Universidad de los Andes

Facultad de Ciencias
ticas
Departamento de Matema

Grupo de Analisis Funcional

Teora Espectral de Operadores en Espacios de Hilbert

rez G.
Br. Yeni Y. Sua
Requisito Especial de Grado
Para Optar al Titulo de
ticas
Licenciada en Matema
Gime
nez
Tutor: Dr. Jose

rida-Venezuela
Me
Octubre-2005

Indice General
1 Preliminares
1.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Espacios vectoriales. . . . . . . . . . . . . . . . . . . . . .
1.2.1 Definiciones. . . . . . . . . . . . . . . . . . . . . .
1.2.2 Subespacios. . . . . . . . . . . . . . . . . . . . . .
1.2.3 Generadores. . . . . . . . . . . . . . . . . . . . . .
1.2.4 Rango . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.5 Bases . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.6 Matrices . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . .
1.3.1 Definiciones . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Representacion Matricial de una Aplicacion Lineal
1.4 Espacios de Aplicaciones Lineales. . . . . . . . . . . . . .
1.4.1 Espacio Dual de un Espacio Vectorial. . . . . . . .
1.5 Endomorfismos de un Espacio Vectorial. . . . . . . . . . .
1.6 Rango de una Aplicacion. . . . . . . . . . . . . . . . . . .
1.7 Espacios Normados y Espacios de Banach . . . . . . . . .
1.8 Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . .
1.8.1 Definicion . . . . . . . . . . . . . . . . . . . . . . .
1.9 Operadores Acotados en Espacios de Hilbert . . . . . . .
1.9.1 Forma Sesquilineal . . . . . . . . . . . . . . . . . .
1.9.2 Teorema de Representacion de Riesz. . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

2 Teora Espectral de Operadores en Espacios de Dimensi

on
2.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Subespacios Invariantes . . . . . . . . . . . . . . . . . . . . .
2.3 Matriz Triangular Superior . . . . . . . . . . . . . . . . . . .
2.4 Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Operadores en Espacios de Hilbert . . . . . . . . . . . . . . .
2.6 Operadores en Espacios de Hilbert Complejos . . . . . . . . .
2.6.1 Operadores Adjuntos . . . . . . . . . . . . . . . . . . .
2.6.2 Representacion Matricial del Operador Adjunto. . . .
2.6.3 Operadores Normales y Autoadjuntos . . . . . . . . .
2.6.4 Teorema Espectral para Operadores Normales. . . . .
2.6.5 Teorema Espectral para Operadores Autoadjuntos. . .
i

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

Finita.
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

9
9
9
9
10
11
11
11
12
12
12
13
14
14
14
14
14
15
15
15
15
18
19
19
19
20
21
22
22
22
24
25
27
29

Indice

2.7

Proyectores Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . .

30

2.8

Operadores en Espacios de Hilbert Reales . . . . . . . . . . . . . . .

33

2.8.1

El Operador Transpuesto . . . . . . . . . . . . . . . . . . . .

33

2.8.2

Representacion Matricial del Operador Transpuesto . . . . .

34

2.8.3

Operadores Normales, Autoadjuntos y Ortogonales . . . . . .

34

2.8.4

Teorema Espectral de Operadores Autoadjuntos . . . . . . .

35

2.8.5

Descomposicion Espectral de Operadores Autoadjunto . . . .

36

3 Teora Espectral de Operadores Normales

39

3.1

Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

3.2

Transformaciones Espectrales . . . . . . . . . . . . . . . . . . . . . .

40

3.3

Espectro de un Operador Autoadjunto . . . . . . . . . . . . . . . . .

41

3.4

Medidas Numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

3.4.1

Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

Medidas Espectrales . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

3.5.1

Medida Positiva . . . . . . . . . . . . . . . . . . . . . . . . .

44

3.6

Otras propiedades de las Medidas Espectrales . . . . . . . . . . . . .

46

3.7

Integracion de Funciones Acotadas . . . . . . . . . . . . . . . . . . .

46

3.8

Teorema Espectral para Operadores Autoadjuntos . . . . . . . . . .

47

3.9

Teorema Espectral para Operadores Normales . . . . . . . . . . . . .

49

3.5

4 Aplicaciones

51

4.1

Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

4.2

Raz Cuadrada Positiva . . . . . . . . . . . . . . . . . . . . . . . . .

51

4.3

Teorema de Descomposicion Polar . . . . . . . . . . . . . . . . . . .

52

Indice

Dedicatoria

A mi Padre .

Dedicatoria

Agradecimientos
A Dios, toda la felicidad y todos los beneficios que he recibido en mi vida te los
debo sin duda alguna a t DIOS. No existe ocasion en la cual no estes conmigo.
A mi madre, a t doy gracias por todos tus cuidados y porque siempre creste en
mi. Eres la mejor mujer que conozco. Te dedico este trabajo porque es algo que sin
tus desvelos no hubiera podido ser.
A mi Padre, gracias por ser el gran poeta de mi vida, fuente de inspiracion, apoyo,
cari
no, atencion, compresion y sobre todo paciencia.
A mis sobrinas Stephany y Laura, han sido y seguiran siendo sinonimo de
alegra y vida. Gracias por sus besos y abrazos que tanto me hacan falta en los
momentos mas duros.
A mis hermanos, gracias por ense
narme tanto de la vida.
A mi tas y tos: Rosa, Mercedes, Gladis y Pepe, gracias por acompa
narme en
todos los momentos importantes.
A mis primas, Mayra Alejandra y Mara Auxiliadora, gracias por su cari
no y apoyo
incondicional.
A mi cu
nada Anairelys, una hermana como t
u nunca tendre en la vida, gracias
por creer en mi.
A mis inseparables amigas: Nelyana, Naive, Elizabeth, Carol y Lis, me han regalado lo mas hermoso de la vida, su sincera e incomparable Amistad. Gracias por
ponerme de pie cuando a mis alas se le han olvidado como volar. Nunca olvidare
todo lo que han hecho por mi.
A mis amigos: Wilmer, Elbis, Dairuve, Gregorio, Begui, Danillys, Armando, Juan
Pablo, Alexander y Walter, siempre recordare los gratos momentos, alegrias y locuras
que compartimos juntos. Los quieros.

Agradecimientos

A mi querido amigo Freddy, un verdadero amigo es alguien que te conoce tal

como eres, comprende donde haz estado, te acompa
na en tus logros y tus fracasos,
celebra tus alegras, comparte tu dolor y jamas te juzga por tus errores, gracias por
tanto a
nos de amistad.
A Emilio, gracias por el apoyo y la confianza que siempre me haz brindado. Eres
mi fortaleza y aliento, quien me da animo para seguir siempre adelante. Te quiero.
Al prof. Marcos Lizana, a traves de tus consejos me haz ense
nado el valor del
trabajo, la necesidad del esfuerzo y muchos cosas mas de las cuales hoy no soy
consciente. Contar con tu apoyo y amistad ha sido orgullo y garanta de seguridad
para llegar a esta meta.
Al prof. Jes
us P
erez S
anchez, gracias por demostrarme de la manera mas divertida el mundo de las Matematicas. Su permanente disposicion y desinteresada
ayuda tienen un valor incalculable para mi.
A mi Tutor, por su generosidad al brindarme la oportunidad de recurrir a su
capacidad y experiencia cientfica en un marco de confianza, afecto y amistad, fundamentales para el logro de este trabajo.
A mis Jurados, por sus valiosas sugerencias y acertados aportes durante el desarrollo de este trabajo.
Al C.D.C.H.T, gracias por su apoyo economico.

Introducci
on
Para el estudio de la Teora Espectral en Dimension Finita, no daremos el enfoque
tradicional, usando determinantes, ya que esta no es una nocion intuitiva. La ruta
para este estudio sera dada por la nocion de subespacio invariante, la cual motiva
el estudio de autovalores y autovectores, rompiendo as el tradicional enfoque via
determinante, lo que nos llevo a probar que cada operador lineal en un espacio vectorial complejo puede representarse por una matriz triangular superior [2].
El contenido de este trabajo, se divide en cuatro grandes temas dedicados al
estudio de la Teora Espectral de Operadores en Espacios de Dimension Finita y la
Teora Espectral de Operadores Normales y se completara con algunas aplicaciones.
Captulo I: Preliminares.
En este captulo nuestro objetivo es enunciar algunas definiciones, propiedades y
resultados de la Teora de Operadores en Espacios de Dimension Finita e Infinita,
los cuales serviran de base para los captulos posteriores. [2],[3],[4] y [5]
Captulo II: Teora Espectral de Operadores en Espacios de Dimensi
on
Finita.
En este captulo nuestro objetivo es mostrar como descomponer el espacio vectorial
X en suma directa de subespacios, de modo que el operador pueda expresarse a su
vez en suma directa de operadores mas sencillos y en terminos matriciales, veremos
que esto se traduce en hallar una base del espacio respecto a la cual la matriz asociada al operador, tiene una forma canonica. El objetivo principal de este tema es
el estudio de los Teoremas Espectrales para Operadores Autoadjuntos y Normales
en Espacios de Dimension Finita.[2]
Captulo III: Teora Espectral de Operadores Normales.
Este captulo se consagra la Teora Espectral de Operadores Autoadjuntos y Normales (Acotados), a traves de la nocion de proyecciones (dimension finita) y veremos
que la expresion:
T = 1 P1 + . . . + r Pr =

r
X
i=1

i P i

Introduccion

se generalizara al caso de dimension infinita. Existiran dos caminos para llegar a

cabo esta generalizacion y daremos un breve esbozo, el cual sera particularmente importantes en las aplicaciones. Discutiremos algunas propiedades de los operadores
Autoadjuntos Acotados y Normales Acotados, necesarios para establecer la representaci
on espectral de estos operadores [6].
Captulo IV: Aplicaciones.
En este captulo daremos dos de las mas conocidas aplicaciones del Teorema Espectral para Operadores Autoadjuntos. A manera de ilustrar las ventajas de las
representaciones integrales espectrales.

Captulo 1

Preliminares
1.1

Introducci
on

En este captulo daremos un breve resumen de la Teora de Operadores; enunciaremos algunas definiciones, propiedades y resultados que nos seran de gran utilidad
en el desarrollo de este trabajo.
Evidentemente, la mayora de estos resultados fueron vistos en los cursos de

Algebra
Lineal, Analisis Funcional y Teoria de la Medida, de la licenciatura, por lo
cual la prueba de la mayor parte de ellos no sera hecha aca y solo se indicara la
referencia bibliografica.
En concreto, daremos una descripcion de Espacios Vectoriales, Operadores Acotados en Espacios de Hilbert, Medidas N
umericas, Medidas Espectrales y Resolucion
Espectral de Operadores; el cual sera desarrollado en forma completa en los captulos
posteriores.

1.2
1.2.1

Espacios vectoriales.
Definiciones.

Definici
on 1.1. Un espacio vectorial sobre un cuerpo K (los elementos de K se
llaman escalares) es un conjunto X (cuyos elementos se llamar
an vectores) dotado
de dos operaciones. Una de ellas interna (suma):
+ : X X X
Respecto a la cual X es un grupo conmutativo, y una operaci
on externa, el producto
por escalares:
: X X X

10

Preliminares

que verifica:
1. ( + )x = x + x,
2. (x + y) = x + y,
3. (x) = (x),
4. 1x = x, donde x, y X , , K y 1 es la unidad en K.
La siguiente, es una herramienta fundamental en el estudio de los espacios vectoriales.
Definici
on 1.2. Sea x1 , . . . , xn elementos de un espacio vectorial 1 , . . . , n escalares del cuerpo K. Se llama combinacion lineal de los vectores x1,... ,xn con coeficientes 1 , . . . , n al vector:
n
X

i x i = 1 x 1 + . . . + n x n

i=1

Obviamente, toda combinaci

on lineal est
a contenida en el espacio. Tengase en cuenta que una combinaciion es una suma finita con coeficientes en el cuerpo. La suma
con infinitos sumandos, u otras con un n
umero finito de coeficientes no nulos, aunque
en cantidad variable, llevan a los conceptos m
as avanzados de a
lgebra (suma y productos directos con un n
umero arbitrario de factores).

1.2.2

Subespacios.

Definici
on 1.3. Sea X un espacio vectorial sobre un cuerpo K y sea W un subconjunto de X no vaco. Se dice que W es un subespacio vectorial de X si:
1. x y W, x, y W ,
2. x W, K.
Proposici
on 1.1. Si W es un subespacio vectorial de X , entonces el conjunto W
con las operaciones + y , inducida de la suma y el producto por escalares de X , es
un espacio vectorial.
Definici
on 1.4. La suma de dos subespacios W1 y W2 de un espacio vectorial X se
define como:
W1 W2 = {x1 + x2 : x1 W1 , x2 W2 }
Definici
on 1.5. Se dice que la suma de dos subespacios vectoriales de un espacio
vectorial es directa, si cada elemento de la suma admite una u
nica descomposici
on
como suma de un elemento del primer subespacio m
as un elemento del segundo. Se
escribe entonces: W1 W2

Preliminares

11

En general, los elementos de una suma de subespacios se pueden descomponer de

varias formas como suma de un vector de W1 y un vector de W2 . Dicho de otra
manera, la descomposici
on no es u
nica.
Teorema 1.1. Sean W1 y W2 dos subespacios de un espacio vectorial X . Entonces,
la suma de W1 y W2 es directa si y s
olo si W1 W2 = {0}.
Los conceptos de suma y suma directa se pueden extender a m
as de dos subespacios,
imponiendo la unicidad de la descomposici
on de cualquier vector de la suma en suma
de elementos de cada uno de los subespacios.

1.2.3

Generadores.

Definici
on 1.6. Sea S un subconjunto de un espacio vectorial X . Se llama espacio
vectorial generado por S al menor de los subespacios de X que contiene a S.
Est
a claro que dicho subespacio ser
a la intersecci
on de todos los subespacios que
contiene a S: La intersecci
on no puede ser vaca, pues S est
a en todos ellos y al
menos existe un subespacio que contiene a S (el espacio X).
Teorema 1.2. El subespacio generado por un subconjunto de un espacio vectorial
X , es el conjunto de combinaciones lineales que se pueden forman con los elementos
de S.
Definici
on 1.7. Se dice que el subconjunto S del espacio vectorial X es un sistema
de generadores de X , si el espacio generado por S, es el espacio total X .

1.2.4

Rango

Definici
on 1.8. El rango de una familia de vectores es el n
umero m
aximo de vectores linealmente independiente que se pueden encontrar en la familia.
Estamos en condiciones de definir lo que es una base de un espacio vectorial.

1.2.5

Bases

Definici
on 1.9. Se dice que la familia de vectores del espacio vectorial X , B, es una
base , si ella es un sistema de generadores de X y es linealmente independiente.
Teorema 1.3. Sea X un espacio vectorial. Todas las bases de X tienen el mismo
cardinal.

12

Preliminares

Este teorema es fundamental. Permite relacionar las bases de un espacio vectorial,

y asignar a este espacio un n
umero natural cuando el cardinal anterior es finito
Definici
on 1.10. Se llama dimension de un espacio vectorial X sobre el cuerpo K
al cardinal com
un de las bases de X .
Teorema 1.4. En un espacio de dimensi
on finita n no hay conjuntos de vectores
linealmente independiente, con m
as de n vectores. Si un conjunto de n vectores es
linealmente independiente, es una base.

1.2.6

Matrices

Definici
on 1.11. Una matriz es una colecci
on de objetos dispuestos en forma rectangular en cierto n
umero de filas y columnas.
Los elementos de la matriz se designan por dos subndices que indican la posici
on
que ocupa: el primero la fila y el segundo la columna. As la matriz A = (a ij ) es la
formada por los elementos aij en las posiciones correspondientes.
Definici
on 1.12. El conjunto de matrices n m con coeficientes en un cuerpo K,
Mnm (K) es un espacio vectorial sobre K de dimensi
on n m.
Definici
on 1.13. Sea A Mnm (K), conelementos(aij ). Se define la matriz transpuesta de A, At como la matriz en Mmn (K) con elementos (bji ), tal que:
bij = aji , i = 1, . . . , m, j = 1, . . . , n
Es decir, se intercambian filas por columnas.

1.3

Aplicaciones lineales

Las aplicaciones m
as notables entre espacios vectoriales son aquellas que preservan
su estructura. Tales aplicaciones se denominan lineales; veamos algunas definiciones.

1.3.1

Definiciones

Definici
on 1.14. Una aplicacion T : X Y entre dos espacios vectoriales se
dira que es lineal si,
1. T (x + y) = T (x) + T (y), x, y X .
2. T (x) = T (x) K.

Preliminares

13

Si T es inyectiva diremos que es un monomorfismo de espacios vectoriales, si es

suprayectiva, diremos que es un epimorfismo y si es biyectiva diremos que T es un
isomorfismo de espacios vectoriales.
Definici
on 1.15. Llamaremos N
ucleo o Kernel de la aplicaci
on lineal T : X Y
al subconjunto ker T = {x X : T (x) = 0} = f 1 (0). La imagen de T se denotar
a
por T (X ).
Proposici
on 1.2. El kernel T y la imagen de T son subesapcios vectoriales.
Proposici
on 1.3. Una apliaci
on lineal T : X W es un monomorfismo si y s
olo
si ker T = 0. T es un epimorfismo si y s
olo si T (X ) = W .
Proposici
on 1.4. Si T : W X es un isomorfismo, y B es una base de X ,
entonces T (B) es una base del espacio W .
Proposici
on 1.5. Una aplicaci
on lineal T : X W es un isomorfismo si y s
olo
si para alguna base B de X , T (B) es una base de W .

1.3.2

Representaci
on Matricial de una Aplicaci
on Lineal

Sean X, Y espacios vectoriales y sea T : X Y una aplicaci

on lineal, (ambos sobre
el mismo cuerpo K). Sea B = {ej }nj=1 una base de X (dim X = n) y C = {bi }m
i=1
una base de Y (dim Y = m). La imagen del vector ej por T , T (ej ), ser
a una
combinaci
on lineal de los vectores de B, esto es:
T (ej ) = a1j b1 + a2j b2 + . . . + amj bm , j = 1, . . . , m
Los coeficientes aij i = 1, . . . , n j = 1, . . . , m, pueden organizarse como una matriz
mxn.

a11 a12 . . . a14

a21 a22 . . . a24

A= .
..
..
..
..
.
.
.
am1 am2 . . .

amn

La primera columna est

a formada por los coeficientes de la imagen de e1 en la base
bi , la j-esima columna est
a formada por las coordenadas del vector ej en la base
de bj . Si los colocamos los vectores bi , formada por una matriz 1xm, (b1 , . . . , bm )
podemos escribir
T (e1 , . . . , en ) = (b1 , . . . , bm ).a
Llamaremos la matriz A la representacion matricial de T en las bases B y C y en
ocasiones por motivos de presi
on en la notaci
on escribiremos tambien A(T, B, C),
con indicaci
on expresa de las bases respecto a las cuales est
a definida.

14

1.4
1.4.1

Preliminares

Espacios de Aplicaciones Lineales.

Espacio Dual de un Espacio Vectorial.

La composici
on de aplicaciones lineales es de nuevo una aplicacion lineal. Este hecho
nos conduce a considerar como candidatos a nuevos espacios vectoriales, conjuntos
cuyos elementos son aplicaciones lineales ya que podemos sumarlas y multiplicarla
por escalares. En particular si consideremos K como un espacio de dimensi
on 1
sobre el propio cuerpo K, las aplicaciones lineales T : X K se llaman funcionales
lineales sobre X y forman un espacio vectorial.
Proposici
on 1.6. Sea X un espacio vectorial sobre K. El conjunto de aplicaciones
lineales T : X K forman un espacio vectorial sobre K, denotado por X , llamado
el espacio dual de X . Adem
as dim X = dim X .

1.5

Endomorfismos de un Espacio Vectorial.

Una aplicaci
on lineal T de un espacio vectorial X en s mismo se denominar
a un
endomorfismo de X . El conjunto de las aplicaciones lineales de X , esto es, de endomorfismos de X , se denotar
a por L(X).
Proposici
on 1.7. El espacio de endomorfismos L(X) es un espacio vectorial de
dimensi
on (dim X )2 .

1.6

Rango de una Aplicaci

on.

Definici
on 1.16. Si T : X Y es una aplicaci
on lineal, llamaremos Rango de
T a la dimensi
on de T (X ), o en otras palabras al n
umeros de vectores linealmente
independientes en la imagen de una base cualquiera X . El rango de una aplicaci
on
se denotara por Rgo(T ).
Proposici
on 1.8. Si A es una representaci
on matricial de T : X Y entonces:
Rgo(T ) = Rgo(A)
Definici
on 1.17. Sea T : X Y es una aplicaci
on lineal, llamaremos aplicacion
transpuesta o dual de T y se denotara por T a la aplicaci
on T : Y X definida
por
(T )(x) = (T (x)),

1.7

Y , x X

Espacios Normados y Espacios de Banach

Definici
on 1.18. Un espacio normado X es un espacio vectorial con una norma
definida en el. Un espacio de Banach es un espacio normado completo (completo en
la metrica definida por la norma).

Preliminares

1.8
1.8.1

15

Espacios de Hilbert
Definici
on

Definici
on 1.19. Un Espacio de Hilbert es un espacio de Banach complejo, cuyo
norma es proviene de un producto interno, esto es, se define una funci
on compleja
hx, yi de vectores x y y tales que cumplen las siguientes propiedades:
1. hx + y, zi = hx, zi + hy, zi.
2. hx, yi = hy, xi.
3. hx, xi = kxk2 .
Es evidente, la siguiente relaci
on
hx, y + zi = hx, yi + hx, zi
Esto es consecuencia directa de las propiedades 1. y 2.

1.9
1.9.1

Operadores Acotados en Espacios de Hilbert

Forma Sesquilineal

Definici
on 1.20. Sea X un espacio vectorial complejo. Una forma sesquilineal es
una aplicaci
on:
:X X C
que verifica:
x),
1. (x, y) = (y,

x, y X

2. (x, y + z) = (x, y) + (x, z),

3. (x, y) = (x, y),

x, y, z X

x, y, z X, C

En lo que sigue, la letra H, denotar

a un espacio de Hilbert; el producto interno en
este espacio ser
a denotado por h , i. Con L(H) indicaremos a todos los operadores
lineales acotados T sobre el espacio de Hilbert H 6= {0}, normado con
kT k = sup{T x : x H, kxk 1}
Teorema 1.5. Si S L(H), T L(H) y si hSx, xi = hT x, xi para todo x H
entonces S = T.
Teorema 1.6. Si T L(H), entonces la forma B definida por B(x, y) = hT x, yi
es una forma sesquilineal acotada con kBk = kT k. La forma sesquilineal B se le
llama forma asociada al operador T. Recprocamente, si B es una forma sesquilineal
acotada, entonces existe un operador T L(H), tal que B(x, y) = hT x, yi y B es la
forma asociada a T.

16

Preliminares

T L(H) y sea B(x, y) la forma sesquilineal asociada a T, es decir, B(x, y) =

hT x, yi para todo x, y H.
Poniendo B (x, y) = B(y, x) se ve enseguida que tambien B es una forma
sesquilineal acotada, luego B es la forma asociada de un operador T L(H)). Este
operador se llama adjunto de T y se caracteriza por la propiedad hT x, yi = hx, T yi,
T es el adjunto de T y hT i = T . M
as a
un, kT k = kT k, (T S) = S T .
Definici
on 1.21. Un operador T L(H) se dice:
(a) Normal cuando T T = T T
(b) Autoadjunto (o Hermitiano) si T = T
Teorema 1.7. Sea T L(H). Las siguientes proposiciones son equivalentes.
(a) T = T
(b) hT x, yi R para todo x H
(c) hT x, yi = hx, T yi para todo x H y H
Definici
on 1.22. El operador T se dice no negativo; T 0, si hT x, xi 0 para
todo x H. Se escribe T1 T2 si T2 T1 0. Es claro que si T 0 entonces T es
autoadjunto.
Teorema 1.8. Sea T L(H) entonces:
(a) Si existe T1 L(H) tal que T = T1 T1 entonces T 0.
(b) T = T entonces kT k C es equivalente a:
CI T CI.
(c) T 0 implica T 0 y viceversa.
(d) T 0 existe T1 tal que T12 = T .
(e) Poniendo A1 = 21 (T +T ); A2 = 12 i(T +T ) se tiene A1 y A2 son Autoadjuntos
y T = A1 + iA2 . A1 (A2 ) se llama parte real (imaginaria) de T , adem
as T es
normal si A1 y A2 conmutan. Recprocamente si A1 y A2 son dos operadores
autoadjuntos que conmutan entre s, entonces N = A1 + iA2 es un operador
normal.
Teorema 1.9. Si P L(H), son equivalentes las siguientes afirmaciones:
(a) P es una proyecci
on ortogonal.
(b) P es autoadjunto y P 2 = P .
(c) hP x, xi = kP xk2 para todo x H.

Preliminares

17

Teorema 1.10. Sean E1 , E2 , . . . subespacios cerrados de H; si escribimos

PEn = Pn se tiene:
(a) Si P1 P2 . . . Pn . . . entonces existe un proyector ortogonal P tal que
Pn x Px para todo x H.
(b) Si Pn Pm = 0 para n 6= m, entonces la serie
donde E =

Pn converge en todo x a PE (x),

n=1

En .

n=1

Teorema 1.11. Si U L(H) son equivalentes:

(a) U es unitario.
(b) Rgo U = H y (U x, y) = (x, y) para cualquiera x H e y H
(c) Rgo U = H y kU xk = kxk para todo x H.
Definici
on 1.23. Sean H1 y H2 espacios de Hilbert, T : H1 H2 un operador
lineal. T se dice una isometra si para todo x H1 kT xkH2 = kxkH1 . En particular
un operador U L(H) es unitario si es una Isometra Sobreyectiva.
Teorema 1.12. Si T L(H) son equivalentes:
(a) T es invertible y su inversa T 1 L(H).
(b) Existe una constante c 0 tal que kT xk 0 para todo x H.
Definici
on 1.24. Sea T L(H), el espectro de T es el conjunto de todos los
n
umeros complejos , tales que T I no es invertible. Este conjunto lo denotaremos por (T ).
El complementario de (T ) es el conjunto resolvente de T y lo denotaremos por (T ).
El radio espectral de T es el n
umero:
r(T ) = sup{|| : (T )}
Teorema 1.13. Para todo T L(H) se tiene:
(a) (T ) es compacto y no vaco.
(b) r(T ) = lim kT n |1/n = inf kT n k1/n .
n

n1

Teorema 1.14. Sea T L(H) entonces:

(a) Si T es autoadjunto (T ) R.
(b) Si T es unitario (T ) T = {z C : |z| = 1}.

18

Preliminares

Teorema 1.15. Sea T L(H) entonces:

(a) T es normal si, y solo si kT xk = kT xk para todo x H.
(b) Si T es normal, entonces N (T ) = N (T ) = Rgo (T )
Aqu N (T ) denota el espacio nulo de T y Rgo (T ) el recorrido de T .
(c) Si T es normal y T x = x para alg
un C y alg
un x H, entonces
T x = x.
Definici
on 1.25. Sea E un subespacio (cerrado) de H, T L(H). E se dice que
es un subespacio T-invariante, o invariante por T si T E E. Si E es T invariante
llamado TE la restricci
on de T en E, y tendremos que TE L(H).
Supondremos conocidas las nociones de funci
on medible e integrable, las propiedades
que las caracterizan y los principales teoremas asociados a tales conceptos. Tan solo
recordaremos los enunciados de los teoremas de Lebesgue, Randon-Nikodyn y el teorema de representaci
on de Riesz, a los cuales se aludir
a especialmente en posteriores
secciones.
Definici
on 1.26. El soporte de una funci
on compleja f sobre X es la adherencia
del conjunto {x : f (x) 6= 0}.
A la colecci
on de todas las funciones complejas contnuas sobre X a soporte compacto se le designa mediante Cc (X).

1.9.2

Teorema de Representaci
on de Riesz.

Teorema 1.16. Teorema de Representaci

on de Riesz. A cada funcional lineal
acotada sobre Cc (X), le corresponde una u
nica medida de Borel, compleja, regular
tal que:
Z
(f ) =
f d ( f Cc (X) ) con kk = kk.
X

Adem
as si (f ) 0 para todo f Cc (X), entonces 0.

Captulo 2

Teora Espectral de Operadores

en Espacios de Dimensi
on
Finita.
2.1

Introducci
on

En este captulo consideraremos a X como un espacio vectorial no nulo de dimensi

on finita n sobre un cuerpo de los n
umeros complejos. Si B es una base de X ,
supondremos siempre que B es una base ordenada, es decir una base en la cual
hemos elegido un orden para los elementos.
Al espacio de las aplicaciones lineales de X en X lo denotaremos por L(X) y la
aplicaci
on lineal identidad por id o I. Al espacio de las matrices cuadradas de orden
n respecto a una base B con coeficientes en K lo denotaremos por Mn (T, B).

2.2

Subespacios Invariantes

Se dice que un espacio vectorial X es la suma directa de sus subespacios U1 , . . . , Un ,

representado por
X = U 1 U2 . . . U n
si todo x X puede escribirse de manera u
nica en la forma
x = u1 + . . . + un

con ui Ui .

Se aplica el siguiente teorema.

Teorema 2.1. Sean U1 , . . . , Un subespacios de X y supongamos que B y C son bases
de U1 , . . . , Un respectivamente. Entonces X es la suma directa de los Ui si y s
olo si
la uni
on de B y C es una base de X .
Supongamos ahora que T : X X es lineal y X es la suma directa de los sub
espacios T invariantes (distintos de cero) U1 , . . . , Un :
19

20

Teora Espectral de Operadores en Espacios de Dimension Finita.

X = U1 . . . U n

T (Uj ) Uj ,

j = 1, . . . , n

on de T a Uj . Se dice entonces que T se descompone en los

Sea T|Uj la restrinci
operadores T|U o que T es la suma directa de los T|U y se escribe T = T1 . . . Tn .
j
j
Tambien, se dice que los subespacios U1 , . . . , Un , reducen a T o que forman una
descomposici
on de X en suma directa T invariante.
En particular, si alg
un Ui tiene dimensi
on 1, la restrinci
on T|U ser
a m
as sencillo
i
de hallar. En efecto, existe un x 6= 0 tal que Uj = {x : C}. Si T : Uj Uj
entonces T x = 0 x para alg
un 0 C. Notemos que en este caso, para todo w =
x Uj se tiene que:
T (w) = T (x) = T (x) = 0 x = 0 (x) = 0 w Uj
Por lo tanto, T (w) = 0 w.
Esto motiva la siguiente definici
on.
Definici
on 2.1. Sea X un espacio vectorial y T L(X), diremos que C, es un
autovalor de T si existe un 0 6= x X tal que T (x) = x, el vector x se dice que es
el autovector de T asociado a .
Dada A M (T, B) y un escalar C se dice que es un autovalor de A
si existe 0 6= x Cn tal que Ax = x, el vector x se dice que es el autovector
de A asociado a . Es claro que los autovalores y los autovectores de la matriz A
coinciden con los del operador T .

2.3

Matriz Triangular Superior

Ahora conoceremos uno de los resultados centrales de los espacios vectoriales complejos.
Teorema 2.2. Cualquier operador distinto de cero, en un espacio vectorial complejo
tiene un autovalor.
Demostraci
on. Supongamos que X es un espacio vectorial complejo con dimensi
on
n > 0 y T L(X). Tomemos un vector distinto de cero x en X , entonces
(x, T x, T 2 x, . . . , T n x)
no puede ser linealmente independiente porque X tiene dimensi
on n y tenemos n + 1
vectores. Entonces existen n
umeros complejos a0 , . . . , an no todos cero, tales que:
a0 x + a 1 T x + . . . + a n T n x = 0

Teora Espectral de Operadores en Espacios de Dimension Finita.

21

Tomemos los a0 s los coeficientes de un polinomio, que puede ser escrito en forma
factorizada como
a0 + a1 z + . . . + an z n = c(z 1 ), . . . , (z m )

donde c es un n
umero complejo distinto de cero, m 1, para cada j C, la
ecuaci
on anterior asegura que para todo z C, se tiene:
0 = (a0 I + a1 T + . . . + an T n )x
= c(T 1 I), . . . , (T m I)x,
Se sigue T j I no es inyectiva por lo menos para un j. En otras palabras T tiene
un autovalor.

2.4

Diagonalizaci
on

Sea X un espacio vectorial de dimensi

on finita y T L(X). Veremos que T tiene
una representaci
on matricial que nos ayudar
a a comprender de manera m
as clara
la estructura del operador T , para ello tomaremos una base B = {x1 , . . . , xn } de X
tal que:
T (x1 )
T (x2 )

T (xn )

= 1 x1
= 2 x2
b
= n xn

esto es, tal que los vectores x1 , . . . , xn son vectores propios de T correspondientes,
respectivamente, a los autovalores 1 , . . . , n .
Definici
on 2.2. Una matriz A M (T, B) es diagonal si se cumple que aij = 0
para i 6= j. Es decir, todos los elementos fuera de la diagonal son 0.
Definici
on 2.3. Un operador T L(X) se dice diagonalizable si para alguna base
B el puede representarse mediante una matriz diagonal; en este caso, se dice que las
base B diagonaliza a T y la denotaremos por M (T, B).
Definici
on 2.4. Diremos que dos matrices A, B M (T, B) son semejantes si existe una matriz P M (T, B) invertible (no singular) tal que A = P 1 BP . en est
a
situaci
on escribiremos A ' B . En virtud de esto se tiene que:
i.- Dos matrices semejantes representan el mismo operador lineal T en un espacio
normado X de dimensi
on finita.
ii.- Matrices semejantes tienen los mismos autovalores.

22

Teora Espectral de Operadores en Espacios de Dimension Finita.

Teorema 2.3. Sea A una representaci

on matricial de un operador lineal T . Entonces T es diagonalizable si y s
olo si existe una matriz invertible P tal que P 1 AP
sea una matriz diagonal.
Demostraci
on. Sea B una base de X tal que A = M (T, B). Si T es diagonalizable
entonces existe una base C de X tal que D = M (T, C), donde D es una matriz
diagonal.
M (T, C) = P M (T, B)P 1 = P AP 1
As A = M (T, B) es semejante a una matriz diagonal. Recprocamente, si A es
semejante a una matriz diagonal D entonces, existe una base C de X tal que D.
Esto prueba que es diagonalizable.
Teorema 2.4. Un operador T L(X) puede representarse mediante una matriz
diagonal B si y s
olo si tiene una base formada por autovalores de T . En este, los
elementos de la diagonal de B son los correspondientes autovalores.
Demostraci
on. Si existe una base de autovectores B = {x1 , . . . , xn }, sus im
agenes
sobre T son T (xi ) = i xi i = 1, . . . , n por lo que la matriz asociada es:

..
M (T, B) =

.
n

Recprocamente, si la matriz asociada es diagonal, los elementos de la diagonal

son justamente los autovalores, y los vectores de la base los vectores correspondientes.

2.5

Operadores en Espacios de Hilbert

Al igual que cuando hablamos de diagonalizaci

on en endomorfismos, haremos aqui
una distinci
on entre el caso real y complejo. Como veremos, el caso complejo es
m
as simple que el real, y muchos de los resultados que obtendremos en este caso son
aplicables en el real.

2.6

Operadores en Espacios de Hilbert Complejos

En toda est
a secci
on X ser
a un espacio vectorial complejo de dimensi
on finita, dotado de un producto escalar.

2.6.1

Operadores Adjuntos

Definici
on 2.5. Sea T : X X un operador. El operador adjunto o hermitiano
se define como un operador T : X X que verifica:

Teora Espectral de Operadores en Espacios de Dimension Finita.

23

hx, T yi = hT x, yi, x, y X
Veamos que tal operador existe. Para x X , definimos la siguiente forma lineal:
X Cy hx, T yi
Por el teorema de Riesz-Frechet, existe un u
nico vector z X tal que:
hx, T yi = hz, yi y X

La correspondencia x 7 z de X en X es lineal. Sean x, x0 X y consideremos la

forma lineal:
y 7 hx + x0 , T yi = hx, T yi + hx0 , T yi
Existe un u
nico z X tal que:
hx + x0 , T yi = h
z , yi, y X .
es decir:
hx, T yi = hx0 , T yi = hz, yi + h
z , yi = hz + z, yi
de donde:
z = z + z 0
En cuanto al producto por escalares:
Sean x X , C y consideremos:
T yi
y 7 hx, T yi = hx,
Existe un u
nico z X tal que:
hx, T yi = h
z , yi y X .
Y por lo tanto
T yi = hz,
yi = hz, yi
hx,
de donde
z = z
La operaci
on de tomar adjuntos ( pasar de T a T ) tienen las siguientes propiedades,
que se pueden demostrar f
acilmente:
Proposici
on 2.1. Sean T, S operadores lineales sobre el espacio con producto interno X de dimensi
on finita. Entonces

24

Teora Espectral de Operadores en Espacios de Dimension Finita.

1. (T ) .
2. (T + S) = T + S .
.
3. (T ) = T
4. (T S) = S T .
Demostraci
on. La propiedad 1. Sean x, y X . Entonces
hx, T yi = hT x, yi = hy, T xi = h(T ) y, xi = hx, (T ) yi
relaci
on que debe ser cierta x, y X , lo que muestra 1.
Probemos 2. Sean x, y X . Entonces
h(T + S)x, yi =
=
=
=
=
Por lo tanto, (T + S) = T + S .

hT x + Sx, yi
hT x + yi + hSx, yi
hx, T yi + hx, S yi
hx, T y + S yi
hx, (T + S )yi

Probemos 3. Para todo x, y X . Entonces

h(kT )(x), y)i =
=
=
=
=

h(kT (x), y)i

khT (x), y)i
khx, T (y)i
hu, kT (y)i
hu, (kT )(y)i

Probemos 4. Para todo x, y X . Entonces

h(ST )x, yi =
=
=
=

hS(T (x)), yi
hT (x), S (y)i
hx, T (S (y))i
hx, (T S )(y)i

La unicidad del adjunto implica que (ST ) = T S .

2.6.2

Representaci
on Matricial del Operador Adjunto.

Veamos c
omo obtener una representaci
on matricial del operador adjunto a partir del
operador original. Sea X un espacio vectorial complejo de dimensi
on finita dotado
de un producto escalar y B = {e1 , . . . , en } una base ortonormal de X . Sea T la
matriz de T en la base B, es decir, T (aij ):
Aui =

n
X
i=1

aji uj ,

i = 1, . . . , n

Teora Espectral de Operadores en Espacios de Dimension Finita.

0

25

Sea T la matriz del operador adjunto T (aij ). Se tiene:

(ui , Auj ) = (A ui , uj ), i, j = 1, . . . , n
y sustituyendo las expresiones de Auj y A ui :
(ui
(

n
X

n
X

akj uk ) = (

akj (ui , uk )) = (
(

n
X

aki uk , uj )

k=1

k=1

k=1

n
X

n
X

aki (ui , uj ))

k=1

akj ik ) = (

k=1

n
X

aki kj )

k=1

aij = a
ji
es decir:
0

T (aij ) = T (aij )
La matriz del operador adjunto es la matriz transpuesta conjugada (la matriz adjunta) del operador de partida (el simbolo significar
a indistintamente operador
adjunto o matriz transpuesta conjugada, dependiendo a quien este aplicado). N
otese
que este resultado es solo cierto cuando la base en la que est
an escritos los operadores
es ortonormal. As, la relaci
on es m
as complicada y hacer intervenir la matriz del
producto escalar. En estas bases que no son ortonormales, la matriz de T no es
T (aij ), lo que puede inducir a cierta confusi
on sino se presta atenci
on.
Recordando c
omo se calculaban las coordenadas de un vector en una base ortonormal,
podemos encontrar una expresi
on de los elementos de matriz de un operador en bases
de este tipo. En efecto,
(uj , Auj ) = (ui ,

n
X
k=1

akj , uk ) =

n
X

akj , (ui , uk ) =

k=1

n
X

akj ik = aij

k=1

es decir:
aij = (ui , Auj )

2.6.3

Operadores Normales y Autoadjuntos

Teniendo en cuenta las relaciones entre T y T , se puede definir clases especiales

de operadores. Sea ( X , h . i ) un espacio vectorial complejo con producto escalar, y
T un operador en X .
Definici
on 2.6. Se dice que el operador T es normal si conmuta con su adjunto:
T T = T T

26

Teora Espectral de Operadores en Espacios de Dimension Finita.

Definici
on 2.7. Se dice el operador T es autoadjunto si coincide con su adjunto.
T = T
Los operadores autoadjuntos verifican:
hx, T yi = hT x, yi

y en bases ortonormales viene representados por matrices autoadjuntas (o hermticas):

T = T
Es inmediato comprobar que los operadores autoadjuntos son normales. Existen operadores normales que no son autoadjuntos. Nuestro interes se centra en los operadores autoadjuntos. Sin embargo, es m
as conveniente, y no implica ning
un esfuerzo
adicional, estudiar los operadores normales y luego restringirnos al caso autoadjunto.
Proposici
on 2.2. Cualquier autovalor de un operador autoadjunto es real.
Demostraci
on. Supongamos que T es un operador autoadjunto de X . Sea un
autovalor de T y un vector x 6= 0 tal que T x = x. Entonces
kxk2 =
=
=
=
=

hx, xi
hT x, xi
hx, T xi
hx, xi
kxk2

Entonces = , As es real. Lo que queramos.

Proposici
on 2.3. Sea X un espacio vectorial complejo con producto interno y sea
T L(X). entonces T es autoadjunto si y s
olo si
para cualquier x X .

hT x, xi R

Demostraci
on. Sea x X . Entonces
hT x, xi hT x, xi = hT x, xi hx, T xi
= hT x, xi hT x, xi
= h(T T )x, xi.

Si hT x, xi R para cualquier x X , entonces el lado izquierdo de la ecuaci

on an
terior es igual a 0. As h(T T )x, xi = 0 para cualquier x X . Esto implica que
T T = 0, y as T es autoadjunto.
Recprocamente, si T es autoadjunto, entonces el lado izquierdo de la ecuaci
on es
igual a 0. As hT x, xi = hT x, xi = 0 para cualquier x X . Esto implica que
hT x, xi R para cualquier x X . Lo que queramos.

Teora Espectral de Operadores en Espacios de Dimension Finita.

27

Proposici
on 2.4. Un operador T L(X) es normal si s
olo si
kT xk = kT xk
para todo x X .
Demostraci
on. Sea T L(X).probaremos las dos direcciones al mismo tiempo.
Note que:
T es normal

T T T T = 0
h(T T T T )x, xi = 0 para todo x X
hT T x, xi = hT T x, xi para todo x X
kT xk2 = kT xk2 para todo x X

Esto termina la prueba.

Corolario 2.1. Supongamos que T L(X) es normal. Si x X es un autovector

de T con autovalor C, entonces x es tambien un autovector de T con autovalor
.
Demostraci
on. Supongamos que x X es un autovector de T con autovalores .
As (T I)x = 0. Como T es normal, se tiene que T I, como verificaremos.
Entonces
0 = k(T I)xk = k(T I) xk = k(T I)xk

y as x es un autovector de T con autovalor , como queramos.

2.6.4

Teorema Espectral para Operadores Normales.

Nuestro objetivo es probar que los operadores normales son diagonalizables, es decir,
existe una base del espacio formada por autovectores, y adem
as est
a base es ortonormal.
Teorema 2.5. Supongamos que X es un espacio vectorial complejo con producto
interno y T L(X). Entonces X tiene una base ortonormal formada por los autovectores de T si y s
olo si T es normal.
Demostraci
on. Primero supongamos que X tiene una base ortonormal formada
por los autovectores de T . Con respecto a est
as bases, T tiene una matriz diagonal.
La matriz de T (con respecto a la misma base) es obtenida tomando la conjugada
transponiendo la matriz de T ; as T tambien tiene una matriz diagonal. Cualesquiera dos matrices diagonales conmutan; as T conmutan con T , entonces T es
normal.

28

Teora Espectral de Operadores en Espacios de Dimension Finita.

Recprocamente, al ser T un operador normal, T conmuta con su adjunto, luego por

la proposici
on 2.4 y el corolario 2.1 T y T , tienen un autovalor com
un.
T x = 1 x

T x = x

Como
hT x, yi = hx, T yi
hT x, xi = hx, T xi = hx, xi = hx, xi
Pero
hT x, xi = h1 x, xi = 1 hx, xi
Es decir
kxk2 = 1 kxk2
Entonces
1 =
Sea T un operador normal y 1 un autovalor de T asociado a un autovector u1 de
norma 1. (vector unitario) de T y T .
u1 =

x
kxk

El subespacio U1 = hu1 i = {u1 : C} es invariante bajo T y T .

Afirmaci
on 1: En efecto
T (T u1 ) = T (1 u1 )
= (1 u1 )
= (1 )u1 U1

T (T u1 ) = T (1 u1 )
= (1 u1 )
= (1 )u1 U1
As
T (U1 ) U1

T (U1 ) U1

Como U1 es invariante bajo T y T , por lo tanto U1 es invariante bajo T y T .

Afirmaci
on 2: En efecto
Sea y U1 por definici
on de operador adjunto
hT x, yi = hx, T yi

Teora Espectral de Operadores en Espacios de Dimension Finita.

29

Si x U1 , al ser T invariante T x U1
hT x, yi = hx, T yi = 0
de donde T y U1 .
Entonces
T (U1 ) U1

T (U1 ) U1

Consideremos la restrinci
on T|U buscamos all un autovector com
un a T y T , el
cual existe por proposici
on 2.4 (Supongamos que la norma 1).
Tu 2 = 2 U2

Tu2 = 2 U2

Adem
as
hu1 , u2 i = 0
Se construye el subespacio U2 = hu2 i y se continua el proceso que debe acabar por
ser el espacio de dimensi
on finita.
De est
a forma se obtiene una base formada por autovectores de T que son ortonormales. N
otese que es tambien una base de autovectores de T .

2.6.5

Teorema Espectral para Operadores Autoadjuntos.

Puesto que un operador autoadjunto es normal, los teoremas anteriores se aplican a

este tipo de operadores.
Teorema 2.6. Teorema Espectral Si T L(X) es autoadjunto, entonces X tiene
una base ortonormal formada por los autovectores de T .
Demostraci
on. Supongamos que T L(X) es autoadjunto. probaremos que X
tiene una base ortonormal formada por los autovectores de T por inducci
on sobre
la dimensi
on de X . Iniciamos, notando que el resultado es cierto en el caso de que
dim X = 1. Ahora asumamos que dim X > 1 y veamos que el resultado es cierto
para espacios vectoriales de menor dimensi
on.
Sea cualquier autovalor de T y sea u X denota el correspondiente autovector con
kuk = 1. Sea U un subespacio unidimensional de X formado por todos los multiplos
de u. Notemos que un vector u X es un U si y s
olo si hu, vi = 0.
Supongamos x U . Como T es autoadjunto, se tiene
hu, T xi = hT u, xi = hu, xi = hu, xi = 0

30

Teora Espectral de Operadores en Espacios de Dimension Finita.

y as T x U como T x U siempre que x U en otras palabras U es invariante bajo T . As podemos definir un operador S L(U ) por S = T|U .
Supongamos x U . Entonces
hu, T xi = hT u, xi = hu, xi = hu, xi = 0,

y as T x U . Entonces T x U siempre que x U . Por otro lado, U es

invariante bajo T . Entonces

hSx, wi = hT x, wi = hx, T wi = hx, Swi.

esto muestra que S es autoadjunto. As, por nuestra hip
otesis inductiva, existe una

base ortonormal de U formada por los autovectores de S. Claramente cualquier

autovector de S es un autovector de T . As adjuntando u a una base ortonormal de
U formada por los autovectores de S dada una base ortonormal de X formada por
los autovectores de T como queramos.

2.7

Proyectores Ortogonales

Sea X un espacio vectorial complejo de dimensi

on finita con producto escalar. Sea
A un operador normal en X , con espectro
(T ) = {1 , . . . , r }, i 6= j , i 6= j, i, j = 1, . . . , r r n
Los subespacios invariantes:
Xi = ker(T i I), i = 1, . . . , r
Son ortogonales entre si:
Xi Xj , i 6= j
como consecuencia del teorema espectral, pues corresponden a autovalores distintos.
Adem
as su suma es el espacio total
X = X1 , . . . , Xr
De esta forma podemos definir los proyectores sobre cada uno de los subespacios
invariantes, generalizando los proyectores ortogonales que estudiamos en la descomposici
on de X en suma de un subespacio y su ortogonal
x X , x = x 1 + . . . + xr
Pi : X
x xi

Teora Espectral de Operadores en Espacios de Dimension Finita.

31

La familia de proyectores Pi verifica una serie de propiedades que se conocen como

el teorema de descomposici
on espectral.
Teorema 2.7. Los proyectores ortogonales P1 , . . . , Pr ,asociados a un operador normal T en un espacio vectorial complejo X de dimensi
on finita con producto escalar,
verifican las siguientes propiedades:
1.- Pi = Pi .
2.- Pi Pj = ij Pi .
3.- P1 + . . . + Pr = I.
4.- 1 P1 , . . . , r Pr = T .
Demostraci
on. Los proyectores ortogonales son idempotentes y autoadjuntos
Pi2 x = Pi xi = xi
hx, Pi yi = hx, yi i = hxi , yi i = hxi , yi = hPi x, yi
Adem
as
Pi Pj (x) = Pi xj = 0

i 6= j

En cuanto a su suma
(P1 + . . . + Pr )x = P1 x + . . . + Pr x = x1 + . . . + xr = x,

x X

luego es la identidad en X . Finalmente

(1 P1 + . . . + r Pr )x = 1 P1 x + . . . + r Pr x
= 1 x1 + . . . + r xr
= T x1 + . . . + T x r
= T (x1 + . . . + xr )
= Tx

La expresi
on
T = 1 P1 x + . . . + r Pr
Se conoce como la descomposici
on espectral del operador T .
La descomposici
on espectral de un operador permite caracterizarlo de la forma siguiente.

32

Teora Espectral de Operadores en Espacios de Dimension Finita.

Proposici
on 2.5. Sea X un espacio vectorial complejo de dimensi
on finita dotado
de un producto escalar y T un operador en X .Supongamos que existe una familia de
proyectores ortogonales (idempotentes y autoadjuntos) {P1 , . . . , Pr } y un conjunto
de escalares (distintos), {1 . . . , r } que verifican:
1.- Pi Pj = 0, i 6= j.
2.- P1 + . . . + Pr = I.
3.- 1 P1 , . . . , r Pr = T .
entonces T es normal.
Demostraci
on.
TT = (

r
X

i Pi )(

i=1

r
X

j Pj )

j=1

j j Pi Pj

j=1
r
X

r
X

i j ij Pi

i,j=1
r
X

i=1

|i |2 Pi

= T T

Los escalares i son los autovalores de T , y los autovectores son de la forma Pi x

con x X . En efecto
T Pi (x) =

r
X

j P j P i x =

r
X

j ij Pi x = i Pi x

j=1

j=1

Veamos que no hay otros autovalores. Sea C tal que existe x X distinto de
cero y
T x = x

Tx =

r
X
i=1

i P i x =

r
X

Pi (x)

i=1

es decir
r
X
i=1

Aplicando Pk

(i )Pi x = 0

Teora Espectral de Operadores en Espacios de Dimension Finita.

r
X
i=1

(i )Pk Pi x =

r
X
i=1

33

(i )ij Pi x = (k )Pk x = 0

Por lo tanto Pk x = 0 o bien = k . En el segundo caso, es uno de los escalares

que tenamos. En el primero, si la relaci
on es cierta para todo k = 1, . . . , r, entonces
x = 0.

Los operadores autoadjuntos se caracterizan de forma similar.

Proposici
on 2.6. En la condiciones de la proposici
on anterior, si los escalares
{1 , . . . , r } son reales, T es autoadjunto.
Demostraci
on. De acuerdo con la proposici
on 2.5, T es normal. Al tener todos
sus autovalores reales es autoadjunto.

2.8

Operadores en Espacios de Hilbert Reales

Las mismas preguntas que se suscitaron en relaci

on con los espacios complejos dotados de un producto escalar ser
an estudiadas aqu. Como veremos,las dificultades
principales provienen del hecho que no todo operador en un espacio real posee autovalores (se entiende reales).La extensi
on del cuerpo base a los n
umeros complejos,
permitira aligerar est
a secci
on. Sin embargo nos mantendremos en el campo real
en todo lo posible.

2.8.1

El Operador Transpuesto

En analoga con el operador adjunto, definiremos aqu el operador transpuesto. Es

este un nombre ya usado en relaci
on con el espacio con el espacio dual. de hecho,
utilizando el teorema de Fischer, ambos conceptos coinciden. Sin embargo, para
evitar problemas de interpretaci
on el operador transpuesto se entender
a en la forma
que sigue:
Definici
on 2.8. Sea X un espacio vectorial real con producto escalar, y T un operador en X . Se define el operador transpuesto de A, At como el u
nico operador que
verifica:
hx, T yi = hT t x, yi
Para demostrar la existencia y unicidad de este operador, basta aplicar el teorema
de Fischer, tal y como hizo en el caso complejo para el operador adjunto.
Las propiedades del operador transpuesto son similares a las del adjunto:
1.- (T t )t .
2.- (T + S)t = T t + S t .

34

Teora Espectral de Operadores en Espacios de Dimension Finita.

3.- (T )t = S t .
4.- (T S)t = S t T t .

2.8.2

Representaci
on Matricial del Operador Transpuesto

Queremos obtener la representaci

on matricial del operador transpuesto T t dada la
del operador T . Sea X un espacio vectorial real de dimensi
on finita dotado de un
producto escalar y B = {u1 , . . . , un } una base ortonormal de X . Sea A la matriz de
A en la base B, es decir, A = (aij )
Aui =

n
X

aji uj , i = 1, . . . , n

i=1

De lo estudiado para la expresi

on de los elementos de matriz del operador A se tiene:
aij = (uj , Aui )
y si A0 es la matriz del operador transpuesto
aji = (ui , At uj )
como
(ui , Auj ) = (At ui , uj ) = (uj , At ui )
se concluye
aij = aji
es decir
A0 = A t
La matriz del operador transpuesto es la matriz transpuesta del operador de partida
cuando la base es ortonormal. El smbolo t denotar
a el operador transpuesto.

2.8.3

Operadores Normales, Autoadjuntos y Ortogonales

Definici
on 2.9. Se dice que el operador T es normal si conmuta con su transpuesto.
T T t = T tT
Definici
on 2.10. Se dice que el operador T es Autoadjunto si coincide con su
transpuesta.
Tt = T

Teora Espectral de Operadores en Espacios de Dimension Finita.

35

Definici
on 2.11. Se dice que el operador T es Ortogonalsi:
T T t = T tT = I
Los operadores ortogonales verifican:
hT x, T yi = hx, yi
En bases ortonormales, sus matrices son ortogonales, es decir
T T t = T t T = In
Es inmediato comprobar que los operadores Autoadjuntos y Ortogonales son normales. Sin embargo en el caso real no estudiaremos los operadores normales. La
raz
on es que los operadores Autoadjunto tienen todos sus autovalores reales y su
estudio es muy similar al caso complejo. Pero los Ortogonales no los tienen reales
en general (con m
as precisi
on no tienen autovalores en general), y por lo tanto requerir
an un estudio especial.

2.8.4

Teorema Espectral de Operadores Autoadjuntos

El principal problema que surge en relaci

on con el caso complejo es probrar que los
autovalores de un operador Autoadjunto son reales.
Proposici
on 2.7. Sea X un espacio vectorial real de dimensi
on finita con producto
escalar. Sea T un operador normal en X . Si x X es un autovector de T con
autovalor , entonces x es autovector de T t con el mismo autovalor.
Demostraci
on.
k(At 1X )xk2 =
=
=
=

h(T t I), (T t I)xi

h(T I)(T t Ix, x)i
h(T t I)(T Ix, x)i
0

y por lo tanto
(T t I)x = 0

Al igual que en el caso complejo, si un subespacio es invariante bajo un operador T ,

su complemento ortogonal lo es bajo el operador transpuesto.
El Teorema Espectral para Operadores Autoadjunto se puede enunciar como sigue:

36

Teora Espectral de Operadores en Espacios de Dimension Finita.

Teorema 2.8. Sea X un espacio vectorial real de dimensi

on finita con un producto
escalar. Sea T un operador en X , tal que existe una base ortonormal de X formada
por autovectores de T . Entonces T es autoadjunto.
Demostraci
on. Sea u1 , . . . , un la base ortonormal. Entonces
T uk = k uk
Ahora bien
T tu

n
X

(ui , T t uk )ui

i=1

=
=
=

n
X

i=1
n
X

i=1
n
X

(T ui , uk )ui
i (ui , uk )ui
i ij ui

i=1

= k uk
y por lo tanto
Tt = T

Las matrices que intercambia las bases ortonormales son ortogonales. Se tiene el
resultado siguiente para matrices:
Teorema 2.9. Toda matriz autoadjunta (real) es diagonalizable por una transformaci
on ortogonal.
Demostraci
on. Una matriz autoadjunta se puede considerar como la matriz de un
operador autoadjunto en una base ortonormal. Pasando a la base ortonormal de
autovectores la matriz que representa al operador es ahora diagonal y la matriz de
cambio de base es ortogonal.
P tT P
es diagonal.

2.8.5

Descomposici
on Espectral de Operadores Autoadjunto

Al igual que los operadores normales, los operadores autoadjunto admiten una descomposici
on espectral. Sea T un operador autoadjunto en un espacio vectorial real
de dimensi
on finita dotado de un producto escalar.

Teora Espectral de Operadores en Espacios de Dimension Finita.

37

Consideremos (T ) = {1 , . . . , r } el espectro de T . Sean Xi = ker(T i I) los

subespacios invariantes. Entonces
X = X1 , . . . , Xr
y los subespacios son ortogonales entre s, al corresponder a autovalores distintos.
Existe entonces una familia de proyectores ortogonales (autoadjunto e idempotentes)
que adem
as verifican:
1.- Pi Pj = 0, i 6= j.
2.- P1 + . . . + Pr = 1X .
3.- 1 P1 + . . . + r Pr = T .

38

Teora Espectral de Operadores en Espacios de Dimension Finita.

Captulo 3

Teora Espectral de Operadores

Normales
3.1

Introducci
on

El estudio de la Teora Espectral de Operadores en el caso de espacios dimensi

on
finita ofrecer
a a traves de la noci
on de proyecciones, una nueva versi
on del Teorema
Espectral para Operadores Autoadjuntos y Normales, el cual motivar
a el caso de
dimensi
on infinita. Veremos que por medio de la siguiente expresi
on, se puede generalizar el caso de dimensi
on infinita.

T = 1 P1 + . . . + r Pr =

r
X

i P i

(3.1)

i=1

Para llegar a cabo esta generalizaci

on, estudiaremos el caso analtico; por este motivo
simplemente consideraremos un operador T autoadjunto y escribiremos la relaci
on
anterior de la forma

T =

r
X

i P i

(3.2)

i=1

Nuestra raz
on para tomar esta suposici
on es que los autovalores de T son n
umeros
reales y por consiguiente son ordenados de manera natural. Adem
as asumiremos la
notaci
on usada en 3.2 de modo que 1 < 2 < . . . , r y usando las Pi 0 s definamos
las nuevas proyecciones
E 0
E 1
E 2
...
E r

:=
:=
:=
...
:=

0;
P1 ;
P1 + P2 ;
..................
P1 + P2 + . . . + P r ;

Los E 0 s hacen posible reescribir 3.2 de la siguiente manera:

39

40

Teora Espectral de Operadores Normales

= 1 P1 + 2 P2 + . . . + r Pr
= 1 (E1 E0 ) + 2 (E2 E1 ) + . . . + r (Er Er1 )
r
X
i (Ei Ei1 )
=
i=1

Si denotamos (Ei Ei1 ) por Ei1 , entonces podemos reducir esto a

r
X

T =

i Ei

i=1

Esto sugiere la representaci

on integral

T =

dE

(3.3)

De esta forma, la resoluci

on espectral sigue siendo v
alida para operadores autoadjuntos en espacios de Hilbert en dimensi
on infinita. Un resultado similar se tiene
para operadores normales

N=

dE

(3.4)

Hay dificultades que pueden ser superados para alcanzar el nivel de 3.3 y 3.4, ya
hemos resuelto unas de ellas, a saber, el hecho de que un operador T en un espacio
de Hilbert arbitrario H 6= {0} no necesariamente tiene alg
un autovalor.
En el caso general, el espectro de T esta definido
(T ) = { : (T I) no es invertible}
donde H es un espacio de dimensi
on finita, tenemos que ver que (T ) esta completamente formada por autovalores, esto no es cierto en general, lo que es verdadero,
es que (T ) es siempre no vaco, cerrado y acotado y de este modo es un subconjunto
compacto del plano complejo.

3.2

Transformaciones Espectrales

Es interesante observar que sucede con el espectro de un operador cuando se sujeta

a varias transformaciones elementales. Si, por un instante, T y S son operadores,
y si S es invertible, es f
acil ver que (T ) = (S 1 T S). (En vista de la identidad
S 1 (T )S = S 1 T S , la invertibilidad del termino del lado derecho es equivalente a la invertibilidad de (T ). Examinaremos el comportamiento del espectro
con respecto a la formaci
on del polinomio, inversas, y adjuntos.

Teora Espectral de Operadores Normales

41

Teorema 3.1. Si T es un operador y p es un polinomio, entonces

(p(T )) = p((T )) = {p() : (T )}

Demostraci
on. Para cualquier n
umero complejo 0 existe un polinomio q tal que
p() p(0 ) = ( 0 )q() identicamente en . De esto se sigue que p(T ) p(0 ) =
(T 0 )q(T ); y afirmamos que si 0 (T ), entonces S = (T 0 )q(T ) no es
invertible. (Si tenemos
(T 0 )q(T )S 1 =
=
=
=

1
S 1 S
S 1 (T 0 )q(T )
S 1 q(T )(T 0 )

es decir; T 0 tambien es invertible). Esto dice que p(T ) p(0 ) no es invertible,

y tenemos probado que p(0 ) (p(T )) y por lo tanto p((T )) (p(T )).
Supongamos por otro lado que 0 (p(T )), y sea 1 , . . . , n , (no necesariamente
distintas) races de la ecuaci
on p() = 0 .
As p(T ) 0 = (T 1 ) . . . (T n ) para un conveniente n
umero complejo
distinto de cero, y por lo tanto T j debe ser no invertible para por lo menos un
valor de j, 1 j n. Para el valor de j tenemos j (T ) y p(j ) = 0 de modo
que 0 p((T )) y por lo tanto (p(T )) p((T )).

Teorema 3.2. Si un operador T es invertible, entonces (T 1 ) = ((T ))1 =

{1 : (T )}.
Demostraci
on. Observemos que decir que T es invertible es lo mismo que decir que
0 no esta en (T ), el smbolo ((T ))1 toma sentido. La identidad T 1 1 =
(T )1 T 1 muestra que si (T ) tal que T es invertible, entonces T 1 1
es invertible, de modo que 1 (T ). En otras palabras (T 1 ) ((T ))1
y nuestro teorema esta casi probado. El inverso de la desigualdad se sigue aplicando,
lo que ya tenemos probado para T 1 en lugar de T .

Teorema 3.3. Si T es un operador, entonces (T ) = ((T )) = { : (T )}

Demostraci
on. Si (T ), de modo que T es invertible, entonces T es
invertible, y por lo tanto (T ). Esto prueba que (T ) ((T )) , la prueba
puede ser completada justo como en el teorema anterior, obteniendo la desigualdad
inversa es suficiente aplicar la desigualdad ya probada para T en lugar T .

3.3

Espectro de un Operador Autoadjunto

Definici
on 3.1. Decimos que un n
umero complejo es un valor propio aproximado
de un operador T si para cualquier n
umero positivo existe un vector unitario x tal

42

Teora Espectral de Operadores Normales

que kT x xk < kxk. El espectro aproximado de un operador T , es el conjunto

de los valores propios aproximados y lo denotaremos por (T ).
Teorema 3.4. Si T es un operador norma, entonces (T ) (T ).
Demostraci
on. Si (T ), entonces T es invertible y en consecuencia tenemos
kxk = k(T )1 (T )xk k(T )1 k.kT x xk
para cualquier vector x. Esto implica que kT xxk kxk, con = 1/k(T ) 1 k,
para todo vector x, y as tenemos que (T ).

Teorema 3.5. Si T es un operador normal, entonces (T ) = (T ).

Demostraci
on. En vista del teorema 3.4 es suficiente probar que (T ) (T ).
Si (T ) entonces existe un n
umero real positivo tal que kT y yk kyk
para todo vector y. Puesto que T es normal entonces T es normal y por lo
tanto (T ) = T , y por 2.4 se tiene que kT y yk kyk para todo
y. Para probar que (T ), es decir; que T es invertible, es suficiente probar
que el rango T es denso o equivalentemente, el complemento ortogonal del rango
es D. Sin embargo, si un vector y es ortogonal al rango de T , entonces 0 =
h(T )x, yi = hx, (T )yi para todo x, as T y ey = 0. Por lo tanto
kT y yk = kyk, de esto se sigue que y = 0 y la prueba es completada.

Teorema 3.6. Si T es un operador autoadjunto, entonces (T ) es un subconjunto

del eje real.
Demostraci
on. Si no es real, entonces, para cualquier vector distinto de cero x,
kxk2 = |(hT )x, xi h(T )x, xi|
0 < | |.
= |(hT )x, xi hx, (T )xi|
2kT x xk. kxk;
Si (T ) = (T ), entonces debe existir una sucesi
on {xn } tal que kxn k = 1 n,
para la cual
k(T )xn k 0

> 0, siendo la parte

Puesto que 2k(T )xn k debe ser mayor o igual a | |
imaginaria de es distinta de cero tendramos una contradicci
on. Concluimos que

(T ), implica necesariamente = .

Teora Espectral de Operadores Normales

43

Nuestro pr
oximo resultado es uno de las herramientas m
as poderosas en el estudio
de los operadores autoadjuntos; afirma que la norma de tal operador, puede ser
calculada a partir de su espectro.
Teorema 3.7. Si T
sup{|| : (T )}.

es

un

operador

autoadjunto, entonces kT k = =

Demostraci
on. El hecho de que kT k, no depende en el car
acter de T , esto se
sigue de 3.6. probaremos que la igualdad prevalece mostrando que kT k2 (T 2 );
en vista de 3.6 entonces podremos concluir que el +
kT k (T ). La prueba de la
relaci
on est
a basado en la identidad.
kT 2 x 2 xk2 = kT 2 xk2 2k2 k + kT xk2 + 4 kxk2
v
alido para todo n
umero real y para todo vector x. Si {xn } es una sucesi
on de
vectores unitarios tales que kT xn k kT k, y si = kT k, entonces se sigue de la
identidad que
kT 2 xn 2 xn k (kT k.kT xn k)2 22 kT xn k2 + 4
= 4 2 kT xn k2 0
y por lo tanto tenemos de hecho que kT k (T 2 )

Un resultado u
til que podemos concluir del teorema 3.7 es que el espectro de un
operador autoadjunto no es vaco. Esto no es una conclusi
on trivial. Obtendremos
el correspondiente hecho para operadores normales solamente despues del uso de un
an
alisis mucho m
as profundo. Diremos que el espectro de un operador arbitrario
tambien es no vaco; puesto que no tendremos ninguna ocasi
on para hacer uso este
hecho, no entraremos en su prueba.
Teorema 3.8. Si T es un operador autoadjunto y p es un polinomio real, entonces
kp(T )k = sup{|f ()| : (T )}.
Demostraci
on. Aplicamos primero el 3.7 (para p(T ) en lugar de T ) y por 3.1,
obtenemos
kp(T )k = sup{|| : (p(T ))}
= sup{|| : p((T ))}
= sup{|f ()| : (T )}

3.4
3.4.1

Medidas Num
ericas
Definici
on

Definici
on 3.2. Sea X un espacio topol
ogico de Hausdorff localmente compacto.
Sea B(X) la -
algebra de Borel generada por los conjuntos abiertos de X. Una

44

Teora Espectral de Operadores Normales

medida positiva sobre X es una funci

on , definida sobre B(X) a los valores en R +
que posee la propiedad de -aditividad, esto es: si {Ai } es una colecci
on disjunta de
elementos de B(X), entonces:
(

Ai ) =

i=1

(Ai ),

i=1

tambien pediremos que (K) sea finita para todo conjunto compacto K de X.
Una medida compleja sobre X es una funci
on a valores complejos definida sobre
B(X) -aditiva
y
finita
sobre
compactos.
Asociada
cada medida , definida por
P
||(E) = sup |(Ei )|, donde el supremo est
a tomado sobre todas las colecciones
disjuntas finitas de conjuntos de Borel Ei cuya uni
on es E.
Una medida sobre X se dice regular si verifica:
i) ||(E) = sup{||(K) : K compacto, K E}
ii) ||(E) = inf {||(V ) : V abierto, E V }
En nuestro trabajo solo consideramos medidas regulares y -finitas, es decir:
existe una partici
on de X. {Ei }
i=1 B(X) tal que (Ei ) < para todo i N. Si
es la medida sobre X y A B(X), la restricci
on de a A es la medida definida
por:
A (E) = (A E)
Si = A , entonces se dice est
a concentrada en A. Si 1 y 2 son dos
medidas sobre X concentradas en conjunto disjuntos entonces se dice que 1 y 2
son mutuamente singulares. En este caso
k1 + 2 k = k1 k + k2 k
Sea una medida sobre X, m una medida positiva sobre X si (E) = 0 cada vez
que m(E) = 0 entonces diremos que es absolutamente continua respecto a m y lo
denotaremos m o < m.

3.5
3.5.1

Medidas Espectrales
Medida Positiva

Definici
on 3.3. Sea H un espacio de Hilbert. Una medida positiva sobre R a valores
en L(H), es una funci
on M que asigna a cada conjunto de Borel R
un operador M () L(H) y que tiene las siguientes propiedades:
(a) M () 0 para todo B(R).
(b) M ( 0 ) = M () + M (0 ), para todo , 0 B(R) : 0 =

Teora Espectral de Operadores Normales

45

(c) M (R) = I, M () = 0, donde I denota el operador identidad sobre H y 0 la

transformaci
on nula.
(d) Si {n } es una colecci
on creciente de elementos de B(R) entonces, para todo
x H se tiene: M (lim n )x = lim M (n )x.
Observaci
on 3.1. La condici
on (d) de la definici
on anterior, equivale que para todo x H, y H, la funci
on xy () = hM ()x, yi es una medida compleja de Borel.
En lo sucesivo usaremos esta notaci
on

xy () = hM ()x, yi
y escribiremos x en vez de xx . De la definici
on 3.3 se desprende que para todo
x H la medida x es una medida de borel.
Proposici
on 3.1. Sea M una medida a valores en L(H); entonces son equivalentes:
(a) M () = P () es un proyector ortogonal para todo B(R).
(b) M ( 0 ) = M ()M (0 ) para todo B(R), 0 B(R).
Demostraci
on. (a) (b)
i) Supongamos que 0 = entonces M () + M (0 ) = [M () + M (0 )]2 =
M ()2 + 2M ()M (0 ) + M (0 )2 , de donde resulta: 0 = M ( 0 ) =
M ()M (0 ).
ii) Si 0 entonces: M ( 0 ) = M (0 ) M () luego M ()M (0 ) =
M ()[M (0 ) + M ()] = M ()M (0 ) + M ()2 = 0 + M () =
M ( 0 )
iii) Si y 0 son elementos cualesquiera de B(R) entonces: M ()M (0 ) =
M ()[M (0 )+0 ] = M ()[M (0 )+M (0 )] = M ()M (0
) + M ()M ( 0 ) = 0 + M ( 0 ) (por i) y ii)). Luego hemos probado
que si M ()M (0 ) = M ( 0 ).
(b) (a) si = 0 , entonces: M ( ) = M ()M (), es decir
M () = M ()2 .
La conclusi
on deseada se obtiene de 3.3 (a) y del teorema 1.9.

Definici
on 3.4. Una medida positiva P () a valores en L(H) se dice espectral (u
ortogonal) si cumple:
(e) P ()2 = P () para todo B(R).

46

3.6

Teora Espectral de Operadores Normales

Otras propiedades de las Medidas Espectrales

Las siguientes propiedades son consecuencia del hecho de que para todo x, y H,
x es una medida de Borel.
(f ) Si 1 2 entonces P (1 ) P (2 )
(g) Si 1 2 . . . n . . . , y si
(n ) para todo x H.
(h) Si =

n=1

n=1

n = entonces P (n )x 0

n , con n m = para n 6= m, entonces P ()x =

para todo x H.

3.7

P (n )x

n=1

Integraci
on de Funciones Acotadas

Proposici
on 3.2. Se P () una medida espectral definida en R a valores en L(H).
A toda funci
on f : R C, medible Borel y acotada se puede hacer corresponder un
operador (f ) L(H), de manera que se cumple:
i) P () = (1 ) para todo B(R). Si f, g son funciones medibles y acotadas,
entonces
Z
ii) Para todo x, y H h(f )x, yi =
f () dxy .
R

iii) f 0 implica (f ) 0.
iv) k(f )k = kf k .
v) (f + g) = (f ) + (g).
vi) (f.g) = (f ).(g).
vii) (f ) = (f ).
Z
2
|f ()|2 dx
viii k(f )xk =
R

ix) Para todo B(R) hP ()(f )x, yi =

f () dxy

n
X
Demostraci
on. Sea B1 el conjunto de todas las funciones de la forma s =
i 1 i
i=1

donde los i son conjuntos de Borel disjuntos dos a dos y los i son n
umeros
n
X
complejos. Para s =
j 1i B1 definimos:
i=1

Teora Espectral de Operadores Normales

(s) =

47

n
X
s dP =
i P (i ), de manera que para todo x, y H:
i=1

h(s)x, yi = (

n
X

i xy (i )

i=1

def
=

s(t) dxy (t)

La igualdad anterior asegura que el operador (s) est

a bien definido y a partir de
ella se prueban f
acilmente propiedades i) ix) de (s) para s B1
Si f es una funci
on medible acotada, entonces existe una subsucesi
on de
funciones {sn } B1 que converge uniformemente a f .
Como kSn Sm k < para m, n suficiente grandes, entonces por iv) y v)
k(sn ) (sm )k < , luego existe lim (sn ) L(H).
n

Definimos (f ) = lim (sn )

n

Para f medible y acotada, las propiedades i) ix) se obtienen inmediatamente por

el paso al lmite. En particular las propiedades vi) y vii) dicen que si f es compleja
(f ) es normal, y si f es real (f ) es autoadjunto.

3.8

Teorema Espectral para Operadores Autoadjuntos

Teorema 3.9. Teorema Espectral para operadores Adjuntos Acotados Sea

H un espacio de Hilbert, A : H H un operador autoadjunto acotado. Entonces
existe una u
nica medida espectral E() definida en los bolerianos R tal que
E() est
a concentrada en el intervalo [kAk, kAk ] y tal que:
Z
Z
dE.
1. A = dE() =
R

2. q(A) =

||kAk

q() dE() para todo polinomio q(A).

3. Para todo B([kAk, kAk]), E() conmuta con cualquier operador

S L(H) que conmute con A.
Demostraci
on. Fijemos u, v H y para todo polinomio q() pongamos
Luv (q) = L(q) = hq(A)u, vi.
Luego tenemos que:

|L(q)| kq(A)k.kuk.kvk kqk kuk.kvk

(3.5)

48

Teora Espectral de Operadores Normales

lo cual significa que Luv es un funcional lineal acotado en el subespacio denso de

[kAk, kAk ] formado por los polinomios. Por el Teorema de Riesz existe una u
nica
medida uv de Borel, regular y finita en [kAk, kAk ] tal que:

hq(A)u, vi = L(q) =

kAk
kAk

q() duv

(3.6)

con

kuv k = kLk

(3.7)

Veamos que la igualdad 3.6 muestra que para todo , uv () es lineal en u y

antilineal en v

q() d hu1 + u2 , vi = hq(A)(u1 + u2 ), vi

= hq(A)u1 , vi + hq(A)u2 , vi
=

q() d hu1 , vi +

q() d hu2 , vi

Y por 3.5 y 3.7 la forma B(u, v) = uv (), B([kAk, kAk ]) es una

forma sesquilineal acotada con kBk 1. Luego para cada existe un operador
E 0 () : H H, acotado tal que:
hE 0 )u, vi = uv () para todo u, v H con kE 0 ()k 1
Por otra parte, si q 0 entonces q(A) 0 y

q duu = hq(A)u, ui 0 de mo-

do que por el mismo Teorema de Riesz es uu () 0 y en consecuencia

hE 0 ()u, ui = uu () 0 para todo B(R), resulta que E() es una medida positiva definida en R a valores en L(H).
Veamos
que E() es una medida
espectral: Si p, q son dos polinomios, entonces
Z
Z
pq duv = hp(A)q(A)u, vi = p dhq(A)u,vi ; luego las medidas qduv y dhq(A)u,vi
coinciden y por lo tanto:

Teora Espectral de Operadores Normales

Z

49
Z

q 10 duv =
=
=

q duv

dq(A)u,v

q(A)u,v () 0

= hE(0 )q(A)u, vi
= hq(A)u, E(0 )vi
=
As pues

q1 duv =
0

q du,E(0 )v

q du,E(0 )v para todo q, luego du,E(0 )v = 10 du,v por

lo tanto u,E()v = uv ( 0 ) o sea:

hE()u, E(0 )vi = hE()E(0 )u, vi
=
uv ( 0 )
= hE( 0 )u, vi

para todo u, v H; , 0 B(R). Luego E() es una medida espectral.

Las propiedades 1. 2. y 3. son consecuencia inmediata de la definici
on de E().

3.9

Teorema Espectral para Operadores Normales

Teorema 3.10. Teorema Espectral para Operadores Normales de L(H) Sea

N un operador normal en el espacio de Hilbert H. Existe una medida espectral P ()
definida en el plano complejo de modo que:
1. N =

z dP ()
(N )

2. P () conmuta con todo operador S que conmute con N y P () = 0

para todo disjunto de (N )
Demostraci
on. Sean A y B la parte real e imaginaria de N respectivamente, de
modo que A y B son operadores autoadjuntos acotados que conmutan. Sea PA ()
la medida espectral de A y PB () la medida espectral de B.
Como A y B conmutan, se tiene que para todo 0 , 00 B(R) PA (0 )PB (00 ) =
PA (00 )PA (0 ). Para 0 00 B(R)B(R) definimos P 0 (0 00 ) = PA (0 )PB (00 )
Se comprueba facilmente a partir de las propiedades de PA y PB que la funci
on
0
P : B(R) B(R) L(H) verifica las siguientes propiedades:

50

Teora Espectral de Operadores Normales

1. P 0 (0 00 ) es una proyecci
on autoadjunta para todo 0 00 B(R) B(R).
2. P 0 (R2 ) = I y P 0 () = 0.
3. Si 0 00 , 01 001 , 02 002 son elementos de B(R) B(R) tal que
0 00 = (01 001 ) (02 002 ) y si (01 001 ) (02 002 ) = entonces
P 0 (0 00 ) = P 0 (01 001 ) + P 0 (02 002 ).
4. Si {0i 00i } es una colecci
on disjunta de rect
angulos cuya uni
on es un

[
rect
angulo 0 00 entonces P 0 ( 0i 00i ) u = P 0 (0 00 )u para todo
i=1

u H.

Por el procedimiento habitual de extensi

on de medidas, se extiende P 0 () a una
2
medida
P () definida
en R
= CZ que es tambien una medida espectral, y verifiZ
Z
ca

z dP (z) =

Im(z) dPB = N . La parte 2. del teorema es

Re (z) dPA + i

consecuencia de las propiedades de PA y PB .

Captulo 4

Aplicaciones
4.1

Introducci
on

En este captulo daremos dos de las m

as conocidas aplicaciones del Teorema Espectral para Operadores Autoadjuntos. A manera de ilustrar las ventajas de las
representaciones integrales espectrales.
Si T es autoadjunto, entonces T 2 es positivo puesto que hT 2 x, xi = hT x, T xi 0.
Adem
as consideraremos el recproco: Dado un operador positivo T , hallaremos un
operador autoadjunto A tal que A2 = T .

4.2

Raz Cuadrada Positiva

Teorema 4.1. Existencia de la Raz Cuadrada de un Operador Positivo Sea H un espacio de Hilbert, y sea T un operador positivo en L(H), es decir,
hT x, xi 0 para todo x H. Entonces
a) Existe un operador R en L(H) tal que T = R R.
b) Existe la raz cuadrada de T .
Demostraci
on. Sabemos que necesariamente un operador positivo T es un operador
autoadjunto. Entonces
T =

dp()

Mostremos que p(, 0) = 0. Es decir, el espectro de T esta contenido en el

conjunto de los n
umeros reales no negativos. De lo contrario, debe existir un > 0
tal que p(, ] 6= 0. Si x es un vector distinto de cero, en el rango de p(, ],
entonces:
51

52

Aplicaciones

hT x, xi = hT p(, ]x, xi
=

dx ()

kxk2
< 0
Pero esto implica que T no es un operador positivo. Por lo tanto, p esta en [0, ).
Claramente se tiene que T = S 2 , donde
Z
dp()
Tomando R = S probamos (a).
Puesto que S es la integral de una funci.
on no negativa con respecto a la medida
de proyecci
on , se tiene que S es un operador positivo, por lo tanto, S es una raiz
cuadrada positiva de T .
Ahora, si S 0 es cualquier raz cuadrada positiva de T , entonces S 0 ciertamente conmuta con T = S 2 . As, S 0 conmuta con S.

Definici
on 4.1. Sea M un subespacio de un espacio de Hilbert H. Una isometra
parcial de M en H es un operador V L(H) el cual es una isometra sobre M y es
0 en el complemento ortogonal, M , de M .

4.3

Teorema de Descomposici
on Polar

Teorema 4.2. (Teorema de Descomposici

on Polar) Sea H un espacio de Hilbert,
y sea T un elemento de L(H). Entonces existen operadores P y V , u
nicos, que
satisfacen:
a) P es un operador positivo, y V es una isometra parcial de el rango de P en
H.
b) T = V P y P = V T .
M
as aun, si T es invertible, entonces P es invertible y V es un operador unitario.

Demostraci
on. Sea P = T T . Entonces P es positivo. Veamos que kP (x)k =
kT (x)k para todo x, por y por consiguiente, si P (x) = 0 entonces T (x) = 0. En
efecto

Aplicaciones

53

hP (x), P (x)i = hP 2 (x), xi

= hT T (x), xi
= hT (x), T (x)i
Por lo tanto, la aplicaci
on V , que enva P (x) a T (x), es una isometra del rango
de P , que llamaremos M , sobre el rango de T . Definiendo V como la u
nica extensi
on isometrca de M sobre M y como 0 en el complemento ortogonal, M de M ,
tenemos que V es una isometra parcial de M en H. Adem
as, T (x) = V (P (x)),

y T = V P , como queramos y V V es una proyecci

on en el rango de M de P , de
modo que V T = V V P = P
Si Q es un operador positivo y W es una isometra parcial del rango de Q en H para
la cual T = W Q y Q = W T , entonces W W es una proyecci
on sobre el rango de
Q. As,
T T = QW W Q = Q2
En consecuencia Q = P ya que que la raz cuadrada positiva es u
nica. Pero entonces
V = W ambos son isometras parciales del rango de P en H y ellos coinciden en
el rango de P . Por lo tanto, la afirmaci
on de unicidad en el enunciado del teorema
queda probado.
Finalmente, si T es invertible, P es invertible, y la isometra parcial V = T P 1 es
invertible.

Definici
on 4.2. El operador P = T T del teorema anterior es llamado el valor
absoluto de T y es denotado por |T |.

54

Bibliografa

Bibliografa
[1] Alfors L.V., Complex Analysis, International Series in Pure and Applied
Mathematics, McGraw-Hill, New York, 1953.
[2] Axler Sheldon, Linear Algebra Done Right, Springer-Verlag, New York. Inc.
1996.
[3] Bachman George y Narici, Funtional Analysis, New York, 1981.
[4] Cotlar M y Cignoli R, An Introduction to Funtional Analysis, Nort-Holland.
Publishing company, 1974.
[5] Gimenez Jose, Modelos Funcionales para Operadores Normales y Contracciones
Completamente no Unitarias, UCV. 1989.
[6] Halmos P, Introduction to Hilbert Space and Theory of Spectral Multiplicity.,
Chelsea publishing Company, New York., 1957.
[7] Kreyszing. Erwin, Introductory Funtional Analysis with Applications, John Wiley & Sons. 1978.
[8] Nieto S. Jose, Introducci
on a los Espacios de Hilbert, Monografa N o 19. Programa Regional de Desarrollo Cientfico y Tecnol
ogico. 1978.
[9] Lawrence W, Baggett. Funtional Analysis,1978.
[10] Roman S, Advanced Lineal Algebra, GMT, Springer-Verlag, New York, 1992.
[11] K. Zhu, Operator Theory in Function Spaces, Pure and Applied Mathematics,
Marcel Dekker INC, New York, 1990.

55