Subespacios invariantes
|
|
- Patricia Castro Padilla
- hace 8 años
- Vistas:
Transcripción
1 Subespacios invariantes Joan Cerda Departament de Matema tica Aplicada i Ana lisi; GARF, Barcelona jcerda@ub.edu cerda/ 17 de abril de 2012 El problema Espectro Lomonosov Minimax Demostraciones
2 Índice 1 El problema Historia dim E < 2 Espectro Espectro de un operador Operadores compactos 3 Subespacios invariantes El problema Teorema de Lomonosov 4 Minimax 5 Algunas demostraciones Espectro Schauder El problema Espectro Lomonosov Minimax Demostraciones
3 EL PROBLEMA El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
4 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
5 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
6 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
7 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
8 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
9 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
10 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
11 El problema del subespacio invariante Tiene todo T L(E) un subespacio invariante? T L(E). F subespacio T -invariante F subespacio vectorial cerrado no trivial tal que T (F ) F. Per Enflo Contraejemplos de Per Enflo (1976) con E Banach real o complejo y de J. Read (1985) en l 1. E no separable y 0 x E [x, T x, T 2 x,...] invariante. Respuesta afirmativa para clases de operadores con cierta compacidad: Caso de T tal que P (T ) compacto no nulo Caso de T tal que T K = KT (K compacto no nulo) Caso de T tal que T S = ST y SK = KS con K 0 compacto y S λi (S no escalar) T de Lomonosov. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
12 El resultado de John von Neumann (1935) J. von Neumann: Todo K L(H) compacto (o sea, K(B H) compacto) en H, espacio de Hilbert de dimensión infinita, tiene subespacio invariante. Demostrado por Aronszajn y Smith en Problema abierto para T arbitrario sobre H!! El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
13 El resultado de John von Neumann (1935) J. von Neumann: Todo K L(H) compacto (o sea, K(B H) compacto) en H, espacio de Hilbert de dimensión infinita, tiene subespacio invariante. Demostrado por Aronszajn y Smith en Problema abierto para T arbitrario sobre H!! El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
14 El resultado de John von Neumann (1935) J. von Neumann: Todo K L(H) compacto (o sea, K(B H) compacto) en H, espacio de Hilbert de dimensión infinita, tiene subespacio invariante. Demostrado por Aronszajn y Smith en Problema abierto para T arbitrario sobre H!! El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
15 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
16 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
17 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
18 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
19 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
20 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
21 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
22 Caso dim E < Solución completa considerando subespacios propios: λ valor propio y N (λ) := Nuc (T λi) T (N (λ)) N (λ) cerrado no nulo También AT = T A A(N (λ)) N (λ): x N (λ)) T (Ax) = A(T x) = A(λx) = λax Ax N (λ). Si N (λ) = E, T = λi es un operador escalar y todo subespacio es invariante. Si E es complejo y dim E <, T tiene valores propios (soluciones de det(t λi) = 0) distinción entre casos K = C y K = R. Falso si dim E =. Ejemplo: Volterra, V f(x) = x f sobre E = C[0, 1]. 0 El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
23 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
24 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
25 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
26 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
27 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
28 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
29 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
30 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
31 Complexificación de E Banach real E C = E E Banach complejo con: x + ıy := (x, y), r(x + ıy) := rx + ıry), i(x + ıy) := y + ıx x + ıy := máx ϑ R x cos(ϑ) + y sen(ϑ) E. T C : E C E C tal que T C (x + ıy) := T x + ıt y (ST ) C = S C T C y T C = T. complexificacion E real de dimensión finita: dim E = n < impar T tiene valores propios y, por tanto, subespacios invariantes dim E = 2, rotaciones sin subespacios invariantes. 2 < dim E < par, T C tiene vector propio no nulo: T x 0 + ıt y 0 = λ(x 0 + ıy 0 ) F := [x 0, y 0 ] E T -invariante. El problema Espectro Lomonosov Minimax Demostraciones Historia dim E <
32 Dimensión infinita Teoria espectral de operadores compactos para K = C TEORIA ESPECTRAL El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
33 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
34 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
35 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
36 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
37 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
38 Espectro σ(t ) de T L(E); K = C σ(t ) = {λ; T λi L 1 (E)} σ p(t ) = {λ; Nuc (T λi) {0}} σ(t ) contenido en el disco {λ; λ T }: λ > T T x λx = y tiene solución única x, pues F (x) := λ 1 (T x y) contractiva en E. σ(t ) cerrado: Si λ 0 σ(t ) y λ λ 0 (T λ 0I) 1 < 1, la ecuación T x λx = y equivale a (T λ 0I) 1 (y + (λ λ 0)x) = x y tiene solución única x, pues F (x) := (T λ 0I) 1 (y + (λ λ 0)x) es contractiva en E. Fórmula de Taylor (1938) - Gelfand (1941) para r := sup{ λ ; λ σ(t )}: r = lím n T n 1/n = ínf T n 1/n ( T )!! n Basada en propiedades de la función holomorfa vectorial R : C \ σ(t ) L(E), R(λ) := (T λi) 1 = 1 1 λ I T/λ L(E). El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
39 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
40 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
41 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
42 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
43 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
44 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
45 Caso de K L(E) compacto K L(E) compacto K(B E) compacto, o sea, x n M {x nk } convergente Si K = I dim E < y E K n (B E compacta dim E = n < y E K n ). Teorema Si λ 0, dim N (λ) <, pues K = λi sobre N (λ). N (λ) = 0 Im (K λi) = E. Por tanto, σ p(k) \ {0} = σ(k) \ {0}!!. Corolario Si K = C, K compacto y r = ínf n K n 1/n > 0, entonces r = máx{ λ ; λ σ p(k)} = λ 0 = lím K n 1/n. n Existe λ 0 σ p(k) \ {0} y dim N (λ 0) <. El problema Espectro Lomonosov Minimax Demostraciones Espectro de un operador Operadores compactos
46 LOMONOSOV El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
47 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
48 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
49 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
50 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
51 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
52 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
53 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
54 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
55 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
56 Subespacios T -hiperinvariantes Si dim E = y λ σ p(t ), valor propio de T, N (λ) := Nuc (T λi) subespacio T -invariante; sobre él, T = λi. N (λ) también es A-invariante para todo A L(E) tal que AT = T A. Se dice que F es hiperinvariante para T si es A-invariante para todo A L(E) tal que AT = T A. Notación: {T } := {A; AT = T A}, y F hiperinvariante significa que es {T } invariante. Hay subespacio hiperinvariante F si y sólo si para algún x 0 (F = {T } (x)): {T } (x) = {Ax; AT = T A} E Si F := {T } (x) y A {T }, para todo Sx con S {T } se tiene ASx F ya que AS {T }. F := {T } (x) E con x 0, se tiene x F y F es no trivial. Inversamente, F {T } invariante y 0 x F {T } (x) F no trivial. hiperinvariante El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
57 Viktor Lomonosov Viktor Lomonosov (1973): todo T que conmuta con algún operador compacto no nulo tiene subespacio invariante (usando el teorema del punto fijo). Prueba simple sin usar punto fijo (Hilden). El método de Lomonosov se aplica a más operadores: si E complejo, existe subespacio hiperinvariante para todo T que conmuta con un operador no escalar ( λi) que conmuta con un operador compacto (T de Lomonosov). El caso real es especial. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
58 Viktor Lomonosov Viktor Lomonosov (1973): todo T que conmuta con algún operador compacto no nulo tiene subespacio invariante (usando el teorema del punto fijo). Prueba simple sin usar punto fijo (Hilden). El método de Lomonosov se aplica a más operadores: si E complejo, existe subespacio hiperinvariante para todo T que conmuta con un operador no escalar ( λi) que conmuta con un operador compacto (T de Lomonosov). El caso real es especial. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
59 Viktor Lomonosov Viktor Lomonosov (1973): todo T que conmuta con algún operador compacto no nulo tiene subespacio invariante (usando el teorema del punto fijo). Prueba simple sin usar punto fijo (Hilden). El método de Lomonosov se aplica a más operadores: si E complejo, existe subespacio hiperinvariante para todo T que conmuta con un operador no escalar ( λi) que conmuta con un operador compacto (T de Lomonosov). El caso real es especial. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
60 Viktor Lomonosov Viktor Lomonosov (1973): todo T que conmuta con algún operador compacto no nulo tiene subespacio invariante (usando el teorema del punto fijo). Prueba simple sin usar punto fijo (Hilden). El método de Lomonosov se aplica a más operadores: si E complejo, existe subespacio hiperinvariante para todo T que conmuta con un operador no escalar ( λi) que conmuta con un operador compacto (T de Lomonosov). El caso real es especial. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
61 Viktor Lomonosov Viktor Lomonosov (1973): todo T que conmuta con algún operador compacto no nulo tiene subespacio invariante (usando el teorema del punto fijo). Prueba simple sin usar punto fijo (Hilden). El método de Lomonosov se aplica a más operadores: si E complejo, existe subespacio hiperinvariante para todo T que conmuta con un operador no escalar ( λi) que conmuta con un operador compacto (T de Lomonosov). El caso real es especial. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
62 Von Neumann-Aronszajn-Smith-Lomonosov (E real o complejo) Teorema Todo K L(E) compacto no nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n > 0. E complejo: existe 0 λ σ(k) (r > 0) λ valor propio y N (λ) es hiperinvariante (de dimensión finita). E real: K C : E C E C es compacto y ínf n K n C 1/n = ínf n K n 1/n > 0 N KC (λ) = [x 1 + ıy 1,..., x n + ıy n] hiperinvariante, con A C K C = K C A C si A {K} F := [x 1,..., x n, y 1,..., y n] E es {K} -invariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
63 Von Neumann-Aronszajn-Smith-Lomonosov (E real o complejo) Teorema Todo K L(E) compacto no nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n > 0. E complejo: existe 0 λ σ(k) (r > 0) λ valor propio y N (λ) es hiperinvariante (de dimensión finita). E real: K C : E C E C es compacto y ínf n K n C 1/n = ínf n K n 1/n > 0 N KC (λ) = [x 1 + ıy 1,..., x n + ıy n] hiperinvariante, con A C K C = K C A C si A {K} F := [x 1,..., x n, y 1,..., y n] E es {K} -invariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
64 Von Neumann-Aronszajn-Smith-Lomonosov (E real o complejo) Teorema Todo K L(E) compacto no nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n > 0. E complejo: existe 0 λ σ(k) (r > 0) λ valor propio y N (λ) es hiperinvariante (de dimensión finita). E real: K C : E C E C es compacto y ínf n K n C 1/n = ínf n K n 1/n > 0 N KC (λ) = [x 1 + ıy 1,..., x n + ıy n] hiperinvariante, con A C K C = K C A C si A {K} F := [x 1,..., x n, y 1,..., y n] E es {K} -invariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
65 Von Neumann-Aronszajn-Smith-Lomonosov (E real o complejo) Teorema Todo K L(E) compacto no nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n > 0. E complejo: existe 0 λ σ(k) (r > 0) λ valor propio y N (λ) es hiperinvariante (de dimensión finita). E real: K C : E C E C es compacto y ínf n K n C 1/n = ínf n K n 1/n > 0 N KC (λ) = [x 1 + ıy 1,..., x n + ıy n] hiperinvariante, con A C K C = K C A C si A {K} F := [x 1,..., x n, y 1,..., y n] E es {K} -invariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
66 Von Neumann-Aronszajn-Smith-Lomonosov (E real o complejo) Teorema Todo K L(E) compacto no nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n > 0. E complejo: existe 0 λ σ(k) (r > 0) λ valor propio y N (λ) es hiperinvariante (de dimensión finita). E real: K C : E C E C es compacto y ínf n K n C 1/n = ínf n K n 1/n > 0 N KC (λ) = [x 1 + ıy 1,..., x n + ıy n] hiperinvariante, con A C K C = K C A C si A {K} F := [x 1,..., x n, y 1,..., y n] E es {K} -invariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
67 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
68 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
69 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
70 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
71 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
72 Von Neumann-Aronszajn-Smith-Lomonosov (caso r = 0) Teorema Todo K L(E) compacto o nulo tiene subespacio hiperinvariante. Caso lím n K n 1/n = ínf n K n 1/n = 0. Se puede suponer K = 1 Ad abs. suponer {K} (x) = E para todo x 0 x 0 > 1 con Kx 0 > 1 ( K = 1) 0 B(x 0) = {x; x x 0 1} y 0 K(B(x 0)). {K} (x) = E A {K} t.q. Ax x 0 < 1. K(B(x 0)) E \ {0} A {K} {x E; Ax x 0 < 1}, con K(B(x 0)) compacto. hiperinvariante1 El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
73 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
74 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
75 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
76 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
77 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
78 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
79 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
80 Continuación K(B(x 0)) N n=1 {x; Anx x0 < 1}, c := máx 1 n N A n Kx 0 K(B(x 0)) Kx 0 {x; A n1 x x 0 < 1} x 1 := A n1 Kx 0 B(x 0) x 2 := A n2 Kx 1 B(x 0)... x k+1 := A nk+1 Kx k B(x 0) y A nk = KA n. x k+1 = A nk+1 A n1 K k+1 x 0 = (c 1 A nk+1 ) (c 1 A n1 )(ck) k+1 x 0 K n 1/n 0 (ck) n x 0 1/n 0 con c 1 A n 1 B(x 0) x k 0 con B(x 0) cerrado, pero 0 B(x 0)?? {K} (x) E con x 0, hiperinvariante. El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
81 MINIMAX El problema Espectro Lomonosov Minimax Demostraciones El problema Teorema de Lomonosov
82 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
83 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
84 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
85 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
86 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
87 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
88 Minimax para una función de pagos K : X Y R Siempre sup y Y ínf K(x, y) ínf x X sup x X y Y K(x, y) : Fijados ȳ y x, K(x, ȳ) sup y Y K(x, y) ínf x X K(x, ȳ) ínf x X sup y Y K(x, y) Así sup y Y ínf x X K(x, y) ínf x X sup y Y K(x, y). Contraejemplo a la desigualdad inversa: X = Y = [0, 1], K(x, x) = 1, K(x, y) = 0 si x y Teoremas minimax: Condiciones para que se cumpla la igualdad. El problema Espectro Lomonosov Minimax Demostraciones
89 El teorema minimax de von Neumann X, Y compactos convexos de R n y K(x, y) continua. K(, y) concava para todo y Y. K(x,, ) convexa para todo x X. Entonces sup y Y ínf x X K(x, y) = ínf x X sup y Y K(x, y) J. von Neumann para el caso de símplex de R n y luego (1935/36) mas general. Usaba una reducción al caso n = 1. En teoría de juegos de dos jugadores A y B, en un juego de suma cero, se dan dos funciones de pagos bilineales, K y H, tales que K(x, y) + H(x, y) 0. La igualdad minimax significa que las estrategias que maximizan las ganancias mínimas de A, minimizan las pérdidas máximas de B. El problema Espectro Lomonosov Minimax Demostraciones
90 El teorema minimax de von Neumann X, Y compactos convexos de R n y K(x, y) continua. K(, y) concava para todo y Y. K(x,, ) convexa para todo x X. Entonces sup y Y ínf x X K(x, y) = ínf x X sup y Y K(x, y) J. von Neumann para el caso de símplex de R n y luego (1935/36) mas general. Usaba una reducción al caso n = 1. En teoría de juegos de dos jugadores A y B, en un juego de suma cero, se dan dos funciones de pagos bilineales, K y H, tales que K(x, y) + H(x, y) 0. La igualdad minimax significa que las estrategias que maximizan las ganancias mínimas de A, minimizan las pérdidas máximas de B. El problema Espectro Lomonosov Minimax Demostraciones
91 El teorema minimax de von Neumann X, Y compactos convexos de R n y K(x, y) continua. K(, y) concava para todo y Y. K(x,, ) convexa para todo x X. Entonces sup y Y ínf x X K(x, y) = ínf x X sup y Y K(x, y) J. von Neumann para el caso de símplex de R n y luego (1935/36) mas general. Usaba una reducción al caso n = 1. En teoría de juegos de dos jugadores A y B, en un juego de suma cero, se dan dos funciones de pagos bilineales, K y H, tales que K(x, y) + H(x, y) 0. La igualdad minimax significa que las estrategias que maximizan las ganancias mínimas de A, minimizan las pérdidas máximas de B. El problema Espectro Lomonosov Minimax Demostraciones
Parte I. Iniciación a los Espacios Normados
Parte I Iniciación a los Espacios Normados Capítulo 1 Espacios Normados Conceptos básicos Sea E un espacio vectorial sobre un cuerpo K = R ó C indistintamente. Una norma sobre E es una aplicación de E
Más detallesAplicaciones Lineales y Multilineales Continuas
Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones
Más detallesEspacios vectoriales
Espacios vectoriales Problemas teóricos Muchos de estos problemas me los han enseñado mis colegas: profesores Flor de María Correa Romero, Carlos Domínguez Albino, Sergio González Govea, Myriam Rosalía
Más detallesIsometrías de un espacio de Banach y dualidad
Isometrías de un espacio de Banach y dualidad Miguel Martín http://www.ugr.es/local/mmartins ICMAT, Madrid 4 de Noviembre de 2011 Introducción: notación, objetivos y motivación Notación básica y principales
Más detallesII. ESPACIOS NORMADOS Y ESPACIOS DE BANACH
II. ESPACIOS NORMADOS Y ESPACIOS DE BANACH Se pretende en este capítulo establecer los resultados generales relacionados con el concepto de norma en un espacio vectorial así como mostrar las distintas
Más detallesEspacios de Hilbert. 10.1. Producto Escalar y Norma. Tema 10
Tema 10 Espacios de Hilbert Vamos a desarrollar en lo que sigue los resultados básicos acerca de los espacios de Hilbert, un tipo muy particular de espacios de Banach con propiedades especiales que están
Más detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesTransformaciones Lineales. Definiciones básicas de Transformaciones Lineales. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.
Transformaciones Lineales Definiciones básicas de Transformaciones Lineales wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 007-009 Contenido 1 Transformaciones Lineales 11 Núcleo e imagen
Más detallesTema 2 ESPACIOS VECTORIALES
Tema 2 ESPACIOS VECTORIALES Prof. Rafael López Camino Universidad de Granada 1 Espacio vectorial Definición 1.1 Un espacio vectorial es una terna (V, +, ), donde V es un conjunto no vacío y +, son dos
Más detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesAnálisis III. Joaquín M. Ortega Aramburu
Análisis III Joaquín M. Ortega Aramburu Septiembre de 1999 Actualizado en julio de 2001 2 Índice General 1 Continuidad en el espacio euclídeo 5 1.1 El espacio euclídeo R n...............................
Más detallesUna introducción al problema del subespacio invariante en espacios de Hilbert
Una introducción al problema del subespacio invariante en espacios de Hilbert Rubén A. Martínez-Avendaño Centro de Investigación en Matemáticas Universidad Autónoma del Estado de Hidalgo Pachuca, Mexico
Más detallesNúmeros Reales. MathCon c 2007-2009
Números Reales z x y MathCon c 2007-2009 Contenido 1. Introducción 2 1.1. Propiedades básicas de los números naturales....................... 2 1.2. Propiedades básicas de los números enteros........................
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesJuegos estáticos y juegos estocásticos
Capítulo 1 Juegos estáticos y juegos estocásticos La teoría de juegos estudia modelos matemáticos de situaciones de cooperación o de conflicto en el que participan dos o más entidades (personas, empresas,
Más detallesCURSO DE MÉTODOS DE LA FÍSICA MATEMÁTICA ANÁLISIS FUNCIONAL OPERADORES NO ACOTADOS
CURSO DE MÉTODOS DE LA FÍSICA MATEMÁTICA ANÁLISIS FUNCIONAL H. FALOMIR DEPARTAMENTO DE FÍSICA FACULTAD DE CIENCIAS EXACTAS - UNLP OPERADORES NO ACOTADOS 1. Extensiones de operadores lineales Sea A un operador
Más detallesAplicaciones Lineales
Aplicaciones Lineales Primeras definiciones Una aplicación lineal de un K-ev de salida E a un K-ev de llegada F es una aplicación f : E F tal que f(u + v) = f(u) + f(v) para todos u v E f(λ u) = λ f(u)
Más detallesAnálisis Real: Primer Curso. Ricardo A. Sáenz
Análisis Real: Primer Curso Ricardo A. Sáenz Índice general Introducción v Capítulo 1. Espacios Métricos 1 1. Métricas 1 2. Métricas en espacios vectoriales 4 3. Topología 9 Ejercicios 17 Capítulo 2.
Más detallesAplicaciones Lineales
Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales
Más detalles(x + y) + z = x + (y + z), x, y, z R N.
TEMA 1: EL ESPACIO R N ÍNDICE 1. El espacio vectorial R N 1 2. El producto escalar euclídeo 2 3. Norma y distancia en R N 4 4. Ángulo y ortogonalidad en R N 6 5. Topología en R N 7 6. Nociones topológicas
Más detallesLa aplicación derivada sobre el espacio E de los polinomios en una variable, E D E, es
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS 1 Aplicaciones lineales Núcleo e Imagen Tipos de aplicaciones lineales Sean E y E k-espacios vectoriales Definición 11 Una
Más detallesECUACIONES DIFERENCIALES ORDINARIAS. HOJA 9. La aplicación de Poincaré
ECUACIONES DIFERENCIALES ORDINARIAS. HOJA 9. SISTEMAS PLANOS. TEOREMA DE POINCARÉ-BENDIXSON. La aplicación de Poincaré Recordemos que un subconjunto H de R n es una subvariedad de codimensión uno (o una
Más detallesObjetivos: Al inalizar la unidad, el alumno:
Unidad 3 espacios vectoriales Objetivos: Al inalizar la unidad, el alumno: Describirá las características de un espacio vectorial. Identiicará las propiedades de los subespacios vectoriales. Ejempliicará
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesEspacios vectoriales con producto interno
Capítulo 8 Espacios vectoriales con producto interno En este capítulo, se generalizarán las nociones geométricas de distancia y perpendicularidad, conocidas en R y en R 3, a otros espacios vectoriales.
Más detallesEl Teorema de existencia y unicidad de Picard
Tema 2 El Teorema de existencia y unicidad de Picard 1 Formulación integral del Problema de Cauchy El objetivo del presente Tema, y del siguiente, es analizar el Problema de Cauchy para un SDO de primer
Más detallesAnálisis de una variable real I. Tijani Pakhrou
Análisis de una variable real I Tijani Pakhrou Índice general 1. Introducción axiomática de los números 1 1.1. Números naturales............................ 1 1.1.1. Axiomas de Peano........................
Más detallesESTRUCTURAS ALGEBRAICAS
ESTRUCTURAS ALGEBRAICAS 1.1. LEY DE COMPOSICIÓN INTERNA Definición 1.1.1. Sea E un conjunto, se llama ley de composición interna en E si y sólo si a b = c E, a, b E. Observación 1.1.1. 1. también se llama
Más detallesMétodos Matemáticos: Análisis Funcional
Licenciatura en Ciencias y Técnicas Estadísticas Universidad de Sevilla http://euler.us.es/ renato/clases.html Espacios eucĺıdeos Definición Se dice que un espacio vectorial E es un espacio eucĺıdeo si
Más detallesMétodos Matemáticos: Análisis Funcional
Licenciatura en Ciencias y Técnicas Estadísticas Universidad de Sevilla http://euler.us.es/ renato/clases.html Qué son esos espacios de Hilbert? Qué son esos espacios de Hilbert? David Hilbert Para relajarnos
Más detallesALGEBRA LINEAL - Práctica N 1 - Segundo cuatrimestre de 2017 Espacios Vectoriales
Departamento de Matemática - Facultad de Ciencias Exactas y Naturales - UBA 1 ALGEBRA LINEAL - Práctica N 1 - Segundo cuatrimestre de 2017 Espacios Vectoriales Ejercicio 1. Resolver los siguientes sistemas
Más detallesFascículo 2. Álgebra Lineal. Cursos de grado. Gabriela Jeronimo Juan Sabia Susana Tesauri. Universidad de Buenos Aires
Fascículo 2 Cursos de grado ISSN 1851-1317 Gabriela Jeronimo Juan Sabia Susana Tesauri Álgebra Lineal Departamento de Matemática Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 2008
Más detallesAplicaciones Lineales
Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse
Más detallesMétodos matemáticos: Análisis funcional
Métodos matemáticos: Análisis funcional Conceptos y resultados fundamentales Curso 2011/2012 Aquí encontrarás los Teoremas hay que saber para el primer parcial ( 1) así como las definiciones, problemas
Más detallesCampos conservativos. f(x) = f (x) = ( f x 1
Capítulo 1 Campos conservativos En este capítulo continuaremos estudiando las integrales de linea, concentrándonos en la siguiente pregunta: bajo qué circunstancias la integral de linea de un campo vectorial
Más detalles4.1 El espacio dual de un espacio vectorial
Capítulo 4 Espacio dual Una de las situaciones en donde se aplica la teoría de espacios vectoriales es cuando se trabaja con espacios de funciones, como vimos al final del capítulo anterior. En este capítulo
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detalles1 Espacios de Banach:
Ecuaciones Diferenciales - 2 cuatrimestre 2003 Resultados preliminares parte II Espacios de Banach: Sea X un IR-espacio vectorial. Definición. Una función : X [0, + ) se dice una norma si. x + y x + y
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesEspacios vectoriales y Aplicaciones lineales
Espacios vectoriales y Aplicaciones lineales Espacios vectoriales. Subespacios vectoriales Espacios vectoriales Definición Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea
Más detallesPROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.
PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.
Más detallesTALLER DE MATEMÁTICAS NOTAS. Toda expresión algebraica del tipo. a n x n + a n 1 x n 1 +... + a 1 x + a 0. es un polinomio de grado n, si a n 0.
NOTAS Toda expresión algebraica del tipo es un polinomio de grado n, si a n 0. a n x n + a n 1 x n 1 +... + a 1 x + a 0 RELACIONES DE DIVISIBILIDAD 1) x n a n = (x a)(x n 1 + ax n 2 + a 2 x n 3 +... +
Más detallesFunciones analíticas CAPÍTULO 2 2.1 INTRODUCCIÓN
CAPÍTULO 2 Funciones analíticas 2.1 INTRODUCCIÓN Para definir las series de potencias y la noción de analiticidad a que conducen, sólo se necesitan las operaciones de suma y multiplicación y el concepto
Más detallesGrupos. Subgrupos. Teorema de Lagrange. Operaciones.
1 Tema 1.-. Grupos. Subgrupos. Teorema de Lagrange. Operaciones. 1.1. Primeras definiciones Definición 1.1.1. Una operación binaria en un conjunto A es una aplicación α : A A A. En un lenguaje más coloquial
Más detallesProblemas y Ejercicios Resueltos. Tema 2: Espacios vectoriales.
Problemas y Ejercicios Resueltos. Tema : Espacios vectoriales. Ejercicios 1.- Determinar el valor de x para que el vector (1, x, 5) R 3 pertenezca al subespacio < (1,, 3), (1, 1, 1) >. Solución. (1, x,
Más detallesTeoría espectral. ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna 1. Introducción 1
Teoría espectral ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna imarrero@ull.es Índice 1. Introducción 1 2. Diagonalización de matrices 1 3. Espectro de un operador 3 4. El
Más detallesEstructuras algebraicas
Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota
Más detallesTema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.
Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal
Más detalles4.- Para los siguientes conjuntos de vectores, probar si son o no subespacios vectoriales de R 4 : 2d + 1 : b, d reales. d
GRADO EN I. TELEMÁTICA. HOJA : ESPACIOS VECTORIALES. ESPACIOS NULO Y COLUMNA.- Sea W el conjunto de todos los vectores de R de la forma subespacio de R. s + t s t s t t, con s, t R. Probar que W es un.-
Más detallesEjemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}
Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar
Más detalles1 El espacio vectorial R n.
Manuel Gutiérrez Departamento de Álgebra, Geometría y Topología Universidad de Málaga February 26, 2009 1 El espacio vectorial R n. La estructura de espacio vectorial es posiblemente la estructura más
Más detallesEspacios vectoriales y aplicaciones lineales.
Práctica 2 Espacios vectoriales y aplicaciones lineales. Contenido: Localizar bases de espacios vectoriales. Suma directa. Bases y dimensiones. Cambio de base. Aplicaciones lineales. Matriz asociada en
Más detallesEjercicios de Análisis Funcional. Curso
Ejercicios de Análisis Funcional Curso 2010-2011 1 1 Preliminares de espacios normados Problema 1.1. Demostrar que para 1 < p < la norma. p en R 2 verifica la siguiente propiedad: Si x, y R 2 con x y y
Más detalles1.- Primitiva de una función (28.01.2015)
1.- Primitiva de una función (28.01.2015) 1.1. Definición. Sea f : I R. Se dice que F : I R es una primitiva de f si F es derivable y F = f en I. En ese caso escribimos F (x) = f(x)dx Si F es una primitiva
Más detalles(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesNotaciones y Pre-requisitos
Notaciones y Pre-requisitos Símbolo Significado N Conjunto de los números naturales. Z Conjunto de los números enteros. Q Conjunto de los números enteros. R Conjunto de los números enteros. C Conjunto
Más detallesCriterio de Sylvester
Criterio de Sylvester Objetivos. Aprender a aplicar el criterio de Sylvester para analizar cuándo una forma cuadrática es positiva definida, usando los menores principales de su matriz asociada. También
Más detallesTeoría espectral: problemas propuestos
Teoría espectral: problemas propuestos ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna imarrero@ull.es Índice 6. Problemas propuestos 1 6.1. Valores y vectores propios....................................
Más detallesÁLGEBRA III. Práctica 1 2d. Cuatrimestre - 2007
ÁLGEBRA III Práctica 1 2d. Cuatrimestre - 2007 Anillos conmutativos, cuerpos y morfismos Nota: Todo anillo considerado en esta práctica será conmutativo, en particular todo ideal es bilátero. Ejercicio
Más detalles13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL... 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL... 275 13.3.
ÍNDICE 13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL............. 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL...... 275 13.3. REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN
Más detalles1. ESPACIOS DE HILBERT Y OPERADORES
1. ESPACIOS DE HILBERT Y OPERADORES 1. DEFINICIÓN, PROPIEDADES Y EJEMPLOS Definición. Sea H un espacio vectorial sobre el cuerpo C de los números complejos, un producto escalar sobre H es una aplicación
Más detallesSucesiones y convergencia
Capítulo 2 Sucesiones y convergencia 1. Definiciones Una de las ideas fundamentales del análisis es la de límite; en particular, el límite de una sucesión. En este capítulo estudiaremos la convergencia
Más detalles1. Derivadas parciales
Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para
Más detalles9.1 Primeras definiciones
Tema 9- Grupos Subgrupos Teorema de Lagrange Operaciones 91 Primeras definiciones Definición 911 Una operación binaria en un conjunto A es una aplicación α : A A A En un lenguaje más coloquial una operación
Más detallesVariable Compleja. José Darío Sánchez Hernández Bogotá -Colombia - abril 2005 danojuanos@hotmail.com danojuanos@tutopia.com
Variable Compleja José Darío Sánchez Hernández Bogotá -Colombia - abril 2005 danojuanos@hotmail.com danojuanos@tutopia.com El objeto de estas notas es brindar al lector un modelo de aprendizaje. A continuación
Más detallesAplicaciones lineales
Capítulo 4 Aplicaciones lineales 4.1. Introduccción a las aplicaciones lineales En el capítulo anterior encontramos la aplicación de coordenadas x [x] B que asignaba, dada una base del espacio vectorial,
Más detallesProf. Virginia Mazzone - Prof. Mariana Suarez
SISTEMAS NO LINEALES SISTEMAS PLANARES - CICLOS LÍMITES Prof. Virginia Mazzone - Prof. Mariana Suarez 1 Teorema de Hartman-Grobman 2 Teorema de Hartman-Grobman Teorema Sea ẋ = f (x), con f suficientemente
Más detallesMatrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx
Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad
Más detallesEjemplos y problemas resueltos de análisis complejo (2014-15)
Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es
Más detallesNÚMERO REAL. 1. Axiomas de cuerpo y propiedades operatorias. Axioma 2 La suma es asociativa:
NÚMERO REAL El conjunto de los números racionales se nos hace insuficiente a la hora de representar con exactitud magnitudes tan reales como la diagonal de un cuadrado cuyo lado mida 1, por ejemplo, o
Más detallesMarch 25, 2010 CAPÍTULO 2: LÍMITES Y CONTINUIDAD DE FUNCIONES EN EL ESPACIO EUCLÍDEO
March 25, 2010 CAPÍTULO 2: LÍMITE Y CONTINUIDAD DE FUNCIONE EN EL EPACIO EUCLÍDEO 1. Producto Escalar en R n Definición 1.1. Dado x = (x 1,..., x n ), y = (y 1,..., y n ) R n, su producto escalar está
Más detallesOrtogonalidad y Series de Fourier
Capítulo 4 Ortogonalidad y Series de Fourier El adjetivo ortogonal proviene del griego orthos (recto) y gonia (ángulo). Este denota entonces la perpendicularidad entre dos elementos: dos calles que se
Más detallesEl sistema de Hilbert: Lógica de Primer Orden
El sistema de Hilbert: Lógica de Primer Orden El sistema de deducción de Hilbert para la lógica de primer orden consta de los siguientes elementos: IIC2213 Lógica de Primer Orden 55 / 65 El sistema de
Más detallesINTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA
INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.
Más detallesParte 1. Anillos y Módulos Capítulo 4. Anillos y módulos Noeterianos 4.7. Dominios de Dedekind
arte 1. Anillos y Módulos Capítulo 4. Anillos y módulos Noeterianos 4.7. Dominios de Dedekind De nición 4.7.1. Sea R un anillo conmutativo, se dice que R es un anillo hereditario (AH) si cada ideal de
Más detallesEspacios Vectoriales
Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................
Más detallesTema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)
Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detalles4 APLICACIONES LINEALES. DIAGONALIZACIÓN
4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesVectores en el plano con punto inicial fijo
Vectores en el plano con punto inicial fijo bjetivos. Considerar el conjunto V 2 () de los vectores en el plano euclidiano (también llamados segmentos dirigidos o flechas) con un punto inicial fijo. Definir
Más detallesVariedades Diferenciables. Extremos Condicionados
Capítulo 16 Variedades Diferenciables. Extremos Condicionados Vamos a completar lo visto en los capítulos anteriores sobre el teorema de las Funciones Implícitas y Funciones Inversas con un tema de iniciación
Más detallesESTRUCTURAS ALGEBRAICAS
Fundamentos de la Matemática 1 Operaciones Binarias Dado un conjunto A, A, decimos que es una operación binaria en A si, y sólo si, : A A A es una función. Investigar si los siguientes son ejemplos de
Más detallesCONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES
CAPÍTULO II. CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES SECCIONES 1. Dominios y curvas de nivel. 2. Cálculo de ites. 3. Continuidad. 55 1. DOMINIOS Y CURVAS DE NIVEL. Muchos problemas geométricos y físicos
Más detallesFORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES
FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES Eleonora Catsigeras 6 de mayo de 997 Notas para el curso de Análisis Matemático II Resumen Se enuncia sin demostración
Más detallesAPLICACIONES LINEALES. DIAGONALIZACIÓN
I.- Sea f una transformación lineal de un espacio vectorial V de dimensión n. Sea B una base de V. Sea A la matriz asociada a f respecto de la base B. Señala, sin demostrar, cuáles de las siguientes afirmaciones
Más detalles1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.
Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular
Más detalles1. Cambios de base en R n.
er Curso de Ingeniero de Telecomunicación. Álgebra. Curso 8-9. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema 5. Cambios de Base. Aplicaciones Lineales. Teoría y Ejercicios Resueltos..
Más detallesINTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO
INTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO INTERVALOS Los Intervalos son una herramienta matemática que se utiliza para delimitar un conjunto determinado de números reales. Por ejemplo el intervalo [-5,3]
Más detalles1. Funciones de varias variables
Análisis Matemático II. Curso 2008/2009. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 2: CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES 1. Funciones de varias variables
Más detallesDefinición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo
POLINOMIOS 1.1. DEFINICIONES Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo p(x) = a i x i = a 0 + a 1 x + a 2 x 2 + + a n x n + ; a i, x K; n N
Más detalles2.5 Linealización de sistemas dinámicos no lineales
25 Linealización de sistemas dinámicos no lineales En las secciones anteriores hemos visto como representar los sistemas lineales En esta sección se estudia una manera de obtener una aproximación lineal
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesNúmeros algebraicos. Cuerpos de números. Grado.
< Tema 5.- Números algebraicos. Cuerpos de números. Grado. 5.1 Cuerpo de fracciones de un dominio. Tratamos de generalizar la construcción de Q, a partir de Z. Sea A un dominio de integridad. En A (A \
Más detallesIntroducción al Análisis Complejo
Introducción al Análisis Complejo Aplicado al cálculo de integrales impropias Complementos de Análisis, I.P.A Prof.: Federico De Olivera Leandro Villar 13 de diciembre de 2010 Introducción Este trabajo
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesEspacios vectoriales
Espacios vectoriales Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza 1 Concepto de espacio vectorial y propiedades 1.1 Definición Se llama espacio vectorial sobre K (IR o C a toda terna
Más detalles