Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Facultad de Ciencias
ticas
Departamento de Matema
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. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
33
2.8.1
El Operador Transpuesto . . . . . . . . . . . . . . . . . . . .
33
2.8.2
34
2.8.3
34
2.8.4
35
2.8.5
36
39
3.1
Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.2
Transformaciones Espectrales . . . . . . . . . . . . . . . . . . . . . .
40
3.3
41
3.4
Medidas Numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
3.4.1
Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
Medidas Espectrales . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.5.1
Medida Positiva . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.6
46
3.7
46
3.8
47
3.9
49
3.5
4 Aplicaciones
51
4.1
Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
4.2
51
4.3
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
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
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
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
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
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
1.3.2
Representaci
on Matricial de una Aplicaci
on Lineal
A= .
..
..
..
..
.
.
.
am1 am2 . . .
amn
14
1.4
1.4.1
Preliminares
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
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
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
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
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
x, y, z X
x, y, z X, C
16
Preliminares
Preliminares
17
n=1
En .
n=1
n1
18
Preliminares
1.9.2
Teorema de Representaci
on de Riesz.
Adem
as si (f ) 0 para todo f Cc (X), entonces 0.
Captulo 2
Introducci
on
2.2
Subespacios Invariantes
con ui Ui .
20
X = U1 . . . U n
T (Uj ) Uj ,
j = 1, . . . , n
2.3
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
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
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
..
M (T, B) =
.
n
2.5
2.6
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:
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
24
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
hS(T (x)), yi
hT (x), S (y)i
hx, T (S (y))i
hx, (T S )(y)i
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
25
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
26
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
hx, xi
hT x, xi
hx, T xi
hx, xi
kxk2
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.
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
2.6.4
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
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
T (T u1 ) = T (1 u1 )
= (1 u1 )
= (1 )u1 U1
As
T (U1 ) U1
T (U1 ) U1
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
30
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,
2.7
Proyectores Ortogonales
31
i 6= j
En cuanto a su suma
(P1 + . . . + Pr )x = P1 x + . . . + Pr x = x1 + . . . + xr = x,
x X
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
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
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
r
X
i=1
(i )Pk Pi x =
r
X
i=1
33
(i )ij Pi x = (k )Pk x = 0
2.8
2.8.1
El Operador Transpuesto
34
3.- (T )t = S t .
4.- (T S)t = S t T t .
2.8.2
Representaci
on Matricial del Operador Transpuesto
n
X
aji uj , i = 1, . . . , n
i=1
2.8.3
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
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
y por lo tanto
(T t I)x = 0
36
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.
37
38
Captulo 3
Introducci
on
T = 1 P1 + . . . + r Pr =
r
X
i P i
(3.1)
i=1
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 ;
40
= 1 P1 + 2 P2 + . . . + r Pr
= 1 (E1 E0 ) + 2 (E2 E1 ) + . . . + r (Er Er1 )
r
X
i (Ei Ei1 )
=
i=1
T =
i Ei
i=1
T =
dE
(3.3)
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
41
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 )
3.3
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
(T ), implica necesariamente = .
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
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 =
45
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
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
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
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
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
=
3.8
2. q(A) =
||kAk
(3.5)
48
hq(A)u, vi = L(q) =
kAk
kAk
q() duv
(3.6)
con
kuv k = kLk
(3.7)
q() d hu1 , vi +
q() d hu2 , vi
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
3.9
z dP ()
(N )
50
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.
z dP (z) =
Re (z) dPA + i
Captulo 4
Aplicaciones
4.1
Introducci
on
4.2
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()
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
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
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