Subespacios invariantes

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Subespacios invariantes"

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 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 detalles

Aplicaciones Lineales y Multilineales Continuas

Aplicaciones 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 detalles

Espacios vectoriales

Espacios 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 detalles

Isometrías de un espacio de Banach y dualidad

Isometrías 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 detalles

II. ESPACIOS NORMADOS Y ESPACIOS DE BANACH

II. 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 detalles

Espacios de Hilbert. 10.1. Producto Escalar y Norma. Tema 10

Espacios 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 detalles

1. Producto escalar, métrica y norma asociada

1. 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 detalles

Transformaciones 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. 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 detalles

Tema 2 ESPACIOS VECTORIALES

Tema 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 detalles

Aplicaciones lineales continuas

Aplicaciones 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 detalles

Análisis III. Joaquín M. Ortega Aramburu

Análisis 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 detalles

Una introducción al problema del subespacio invariante en espacios de Hilbert

Una 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 detalles

Números Reales. MathCon c 2007-2009

Números 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 detalles

1 Espacios y subespacios vectoriales.

1 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 detalles

Juegos estáticos y juegos estocásticos

Juegos 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 detalles

CURSO DE MÉTODOS DE LA FÍSICA MATEMÁTICA ANÁLISIS FUNCIONAL OPERADORES NO ACOTADOS

CURSO 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 detalles

Aplicaciones Lineales

Aplicaciones 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 detalles

Análisis Real: Primer Curso. Ricardo A. Sáenz

Análisis 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 detalles

Aplicaciones Lineales

Aplicaciones 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.

(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 detalles

La aplicación derivada sobre el espacio E de los polinomios en una variable, E D E, es

La 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 detalles

ECUACIONES DIFERENCIALES ORDINARIAS. HOJA 9. La aplicación de Poincaré

ECUACIONES 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 detalles

Objetivos: Al inalizar la unidad, el alumno:

Objetivos: 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 detalles

Subespacios vectoriales en R n

Subespacios 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 detalles

Espacios vectoriales con producto interno

Espacios 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 detalles

El Teorema de existencia y unicidad de Picard

El 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 detalles

Análisis de una variable real I. Tijani Pakhrou

Análisis 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 detalles

ESTRUCTURAS ALGEBRAICAS

ESTRUCTURAS 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 detalles

Métodos Matemáticos: Análisis Funcional

Métodos 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 detalles

Métodos Matemáticos: Análisis Funcional

Métodos 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 detalles

ALGEBRA LINEAL - Práctica N 1 - Segundo cuatrimestre de 2017 Espacios Vectoriales

ALGEBRA 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 detalles

Fascículo 2. Álgebra Lineal. Cursos de grado. Gabriela Jeronimo Juan Sabia Susana Tesauri. Universidad de Buenos Aires

Fascículo 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 detalles

Aplicaciones Lineales

Aplicaciones 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 detalles

Métodos matemáticos: Análisis funcional

Métodos 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 detalles

Campos conservativos. f(x) = f (x) = ( f x 1

Campos 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 detalles

4.1 El espacio dual de un espacio vectorial

4.1 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 detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes 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 detalles

1 Espacios de Banach:

1 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 detalles

Anexo 1: Demostraciones

Anexo 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 detalles

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor

Tema 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 detalles

Espacios vectoriales y Aplicaciones lineales

Espacios 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 detalles

PROBLEMA 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 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 detalles

TALLER 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.

TALLER 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 detalles

Funciones analíticas CAPÍTULO 2 2.1 INTRODUCCIÓN

Funciones 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 detalles

Grupos. Subgrupos. Teorema de Lagrange. Operaciones.

Grupos. 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 detalles

Problemas y Ejercicios Resueltos. Tema 2: Espacios vectoriales.

Problemas 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 detalles

Teoría 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 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 detalles

Estructuras algebraicas

Estructuras 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 detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema 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 detalles

4.- Para los siguientes conjuntos de vectores, probar si son o no subespacios vectoriales de R 4 : 2d + 1 : b, d reales. d

4.- 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 detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 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 detalles

1 El espacio vectorial R n.

1 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 detalles

Espacios vectoriales y aplicaciones lineales.

Espacios 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 detalles

Ejercicios de Análisis Funcional. Curso

Ejercicios 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 detalles

1.- Primitiva de una función (28.01.2015)

1.- 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

(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 detalles

Tema 3. Espacios vectoriales

Tema 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 detalles

Notaciones y Pre-requisitos

Notaciones 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 detalles

Criterio de Sylvester

Criterio 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 detalles

Teoría espectral: problemas propuestos

Teoría 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 detalles

ÁLGEBRA III. Práctica 1 2d. Cuatrimestre - 2007

ÁLGEBRA 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 detalles

13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL... 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL... 275 13.3.

13.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 detalles

1. ESPACIOS DE HILBERT Y OPERADORES

1. 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 detalles

Sucesiones y convergencia

Sucesiones 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 detalles

1. Derivadas parciales

1. 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 detalles

9.1 Primeras definiciones

9.1 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 detalles

Variable 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 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 detalles

Aplicaciones lineales

Aplicaciones 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 detalles

Prof. Virginia Mazzone - Prof. Mariana Suarez

Prof. 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 detalles

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx

Matrices. 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 detalles

Ejemplos y problemas resueltos de análisis complejo (2014-15)

Ejemplos 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 detalles

NÚMERO REAL. 1. Axiomas de cuerpo y propiedades operatorias. Axioma 2 La suma es asociativa:

NÚMERO 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 detalles

March 25, 2010 CAPÍTULO 2: LÍMITES Y CONTINUIDAD DE FUNCIONES EN EL ESPACIO EUCLÍDEO

March 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 detalles

Ortogonalidad y Series de Fourier

Ortogonalidad 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 detalles

El sistema de Hilbert: Lógica de Primer Orden

El 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 detalles

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN 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 detalles

Parte 1. Anillos y Módulos Capítulo 4. Anillos y módulos Noeterianos 4.7. Dominios de Dedekind

Parte 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 detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)

Tema 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 detalles

Diagonalización de matrices

Diagonalización 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 detalles

4 APLICACIONES LINEALES. DIAGONALIZACIÓN

4 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 detalles

Cómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1

Cómo?: 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 detalles

Vectores en el plano con punto inicial fijo

Vectores 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 detalles

Variedades Diferenciables. Extremos Condicionados

Variedades 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 detalles

ESTRUCTURAS ALGEBRAICAS

ESTRUCTURAS 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 detalles

CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES

CONTINUIDAD 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 detalles

FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES

FORMA 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 detalles

APLICACIONES LINEALES. DIAGONALIZACIÓN

APLICACIONES 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 detalles

1 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.

1 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 detalles

1. Cambios de base en R n.

1. 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 detalles

INTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO

INTERVALOS, 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 detalles

1. Funciones de varias variables

1. 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 detalles

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo

Definición 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 detalles

2.5 Linealización de sistemas dinámicos no lineales

2.5 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 detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 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 detalles

Números algebraicos. Cuerpos de números. Grado.

Números 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 detalles

Introducción al Análisis Complejo

Introducción 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 detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES 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 detalles

Espacios vectoriales

Espacios 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