobernada por la ecuación diferencial x0 = f (t, x) donde
f : [0, ∞) × R3 → R3
(t, x) 7 → kx1 x2 u
Obuses:
Si disparamos un obús, su trayectoria x se deduce de la ley de Newton que
asegura que la fuerza total externa es igual a la derivada de la cantidad de
movimiento:
d(mv) dx
F = siendo v = .
dt dt
Como la masa m del obús es constante, si suponemos que la fuerza actuante
es la gravitatoria, tendremos
dv
F = mg = m ⇒ x00 = g
dt
Si suponemos que el coeficiente de viscosidad del aire es β, además de la
gravitatoria hay que considerar una fuerza resistente −βv y tendremos
β 0
F = mg − βx0 = mx00 ⇒ x00 = g − x
m
Si necesitamos aumentar la precisión podrı́amos considerar, también, los
efectos de la rotación de La Tierra o la fuerza del viento dominante en el
campo de tiro pero, es claro, que cada una de estas consideraciones com-
plicará la ecuación diferencial que tengamos que resolver.
7.1. INTRODUCCIÓN 251
β
Si nos quedamos en la ecuación x00 = g − x0 , consideraremos el sistema
m
x0 = v
v 0 = g − β v
m
y, con X = vx , la ecuación vectorial X 0 = f (t, X) donde
f : [0, ∞) × R4 → R4
x3
x1 x4
x2
7→ − β x3
t,
x3 m
x4
β
−9.8 − x4
m
Las condiciones iniciales fijarán el punto (x0 , y0 ) donde está emplazado el
cañon y la velocidad (vx0 , vy0 ) de salida del proyectil.
Cohetes:
Si en lugar de un obús lanzamos un cohete de 750 kg, de los cuales 450 kg son
de un propulsante que se consume uniformemente en 45 seg imprimiendo a
los gases de escape una velocidad de 1900 m/seg, la cantidad de movimiento
en el instante t es
v
(300 + 10(45 − t))v + 10 v − 1900
kvk
cuya derivada es
v0 (v|v 0)
−10v + 10v 0 − 19000 + 19000v
kvk kvk3
Si actua la fuerza gravitatoria y la resistencia del aire, tendremos
β v0 (v|v0)
(75 − t)g − v = −v + v 0 − 1900 + 1900v
10 kvk kvk3
que es una ecuación diferencial implı́cita F (t, v, v 0) = 0.
Si multiplicamos escalarmente por v obtenemos que
(v|v 0) −2 β
= 9.8(75 − t)kvk cos a(t) + 1 − kvk−1
kvk3 10
siendo a(t) el ángulo que forma el cohete con la gravedad. Si, mediante un
giróscopo, deflectores de flujo y timones aerodinámicos, conseguimos una
determinada función a(t), la ecuación del movimiento ya será explı́cita:
x0 = v
0 (75 − t)kvk 10 − β 18620(75 − t) cos a(t)
v = g+ − v
kvk − 1900 10 kvk2 − 1900kvk
252 TEMA 7. MÉTODOS NUMÉRICOS PARA EEDD
Si
π
a(t) = π − t
180
resulta que el cohete sale verticalmente y durante los 45seg en que consume
el combustible se va colocando de modo que acaba formando un ángulo de
π
4 con la horizontal. Ası́, consumido el combustible, el cohete se convierte
en un obús con condiciones iniciales de máximo alcance.
Curvas de persecución:
Imaginemos que un móvil, de trayectoria conocida c : [t0 , t0 + T ] → R3 , es
perseguido por otro móvil. La trayectoria x(t) del perseguidor cumplirá
c(t) − x(t)
x0 (t) = k(t) donde |k(t)| = kx0 (t)k.
kc(t) − x(t)k
kx0 (t)k
Si suponemos conocida la relación r(t) = kc0(t)k
podremos concluir que
c(t) − x(t)
x0 (t) = f (t, x(t)) con f (t, x(t)) = r(t)kc0 (t)k
kc(t) − x(t)k
y, para cada posición inicial del perseguidor x(t0 ) = x0 , tendremos una única
curva solución. Este problema está resuelto en el programa curvadeperse-
cucion de Modus.
Curvas de arrastre:
Imaginemos que un móvil, de trayectoria conocida c : [t0 , t0 + T ] → R3 , lleva
ligada, mediante una articulación esférica, una varilla de longitud ` en cuyo
extremo hay una bola. Si sobre la bola actúa, además, una fuerza exterior
φ : [t0 , t0 + T ] → R3 y una fricción viscosa proporcional a la velocidad, la
trayectoria x(t) de la bola cumplirá
su velocidad cumplirá
y, en consecuencia,
−c00 + ((c00 |u) − `(u0 |u0 ) + β(c0 |u) − (φ|u)) u − βc0 − β`u0 + φ
u00 =
`
Esta ecuación de segundo orden es equivalente al sistema
u0 = v
00 00 0 0
v 0 = −c + ((c |u) − `(v|v) + β(c |u) − (Φ|u)) u − βc − β`v + φ
`
u
y designando U = podemos escribirlo como una ecuación vectorial
v
U 0 = f (t, U ). Para cada condición inicial U (t0 ) = U0 tendremos una única
solución U (t) cuyas tres primeras componentes constituirán un u(t) que nos
permitirá escribir la trayectoria de la bola
Mecánica Hamiltoniana
Veremos aquı́ como ha sido magistralmente generalizada por Hamilton la
técnica de pasar al espacio de fases para plantear problemas mecánicos bajo
la forma de una ecuación diferencial x0 = f (t, x) :
La trayectoria debe venir dada por una función xo : [t1 , t2 ] → Rn que sea
punto extremal del funcional
Z t2
J(x) = L(t, x(t), x0(t))dt
t1
que debe ser resuelto para encontrar las n componentes de xo(t) = (xo1 (t), . . .xon (t)).
Haciendo el cambio de variables
∂L
yi = ∀i = 1, . . ., n
∂x0i
H = H(t, x, y) ,
7.1. INTRODUCCIÓN 255
X 0 = f (t, X).
∂L ∂T
y= = = 2Ax0 + b
∂x0 ∂x0
y, por tanto,
N: R3 \ {0} → R3
x
x 7→ K
kxk3
tenemos
1
T = (v|v)
1 K
2 y, por tanto, H = (v|v) −
−K 2 kxk
V =
kxk
nos sugiere dos maneras de obtener diferentes funciones φ según los términos
del desarrollo del Taylor que tomemos o los diferentes métodos de integración
aproximada que consideremos.
Ejemplos 7.2.1
tenemos
yk+1 = yk + hφ(tk , yk ; h) + εk
se cumple que
N −1
!
X
max{kyk − xk k | k = 0, · · · , N } ≤ M ky0 − x0 k + kεk k
k=0
7.2. MÉTODOS DE UN PASO 259
Lema 7.2.3
N −1
!
X
E(h) ≤ M kx(tk+1 ) − x(tk ) − hφ(tk , x(tk ); h)k
k=0
No son tan inmediatos los tres lemas siguientes cuyas demostraciones pueden
verse en [Cr-Mi].
Lema 7.2.4
Lema 7.2.5
Lema 7.2.6
∂φ ∂pφ
φ, ,··· , p ,
∂h ∂h
260 TEMA 7. MÉTODOS NUMÉRICOS PARA EEDD
3. Se define
φ(tk , xk , h) = b1 Fk1 + · · · + bp Fkp
y obtenemos la función
Fk1 + 2Fk2 + 2Fk3 + Fk4
φ(tk , xk ; h) =
6
Este método es el Runge-Kutta clásico y está implementado en el
programa rungekutta4 de Modus.
En [Cr-Mi] se puede hallar la prueba del siguiente resultado que nos permite
determinar los vectores c y b y la matriz A de un Runge-Kutta de orden
prefijado:
Lema 7.2.10
Sea un Runge-Kutta (p,c,b,A) y sean 1p ∈ Rp y C = diag(c). La condición
necesaria y suficiente para que sea
1. De orden 1 es que (b|1p) = 1.
1
2. De orden 2 es que (b|1p) = 1 y (b|C1p ) = (b|A1p ) =
2
3. De orden 3 es que A1p = C1p y
1 1 1
(b|1p) = 1, (b|C1p ) = , (b|C 2 1p ) = , (b|AC1p ) =
2 3 6
4. De orden 4 es que A1p = C1p y
1 1 1 1
(b|C 3 1p ) = , (b|AC 2 1p) = , (b|A2 C1p ) = , (b|CAC1p ) = ♦
4 12 24 8
Corolario 7.2.11
{(tk−r , f (tk−r , xk−r )), · · · , (tk , f (tk , xk )), (tk+1 , f (tk+1 , xk+1 ))}
1. Si r = 1
fk − fk−1 tk fk−1 − tk−1 fk
Ak,1 (s) = s+
h h
con lo que Z tk+1
h
Ak,1 (s) ds = (3fk − fk−1 )
tk 2
y el algoritmo iterativo es
3fk − fk−1
x0 = p0 ; xk+1 = xk + h ∀k ≥ 1.
2
Obsérvese que x1 debe ser determinado con un métdodo de un paso.
2. Si r = 2
Z tk+1
h
Ak,2 (s) ds = (23fk − 16fk−1 + 5fk−2 )
tk 12
con lo que tenemos el algoritmo iterativo
23fk − 16fk−1 + 5fk−2
x0 = p0 ; xk+1 = xk + h ∀k ≥ 2
12
Obsérvese que x1 y x2 deben calcularse por otros métodos.
264 TEMA 7. MÉTODOS NUMÉRICOS PARA EEDD
3. Si r = 3
Z tk+1
h
Ak,3 (s) ds = (55fk − 59fk−1 + 37fk−2 − 9fk−3 )
tk 24
1. Si r = 0 Z tk+1
h
Pk+1,0 (s) ds = (fk+1 + fk )
tk 2
y el algoritmo iterativo es
fk+1 + fk
x0 = p0 ; xk+1 = xk + h ∀k ≥ 0
2
Obsérvese que este algoritmo coincide con el de la fórmula del trapecio
y, por tanto, será necesario en cada paso despejar xk+1 que sólo está
definido de forma implı́cita.
2. Si r = 1 Z tk+1
h
Pk+1,1 (s) ds = (fk+1 + 8fk − fk−1 )
tk 12
con lo que tenemos el algoritmo iterativo
3. Si r = 2
Z tk+1
h
Pk+1,2 (s) ds = (9fk+1 + 19fk − 5fk−1 + fk−2 )
tk 24
7.4. PRÁCTICAS 265
1. Predecimos:
(p) h
xk+1 = xk + (55fk − 59fk−1 + 37fk−2 − 9fk−3 )
24
2. Calculamos:
(p) (p)
fk+1 = f (tk+1 , xk+1 )
3. Corregimos:
(p)
9f + 19fk − 5fk−1 + fk−2
xk+1 = xk + h k+1
24
Todos los programas mencionados en este tema, euler, heun, taylor, rungekutta4,
adamsbash y adamsmoul, se ejecutan desde el programa numericedos
de Modus.
7.4 Prácticas
1. Sea el campo de fuerzas lineal no conservativo F : R3 → R3 con
1 0 0 x1
F (x) = 0
2 3 x2
0 −3 2 x3
p0 = kp − mp2 .
10. En R3 , una curva x(s) dada en función de su arco cumple las fórmulas
de Frenet 0
t 0 κ(s) 0 t
n0 = −κ(s) 0 τ (s) n
b0 0 −τ (s) 0 b
268 TEMA 7. MÉTODOS NUMÉRICOS PARA EEDD
siendo
x00 (s)
t = x0 (s) n= b = t∧n
kx00(s)k
[x0 (s), x00(s), x000(s)]
κ(s) = kx00 (s)k y τ (s) =
κ2 (s)
Hacer un programa de MATLAB que nos dibuje la curva conociendo
las funciones κ(s), τ (s) y los valores iniciales t(0), n(0), b(0) y x(0).
(Solución: formulasdefrenet de Modus).
Bibliografı́a
[3] Amigó, J.M., Falcó, A., Gálvez, J., Villar, V., Topologı́a molecular. Bol.
Soc. Esp. Mat. Apl., 39 (2007) 137–151.
[6] Banach, S., Oeuvres. Volume II. Warszawa, PWN Editions scientifiques
de Pologne, 1979.
[14] Castejón, A., Corbacho, E., Vidal, R. Árboles óptimos en rejillas. Actas
del VEAMD, 79-86, 2007.
269
270 BIBLIOGRAFÍA
[17] Chung, F., Lu, L. Complex Graphs and Networks. CBMS (107), 2006.
[19] Collette, J.P. Historia de las Matemáticas I, II. Madrid, Siglo XXI
Editores, 1985.
[22] Crouzeix, M., Mignot, A.L. Analyse numérique des équations différen-
tielles. Paris, Masson, 1984.
[24] Danaila, I., Joly, P., Kaber, S.D., Postel, M. Introduction au calcul
scientifique par la pratique. Paris, Dunod, 2005.
[28] Enflo, P., Mécanique des milieux continus. Paris, Masson, 1990.
[34] Gallager, R.G. Low Density Parity Check Codes. MIT Press, 1963.
[36] González Urbaneja, P.M., Las raices del cálculo infinitesimal 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), 1–30.
[41] Hoory, S., Linial, N., Wigderson, A. Expanders graphs and their appli-
cations. Bulletin A.M.S., 43 (2006), 439–561.
[55] Ortega, J.M., Poole, W.G. Numerical methods for differential equations.
Marshfield (Massachusetts), Pitman, 1981.
[60] Pisier, G. On Read’s proof that B(`1 ) is not amenable, Geometric As-
pects of Functional Analysis 2002-2003, LN 1850, 269–275, 2004.
[64] Rudin, W. Análisis real y complejo (3a edición). Madrid, Mc. Graw-
Hill, 1988.
[71] Sipser, M., Spielman, D.A. Expander codes, IEEE Trans. Inform. The-
ory. 42 1710–1722, 1996.
[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.
función
de soporte compacto, 63
grafo, 93
parametros, 120
teorema
de Stone-Weierstrass, 55
variablesx, 120
Weierstrass, 54, 55
274
INDEX 275
Índice de programas