Análisis del espacio euclidiano n-dimensional

NOTAS DE ANLISIS REAL Carlos Eleodoro Romero Cruz
Pg. 6

CAPTULO 1
EL Espacio Euclidiano n-Dimensional
Sea n un nmero natural, el espacio euclidiano n-dimensional R
n
es el
producto cartesiano de n factores iguales a R.

R
n
= R R ... R

Sus elementos, por tanto, son las secuencias de n trminos reales
representada de la forma:

x = (x
1
,..., x
n
) ; Para cada i = 1,..., n, x
i
R.
El trmino x
i
se llama la i-sima coordenada de x.

R
1
= R es el conjunto de los nmeros reales, R
2
es el modelo numrico del plano
y R
3
es el modelo del espacio euclidiano tridimensional.
n veces
Pg. 7

1.1. EL ESPACIO VECTORIAL R
N

Definicin 1.1.1: Sea x = (x
1
,..., x
n
) e y = (y
1
,..., y
n
), se tiene que:
x = y si y solamente si, x
i
=y
i
, para todo i=1,n.

Propiedad 1.1.2: La igualdad = en R
n
es una relacin de equivalencia.

Demostracin: Sea x = (x
1
,..., x
n
), y = (y
1
,..., y
n
) e z=(z
1
,,z
n
), para demostrar la
relacin de equivalencia basta probar las siguientes propiedades:
a) Reflexiva: x=x, para todo x R
n
, la propiedad se comprueba con la
igualacin de los vectores.
b) Simtrica: Sean x, y R
n
. Si x=y, entonces y=x.
x= (x
1
,..., x
n
)=(y
1
,..., y
n
)=y, luego igualamos los elementos de los vectores,
x
i
=y
i
, por definicin se sabe que para todo i=1n, cada x
i
,y
i
R, de tal
manera que se permite la conmutatividad en R tal que y
i
=x
i
, entonces
(y
1
,..., y
n
) = (x
1
,..., x
n
) e y=x
c) Transitiva: Sean x,y,z R
n
. Si x=y e y=z entonces x=z
Basta comparar los vectores:
x= (x
1
,..., x
n
)=(y
1
,..., y
n
)= y= (y
1
,..., y
n
)=(z
1
,..., z
n
)=z ; luego cogemos los
extremos x= (x
1
,..., x
n
)=(z
1
,...,z
n
)=z y x=z

Definicin 1.1.3:
n espacio vectorial V sobre k, es un conjunto cuyos elementos
llamados vectores, con las operaciones binarias, suma
vectorial y multiplicacin por un escalar, cumplen las
siguientes propiedades:

(1) x + y = y + x, para todo x, y V
(2) (x + y) + z = y + (x + z), para todo x, y, z V
(3) Existe un elemento 0 V tal que 0 + x = x, para todo x V
(4) Para todo x V, existe un elemento x V tal que x + x = 0
(5) 1x = x, para todo x V
(6) ( + ).x = x + x, para todo , k, para todo x V
(7) .(x) = ().x, para todo , k y para todo x V
(8) (x + y) = x + y, para todo k y para todo x, y V
Denotado: (V,+, . , K)
U
Pg. 8

Lema 1.1.4:Sea V un espacio vectorial sobre R. Entonces tenemos que:
(1) O vector cero es nico.
(2) Todo elemento de x V existe un nico x tal que: x+x=0
(3) 0x = 0 para todo x V
(4) (-a).x = -a.x para todo R

Demostracin: Para demonstrar:
(1), asuma que 0
1
y 0
2
son dos ceros de V.
Luego: 0
1
= 0
2
+ 0
1
= 0
1
+ 0
2
= 0
2
; Donde usamos la hiptesis de que 0
1
es
cero en el axioma (3) de la Definicin 1.1.3.
(2) sean x y x vectores tale que: xx=0 y x+x=0, entonces:
x'= 0 + x = x+ 0 = x + (x + x) = (x + x) + x = 0 + x = x
Donde usamos el axioma (4) de la Definicin 1.1.3.
(3) 0.x = (0 + 0).x = 0.x + 0.x ; luego le sumamos (0.x) a ambos extremos y
resulta: 0 = 0.x
(4) (-a).x + a.x = (-a + a).x = 0.x = 0 ; luego le sumamos (-a.x) a ambos extremos
y resulta: (-a).x = -a.x.

Definicin 1.1.5: Sean (x
1
,,x
n
), (y
1
,,y
n
) R
n
y R, definimos las operaciones:

+: R
n
x R
n
R
n

*(x
1
,,x
n
), (y
1
,,y
n
) R
n
: (x
1
,,x
n
) + (y
1
,,y
n
) = (x
1
+y
1
,,x
n
+y
n)

(Suma de vectores)
. :R x R
n
R
n

*(x
1
,,x
n
) R
n
, R : .(x
1
,,x
n
)= (.x
1
,,.x
n
)=.x
(Multiplicacin por escalar)
Teorema 1.1.6: (R
n
, +, . ,R) es un espacio vectorial.

Demostracin: Basta probar cada una de las condiciones de la Definicin 1.1.3.
Sea x=(x
1
,,x
n
), y=(y
1
,,y
n
) e z=(z
1
,,z
n
)tenemos:
(1) Dado x, y R
n
: x+y = y+x.
x+y = (x
1
,,x
n
) + (y
1
,,y
n
) = (x
1
+y
1
,,x
n
+y
n
) ; donde x
i
+y
i
R por lo
tanto por conmutatividad en R tenemos x
i
+y
i
= y
i
+x
i
entonces tenemos:
x+y = (x
1
,,x
n
) + (y
1
,,y
n
) = (x
1
+y
1
,,x
n
+y
n
) = (y
1
,,y
n
) + (x
1
,,x
n
)
= (y
1
+ x
1
,, y
n
+ x
n
) = y+x
Pg. 9

(2) Dado x, y,z R
n
: (x+y)+z = x+(y+z).
(x+y)+z = [(x
1
,,x
n
)+(y
1
,,y
n
)]+(z
1
,,z
n
)= (x
1
+y
1
,,x
n
+y
n
)+(z
1
,,z
n
)
=[(x
1
+y
1
)+z
1
,,(x
n
+y
n
)+z
n
] ; aplicando la asociacin en R
=[x
1
+(y
1
+z
1
),,x
n
+(y
n
+z
n
)] =(x
1
,,x
n
)+(y
1
+z
1
,,y
n
+z
n
)
=(x
1
,,x
n
)+[(y
1
,,y
n
)+(z
1
,,z
n
)]=x+(y+z)
(3) Existe 0 R
n
tal que 0+x=x+0=x para todo x R
n

0+x=(0
1
,,0
n
)+(x
1
,,x
n
)=(0
1
+x
1
,,0
n
+x
n
) =(x
1
,,x
n
)
Luego realizamos la igualdad de vectores
0
i
+x
i
= x
i
operacin realizada en R, para todo i=1,,n ;
Luego 0
i
=0 para todo i=1,,n
Entonces existe el vector 0 R
n
y es de la forma 0=(0,,0)
(4) Para todo x R
n
existe un elemento e R
n
tal que: x+e = e+x =0
x+e=(x
1
,,x
n
) + (e
1
,,e
n
)= (x
1
+e
1
,,x
n
+e
n
) = (0,,0) ; ahora por
igualacin de vectores tenemos que x
i
+e
i
= 0

, operacin realizada en
R, para todo i=1,,n
luego e
i
=(-x
i
), entonces el vector e=(-x
1
,,-x
n
) y existe en R
n

(5) 1.x = x Para todo x R
n
.
1.x = 1.(x
1
,,x
n
) = (1.x
1
,,1.x
n
) ; donde 1.x
i
= x
i
es una operacin en R
= (1.x
1
,,1.x
n
)= (x
1
,,x
n
) = x
(6) ( + ).x = .x + .x, para todo , R y para todo x R
n
.
( + ).x = ( + ).(x
1
,,x
n
) = [( + ).x
1
,, ( + ).x
n
] ; donde cada
operacin de la forma ( + ).x
i
es una operacin en R, por lo que se
puede distribuir .x
i
+ .x
i
,luego:
(.x
1
+ .x
1
,,.x
n
+.x
n)
= (.x
1
,,.x
n
) + (.x
1
,,.x
n
)
= .(x
1
,,x
n
) + .(x
1
,,x
n
) = .x + .x
(7) .(.x) = (.).x, para todo , R y para todo x R
n
.
.(.x) = .[.(x
1
,,x
n
)] = .[(.x
1
,,.x
n
)] = (..x
1
,, ..x
n
)
= ..(x
1
,,x
n
) = (.).x
(8) .(x + y) = .x + .y, para todo R y para todo x, y R
n
.
.(x + y) = a.[(x
1
,,x
n
) + (y
1
,,y
n
)]= [a.(x
1
+y
1
),,a.(x
n
+y
n
)]
=(a.x
1
+a.y
1
,,a.x
n
+a.y
n
)= (a.x
1
,,a.x
n
) + (a.y
1
,,a.y
n
)
= a.(x
1
,,x
n
) + a.(y
1
,,y
n
)
= a.x + a.y

EJEMPLO 1.1: El espacio F = {f: R R / f es continua} con las operaciones:

(u + v)(x)
def
= u(x) + v(x) ; para todo x R y todas u, v F
(u)(x)
def
= u(x) ; para todo x R, toda u F y todo R
Es un espacio vectorial.
Pg. 10

Definicin 1.1.7: Fijamos un entero positivo m, designaremos por e
j
(para j
= 1, . . . , m) el vector de R
m
como todas las coordenadas nulas excepto en el
orden j que ser igual a 1:

e
1
= (1,0,,0), ,e
m
= (0,0,,0, 1)

Por ejemplo, para m = 2, habrn dos vectores a considerar: e
1
= (1, 0) y
e
2
= (0, 1). En estas condiciones siendo x = (x
1,
x
2
,,x
m
) un vector cualquiera de
R
m
se tiene :

x = (x
1,
x
2
,,x
m
) = (x
1
,0,,0)++(0,0,,0,x
m
)
= x
1
(1,0,,0) ++ x
m
(0,0,,0,1)
= x
1
.e
1
+ x
2
.e
2
+ + x
m
.e
m

Observacin:
Siendo u
1
,u
2
,,u
k
vectores de un espacio vectorial real (por
ejemplo, de un espacio R
m
, con m N ), se dice que un vector u del mismo
espacio, es una combinacin lineal de u
1
,u
2
,,u
k
si y solamente si existen k
nmeros reales
1
,
2
, . . . ,
k
tales que se verifique la igualdad:
u =
1
.u
1
+
2
.u
2
++
k
.u
k

EJERCICIOS 1.1.: sea H={ (x,y) R
2
, x+y=1 }. Ser cierto que, para todo a,b
R y (x,y),(u,v) H, se tiene que: a(x,y) + b(u,v) H?.

Desarrollo:
Si a(x,y) + b(u,v) H, entonces:
* (ax , ay)+(bu , bv) = (ax+bu , ay+bv) H
Por definicin tenemos: (ax+bu) + (ay+bv)=a(x+y)+b(u,v)=a(1)+b(1) =a+b. el
ejercicio se cumple siempre y cuando a+b=1.

EJERCICIOS 1.2.: Sea K={ (x,y) R
2
, y=3x }. Ser cierto que, para todo a,b
R y (x,y),(u,v) H, se tiene que: a(x,y) + b(u,v) K?.

Desarrollo:
Dado el ejercicio anterior: (ax+bu , ay+bv) K, entonces por definicin
tenemos: (ay+bv)= 3(ax+bu) luego ay + bv = 3ax + 3bu (i)
Si, y=3x e v=3u se tiene que ay=3ax e bv =3bu
luego ay + bv = 3ax + 3bu (ii) ; donde (i) es idntico a (ii).
Pg. 11

1.2. SUB-ESPACIOS VECTORIALES

Definicin 1.2.1:

ea V un espacio vectorial sobre un cuerpo K y sea W un
subconjunto de V no vaco. Se dice que W es un sub-espacio
vectorial de V si:
(1) u v W , para todo u, v W
(2) .u W , para todo K.

Definicin 1.2.2: Sea HR
n
, un sub-espacio vectorial de R
n
, si y solo s
(H,+, . , R) es un espacio vectorial.

EJEMPLO 1.2: El conjunto de los nmeros complejos es un espacio vectorial
real. No es difcil probar que se cumplen todas las propiedades del caso.
Los reales siguen siendo un subconjunto de C que ahora es un sub-espacio
vectorial (por supuesto real).

EJEMPLO 1.3: Consideremos el espacio tridimensional R
3
. Se trata de un
espacio vectorial sobre R cuyos elementos son las ternas de nmeros reales:

(x
1
, x
2
, x
3
), x
i
R, i = 1, 2, 3

El siguiente subconjunto es un sub-espacio vectorial de R
3
:

W = {(x
1
, x
2
, 0) | x
1
, x
2
R}

Pero el subconjunto de R
3
:

A = {(x
1
, x
2
, 1) | x
1
, x
2
R }

no lo es. Tampoco es un sub-espacio el conjunto:

S
2
= {(x
1
, x
2
, x
3
) | x
1
2
+ x
2
2
+ x
3
2
= 1, x
i
R, i = 1, 2, 3}

S
Pg. 12

Se trata de la esfera unidad en R
3
. Los conjuntos como ste se llaman
variedades y aunque no presenten caractersticas lineales, su estudio local
implica la consideracin de espacios vectoriales (en este caso de planos).

En todo espacio vectorial hay siempre dos sub-espacios, el espacio total y el
vector cero (el elemento neutro del conjunto considerado como grupo
abeliano). Pero puede no haber ms.

EJEMPLO 1.4: Los dos nicos sub-espacios del espacio vectorial real R son {0}
y R. La demostracin es la siguiente. Sea W un sub-espacio vectorial de R.
Entonces, si 0 x W, x.y W para todo nmero real y. Como x tiene
inverso (-x W entonces x.y W), se tiene:

F = {x.y | y R} = R

Como F W y W sub-espacio de R entonces se tiene: W = R.
Si en W solo tenemos el elemento 0, entonces: W = {0}.
Teorema 1.2.3: Sea HR
n
; H, H es sub-espacio vectorial de R
n
s y solo s:
Dado x, y H: (x + y) H; para todo R.

Demostracin:
() como H es espacio vectorial se tiene que:
Dado x, y H: (x + y) H
Dado R, x H: (.x) H
Determinemos x
1
= .x y y
1
=.y elementos de H, entonces x
1
+y
1
H, luego:
.x +.y H.
() Queda como ejercicio.

EJERCICIO 1.3: Sea H = {(x,y) R
2
; y=x
2
}. Es cierto que (x,y) + (u,v) H
; para todo , R, para todo (x,y), (u,v) H?

Desarrollo
(x,y) + (u,v) H, entonces:
(x + u ,y + v) H, luego por definicin
y + v = (x + u)
2

y + v=
2
x
2
+ 2
2
xu +
2
u
2
(i)
mas por otro lado:
(x,y), (u,v) H, entonces por definicin:
Pg. 13

y=x
2
e v=u
2

y=x
2
e v=u
2

y + v =x
2
+ u
2
.(ii)

luego nos damos cuenta de la diferencia de (i) y (ii).
Teorema 1.2.4: Sea H
i
, i=1,,n; sub-espacios de R
n
, entonces, H
i
es sub
espacio de R
n

Demostracin: Dado x,y H
i
, entonces:
x,y H
1
x,y H
2
x,y H
3
x,y H
n
Entonces dado , R
x + y H
1
x + y H
2
x + y H
3
x + y H
n

x + y H
i
; luego por teorema 1.2.3 H
i
es sub espacio de R
n

1.3. DEPENDENCIA E INDEPENDENCIA LINEAL.

Definicin 1.3.1: Sea {v
1
,,v
m
} un conjunto finito de vectores. Una combinacin
Lineal de v
1
,,v
m
; es una suma de la forma:
1
.v
1
+ +
m
.v
m
; donde
i
R ; para todo i=1,,n

Definicin 1.3.2:

ea {v
1
,,v
m
} un conjunto finito de vectores se dice que es
linealmente independiente si:
1
.v
1
+ +
m
.v
m
= 0 s y solo s
i
= 0 ;
para todo i=1,,n
S
n
i=1

n
i=1

n
i=1

n
i=1

Pg. 14

EJEMPLO 1.5: las funciones x, sen(x), cos(x), son linealmente independientes.
Para ver esto debemos buscar escalares que dada la ecuacin:

a.x + b.sen(x) + c.cos(x) = 0 ; para todo valor de x

Veamos que esta condicin implica que necesariamente a=0, b=0 y c=0. Para ello
damos valores convenientes a x y tenemos por ejemplo x=0:
a.0 + b.sen(0) + c.cos(0) = 0 (cos0 = 1 y sen0 = 0)
es decir c=0.
Si c=0 nuestra funcin: a.x + b.sen(x) = 0.
Tomando x=2=0 se observa que:
a.2 + b.sen(2) = 0 (sen 2=0)
quiere decir que a=0.
La funcin se reduce a: b.sen(x) =0 y para x=/2, sen(/2)=1, por lo que
queda que b=0.
Entonces hemos visto que para que a.x + b.sen(x) + c.cos(x) = 0 necesariamente
a=0, b=0 y c=0, luego las funciones son linealmente independientes (l.i.)

Definicin 1.3.3: Cuando un conjunto no es Linealmente Independiente, se
llama Linealmente dependiente (l.d.).

Teorema 1.3.4: Sea V= {v
1
,,v
m
} un conjunto Linealmente Independiente de
vectores. Entonces todo subconjunto no vaco A V es Linealmente
Independiente.
Demostracin: Sea A un subconjunto de {x
1
,...,x
n
}. Supongamos que se ordenan
los ndices de modo tal que A={x
1
,...,x
r
}.
Si A fuera Linealmente Dependiente existiran escalares no nulos
i
; i=1,,r
tales que:
1
x
1
+
2
x
2
+
3
x
3
+ +
r
x
r
= 0
Luego, tomando
r+1
= 0 ,
r+2
= 0,
r+3
= 0, ,
n
= 0
Resulta:
1
x
1
+
2
x
2
+
3
x
3
+ +
r
x
r
+
r+1
x
r+1
+
r+2
x
r+2
+
r+3
x
r+3
+ +
n
x
n
= 0
Con lo que los
i
no todos son cero, contradiciendo la hiptesis de que el
conjunto total era Linealmente Independiente.

Teorema 1.3.5: Un conjunto formado por un solo vector A es Linealmente
Independiente s y solo s A0.

Pg. 15

Demostracin: Sea A0.
Si a.A=0 con a0, como a es un nmero real, a0 implica que existe (1/a)
luego:
(1/a)(a.A) = (1/a).0 = 0 , pero (1/a)(a.A) = ((1/a).a).A = 1.A =A, por lo tanto A=0
contradiciendo la hiptesis.
Luego si A0 entonces {A} es Linealmente Independiente.

Observacin: Si A=0, para todo a (por ejemplo a=1), a.A=0 con a0; por lo
tanto {A} es Linealmente Dependiente.

1.4. BASES EN R
N
.

Definicin 1.4.1: B={v
1
,,v
n
} es un conjunto de generadores de R
n
, s y solo s
para todo v R
n
existen
1
,,
n
R. Tal que:
V=
1
v
1
+ +
n
v
n

EJEMPLO 1.6: Sea B={(1,1),(0,1),(1,0)}, B es un conjunto de generadores ya que
dado v R
2
; existen x, y, z elementos de R.

(7,5)=x(1,1)+y(0,1)+z(1,0) entonces (7,5)=(x+0+z,x+y+0); luego:
7 = x+z y 5= x+y donde x=2, z=5 e y=3

EJEMPLO 1.7: En el espacio vectorial de los polinomios, el conjunto formado
por los polinomios {1, x , x
2
, x
3
, x
4
, , x
n
, } es un conjunto de generadores.

NOTA: El conjunto {e
1
,,e
n
} es un conjunto de generadores de R
n
.

Definicin 1.4.2:

B={v
1
,,v
n
} es una base de R
n
s y solo s B es
linealmente Independiente y adems es un conjunto de
generadores R
n
.

EJEMPLO 1.8: En el espacio R
2
, el conjunto {(1,0),(0,1)} es una base.
Directamente se comprueba la Independencia lineal:
x(1,0) + y(0,1) = (0,0) esto es posible s y solo s x=0 e y=0.
*
Pg. 16

Tambin es un conjunto de generadores: Dado (x,y) R
2
: (x,y) = x(1,0) + y(0,1).

EJEMPLO 1.9: El conjunto {(1,-1),(1,1)} es una base. Obviamente es Linealmente
Independiente:
x(1,-1) + y(1,1) = (0,0) esto solo es posible con los valores x=0 e y=0;
dado (x,y)R
2
: (x,y)=(1,-1) + (1,1) luego:
x=+ e y=- luego: x=+ e y + =
x= y ++ entonces =(x y)/2 e y + (x y)/2 = ; = (x + y)/2
=(x y)/2 y = (x + y)/2
Comprueba que genera R
2
.

EJEMPLO 1.10: (1,0,0), (0,1,0) Y (0,0,1) es una base en el espacio.

Definicin 1.4.3: Se llama dimensin de un espacio vectorial V sobre un
cuerpo K al cardinal comn de las bases de V .

Teorema 1.4.4: Un conjunto B es Linealmente Independiente de vectores R
n

s y solo s el conjunto posee n vectores:

Card(B) = n

Teorema 1.4.5: Sea V un espacio vectorial. Todas las bases de V tienen
el mismo cardinal

EJEMPLO 1.11: Si se considera a C como un espacio vectorial sobre R, una
base es por ejemplo, {1, i}. Pero {1, 1} no lo es. La dimensin de C sobre los
reales es 2.

Pg. 17

CAPTULO 2
Normas y Producto Interno en R
n

2.1. PRODUCTO INTERNO EN R
n

Definicin 2.1.1:
n producto interno en R
n
es una aplicacin < .

< . : R
n
x R
n
R
x , y < x , y
Tal que cumple las siguientes propiedades.

(1) < x , x 0 y x , x > = 0 s, y solo s x=0
(2) a.x , y =a. x , y para todo nmero real a
(3) y , x = x , y
(4) x + y , z x , z + y , z
U
Pg. 18

Luego de (2) y (4): x + y , z x , z + y , z (propiedad bi-lineal)
Note que en esta definicin concluimos inmediatamente que, para todo x R
n
,

0 , x = (00) , x = 0 0 , x = 0.

EJEMPLO 2.1: En R
2
, si x = (x
1
, x
2
), e y = (y
1
, y
2
), el producto interno
cannico esta dado por:
x , y = x
1.
y
1
+ x
2.
y
2
.

EJEMPLO 2.2: En R
n
, para x = (x
1
, . . . , x
n
), e y = (y
1
, . . . , y
n
), definimos

EJEMPLO 2.3: En R
2
, la operacin:

x , y = (x
1
x
2
) (

) (
) = 2x
1
y
1
x
1
y
2
x
2
y
1
+ 4x
2
y
2 ,

define un producto interno. De modo que la primera propiedad es verdadera
pues
x , x = 2
2x
1
x
2
+ 4
= 2[(x
1
x
2
/2)
2
+ 7
/4] > 0

si (x
1
, x
2
) (0 , 0) ; Las otras propiedades del producto interno son mas
fciles de ser demostradas.

Pg. 19

EJEMPLO 2.4: Considere el espacio vectorial F = {f: [0,1] R / f es continua}
con las operaciones de suma de funciones y multiplicacin por un escalar,
similar al EJEMPLO 1.1.

Entonces la operacin dada por la integral de Riemann:

Define un producto interno en este espacio.

NOTA: Se dice que los vectores x, y R
n
son ortogonales, esto se escribe
x y, cuando x , y > = 0. Por ejemplo, e
i
, e
j
>= 0 se i j.

Teorema 2.1.2: Sea x R
n
no nulo. Para todo y R
n
, el vector:

Es ortogonal a x.

Demostracin:

observacin: Escribiendo

Veamos as mismo que, una vez dado un vector no nulo x R
n
, todo vector
y R
n
se escribe como la suma de un mltiplo de x con un vector ortogonal
a x.
Esta descomposicin es nica pues si y = . x + z como z x, tomndose el
producto interno de ambos miembros por x obtenemos:
x , y > = x , x >, luego = x , y >/ x , x >.
El vector x = ( x , y >/ x , x >). x

Se llama proyeccin ortogonal de y sobre x.
Pg. 20

NOTA: Dado x R
n
, x=(x
1
, x
2
, x
3
, x
4
, , x
i
, , x
n
) y dado un vector cannico
e
i
. El producto interno entre ambos vectores resulta la i-sima coordenada del
vector x, es decir:

x , e
i
> = x
i
, Para todo i=1, n

2.2. NORMAS EN R
n

Definicin 2.2.1:
na norma (o longitud) en Rn, es una aplicacin .

. : R
n
R
x x

Tal que cumple las siguientes propiedades.

(1) x 0 y x= 0 s, y solo s x=0
(2) a.x=|a|.x para todo nmero real a
(3) y x=x - y (distancia entre x e y)
(4) x + yx+y (desigualdad triangular)

Cuando un espacio vectorial V tiene una norma asociada, se dice que es un
espacio normado.

EJEMPLO 2.5: .
1
: R
n
R, definida por: (x
1
,,x
n
)
1
= |x
1
| + + |x
n
| es
una norma.
U
x
y

Pg. 21

Veamos que cumpla cada una de las propiedades de la norma:

(1) x 0 y x= 0 s, y solo s x=0
x
1
= (x
1
,,x
n
)
1
= (|x
1
| + + |x
n
|) 0 ya que cada |x
i
| 0 para
todo i=1,,n.
Si x
1
= (x
1
,,x
n
)
1
= (|x
1
| + + |x
n
|) = 0 luego |x
i
| = 0, entonces
x
i
= 0 para todo i=1,,n. esto es: x=0 (vector nulo)

(2) a.x=|a|.x para todo nmero real a
a.x
1
= a.(x
1
,,x
n
)
1
= (|a.x
1
| + + |a.x
n
|) luego por prop. De |.|
= (|a|.|x
1
| + + |a|.|x
n
|) = |a|.(|x
1
| + + |x
n
|)=|a|.x
1

(3) y x=x - y (distancia entre x e y)
y - x
1
= (y
1
,,y
n
) - (x
1
,,x
n
)
1
=(y
1
- x
1
, ,y
n
- x
n
)
1
= (|y
1
- x
1
| + + | y
n
- x
n
|) = (|x
1
- y
1
| + + | x
n
- y
n
|)
= (x
1
- y
1
, , x
n
- y
n
)
1
=(x
1
,,x
n
) - (y
1
,,y
n
)
1

= x - y
1

x + y
1
= (x
1
,,x
n
) + (y
1
,,y
n
)
1
=(x
1
+ y
1
, ,x
n
+ y
n
)
1
= (|x
1
+ y
1
| + + | x
n
+ y
n
|)
(|x
1
| + |y
1
|) + + (| x
n
| + |y
n
|)
= (|x
1
| + + | x
n
|) + ( |y
1
| + + |y
n
|)
= x + y.

EJEMPLO 2.6: .: R
n
R, definida por:

s una norma.

EJEMPLO 2.7: .
P
: R
n
R, definida por:

es una norma.

EJEMPLO 2.8: .
: R
n
R, definida por:

Pg. 22

x
: mx { |x
1
| , , |x
n
| }
Es una norma.

Teorema 2.2.2: Sea V=R
n
un espacio vectorial con producto interno, entonces:

x = ( x , x >)
1/2
x
2
= x , x >
Define una norma en V=R
n
.

Demostracin: Basta probar las propiedades de la Definicin 2.2.1

NOTA: Cuando |x| = 1, e dice que x es un vector unitario. Para todo x = 0, el
vector u = x/|x| es unitario.

Teorema 2.2.3: (TEOREMA DE PITGORAS): Sea x y entonces:

x + y
2
= x
2
+ y
2
.

Demostracin: x + y
2
= x + y, x + y > = x, x > + 2 x , y > + y , y >
= x , x >+ y , y > = x
2
+ y
2
.

Teorema 2.2.4: (DESIGUALDAD DE CAUCHY SCHWARZ): Sea x, y R
n
,
entonces:
| x , y >| x.y

Demostracin: Dado x,y Rn , R:
(x +y) , (x +y) > = (x +y)
2
0
Luego por la propiedad de producto interno tenemos:
(x +y) , (x +y) > = x , (x +y) > + y , (x +y) >
= x , x > + x , y > + y , x > +
2
y , y >
= x
2
+ 2 x , y > +
2
y
2

Lo relacionamos con una ecuacin cuadrtica de la forma: ax
2
+ bx + c. con x=
Donde: a =y
2
, b = 2 x , y > y c = x
2
Como x
2
+ 2 x , y > +
2
y
2
0 esto quiere decir que:
ax
2
+ bx + c 0 ; b
2
-4ac 0 entonces:
4 x , y >
2
4y
2
.x
2
0 luego:
4 x , y >
2
4y
2
.x
2

x , y >
2
y
2
.x
2

| x , y >| y.x
Pg. 23

Observacin: Note en la demostracin que la igualdad de:
| x , y >| = x.y vale si, y solamente s x = .y para algn R.

En un caso particular en que x e y son vectores no nulos del espacio R
2
o R
3
,
interpretados como vectores en el plano o el espacio, se verifica la siguiente
relacin:
cos=

donde es el ngulo entre los vectores x e y, luego se define generalmente el
ngulo de los vectores no nulos del espacio R
m
.

= arccos(
; para x,y 0.

Luego la desigualdad

Asume apenas los valores del intervalo [-1,1]; esta garanta resulta
inmediatamente de la desigualdad de Cauchy Schwarz.

Teorema 2.2.5: Dado x, y R
n
.

x + y
2
(x+ y)
2

Demostracin:
x + y
2
= x + y, x + y > = x
2
+ 2 x , y >+ y
2

Luego, usando la desigualdad de cauchy, tenemos:
x
2
+ 2 x , y >+ y
2
x
2
+ 2xy+ y
2
= (x+ y)
2
x

y
0
Pg. 24

Proposicin 2.2.6: Sea x, y R
n
, para toda norma vale la siguiente desigualdad:

|x-y| x - y

Demostracin: En efecto, x = (x y) + y resulta que |x| |x y|+ |y|, luego
|x| |y| |x y|.
Trotando los papeles de x e y, obtenemos |y| |x| |y x|. Mas |y x| =
|x y|, luego |y| |x| |x y|. Conclusin: | |x| |y|| |x y|.

NOTA: Debemos tener en cuenta que la definicin 2.2.1 nombra a la norma
como longitud, esto quiere decir que dado x, y R
n
, la norma x y es la
longitud que existe entre x e y.

EJEMPLO 2.9: En R, la norma x - y= | x y | lo que es la distancia de dos
puntos en la recta o la longitud del segmento de recta.

EJEMPLO 2.10: En R
2
, la norma determina la distancia de dos puntos en el
espacio bi-dimensional o la longitud del segmento en el plano.

x - y= | x y |

|x y |

x
y
Eje de las
ordenadas
Eje de las
abscisas
x y
Pg. 25

EJERCICIO 2.1: Sea B={e
1
, , e
n
} R
n
, un conjunto de vectores de longitud
unitaria, pruebe que:
a) si e
i
, e
j
>= J
ij
= {

b) Halle
i
, i=1, n tales que:
x=
1
.e
1
+
2
.e
2
+ +
n
.e
n
; donde x R
n

Desarrollo:

a) i. Probaremos la Independencia Lineal:
0 =
1
.e
1
+ +
n
.e
n

e
i
, 0 > = e
i
, (
1
.e
1
+ +
n
.e
n
) >
0 = e
i
,
1
e
1
> + + e
i
,
i
e
i
> + + e
i
,
n
e
n
>
0 =
1
e
i
, e
1
> + +
i
e
i
, e
i
> +
n
e
i
, e
n
>
0 =
i
para todo i=1,,n.
ii. x =
1
.e
1
+ +
n
.e
n

Por tanto B es una Base.

b) e
i
, x > = e
i
, (
1
.e
1
+ +
n
.e
n
) >
e
i
, x > = e
i
,
1
e
1
> + + e
i
,
i
e
i
> + + e
i
,
n
e
n
>
e
i
, x > =
1
e
i
, e
1
> + +
i
e
i
, e
i
> +
n
e
i
, e
n
>
e
i
, x > =
i
para todo i=1,,n.
Tal que:
x= e
1
, x >e
1
+ e
2
, x >e
2
+ + e
n
, x >e
n

EJERCICIO 2.2: Pruebe que:

Demostracin:

Sea X={ x
i
R; i=1,,n }. Si x R
n
, donde x = (x
1
,,x
i
,,x
n
). Entonces tenemos:
|x
i
|
p
|x
1
|
p
+ |x
2
|
p
+ |x
3
|
p
+ + |x
i
|
p
+ + |x
n
|
p
; para todo i=1,,n
|x
i
|
p

(|x
i
|
p
)
1/p

B es una base
de R
n

Pg. 26

Donde X es acotado superiormente y el lmite es cota superior del conjunto X.
Dado C cota superior de X, entonces se tiene que:

Para todo x
i
; i=1,,n :
|x
i
| C
|x
i
|
p
C
p

(n.C
p
)
1/p

C

Lo que demuestra que es el menor de las cotas superiores, en resumen el
supremo de X. en un conjunto acotado, el supremo del conjunto, tiende a
coincidir con el mximo del conjunto. Por tanto:

Queda demostrada la igualdad.

Definicin 2.2.7: Supongamos que . y ., son dos normas en Rn.
Decimos que . y ., son equivalentes. Si y solo s, existen , > 0.
Tales que:

Pg. 27

x x x.

EJERCICIO 2.3: Demuestre que las normas:
x
1
=
y
x = mx{|xi| ; i=1,,n} ; son equivalentes.

Desarrollo:
Sea :
|x
1
| |x
1
| + + |x
n
|
.
.
.
|x
n
| |x
1
| + + |x
n
|
Mx {|x
1
| + + |x
n
|} |x
1
| + + |x
n
|
1.x
x
1
(I)
Donde = 1.

Luego tenemos:
|x
1
| mx {|x
1
| + + |x
n
|}
.
.
.
|x
n
| mx {|x
1
| + + |x
n
|}

n.mx {|x
1
| + + |x
n
|}
x
1
n.x
(II)

Donde = n.
1.x
x
1
n.x
; por lo tanto las normas son equivalentes.

EJERCICIO 2.4: Demuestre que las normas . y . arbitrarias de R
n
,
son equivalentes.

Demostracin:
Sea . y . normas en R
n
; entonces tenemos:
x + yx+y= K ; donde k R
x + yx+y= L ; donde L R
Pg. 28

Tomemos c=K/L R entonces c R, por tanto la desigualdad:

Luego:

Lo que tambin verifica:

O que prueba la equivalencia.

EJEMPLO 2.11: Sea el espacio Producto R
m
xR
n
, definimos la norma:

|.|
1
: R
m
xR
n
R
x y |x , y|
1
=x+y

se verifica que |.|
1
es una norma.

EJEMPLO 2.12: Sea el espacio Producto R
m
xR
n
, definimos la norma:

|.|
2
: R
m
xR
n
R
x y |x , y|
2
=mx{x,y}

Se verifica que |.|
2
es una norma.

EJERCICIO 2.5: En R
m
xR
n
las normas |.|
1
y |.|
2
son equivalentes?

Desarrollo:

xx+y y yx+y entonces:
Mx.{x,y} x+y
Por tanto: |x , y|
2
|x , y|
1

xmx{x,y} y ymx{x,y} entonces:
Por tanto: |x , y|
1
2.|x , y|
2

Luego obtenemos: |x , y|
2
|x , y|
1
2.|x , y|
2

Donde existen los reales =1 y =2.
Pg. 29

2.3. ESPACIO DE MATRICES

a Matriz es un arreglo rectangular
mediante filas y columnas totalmente
simtricas.

a
11
a
12
a
13
a
1n

a
21
a
22
a
23
a
2n

a
31
a
32
a
33
a
3n

. . . . .
. . . . .
. . . . .
a
m1
a
m2
a
m3
a
mn

Es una matriz de orden mxn (M
mxn
); donde a
ij
= entrada (i,j). Evidentemente sea
A, B M
mxn
: A=B si y solo s: a
ij
=b
ij
para todo i=1,,n ; j=1,,m

Definicin 2.3.1: Sea A M
mxn
, llamaremos Matriz transpuesta a A
t
M
t
nxm

que resulta de intercambiar las filas de A por las columnas de A.

a
11
a
12
a
13
a
1n

a
21
a
22
a
23
a
2n

a
31
a
32
a
33
a
3n

. . . . .
. . . . .
. . . . .
a
m1
a
m2
a
m3
a
mn

a
11
a
12
a
13
a
1m

a
21
a
22
a
23
a
2m

a
31
a
32
a
33
a
3m

. . . . .
. . . . .
. . . . .
a
n1
a
n2
a
n3
a
nm

Claramente se verifica que: (A
t
)
t
= A
L

A =

A
t
=

a
ij

a
ji

Pg. 30

mxn
, se llama Co-factor de A a la matriz

m
11
m
12
m
13
m
1n

m
21
m
22
m
23
m
2n

m
31
m
32
m
33
m
3n

. . . . .
. . . . .
. . . . .
m
m1
m
m2
m
m3
m
mn

donde m
ij
=(-1)
i+j
.|M
ij
|

mxn
, se llama Adjunta de A a la matriz
Adj(A)=(Cof(A))
t
.

mxn
cuya |A| 0; se llama matriz inversa de A a
la matriz A
-1
que esta dada por:

Observaciones:

a) A M
mxn
es cuadrada si y solo s m=n
b) A M
mxn
es simtrica si y solo s A
t
=A ; es decir a
ij
=a
ji
i=1,,n , j=1,,m
c) A M
mxn
es nula s y solo s a
ij
= 0 ; i=1,,n ; j=1,,m
d) Llamaremos diagonal principal de una matriz cuadrada A a la n-tupla
(a
11
,a
22
,a
33
,,a
nn
)
e) Una matriz cuadrada es diagonal si y solo s a
ij
= 0 ; ij
f) Una matriz diagonal es una matriz escalar si y solo s a
11
= a
22
= = a
nn

g) La matriz identidad de orden n es la matriz escalar cuadrada donde:
a
ij
=1 ; i=j , la denotaremos por In.
h) Si definimos la delta de Kroneker mediante:

ij
= {

entonces In = (
ij
).

Cof(A)=
=
Pg. 31

Definicin 2.3.5: Dado A, B M
mxn
y R, definimos:

1. A + B = (a
ij
)
mxn
+ (b
ij
)
mxn
= (a
ij
+ b
ij
)
mxn

2. .A = (a
ij
)
mxn
= (.a
ij
)
mxn

entonces:
+ : M
mxn
x M
mxn
M
mxn

A B (A+B)

. : R x M
mxn
M
mxn

A .A

Proposicin 2.3.6: (M
mxn
, +, . , R) es un Espacio Vectorial sobre R.

Demostracin: Basta probar las propiedades de la definicin 1.1.3.

EJERCICIO 2.6: En M
mxn
(dimensin 2x2=4), el conjunto:

(

)
(

)
(

)
(

)

Es una base en M
mxn
.

Verificacin:
i) probando la Independencia Lineal:
dado
i
R, i=1,2,3,4 ; se tiene que:
1
.e
1
+
2.
e
1
+
3.
e
3
+
4.
e
4
= 0 ; donde 0 representa la matriz nula.
Esto es:
(

)
(

)
(

)
(

) (

)
Luego:
(

) (

) (

) (

) (

)
Continuando:
(
) (

)
Donde por igualacin tenemos:

i
=0 para todo i=1,2,3,4. Lo que prueba la dependencia lineal.
ii) luego es un sistema de generadores:

Pg. 32

(

)
(

)
(

)
(

) (
)
Donde
i
= x
i
para i=1,2,3,4
Por tanto B es una Base en M
mxn
.

Definicin 2.3.7: Sean A, B M
mxn
, se define la aplicacin:

Donde:

. > : M
mxn
x M
mxn
R
A B A , B >

Es un producto interno.

Definicin 2.3.8: Sean A, B M
mxn
, se define la aplicacin:

EJERCICIO 2.7: Verifique que .
1
es una norma.

Verificacin: Dado A, B M
mxn
, R
(1) x 0 y x= 0 s, y solo s x=0

0
si
= 0, entonces |a
ij
|=0 para todo i=1,,m;
j=1,,n. Luego A=0. (matriz nula)
(2) .x=||.x para todo nmero real

= ||.A
1
(3) y x=x - y


Por lo tanto
es una norma.

Pg. 33

2.4. DESIGUALDADES BSICAS

Teorema 2.4.1:
i a,b R, tales que 0 a y 0 b, y si es real tal que:
0 1 , entonces:

a
.b
1-
.a + (1-).b
Demostracin:
Existe : [ 0 , + [ R, tal que:
t[0,+[ se tiene que: (t) = (1-) + .t t

Entonces:
t ] 0,+[ ocurre (t) = .t
-1 = .(1-t
-1
)
Luego:
((t) 0 (1-t
-1
) 0 1 t
-1
0 (-1).Ln(t) 0 t 1, se sabe
que 0 t ) y ( 0 (t) 0 (1) 0 1-t
-1
t
-1
1 (-1).ln(t) 0
0 ln(t) 1 t)
Entonces es decreciente sobre ]0,1[ y es creciente sobre el intervalo:
]1,+[
Entonces tiene mnimo en 1 lo que quiere decir que: t ] 0,+[ se cumple:
0 = (1) (t) =(1-) + .t t

Entonces para b=0, tenemos: a
.b
1-
= 0 .a = .a + (1-).b
Entonces para b>0, poniendo t=a/b, tenemos:
0 (1-) + (a/b).(a/b)
luego a
.b
1-
.a + (1-).b

Corolario 2.4.2: Si c, d R
+
, si p,q son reales mayores que 1, tales que:
1/p+1/q=1; entonces:

Prueba:

Por el teorema 2.4.1 tomemos a = c
p
y b = d
q
, los reales mayores iguales
que cero, = 1/p es el real que esta entre 0 y 1, tal que:

a
.b
1-
.a + (1-).b
luego remplazamos los elementos:

S
Pg. 34

Como 1/p + 1/q = 1 entonces 1-1/p = 1/q, luego remplazamos esta igualdad en la
ecuacin.

Teorema 2.4.3: (DESIGUALDAD DE HOLDER-SCHWARS-BUNIAKOWSKI)
Sea p,q son reales mayores que 1, tales que: 1/p+1/q=1 y si para todo i=,,n, c
i
,
d
i
R, se cumple:

Prueba:

Consideremos los siguientes casos:
(

entonces, para todo i=1,,n ; c
i
= 0 d
i
= 0 entonces:

por lo tanto:

ii) Haremos uso del teorema 2.4.2 tomando los reales mayores iguales que
cero:

luego i = 1,,n se

tiene que:
Pg. 35

Luego realizamos las operaciones respetivas:

Proposicin 2.4.4: (x
n
) sucesin de nmeros reales tal que x
n
es no
decreciente y es acotado superiormente, entonces:

Pg. 36

Prueba:

Siendo (x
n
) acotado, entonces tenemos: k R / n N: |x
n
| k
Luego (x
n
) es no decreciente, entonces para i=1,,n : x
i
x
n
; { x
n
: n N } R.
Luego (x
n
) esta Acotado superiormente s R / s=sup{ x
n
: n N }
esto implica:
(> 0, x
no
/ s - x
no
) ( >0 , n
0
N)
Tal que:
n
0
n entonces s - x
no
x
n
s s + luego tomamos los extremos y
tenemos:
| x
n
s| .

Proposicin 2.4.5: Sean (x
n
), (y
n
) sucesiones de R, mN /nN ; mn, x
n
y
n
.
Si dado x, y R se tiene que:

Entonces x y.

Prueba:

Dado que: x
n
y
n

x y

Corolario 2.4.6: Sea p,q son reales mayores que 1, tales que: 1/p+1/q=1 y si
para todo i=,,n, c
i
, d
i
R y si se cumple que
+ y
,
entonces:

Demostracin:
Por el teorema 2.4.2. tenemos que:

Pg. 37

Luego vemos que
son
sucesiones de R.
Existe k R tal que: para todo nN:
k
Por tanto
es acotada e inmediatamente

tambin es acotada.
Deducimos que las sucesiones son convergentes, no decrecientes y acotadas
superiormente. Entonces por la Proposicin 2.4.4 tenemos que:

Entonces se concluye por la proposicin 2.4.5 lo siguiente:

Teorema 2.4.7: (DESIGUALDAD DE MINKOUSKY) Sea p es un real mayor
o igual que 1; para todo i=,,n, c
i
, d
i
R, se cumple:

(

Pg. 38

Prueba:
Consideremos los dos casos:
j)
= 0
En efecto:
(

ii)
> 0
para p=1
(

Para p > 1

((
) (

Debe notar que:

Esto lleva a deducir que:
1 1/p = 1/q , luego: p 1 = p/q ; lo que se remplaza en la ecuacin:

((
) (
((
) ((

((
) (

Ahora esto nos lleva a lo siguiente:
Pg. 39

((
) (
((
)

(

Corolario 2.4.8: Si para todo i N, p es un real mayor o igual que 1 y c
i
, d
i
R,
se cumple:

Converge y
converge, entonces:

(

Demostracin:
La demostracin es similar a la del corolario 2.4.6.

EJERCICIO 2.8: Verifique que:

Es una norma.

Verificacin:

(1) x 0 y x= 0 s, y solo s x=0

= 0 , entonces |a
ij
|
p
= 0, para todo i=1,,m
j=1,,n luego A=0 (matriz nula)
(2) .x=||.x para todo nmero real

Pg. 40

=

(3) y x=x - y


luego, por Holder-schwarz

Por tanto la aplicacin de :
es una norma.

EJERCICIO 2.9: En M
2x2
se define:

A = (
) y B=(
) y C=(
)

A, B > = x
1
.y
1
+ x
2
.y
2
+ x
3
.y
3
- x
4
.y
4
Verifique si la aplicacin es un producto interno.

Verificando: para todo A, B, C M
2x2
y R, Basta probar las propiedades de
producto interno:
(1) < x , x 0 y x, x > = 0 s, y solo s x=0
A, A >= x
1
.x
1
+ x
2
.x
2
+ x
3
.x
3
- x
4
.x
4
0 si (x
1
.x
1
+ x
2
.x
2
+ x
3
.x
3
) x
4
.x
4

(2) a.x , y =a. x , y para todo nmero real a
A , B > = x
1
.y
1
+ x
2
.y
2
+ x
3
.y
3
- x
4
.y
4

= (x
1
.y
1
+ x
2
.y
2
+ x
3
.y
3
- x
4
.y
4
) = .A,B>
(3) y , x = x , y
A , B > = x
1
.y
1
+ x
2
.y
2
+ x
3
.y
3
- x
4
.y
4
= y
1
.x
1
+ y
2
.x
2
+ y
3
.x
3
- y
4
.x
4

= B , A >
(4) x + y , z x , z + y , z
A + B , C > = (x
1
+ y
1
).z
1
+ (x
2
+ y
2
).z
2
+ (x
3
+ y
3
).z
3
(x
4
+ y
4
).z
4

= x
1
.z
1
+ x
2
.z
2
+ x
3
.z
3
- x
4
.z
4
+ y
1
.z
1
+ y
2
.z
2
+ y
3
.z
3
- y
4
.z
4

= A , C > + B, C >

Pg. 41

Captulo 3

TOPOLOGA EN R
n

Algunos conceptos fundamentales, como el paso al lmite o la continuidad de
funciones en espacios euclidianos, estn definidos exclusivamente en trminos
de la distancia. Otras propiedades de los espacios euclidianos, como su
estructura de espacio vectorial, no intervienen en dichos conceptos.

3.1. ESPACIO MTRICO

A grandes rasgos, un espacio mtrico es un conjunto provisto de una distancia,
llamada mtrica, y a partir de sta construimos sus propiedades analticas:
lmites y continuidad.

Definicin 3.1.1:
ea X un conjunto no vaco. Una mtrica o distancia en X es una
aplicacin
d:XxX R
x , y d(x,y)

Que verifica las siguientes propiedades:

S
Pg. 42

(1) d(x; y) 0 para todos x, y X.
(2) d(x; y) = 0 si, y solo si, x = y.
(3) d(x; y) = d(y; x) para todos x, y X .
(4) d(x; z) d(x; y) + d(y; z) para todos x, y , z X .
(esta ltima se denomina desigualdad triangular)

Un espacio mtrico es un par (X; d) donde X es un conjunto no vaco
y d es una distancia definida en X.

EJEMPLO 3.1: En el espacio R
2
y con la aplicacin d definida de la siguiente
manera:
d: R
2
xR
2
R

Dado, (x
1
,x
2
) , (y
1
,y
2
) R
2
: d((x
1
,x
2
),(y
1
,y
2
))=|x
1
-y
1
| + |x
2
-y
2
| ; es una mtrica
llamada Mtrica del Taxi.

Observacin: Notar que la aplicacin d esta definida como lo esta la norma
.
1
, lo cual para cada (x
1
,x
2
) , (y
1
,y
2
) R
2
:

(x
1
,x
2
) - (y
1
,y
2
)= |x
1
-y
1
| + |x
2
-y
2
|
EJEMPLO 3.2: En R, definimos una mtrica de la siguiente manera:

d: R x R R

Dado, x, y R: d(x,y)=|x - y| ; es una mtrica llamada Mtrica Estndar.

Observacin: Notar que la aplicacin d esta definida como lo esta la norma
., lo cual para cada x, y R: x - y= |x

-y|

EJEMPLO 3.3: En Rn, definimos la aplicacin d:

d: R
n
xR
n
R
Dado, (x
1
,x
2
,,x
n
) , (y
1
,y
2
,,y
n
) R
n
se tiene que:

Es una mtrica llamada Mtrica Euclidiana.
Pg. 43

Observacin: Notar que la aplicacin d esta definida como lo esta ., lo
cual para cada , (x
1
,x
2
,,x
n
) , (y
1
,y
2
,,y
n
) R
n
:

EJEMPLO 3.4: En Rn tambin se define la aplicacin d de tal manera que es
una mtrica:

d: R
n
xR
n
R
Dado, (x
1
,x
2
,,x
n
) , (y
1
,y
2
,,y
n
) R
n
se tiene que:

d((x
1
,x
2
,,x
n
) - (y
1
,y
2
,,y
n
)) = mx { |x
1
y
1
| , , |x
n
y
n
| }

Conocida como Mtrica del Mximo

Observacin: Notar que la aplicacin d esta definida como lo esta .
, lo
cual para cada , (x
1
,x
2
,,x
n
) R
n
: x
: mx { |x
1
| , , |x
n
| }

EJEMPLO 3.5: En R definimos ahora
d
A
(x,y) =

Para todo x, y elementos de R, d
A
es la mtrica llamada Mtrica Acotada

EJEMPLO 3.6: Sea (X,d) un espacio mtrico, al igual que el ejemlo anterior,
podemos verificar que:
d
A
(x,y) =

Para todo x, y elementos de R, d
A
es la mtrica llamada Mtrica Acotacin de
la mtrica d en X

EJEMPLO 3.7: Sea X . Definimos:

d(x,y) = {

Es claro que (X,d) es un espacio mtrico, y d llamada Mtrica Discreta.
Pg. 44

Gracias al EJEMPLO 3.7 podemos garantizar que cualquier conjunto distinto de
Vaco puede ser dotado de una mtrica.

EJEMPLO 3.8: En cualquier conjunto por raro que sea se puede definir la
mtrica discreta, con la definicin dada. Por ejemplo:
Sea X = {,,} , se tendra:

d(,) = 0 d(,) = 0 d(,) = 0
d(,) = 1 d(,) = 1 d(,) = 1

EJEMPLO 3.9: Dados dos mensajes de la misma longitud se define su distancia
de Hamming, d
H
, como el nmero de letras correspondientes desiguales (por
qu es una distancia?). Por ejemplo:

d
H
(No quiero verte ms ; Yo quiero verte ms) = 1

De modo que distancia pequea no implica significados parecidos, lo que puede
llevar a graves confusiones. Para evitar errores en la transmisin, sobre todo si
el canal no es muy fiable, se intenta aumentar la DISTANCIA DE HAMMING
de mensajes parecidos. La forma ms obvia, empleada por muchas madres y
pedigeos, es repetir varias veces el mensaje; otra manera consiste en aadir
alguna nueva letra obtenida a partir de las otras con alguna operacin sencilla
(el byte de paridad en informtica). Mtodos matemticos mucho ms
complicados de la Teora de Cdigos, permiten detectar y corregir cientos de
miles de errores cuando omos un disco compacto (vase en la hemeroteca: J.H.
van Lint Mathematics and the Compact Disc Nieuw Archief voor Wiskunde 16
N.3 pp. 183-190,1998).

EJEMPLO 3.10: En R
n
tambin se define la aplicacin d :

d: R
n
xR
n
R

Dado, (x
1
,x
2
,,x
n
) , (y
1
,y
2
,,y
n
) R
n
se tiene que:

Es una mtrica en Rn, conocida como Mtrica Cauchy Schwarst
Pg. 45

Observacin: Dado los anteriores ejemplos 3.1 , 3.2 , 3.3 , 3.4 y 3.10 podemos
se deducir que las distancias o mtricas estn definidas en base a normas, pero
en los ejemplos 3.5 , 3.6 , 3.7 , 3.8 y 3.9 estas distancias difieren en algn tipo
de medicin, por ello es la siguiente proposicin.

Proposicin 3.1.2: Toda norma define una distancia (mtrica) en R
n
(n = 1,2,)
Pero no toda distancia define una norma.

Demostracin:

Definamos d de la siguiente manera:
d: R
n
xR
n
R

Dado x, y R
n
, se tiene que: d(x, y) = x- y, ahora verifiquemos que cumple
con las propiedades de mtrica.

(1) d(x; y) 0 para todos x, y X.
d(x, y) = x- y 0
(2) d(x; y) = 0 si, y solo si, x = y.
d(x, y) = x - y= 0 , por tanto x=y.
(3) d(x; y) = d(y; x) para todos x, y X .
d(x, y) = x - y=y - x = d(y, x)
(4) d(x; z) d(x; y) + d(y; z) para todos x, y , z X .
d(x, z) =x - zx - y+y - z = d(x, y) + d(y, z).

Cabe incluir que muchas de las propiedades de la norma encajan
perfectamente con las propiedades de la mtrica.

Sin embargo, le mtrica discreta (caso particular) no cumple con las
propiedades de la norma. Por tanto no se cumple la bi-condicional. Por lo que se
demuestra la proposicin.

EJEMPLO 3.11: Sea el conjunto X = { f: [0,1] R / f es continua }

(

Define una mtrica llamada Mtrica de Funciones
Pg. 46

EJEMPLO 3.12: Sea
8 a8 b8 c8 d8 e8 f8 g8 h8
7 a7 b7 c7 d7 e7 f7 g7 h7
6 a6 b6 c6 d6 e6 f6 g6 h6
5 a5 b5 c5 d5 e5 f5 g5 h5
4 a4 b4 c4 d4 e4 f4 g4 h4
3 a3 b3 c3 d3 e3 f3 g3 h3
2 a2 b2 c2 d2 e2 f2 g2 h2
1 a1 b1 1 d1 e1 f1 g1 h1
a B C d e f g H
X = {ai, bi, ci, di, ei, fi, gi, hi/ i=1,2,3,4,5,6,7,8}

Segn se muestra en el dibujo La TORRE, el CABALLO, la DAMA y el REY
definen sendas distancias en X que denotaremos por dT , dC, dD y dR
respectivamente. stas vendrn definidas por el nmero mnimo de
movimientos que debe emplear la pieza seleccionada para trasladarse entre
dos casillas dadas.

La TORRE y la DAMA son piezas de accin a larga distancia:
dT (a1; f8) = dD(a1; f8) = 2.
El CABALLO bastante gil al esquivar obstculos pero se cansa en trayectos
largos:
dC(a1; f8) = 4.
Y el REY es demasiado viejo:
dR(a1; f8) = 7.
El ALFIL no define una distancia en X porque slo puede acceder a la mitad de
las casillas
dA(a1; a2) =?
Pero s la define en X1 =cuadros blancos o en X2 =cuadros negros. En X2 se
tendra
dA(a1; f8) = 2.

Definicin 3.1.3: Sean A, B R
n
, no vacos definimos:

d(A,B) = inf{x y , x A , y B}

Suponiendo que A B, entonces xAB, xB, por tanto d(x,B) = 0
Pg. 47

EJEMPLO 3.13: En el conjunto P(R
2
) con d definida:

d : P(R
2
) x P(R
2
) R

Dado A, B R
2
, se tiene que: d(A,B) = inf{x y , x A , y B}, la aplicacin
d es una mtrica en P(R
2
).

3.2. CONJUNTOS ACOTADOS

Definicin 3.2.1:
ado un conjunto A R
n
, se dice que A es acotado, si y solo si

k > 0 / a k; aA

EJEMPLO 3.14: Si A = ; A es acotado.

EJEMPLO 3.15: Sea A = {(x, y) R
2
/ x
2
+ y
2
= r
2
}, es acotado, pues:
Dado la norma (x, y) = |x
2
+ y
2
|
1/2
= (r
2
)
1/2
= r

EJEMPLO 3.16: Sea B = {(x, y) R
2
/ 0 x 1 y 0 y 1} es acotado, ya que:
Dado la norma (x, y) .

Definicin 3.2.2: Sea AR, se dice que A es acotado, si y solo si es acotado
superiormente o inferiormente o:

k > 0 tal que |a|k , aA
Definicin 3.2.3: Llamaremos cota superior de un conjunto AR, a todo
nmero kR/xk para todo x elemento de A.

EJEMPLO 3.17: Sea A={-1, 0, 1}, determinamos las cotas superiores del
conjunto A, tomando cualquier xA:

K=1 entonces: {

; K=2 entonces: {

K=0 entonces: {

Observamos que k=1,2 cumple con la definicin de acotamiento, entonces, este
ambos son cotas superiores de A, obviamente los nmeros que continan
d
Pg. 48

tambin son cotas superiores de A, sin embargo k=0 no cumple con la condicin
de acotamiento, por lo tanto 0 no es cota superior de A.

El conjunto cot(A)
+
={1,2,3,}

Definicin 3.2.4: A la menor de las cotas superiores de un conjunto AR, A
acotado superiormente, se le llama SUPREMO DE A, denotado por Sup(A).

EJEMPLO 3.18: Siendo A={-1,0,1}, con el (conjunto de las cotas superiores de
A) cot(A)
+
={1,2,3,}, el Sup(A) = 1.

Definicin 3.2.5: Llamaremos cota inferior de un conjunto AR, a todo
nmero kR/ k x para todo x elemento de A.

EJEMPLO 3.19: Sea A={-1, 0, 1}, determinamos las cotas superiores del
conjunto A, tomando cualquier xA:

K=1 entonces: {

; K=2 entonces: {

K=0 entonces: {

Observamos que k=-1,-2 cumple con la definicin de acotamiento, entonces,
este ambos son cotas inferiores de A, obviamente los nmeros que preceden a
-1 tambin son cotas inferiores de A, sin embargo k=0 no cumple con la
condicin de acotamiento, por lo tanto 0 no es cota inferior de A.

El conjunto cot(A)
-
={-1,-2,-3,}

Definicin 3.2.6: A la mayor de las cotas inferiores de un conjunto AR, A
acotado inferiormente, se le llama INFIMO DE A, denotado por Inf (A).

EJEMPLO 3.20: Siendo A={-1,0,1}, con el (conjunto de las cotas inferiores de
A) cot(A)
-
={-1,-2,-3,}, el Inf(A) = -1.

Definicin 3.2.7: Si R es el conjunto de nmeros reales y si - , +, son
smbolos que no son nmeros reales, entonces se denomina sistema de nmeros
reales extendidos al conjunto RU{-,+}, tal que:

(1) - +
(2) xR se tiene : - x +
Pg. 49

Los elementos del conjunto RU{-,+}, se denominan nmeros reales
extendidos.

Definicin 3.2.8: Sea (X, d) un espacio mtrico. Si A es un subconjunto no
vaco de X se denomina dimetro de A, denotado (A) o diam(A) a:

(A) = Sup{d(x, y): x, y A}

Ntese que el dimetro de A puede ser un nmero real no negativo o ,
dependiendo de que el conjunto {d(x, y): x, y A}R est acotado o no.

Proposicin 3.2.9: Un subconjunto de X es acotado si y solo si es vaco o si
tiene dimetro finito.

Demostracin: Sea AX, probaremos la bi-condicional:

() A es acotado entonces A existe k>0 / ak, para todo aA. luego
a - 0k, esta norma define una mtrica, d(a; 0) k ; para todo aA,
entonces existe aA, tal que a=k, esto es d(a; 0)=k, resultando ser k la
menor cota superior de A por lo tanto k=Sup{d(x, y) ; x, yA}, por lo tanto A
tiene dimetro finito.

() Si A entonces es acotado, si A tiene dimetro finito, entonces existe
k>0 , k=Sup{d(x; y) ; x, yA}, esto es d(x; y)k ; para todo x, yA, luego
A es acotado.

Definicin 3.2.10: Sea (X, d) espacio mtrico, pX, si AX ; entonces:
d(p, A) = Inf{d(p, A): aA} y d(A)=Sup{d(a
1
,a
2
) ; a
1
,a
2
A}

Proposicin 3.2.11: Sea (X, d) un espacio mtrico.

Si BAX entonces (B) (A).
Demostracin: sea BA entonces:
{d(x; y) ; x, yB}{d(z; w) ; z, wA}, luego
Sup{d(x; y) ; x, yB}Sup{d(z; w) ; z, wA}
entonces (B) (A)

Pg. 50

Definicin 3.2.12: Dentro de los ms importantes conjuntos de R estn los
intervalos. Dado a, b R, con a < b. Llamaremos intervalo a cualquier
conjunto de los siguientes tipos:

(1) Intervalo abierto: (a, b) = {x R : a < x < b}
(2) Intervalo cerrado: [a, b] = {x R : a x b}
(3) [a, b) = {x R : a x < b}
(4) (a, b] = {x R : a < x b}
(5) [a, +) = {x R : a x}
(6) (a, +) = {x R : a < x}
(7) (, b] = {x R : x b}
(8) (, b) = {x R : x < b}
(9) (, +) = R
(10)

Definicin 3.2.13: Si XR, entonces:

(1) Siendo X se tiene que:

a. X no es acotado superiormente, ENTONCES el supremo de X es
+.
b. X es acotado superiormente, ENTONCES el supremo de X es un
real K.
c. X no es acotado inferiormente, ENTONCES el nfimo de X es -
d. X es acotado inferiormente, ENTONCES el nfimo de X es el un
real k.

(2) Siendo X = , se tiene que:

a. El supremo de X es -
b. El nfimo de X es +

Definicin 3.2.14: Sea (X, d) espacio mtrico, pX, si AX y si f: YX;
entonces:

(1) A es acotado si y solo s d(A) es un real.
(2) F es acotado si y solo f(Y) es acotado.

Pg. 51

Proposicin 3.2.15: Sea (X, d) espacio mtrico y A, B subconjuntos de X.
(1) Si A y B son acotados, entonces A B es acotado.
(2) Si A y B son distintos de vaco , entonces (A B) (A) + (B) +
d(A, B)
(3) Si A y a, b A, entonces |d(a, A) d(b, A)| d(a, b).

3.3. CONJUNTOS ABIERTOS Y CONVEXOS

Definicin 3.3.1:
ara a R
n
y el nmero real r > 0, una BOLA ABIERTA de
centro a y radio r es el conjunto B(a; r) de los puntos x R
n

cuya distancia de x hasta el punto a es menor que r. Esto
es:

B(a; r) = { x R
n
/ x ar}

Esto es claramente B(a; r)={ x R
n
/ d(x, a)r}.

Definicin 3.3.2:
ado un punto a R
n
y el nmero real r > 0, una ESFERA de
centro a y radio r es el conjunto S(a; r) de los puntos x R
n

cuya distancia de x hasta el punto a es igual a r. Esto es:

S(a; r) = { x R
n
/ x a=r}

Esto es claramente S(a; r)={ x R
n
/ d(x, a)=r}.

Definicin 3.3.3:
ado un punto a R
n
y el nmero real r > 0, una BOLA
CERRADA de centro a y radio r es el conjunto B[a; r] de los
puntos x R
n
cuya distancia de x hasta el punto a es
menor o igual que r. Esto es:

B[a; r] = { x R
n
/ x ar}
P
D
D
Pg. 52

Esto es claramente B[a; r]={ x R
n
/ d(x, a)r}.

Evidentemente tenemos que B[a; r] = B(a; r) S(a; r). una notacin especial es
reservada para la esfera unitaria de dimensin (n-1):

S
(n-1)
= { x R
n
/ x = 1}

As mismo, S
(n-1)
es la esfera de centro 0 y radio 1. Cuando n=2, S
1
es la
circunferencia de centro 0 y radio 1.

Observaciones: Sea xR
n
, entonces:
(1) x B(x; r), por lo que B(x; r) para todo xR
n
.
(2) si r s , entonces B(x; r) B(x; s) para todo xR
n
.
(3) {x} =
r>0
B(x, r)
(4) Se dice que el conjunto X Rn es acotado cuando est contenido en
alguna bola, B[a; r]. Como B[a; r] B[0; k], donde k = r + |a|
(conforme veremos ahora), Si se dice que X es acotado esto equivale
a decir que existe k > 0 tal que |x| k para todo x X.

Para mostrar que B[a; r] B[0; r + |a|]; Note que |x a| r
|x a + a| |x a| + |a| r + |a|. As mismo, x B[a; r] x B[0; r + |a|].

X
x - xo

x - xo
x - xo1
Pg. 53

Definicin 3.3.4: Dados a b en R
n
, una recta que une esos dos puntos es el
conjunto ab = {(1 t)a + tb; t R}. A su vez, el segmento de recta de extremos
a, b es el conjunto [a, b] = {(1 t)a + tb; 0 t 1 }.

Definicin 3.3.5: Un conjunto X R
n
se llama CONJUNTO CONVEXO cuando
el segmento de recta que une dos puntos cualesquiera est internamente
contenido en X. Se dice que X es convexo equivale a afirmar que

a, b X, 0 t 1 (1 t)a + tb X .

Teorema 3.3.6: Toda bola (abierta o cerrada) es un conjunto convexo.

Demostracin: Consideremos una bola cerrada B = B[x
0
; r].
Dadas a, b B, tenemos:
|a x
0
| r e |b x
0
| r.
Entonces, para cualquier t [0, 1] vale:
x
0
= (1t)x
0
+tx0, luego |(1 t)a + tb x0| = |(1 t)a + tb (1 t)x0 tx0|
= |(1 t)(a x0) + t (b x0)| (1 t)|a x0| + t |b x0| (1 t)r + tr = r.

EJEMPLO 3.21: Sea X={(x, y)R
2
/ y x
2
}. El conjunto X R
2
no es convexo.
En efecto, dados los puntos a=(-1,1) y b=(1,1) pertenecen a X, pero para t=1/2
(1/2)a+(1/2)b=(0,1), no pertenece a X.

Definicin 3.3.7: Un conjunto XR
n
, es abierto en R
n
si y solo si para todo
xG existe > 0 tal que B(x, ) X.

EJEMPLO 3.22: es abierto.

EJEMPLO 3.23: R (conjunto de los nmeros reales) es abierto, pues:
xR, tenemos B(x; 1) = (x1, x+1) R. Note que tomamos = 1. De la misma
forma, R
n
tambin es abierto pues para todo xR
n
, se tiene B(x; 1) R
n

EJEMPLO 3.24: El conjunto I = [0, 1] R no es abierto. De modo 0 I y para
todo r > 0, una bola B(0; r) = (r, r) I, pues, por ejemplo, r/2B(0; r) mas
r/2 I.

Pg. 54

EJEMPLO 3.25: El conjunto A = (0, 1) {0} = {(x, 0)R
2
: x(0, 1)} no es abierto
en R
2
. De modo, sea x(0, 1) y x =(x, 0)A. r > 0 tenemos que B(x; r) A, pues,
por ejemplo, (x,r/2) B(x; r) mas (x,r/2)A.

EJEMPLO 3.26: Consideremos A={(x, y)R
2
/ 0x4 y 0y2} no es un conjunto
abierto, pues, x=(2, 2)A, para todo r>0, tenemos que B(x; r)A. Por ejemplo.

Teorema 3.3.8: Toda bola abierta es un conjunto abierto.

Demostracin:

Sea xB(a; r) R
n
, entonces: x - a r, luego r
0
=r -x - a>0 afirmamos
que, B(x; r
0
)B(a; r), en efecto:
Dado yB(x; r
0
), se tiene que y - x r
0
, entonces y - x r-x - a,
entonces y x+x - a r, y - a r , luego yB(a; r).

Lema 3.3.9:Sea {A
1
, A
2
, A
k
}, una familia arbitraria de abiertos. Se tiene que:

A
2
4
x
y
(2, 2)
r
0
Pg. 55

Demostracin:

(1) x
entonces xA
i
para i=1,,k, luego como A
i
es abierto,
existe r
i
>0 / B(x; r
i
)A
i
, entonces B(x; r
i
)A
i

por lo
tanto
es abierto.
(2) Tomemos por induccin cuando k=2; xA
1
A
2
, luego xA
1
y xA
2
como
A
1
es abierto, existe r
1
>0 tal que B(x; r
1
)A
1
. De la misma manera A
2
es abierto, existe r
2
>0 tal que B(x; r
2
)A
2
. Definimos r=mn{r
1
, r
2
},
tenemos r>0 y B(x; r)A
1
A
2
, por lo tanto A
1
A
2
es abierto. El caso
general, para un nmero finito de conjuntos se sigue por induccin.

EJEMPLO 3.27: En una dimensin, I
n
=(0, 1-1/n) es abierto y
= (0,1),
tambin es abierto.

EJEMPLO 3.28: Luego la interseccin infinita de abiertos puede no ser
abierta. Por ejemplo: G
n
=(0, 1+1/n) es abierto y
= (0,1] no es abierto.

Definicin 3.3.10: Sea AR
n
. decimos que xR
n
, es:

(1) PUNTO INTERIOR de A, si y solo si existe r>0 / B(x; r)A.
(2) PUNTO EXTERIOR de A si y solo si x es punto interior de la clausura
de A. existe r>0 / B(x; r)C(A) (complemento de A).
(3) PUNTO CLAUSURA de A si y solo si para todo r>0, B(x; r)A.
(4) PUNTO FRONTERA si r>0 , B(x; r)A y B(x; r)C(A).

n
. se definen los siguientes conjuntos:

(1) Int(A) = { pA ; p es punto interior de A}
(2) Ext(A) = {pA ; p es punto exterior de A}
(3) = {p, p es punto clausura de A}
(4) Front(A) = {p, puntos fronteras de A}

EJEMPLO 3.29: Sea A={(x, y)R
2
/ 0x4 y 0y2}, entonces:

(1) Int(A) = {(x, y)R
2
/ 0x4 y 0y2}
(2) Ext(A) = {(x, y)R
2
/ (0 >x , x 4) y (0y , y >2)}
(3) = {(x, y)R
2
/ 0x4 y 0y2}
(4) Front(A) ={(x, 0) , (4, y) , (0, y), (x, 2)} (puntos del permetro A).
Pg. 56

Teorema 3.3.12: Sea AR
n
. A es abierto si y solo si Int(A) = A.

Demostracin: Probaremos la bi-condicional.
(1) A es abierto entonces Int(A) = A, por doble inclusin tenemos:
a. Int(A)A, obviamente.
b. xA, como A es abierto existe r>0 / B(x; r)A, luego xInt(A),
por lo tanto AInt(A)

(2) Int(A) = A entonces A es abierto.
a. Sea xA = Int(A), entonces xInt(A), r>0 / B(x; r)Int(A) = A
luego B(x; r)A, entonces A es abierto.

Teorema 3.3.13: Sea A,BR
n
, entonces:

(1) AB entonces Int(A)Int(B)

(2) AB y A es abierto, entonces AInt(B)

Demostracin:

(1) Tomemos xInt(A), entonces existe r>0 /B(x; r)Int(A)AB,
luego B(x; r)B Entonces xInt(B).

(2) Siendo Int(A)Int(B) y A abierto, tenemos que Int(A) = A, entonces
AInt(B).

Teorema 3.3.14: Si (X,d) es un espacio mtrico y si AX, F={GiP(X): iI},
donde Gi es abierto, F es la clase de todos los abiertos de X que estn
incluidos en A, en donde I, entonces:

(1) Para todo iI; Gi Int(A)
(2) Int(A) F

Demostracin: AX, F={ GiP(X): iI}, donde GiA:

(1) GiA entonces Int(Gi)Int(A) luego Gi es abierto Gi=Int(Gi),
entonces GiInt(A).

(2) Int(A)AX adems Int(A) es abierto entonces Int(A)P(X),
entonces Int(A)F.

Pg. 57

3.4. SUCESINES EN R
N

Definicin 3.4.1:
na SUSESIN O SECUENCIA en R
n
es una funcin:
f : N R
n
k..f(k)=x
k

Cada kN es asociado con un punto x
k
R
n
. Cuyas notaciones para una
secuencia son (x
1
, . . . , x
k
, . . . ), (x
k
)
kN
o simplemente (xk).

Para cada i = 1, . . . , n, indicamos como x
ki
a i-sima coordenada de x
k
. Asimismo,
x
k
= (x
k1
, x
k2
, . . . , x
kn
). Da una sub-secuencia en R
n
equivale a dar las n
secuencias de nmeros reales (x
k1
)
kN
, . . . , (x
kn
)
kN
.

Definicin 3.4.2: Se dice que una secuencia (x
k
)
kN
es acotada cuando c > 0
tal que |x
k
| c ; k N.

Definicin 3.4.3: Una sub-secuencia de (x
k
)
kN
es la restriccin de sta
secuencia a un subconjunto infinito N = {k1 < < km < . . .} N denotado de la
siguiente manera (x
km
)
mN
o (x
k1
, . . . , x
km
, . . . ).

Teorema 3.4.4: Si una secuencia (x
k
) es acotada si y solo si, i = 1, . . . , n, la
sub-secuencia (x
ki
)
kN
de las i-simas coordenadas de x
k
tambin es acotada.

Demostracin.
() Sea (x
k
) acotada, entonces c > 0 / |x
k
|c, luego, dado la sub-secuencia
(x
ki
)
kN
de (x
k
), se tiene que i=i,,n |x
ki
||x
k
|c, por tanto |x
ki
|c, lo que
demuestra que la sub-sucesin es acotada.
() Sea |x
k1
| c
1
, |x
k2
| c
2
, . . . , |x
kn
| c
n
para todo k N, llamamos c al mayor
de los nmeros c
1
, c
2
, . . . , c
n
tendremos |x
k
| = max{ |x
k1
|, . . . , |x
kn
| } c para
todo k N. Asimismo, si cada (x
ki
)
kN
(i = 1, . . . , n) es acotada, la sub-sucesin
(x
k
)
kN
es acotada.

Definicin 3.4.5: Se dice que el punto a R
n
es el lmite de la secuencia (x
k
)
cuando:
> 0, k
0
N tal que k > k
0
|x
k
a| < .

U
Pg. 58

En otras palabras:
> 0k > k
0
x
k
B(a; ). Se escribe entonces:

Observaciones:
(1) De acuerdo con esta definicin, se tiene que el
si, y
solamente si,

(2) Se dice que
significa afirmar que cualquier bola de

centro a contiene todos los x
k
con un posible exceso de un nmero
finito de valores de k (que son 1, 2, . . . , k
0
).
(3) Una secuencia (x
k
) en R
n
se dice que es convergente cuando existe
.
(4) toda secuencia convergente es acotada.
(5) Y tambin es obvio que cualquier sub-secuencia de una secuencia
convergente es tambin convergente y tiene el mismo lmite.

Teorema 3.4.6: Una secuencia (x
k
)R
n
converge al punto a = (a
1
, . . . , a
n
) si, y
solamente si, para cada i = 1, . . . , n, se tiene
; esto es que cada

coordenada de x
k
converge para una coordenada correspondiente de a.

Demostracin: Para cada i = 1, . . . , n, se tiene |x
ki
a
i
| |x
k
a|, por tanto
. Recprocamente, si vale esta ltima igualdad

entonces, dado > 0, existe k
1
, . . . , k
n
N / k > k
i
|x
ki
a
i
| < (i = 1, . . . , n).
Tomando k
0
= mx{ k
1
, . . . , k
n
} y dotando en R
n
la norma del mximo, vemos que
k > k
0
|x
k
a| < . Luego
.

EJEMPLO 3.30: x
k
= (1)
k
define una secuencia (1, 1 1, 1,1, 1,1, . . . ) en R.

EJEMPLO 3.31: A secuencia de Fibonacci es definida recursivamente por x
1
=1,
x
2
=1 y x
k
+1 = x
k
+ x
k
1 para k2. Por tanto tenemos (x
k
) = (1, 1, 2, 3, 5, 8, . . . ).

EJEMPLO 3.32: Dada una sucesin (x
n
), si x
n
= x, para algn xR
n
y n N,
decimos que (x
n
) es eventualmente constante a x.

EJEMPLO 3.33: Considere la sucesin x
n
=1/n en R. Entonces
. Para
mostrar esto, sea >0. Por la propiedad arquimediana de R, existe N natural tal
que N > 1/. Entonces, si nN:
Pg. 59

|

EJEMPLO 3.34: Si x
k
= 1, entonces
. De modo que dado > 0, para

todo k 1 tenemos que |x
k
1| = 0 < .

EJEMPLO 3.35:
. De modo que dado > 0, sea k tal que 1/k <

luego, para todo n > k tenemos |1/k 0| = 1/k < 1/k < .

EJEMPLO 3.36: (0, 2, 0, 2, 0, 2, 0, . . . ) no converge a 0. De modo que = 1.
Entonces para todo k N tenemos 2k > k y x2k=2. Por tanto |x2k 0|=2 >

Teorema 3.4.7: Si (x
n
)R
n
es convergente. Entonces su lmite es nico. Es
decir:
entonces x=y

Demostracin:
Entonces /2 >0 N
1
natural/ n>N
1
entonces |x
k
x|</2
Entonces /2 >0 N
2
natural/ m>N
2
entonces |x
k
y|</2
Luego N=mx{N
1
,N
2
}, entonces:
|x - y| |x
k
x|+|x
k
y| /2 + /2 < , y como es arbitrario concluimos que
|x y|=0 por lo tanto x=y.

Corolario 3.4.8: Sea
en R
n
y
en
R, entonces:

(1)

(2)

(3)

Lema 3.4.9: Sea (a
k
) secuencia en R que converge a 0. Si para (x
k
) secuencia
en R
n
existe c > 0 / x
k
xc|a
k
| para todo kN, entonces:

Demostracin: Como (a
k
) converge, dado > 0, sea kN / |a
k
| < /c para todo
k > k. Luego:
x
k
xc|a
k
| < para todo k >k luego
.

Pg. 60

Corolario 3.4.10: Sea (a
k
) secuencia en R que converge a 0. Si para (x
k
)
secuencia en R
n
existe c > 0 y kN / x
k
xc|a
k
| para todo kk entonces:

Demostracin: como (a
k
) converge a 0, entonces:
1
>0, kN / k > k implica que a
k
- 0<
1
; luego a
k
<
1
; ahora que para
(x
k
) existe c > 0 y kN entonces x
k
- xc.a
k
< c.
1
=

EJEMPLO 3.37: Sea
, de modo que
; luego como
y como
nos da el resultado.

EJEMPLO 3.38: Sea
de modo que
luego

y como
podemos aplicar el cociente sobre los resultados.

Lema 3.4.11: (CRITERIOS DE DIVERGENCIA) Sea (x
k
)R
n
. Entonces las
afirmaciones son equivalentes:
(1) (x
k
) no converge para xR
n
.
(2) > 0 / kN, k
j
N, con k
j
> k y xx
kj
.
(3) > 0 y una sub-secuencia (x
kj
)(x
k
) / x x
kj
> jN.

Demostracin: Por la sencillez de su demostracin, se le deja como ejercicio al
lector.

Teorema 3.4.12: (TEOREMA DE BOLZANO WEIERSTRASS) Toda
secuencia acotada en R
n
posee una sub-secuencia convergente.

Demostracin: (x
n
)R
n
, (x
n
) acotada, esto es c > 0 /x
n
c, x
n
(x
n
)
tomemos una sub-secuencia (x
ni
)(x
n
) luego por teorema 3.4.4 tenemos que
(x
ni
) es acotada y x
ni
x
n
c, luego nN y n
i
N
1
tal que N
1
N luego, por
ser (x
n
) acotada , posee una sub-secuencia convergente sobre N
1
N tal que
luego por ser (x

n
)
nN1
acotada , posee una sub-secuencia
convergente sobre N
2
N
1
N tal que
entonces de la misma
forma se crean n conjuntos infinitos N
n
N
n-1
N
2
N
1
N y nmeros reales
a= (a
1
,a
2
,,a
n
) tales que
y por el Teorema 3.4.6. Tenemos que
lo que prueba el teorema.

Pg. 61

Definicin 3.4.13: (SUCESIONES DE CAUCHY) Una sucesin de puntos
x
k
R
n
se llama sucesin de Cauchy o secuencia de Cauchy cuando:
> 0 kN / k,r > k xk - xr <

Observacin: Otra manera de formular una secuencia de Cauchy es

Esto es que
de aqu resulta que si NN es un

subconjunto infinito, o sea, si (x
r
)
rN
es una sub-secuencia de (x
n
) entonces el
.

Teorema 3.4.14: Toda secuencia de Cauchy es acotada

Demostracin: Sea (x
k
) sucesin de Cauchy. Entonces, considerando = 1,
tenemos que existe kN tal que x
k
x
k
< 1 k > k. Luego, para k > k
tenemos x
k
x
k
x
k
+ x
k
< 1 + x
k
.
Definiendo C = mx{|x
1
|, . . . , |x
k1
|, 1 + |x
k
|}, tenemos inmediatamente que
|x
k
|C para todo kN. Por tanto la sucesin es acotada.

Teorema 3.4.15: Toda secuencia convergente es de Cauchy.

Demostracin: Sea (xk) sucesin convergente y x sea el limite. Entonces,
dado >0, existe kN tal que x xk</2 para todo k k. Por tanto,
xk xm xk x + x xm < ; si k, m>k.
Luego (xk) es de Cauchy.

Teorema 3.4.16: (CRITERIO DE CAUCHY) Una sucesin en R
n
converge si y
solamente si es una sucesin de Cauchy.

Demostracin: Demostraremos la bi-condicional en dos pasos.
() Sea (x
k
) una sucesin en R
n
/
, entonces x
k
- a</2 ,
luego x
r
- a</2, luego x
k
- x
r
x
k
- a+x
r
- a< /2 + /2 = luego
concluimos que
, por tanto (x
k
) es de Cauchy.
() Se (x
k
) sucesin de Cauchy, entonces (x
k
) es acotada y toda sucesin
acotada posee una sub-sucesin (x
r
)
rN
convergente, esto es,

luego tenemos que
y tambin por ser de Cauchy
, luego x
k
- ax
r
- a+x
k
- x
r
resultando que
, por tanto (x
k
) es convergente.
Pg. 62

3.5 CONJUNTOS CERRADOS Y COMPACTOS

n
. y pR
n
, definimos A={pR
n
/ p es un punto de
acumulacin}, entonces:

pA si y solo si, r>0; (B(p, r)-{p})A

Donde A se leer derivado de A.

Observacin: De forma equivalente, x R
n
es un punto de acumulacin de A si,
para todo conjunto abierto U que contiene a x, contiene puntos de A distintos
de x.

Proposicin 3.5.2: Sea A, BR
n
.
(1)
(2) AB entonces AB
(3) (AB)AB
(4) (AB)AB

Demostracin: La demostracin se deja a cargo del lector por su facilidad.

EJEMPLO 3.39: Los puntos 0 y 1 son puntos de acumulacin del intervalo
[0,1] en R.

EJEMPLO 3.40: El conjunto Z, en R, est compuesto slo de puntos aislados.

Definicin 3.5.3: Sea aR
n
, a es adherente a X si >0, B(a, ) tal que
B(a, )X.

EJEMPLO 3.41: En R, 2 es adherente al conjunto X=[0;2>2;4]

EJEMPLO 3.42: En R, el 1 es un punto adherente al intervalo ]0,1[

EJEMPLO 3.43: El lmite de una sucesin o de una funcin es adherente al
conjunto de valores que toma la funcin.

n
, xR
n
, se dice que x es adherente a A, cuando
existe una secuencia de puntos x
k
en A que converge a x. es decir.
x es adherente a A (x
k
)A /

Demostracin: se demostrara la bi-condicional en dos pasos:
Pg. 63

() x es adherente a A entonces >0, B(x, )A. Esto es que sea:
1
, x
1
B(x,
1
)A ;
2
, x
2
B(x,
2
)A ; ;
k
, x
k
B(x,
k
)A.
entonces existe (x
k
)A tal que

()(x
k
)A /
es obvio que cualquier bola centrada en x contiene

por lo menos un punto de A, por tanto x es adherente a A.

n
, A es cerrado si y solo si AA.

Definicin 3.5.6:

ea AR
n
, A es cerrado en R
n
si su complemento es abierto.
Esto es:
A es cerrado C(A)={xR
n
/ x A} es abierto

EJEMPLO 3.44: R
n
y son cerrados en R
n

EJEMPLO 3.45: B[a; r], bola cerrada en R
n
es un conjunto cerrado.

Proposicin 3.5.7: Sea (A, d) un espacio mtrico, {A
i
}
iI
, una coleccin de
conjuntos cerrados, entonces:

(1) A y son cerrados

Demostracin:
(1) Triviales.
(2) Sea
entonces (

donde G
i
son abiertos para iI entonces por el Lema 3.3.9

es abierto, por lo tanto C(F) es abierto y F es cerrado.
(3) Sea
entonces (

donde G
i
son abiertos para iI entonces por el Lema 3.3.9

es abierto, por lo tanto C(F) es abierto y F es cerrado.

S
Pg. 64

n
, entonces =AA

EJEMPLO 3.46: Sea A=a, b>, =a, b>{a,b}

Proposicin 3.5.9: Sea E, AR
n
, entonces:

(1) A.
(2) es cerrado
(3) AE entonces
(4) A es cerrado si y solo si A=
(5) E cerrado y AE entonces E

Demostracin:

(1) A=AA
(2) A=AA entonces por Definicin 3.3.5 es cerrado
(3) xA y xAE entonces
(4) A es cerrado si y solo si AA , A=AA=
(5) E es cerrado y AE entonces E= y =E, luego E.

n
:

(1) xFront(A) si y solo si r>0; B(p, r)A Y B(p, r)C(A)
(2) Decir que x es afirmar que x es adherente a A.

EJEMPLO 3.47: La frontera del conjunto B[a; r] es S[a; r].

EJEMPLO 3.48: Fn = 1/n, 1> es cerrado en R, mas
= 0, 1] no lo s.

Proposicin 3.5.11: Sea AR
n
, A, entonces:

(1) Int(A) , Ext(A) son conjuntos abierto.
(2) y Front(A) son conjuntos cerrados.
(3) A es cerrado si y solo si Front(A)A.

Demostracin: La demostracin queda a cargo del lector por su facilidad.

Pg. 65

n
. Entonces x si, y solo si, existe (x
k
) en A tal
que

Demostracin: La bi-condicional se demostrar en dos pasos:
() x entonces x es adherente a A entonces por Teorema 3.5.4. (x
k
)A
tal que
.
()(x
k
)A /
entonces x es adherente a A, entonces x.

n
. x si y solo si, r>0; B(p, r)A

Proposicin 3.5.14: Sea AR
n
un conjunto cerrado, entonces: para todo xA:
d(x,A)>0

Demostracin: La demostracin queda para el lector por su facilidad.

n
un conjunto cerrado. Dado cualquier a R
n
existe
x
0
A tal que |x
0
a||x a| para todo x A

Demostracin: Si, AR
n
es cerrado, entonces para cualquier aR
n
, a funcin
f : A R dada por f(x) = |x a| asume su valor mnimo en algn punto x
0
A.
Entonces se tiene d(a, A) = |x
0
a|.

Teorema 3.5.16: Todo sub-conjunto innito acotado XR
n
admite por lo
menos un punto de acumulacin.

Demostracin: Queda como ejercicio para el lector.

Definicin 3.5.17:

EINE BOREL: Un conjunto AR
n
, es compacto cuando es
Cerrado y Acotado.

EJEMPLO 3.49: Las B[a, r] y S(a, r) son conjuntos compactos

EJEMPLO 3.50: Los intervalos cerrados son conjuntos compactos.
Teorema 3.5.18: Sea KR
n
y xK; K es compacto si y solo si (x
n
)K, (x
k
)
sub secuencia de (x
k
) tal que

H
Pg. 66

Demostracin: K es compacto, entonces K es cerrado y por teorema 3.5.12
xK, existe (x
n
)K tal que
, luego por el (5) de la observacin de

la definicin 3.4.5, toda sub-sucesin (x
k
)(x
n
) es convergente y

.

n
compacto y FR
n
cerrado, entonces x
0
K, y
0
F
tal que x
0
y
0
x - y para cualquier xK, yF.

Demostracin: haciendo uso del teorema 3.5.15 se tiene que dado a R
n

existe x
0
F tal que |x
0
a||x a| para todo x F, por ser F cerrado y a R
n

existe y
0
K tal que |y
0
a||y a| para todo y K, por ser K cerrado, luego
|x
0
-a|+|y
0
-a||x-a|+|y-a| entonces x
0
y
0
x - y.

Teorema 3.5.20: K, LR
n
, KL, K cerrado y L compacto, entonces K compacto.

Demostracin: siendo L compacto entonces L es cerrado y acotado.
aK, KL Entonces aL, r>0 / ar por ser L acotado K es acotado.

n
compacto y xR
n
, entonces F= {y+x / yK} es
compacto.

Demostracin: K cerrado y acotado.
(1) yK, r>0 / y< r, (K acotado) luego y+x< r
+xentonces y + xy+x< r + x=s, donde s > 0, por
tanto s>0 / y + x s , yK , xR
n
, siendo elementos de F
podemos afirmar que F es acotado.
(2) Luego F={x} K dos conjuntos cerrado, entonces F es cerrado
F es compacto.

Teorema 3.5.22: (TEOREMA DE CANTOR) Sea K
1
K
2
K
k
. . .
una secuencia decreciente de compactos no vacos en Rn. Existe pelo menos um
ponto a Rn que pertenece a todos los K
k
. En otros trminos:

Pg. 67

Definicin 3.5.23:

(1) Una cobertura de un conjunto XR
n
, es una familia (C
)
L
de sub
conjuntos C
R
n
, tales que X

. esto es: para cada x X
existe un L tal que xC
.
(2) Una sub-cobertura es una familia (C
)
L
donde LL X

.
(3) Se dice que X

. es una cobertura abierta cuando los C
para
todos abiertos es finita o cuando L es finito

Teorema 3.5.24: (BOREL LEBESGUE) Toda cobertura abierta K

de
un compacto K R
n
admite una sub-cobertura finita K A
1
A
k
.

Lema 3.5.25: Sea K R
n
compacto. Para todo > 0 existe una descomposicin
K = K
1
K
k
donde cada K
i
es compacto y tiene dimetro menor igual que .

3.6. CONJUNTOS DENSOS Y CONEXOS.

Definicin 3.6.1: Siendo A, E sub conjuntos de R
n
, se dice que son
separados cuando A = y E = .

EJEMPLO 3.51: Los conjuntos]-1, 0> ; [1, 2] son separados.

Definicin 3.6.2:

es conexo si y solo si A,E R
n
, abiertos y disjuntos
distintos de vaco, tales que C=AE.

EJEMPLO 3.52: C={c}R
n
es conexo.

EJEMPLO 3.53: B(a, r), B[a, r] y S(a, r) son conjuntos conexos.

EJEMPLO 3.54: B(a, r) {a} es conexo.

EJEMPLO 3.55: A={xR / x=(1-t)a + t.b ; a, bR y t[0,1]} es conexo.

Definicin 3.6.3: Un conjunto C es dis-conexo si existen dos conjuntos
separados A,B tal que C=AB.

C
Pg. 68

Teorema 3.6.4: La totalidad del espacio R
n
es conexo.

Demostracin: De no ser as, existiran 2 conjuntos abiertos ajenos no vacos
A, B cuya unin sera R
n
.

Teorema 3.6.5: Si A y B son subconjuntos conexos y no estn separados,
entonces AB es conexo.

Demostracin: (demostracin por el absurdo) Sea X = AB y supongamos que
X no es conexo. Entonces existen S y T; S T = ; X =ST; AS
AT o bien BS BT.
Si AS entonces BS.
Por lo tanto ABS y T ; CONTRADICCIN.

Teorema 3.6.6: Si X es conexo y f : XY es continua, entonces la imagen
de f, f(X), es conexo.

Demostracin: Sean U y V abiertos en Y tales que f(X)UV , f(X)U y
f(X)V. Entonces f
-1
(U) y f
-1
(V ) son abiertos en X, porque f es continua,
no vacos y Xf
-1
(U)f
-1
(V ). Como X es conexo, f
-1
(U)f
-1
(V ).
Si x
0
f
-1
(U)f
-1
(V ), entonces f(x
0
)UV , y por lo tanto UV.

Definicin 3.6.7:

ea DR
n
; D es denso si:
>0 y xR
n
; B(x; )D

EJEMPLO 3.56: R
n
es denso en s mismo.
EJEMPLO 3.57: Q y R/Q son conjuntos densos en R.
EJEMPLO 3.58: Q
n
es denso en R
n
.
Proposicin 3.6.8: Sea A,ER
n
, entonces:

(1) A es denso en E si y solo si E.
(2) A es denso y E cerrado entonces EA.
S
Pg. 69

Demostracin: Queda como ejercicio para el lector.
n
, entonces:

A no es denso si y solo s Int()=

n
, entonces:

A no es denso entonces G abierto, G, G.

Demostracin: (demostracin por el absurdo) A es no denso y existe G abierto,
G, G, entonces xG, G, entonces r>0 / B(x; r)G y x
entonces Int()= y xInt() entonces Int(). CONTRADICCIN.

EJEMPLO 3.59: es no denso.

EJEMPLO 3.60: B(x; r) es denso en S(x; r), ya que S(x; r)B[x; r].

Pg. 70

Captulo 4

APLICACIONES ENTRE ESPACIOS EUCLIDEOS

Todo espacio que tiene el producto interno, es un espacio euclidiano.

4.1. APLICACIONES ENTRE R
n
y R
m

Definicin 4.1.1:
na aplicacin entre los espacios euclidianos R
n
y R
m
es
simplemente una funcin:

f : UR
n
R
m
/ dado xU, f(x)R
m

Si {v
1
,,v
n
} es base de R
m
, entonces f(x)= f
1
(x)v
1
+ + f
m
(x)v
m
; las
aplicaciones f
i
: UR
n
R ; (i=1,,m), se llama componente de f en
la base {v
1
,,v
m
}R
m
.

EJEMPLO 4.1: f(x, y)= (x
2
-x.y, y
2
x
3
), luego:
f(x,y)=f(x.e
1
, y.e
2
) =(x
2
-x.y)e
1
+ y
2
x
3
)e
2
, donde x=x
i
.e
i
para i=1,2,3,,n.

EJEMPLO 4.2: Sea f: R
3
R
2
; y tomamos AM
3x2
luego f(x)=A.x

U
Pg. 71

3
R
3
, AM
3x3
y bR
3
, se tiene f(x)=A.x + b
(transformaciones afines)

Definicin 4.1.2: Sean f, g : UR
n
R
m
, : UR
n
R. Definimos:

(1) (f g)(x) = f(x) + g(x) (funcin suma funcin resta)
(2) (.f)(x) = (x).f(x) (producto escalar)
(3) (fxg)(x) = f(x)xg(x) (producto vectorial)
(4) f, g >(x) = f(x) , g(x) > (producto interno)

Definicin 4.1.3: Sean f: UR
n
R
m
y g: UR
m
R
p
, entonces se define la
funcin compuesta h: UR
n
R
p
tal que h(x)=(gof)(x)=g[f(x)].

h:UR
n
VR
m
R
p
/ h(x)=g[f(x)] ; para todo xU

EJEMPLO 4.4: Sean f, g : R
2
R
3
; : UR
2
R. Definido de la siguiente
manera (x, y)=e
x+y
; f(x, y)=(x, y, x-y) y g(x, y)=(x+y, x-y, x.y), se cumplen las
propiedades de la Definicin 4.1.2.

4.2. ESPACIO DE APLICACIONES LINEALES

T: V W
(Preserva la estructura de espacio vectorial)

* La combinacin lineal de las pre-imgenes en V, sus imgenes en W verifican
la misma combinacin.
* Una lnea se transforma en otra lnea.
* Si T es lineal entonces es isomorfo por lo que podemos decir que V y w son
algebraicamente iguales.
*Hablar de aplicaciones lineales es hablar de transformaciones lineales, ya que
son ideas anlogas, por ello, se har uso de muchos conocimientos sobre
transformaciones lineales en el transcurso de esta parte del libro.

Definicin 4.2.1:
na aplicacin T: R
n
R
m
es lineal, si y solo si:

T(.x + .y) = .T(x) + .T(y) ; x,yR
n
, ,R
U
f g
Pg. 72

* Las aplicaciones lineales tambin se pueden llamar homomorfismos.
* Pueden tambin definirse aplicaciones en sub-espacios vectoriales, pues
stos funcionan como espacios vectoriales.

EJEMPLO 4.5: S={(, 2) : R} es un sub-espacio de R
2
y en l podemos
definir la aplicacin lineal f: S R
3
/ f(a, 2a) = (3a, 4a, 5a)

EJEMPLO 4.6: Ejemplos de Aplicaciones Lineales:

(1) Aplicacin identidad; De un espacio vectorial en s mismo. Asigna a
cada vector el mismo vector. Esto es I: V V / xV , I(x)=x.
(2) Aplicacin nula; entre dos espacios vectoriales V y W, asigna a todo
vector de V el vector cero de W. Esto es N: V W / xV , N(x)=0.
(3) Aplicacin de giro; pueden hacerse en el plano o el espacio (R
2
R
3
).
Por ejemplo la siguiente aplicacin en hace girar a todos los vectores
del plano 45 en sentido anti-horario: G:R
2
R
2
tal que:
G(x, y) =

Proposicin 4.2.2: Una funcin f: R R, es lineal si y solo si rR / f(x)=r.x

Demostracin: Es obvio ya que se usa simplemente una parte de la Definicin
4.2.1.

3
R
3
; definida por f(x, y, z)=(3x-z , y+z , x-2y+z). es
un isomorfismo pues la funcin es una aplicacin lineal, fcil de demostrar.

Proposicin 4.2.3: Si f: V W es una aplicacin lineal:

(1) f(0
v
) = 0
w

(2) f(-x) = -f(x)
(3) S es sub-espacio vectorial de V entonces f(S) es sub-espacio
vectorial de W
(4) T es sub-espacio vectorial de W entonces f
-1
(T) es sub-espacio
vectorial de V.

Demostracin:
(1) Denotemos por 0
v
y 0
w
el vector cero de V y de W respectivamente.
Entonces, partiendo de cualquier vector vV, tenemos:
Pg. 73

f(0
v
) = f( v v) = f(v) f(v) = 0
w

(2) Sea f(0 + (-1).x) = 0 + (-1)f(x) = -f(x).
(3) x, yS, se tiene que f(.x + .y)=.f(x)+.f(y) f(S)W, luego
por teorema 1.2.3 f(S) es sub-espacio vectorial de W.
(4) a, bT, .a + .b T luego f
-1
(.a + .b) f
-1
(T)V, como f es
lineal, entonces f
-1
tambin lo es por tanto:
. f
-1
(a) + . f
-1
(b) f
-1
(T) entonces f
-1
(T) es sub-espacio de V.

Observacin: Esta propiedad puede usarse para probar que una aplicacin no
es lineal pues si no cumple con esta propiedad no podr serlo.

EJEMPLO 4.8: Las siguientes aplicaciones, f : R
2
R
2
, son aplicaciones
lineales:

(1) Homotecia: f(u) = u, con R.
(2) Proyeccin: f(x; y) = (x; 0).
(3) Simetra: f(x; y) = (x;-y)

EJEMPLO 4.9: Si AM
mxn
(R), la aplicacin f:R
n
R
m
definida por f(x) = A.x es
una aplicacin lineal (asociada a la matriz A). Obviamente, para que tenga
sentido el producto A.x se entiende que el vector x se escribe en columna,
como se har siempre que est implicado en operaciones matriciales. Ejemplos
particulares son los EJEMPLOS 4.2 Y 4.3

Proposicin 4.2.4: f:R
2
R ; f es lineal si y solo si a, bR tales que
f(x,y)=a.x + b.y

Demostracin: Queda para el lector debido por su facilidad.

EJEMPLO 4.10: La funcin f: R R
n
es una aplicacin lineal. Supongamos xR
f(x) = (x, 2x, 3x, , nx).

Lema 4.2.5: Si f: R
m
R
n
y g: R
n
R
p
, son aplicaciones lineales, entonces
(gof) es una aplicacin lineal.

Obviamente:
(gof)(ax + by) = g[f(ax + by)] = g[a.f(x) + b.f(y)] = a.g[f(x)] + b.g[f(y)]
=a.(gof)(x) + b.(gof)(y). lo que demuestra la linealidad.
Pg. 74

Proposicin 4.2.6: Una funcin f:R
n
R
n
es lineal si y solo si

Definicin 4.2.7: Dada una aplicacin lineal f: V W:
(1) se define el ncleo de f que se denota por Ker(f), como el conjunto:

Ker(f) = {vV : f(v) = 0}
(2) se define la imagen de f , que se denota por Img(f), como el conjunto

Img f = {wW: vV tal que f(v) = w}

Es sencillo probar que Ker(f) es un sub-espacio vectorial de V e Img(f) es sub-
espacio vectorial de W.

Definicin 4.2.8: Si f: V W es una aplicacin lineal, entonces la dimensin
del ncleo se denomina la nulidad de f y la dimensin de la imagen de f se
denomina el rango de f.

Teorema 4.2.9: (TEOREMA DE LA DIMENSIN) Si f: V W es una
aplicacin lineal, con V un espacio vectorial de dimensin n, entonces:

dim(Ker(f)) + dim(Img(f)) = n = dim(V )

Definicin 4.2.10: Sea L(R
n
, R
m
) = {f:R
n
R
m
; f es aplicacin Lineal},
definimos para todo T, L L(R
n
, R
m
) y R:

(1) (T + L)(x) = T(x) + L(x) (suma de aplicaciones lineales)
(2) (.T)(x) = .T(x) (producto por un escalar)

Entonces se tienen:

+: L(R
n
, R
m
)x L(R
n
, R
m
) L(R
n
, R
m
)
Y
. : Rx L(R
n
, R
m
) L(R
n
, R
m
)

Teorema 4.2.11: (L(R
n
, R
m
), +, ., R) es un espacio Vectorial.

Demostracin: Queda para el lector por su facilidad.
Pg. 75

Observacin: Recordar que L(R
n
, R
m
) M
mxn
; si T:R
n
R
m
aplicacin Lineal,
entonces:
T(x
1
,,x
n
)=(a
11
x
1
++a
1n
x
n
, a
21
x
1
++a
2n
x
n
, , a
m1
x
1
++a
mn
x
n
)

)(
)

Luego existe una matriz [T] tal que T(x)=[T].x

: L(R
n
, R
m
) M
mxn
; donde para todo T L(R
n
, R
m
), (T)=[T]

Es un isomorfismo.

4.3. ESPACIO DE APLICACIONES MULTI-LINEALES

Definicin 4.3.1: (FORMA BI-LINEAL) Sea T: R
n
xR
m
R
p
. Decimos que T es
Bi-Lineal si y solo si T es lineal en cada variable. Es decir:

(1) T(.x + .y ; z) = .T(x, z) + .T(y, z) ; x, y, z R
n
y ,R
(2) T(x ; .y + .z) = .T(x, y) + .T(x, z) ; x, y, z R
n
y ,R

EJEMPLO 4.11: La aplicacin trivial 0:VxV R es bi-lineal

EJEMPLO 4.12: T: R
n
xR
n
R, T(x, y)=x, y >.

EJEMPLO 4.13: La aplicacin T:M
nxn
(R) x M
nxn
(R) R, T(A,B)=traza(A.B
t
) es
bi-lineal.

EJEMPLO 4.14: Si T y S son formas bi-lineales sobre dos espacios vectoriales
V y V, entonces TxS es bi-lineal en VxV.

EJEMPLO 4.15: f: R
3
xR
3
R
3
definida por f(w,z)=wxz (producto vectorial), es
una aplicacin bi-lineal.

Obviamente, dado v,w,z ternas y a,b reales, se tiene:
f(av+bw,z)=(av+bw)xz ; luego esto lo representaremos de la siguiente manera:
Pg. 76

(

)

=[(
).
- (
).
, (
).
).
, (
).
).
]
= (a.v
2
.z
3
a.v
3
.z
2
, a.v
1
.z
3
a.v
3
.z
1
, a.v
1
.z
2
a.v
2
.z
1
) + (b.w
2
.z
3
b.w
3
.z
2
, b.w
1
.z
3

b.w
3
.z
1
, b.w
1
.z
2
b.w
2
.z
1
)
=a.(v
2
.z
3
v
3
.z
2
, v
1
.z
3
v
3
.z
1
, v
1
.z
2
v
2
.z
1
) + b.(w
2
.z
3
w
3
.z
2
, w
1
.z
3
w
3
.z
1
, w
1
.z
2

w
2
.z
1
) = a.f(v,z) + b.f(w,z) ; por tanto f es bi-lineal.

Proposicin 4.3.2: Si T: R
n
xR
m
R
p
. es una aplicacin lineal entonces:

(1) T es simtrica si y solo s T(x, y) = T(y, x)
(2) T es anti-simtrica si y solo si T(x, y) = -T(y, x)

Demostracin: Queda para el lector por su facilidad.

Proposicin 4.3.3: En un espacio vectorial, la nica aplicacin que es lineal y
bilineal a la vez es la aplicacin trivial.

Proposicin 4.3.4: Sea T bi-lineal en R
n
. entonces se tiene:

(1) T(0, y) = T(x, 0) = 0 ; x,yT.
(2) T(-x, y) = T(x, -y) = -T(x, y) ; x,yT.
(3) Si x
1
, , x
n
; y
1
, y
n
R
n
. a
1
, , a
n
;b
1
, , b
n
R, entonces

(
)

Sea T una forma Bi-lineal en un espacio vectorial V y B={e1, , en} una base
suya. Sea aij = T(ei, ej). Si u,vV y (x
1
, , x
n
) , (y
1
, , y
n
) son sus coordenadas
respecto de B respectivamente, la proposicin anterior nos dice que:

)

Pg. 77

Definicin 4.3.5:

es multi-lineal cuando T es lineal en cada variable,
es decir:

T: R
n1
xR
n2
xxR
nk
R
m

Si lo hacemos:

L(R
n1
xR
n2
xR
n3
x x R
nk
, R
m
) = { T: R
n1
xR
n2
xxR
nk
R
m
, T es multi-lineal}

* (T + L) (x
1
,,x
n
) = T(x
1
,,x
n
) + L(x
1
,,x
n
)
* (T) (x
1
,,x
n
) = .T(x
1
,,x
n
).

Teorema 4.3.6: (L(R
n1
xR
n2
xR
n3
x x R
nk
, R
m
), +, . ,R) es un espacio vectorial.

Demostracin: Basta demostrar las propiedades de un espacio vectorial.

Lema 4.3.7: Sea f:R
n
xR
n
R
p
una aplicacin bi-lineal y g:R
p
R
q
una
aplicacin lineal. Entonces se tiene:

(1) gof es bi-lineal.
(2) gof es lineal.

Demostracin:
(1) (gof)(ax+by, z) = g[f(ax+by, z)] = g(a.f(x,z)+b.f(y,z)) =
a.g[f(x,z)]+b.g[f(y,z)] = a.(gof)(x,z)+b.(gof)(y,z); por tanto gof es bi-
lineal
(2) x,y,w,zR
n
, entonces (gof)(a(x,y)+b(w,z)) = g[f(a(x,y)+b(w,z))]
= g[f(ax+bw , ay+bz)] = g[a.f(x , ay+bz) + bf(w , ay+bz)]
= a.g[f(x , ay+bz)] + b.g[f(w , ay+bz)]
= a.g[a.f(x,y)+b.f(x,z)]+b.g[a.f(w,y)+b.f(w,z)]
=a
2
.(gof)(x,y)+a.b(gof)(x,z)+a.b(gof)(w.y)+b
2
.(gof)(w,z)
Por tanto gof no es lineal.

T
Pg. 78

Captulo 5
LMITES Y CONTINUIDAD.

5.1 LMITES.

Definicin 5.1.1:

ea f:UR
n
R
m
y aR
n
, un punto de acumulacin de U,
entonces:

Nota: El punto a puede pertenecer o no a U.
S
Pg. 79

EJEMPLO 5.1: Dado AM
nxn
, f:R
n
R
m
. se tiene f(x)=A.x, entonces
.
Se verifica inmediatamente la igualdad ya que

A.x=(
)(
)=(a
11
x
1
++a
1n
x
n
, a
21
x
1
++a
2n
x
n
, , a
m1
x
1
++a
mn
x
n
)
luego:

EJEMPLO 5.2: Dado f:R
n
R
m
. donde :
f(x
1
, , x
n
) = (p
1
(x
1
, , x
n
), , p
n
(x
1
, , x
n
)); donde los p
i
(x
1
, , x
n
) , i=1,,n son
polinomios. Entonces:

Teorema 5.1.2: (PERMANENCIA) Sea a un punto de acumulacin de UR
n
y
f:U R una funcin real.
, L es un nmero positivo de U,
entonces:
>0 / xX y 0 < |x a| < implica f (x) > 0.

Demostracin: Como L es positivo entonces =L. Luego por la definicin de
lmite (definicin 5.1.1) se tiene que >0 tal que xX y 0 < |x a| < implica
|f(x) L| < ; entonces L- < f(x) < L+ ; luego 0 < f(x) < 2L. por lo tanto f(x)>0.

Teorema 5.1.3: Sea f:UR
n
R
m
, f=(f
1
,,f
n
) y aR
n
, un punto de acumulacin
de U; entonces:

Existe si y solo si existen
desde i=1,,n tal que :

, ,

Demostracin: sea
donde L=(L
1
, , L
n
) ; por definicin de lmite
se tiene >0, >0 tal que 0 < x - a< implica que f(x) - L<; luego:
f(x) - L=(f
1
,,f
n
)(x) - (L
1
, , L
n
)= (f
1
(x) - L
1
, ,f
n
(x) - L
n
) <;luego:
|f
i
(x) L
i
| (f
1
(x) - L
1
, ,f
n
(x) - L
n
) <; entonces |f
i
(x) L
i
| <; por tanto
existe
desde i=1,,n.

EJEMPLO 5.3: Probaremos

Pg. 80

Es fcil notar que usando la demostracin se resolvera tal ejercicio.
Dado >0 , existe >0 tal que 0<(x,y)-(1,1)< , luego usando la norma .
1
, se
tiene que |x-1|+|y-1|< . lo que implica que:
<. Ahora debemos buscar el que depende del .
<
<
< ; luego tenemos que

(x-1)(x+1) + (y-1)(y+1) , (x-1)+(y-1)< ; entonces usando la misma definicin
de .
1
, se tiene |(x-1)(x+1) + (y-1)(y+1)| + |(x-1)+(y-1)|< esto es
|(x-1)(x+1) + (y-1)(y+1) + (x-1)+(y-1)||(x-1)(x+1) + (y-1)(y+1)| + |(x-1)+(y-1)|< ;
|(x-1)(x+2) + (y-1)(y+2)| <
|(x-1)||(x+2)| + |(y-1)||(y+2)| < |(x+2)| + |(y+2)| <
.(|x+2|+|y+2|) <
Luego acotamos (|x+2|+|y+2|) obteniendo el resultado.

Teorema 5.1.4: (UNICIDAD) Si
entonces L es nico.

Demostracin: Supongamos que
entonces:
/2>0, >0 tal que 0 < x - a< (f(x) - L</2 y f(x) - M</2) ; luego
L - M f(x) - L + f(x) - M < /2 + /2 = ; luego L - M < ; como es
arbitrario se tiene que L - M = 0 y por tanto L=M. de manera que L es nico.

Teorema 5.1.5: Sean g, f:UR
n
R
m
;:UR
n
R y a un punto de
acumulacin. Si
Entonces:
(1)

(2)

(3)

(4)

Demostracin: La demostracin queda para el lector debido su facilidad.

Teorema 5.1.6: Sea :R
m
xR
n
R
p
; bi-lineal. Dadas f:U R
m
y g:U R
n
con
y g acotada. Entonces

Teorema 5.1.7: Sea f:X R
m
y g:Y R
n
; f(X)Y, aX, bY, se tiene:

(1) Si
y g continua en b
()
Pg. 81

(2) Si
donde x y f(x)b
.

Teorema 5.1.8: Sea a un punto de acumulacin del conjunto XR
m
. Si
es necesario y suficiente que, para toda secuencia (x

k
)X{a}
con
, se tiene que

EJEMPLO 5.4: Sea f:R
2
R ; definida por f(x,y)=
y
(x
n
,y
n
) = (1/n, 1/n) halle

La resolucin es sencilla.
; debemos recordar que

entonces:
(|
| ) = 1.

Teorema 5.1.9: Sean g, f:UR
n
R
m
y a un punto de acumulacin de U. si
f(x)g(x) para todo xU y
entonces se tiene
que LM.

EJEMPLO 5.5: Sea f: R R ; definida por f(x)=x.sen(x). Probaremos que
.

En efecto |x|< y |x.sen(x)||x|.|1|=|x| ya que -1 < |sen(x)| < 1 ( la funcin seno
esta acotada entre -1 y 1) luego =.

5.2. CONTINUIDAD.

Definicin 5.2.1:
ea f:UR
m
R
n
y aU, entonces se dice que f es continua
en a si y solo si:

Que llevado en trminos de lmites, esto es:

S
Pg. 82

2
R
3
/ f(x, y) = (x
2
+ y
2
, x.y , x y
2
). Para cualquier
a=(a
1
, a
2
), es continua , pues son los componentes de la terna son funciones
polinmicas continuas.

m
R
n
/f(x) = c; es continua en todo R
n
, pues dado a R
m

se tiene que f(x) f(a)=c - c= 0 < , entonces =.

Teorema 5.2.2: Sea f
i
:R R , i=1,,n ; funciones continuas en a
i
. Si y solo s
F:R
m
R
n
es continua en a=(a
1
,,a
m
).

Demostracin: La demostracin es similar a la del teorema 5.1.3.

3
R
2
/ f(x, y, z)=(e
z
.cos(x.y) , sen(e
xy
).z) es una
funcin continua ya que sus componentes son funciones continuas.

EJEMPLO 5.9: f:R
2
R
2
/ f(x, y)=(ln|x+y| ,
), es continua. Dado que sus

componentes son funciones continuas en R.

Teorema 5.2.3: : Sea f:X R
m
y g:Y R
n
; f(X)Y, aX, bY, se tiene:

(1)

(2)

(3)

(4)
cuando n=3
Teorema 5.2.3: Sea f: XR
m
R
n
continua en a; g:YR
n
R
p
continua en
b=f(a) con f(X)Y ; entonces (gof) es continua.

Demostracin:
(gof): XR
m
R
p
tal que (gof)(x)=g[f(x)].
F es continua

g es continua

ahora en f, dado =
2,
se tiene que:

() ; entonces dado la definicin

de composicin se tiene .

Pg. 83

Teorema 5.2.4: Sea f: UR
m
R
n
y aU. Entonces f es continua en a si y
solo si:

Demostracin: Debemos demostrar , entonces
tomemos entonces y=f(x) tal que luego
x - a < y f continua entonces f(x) f(a)<, entonces y=f(x)B(f(a), ).

Teorema 5.2.5: Sea f: UR
m
R
n
y aU. Entonces f es continua en a si y
solo si:

WR
n
, W abierto, con f(a)W, existe VR
m
, V abierto , con aV,
tal que F(VU)W.

Demostracin: Como f(a)W y W abierto entonces
1
>0 tal que B(f(a), )W,
luego por el teorema 5.2.4. La continuidad de f se tiene:
entonces podemos decir
que existe V=B(a, ). Abierto.

Teorema 5.2.6: Sea f: R
m
R
n
. Entonces f es continua en R
n
si y solo si:

DR
n
; D abierto , f
-1
(D) es abierto.

Demostracin: Dado af
-1
(D) entonces f(a)D y D abierto entonces >0 /
B(f(a); )D; luego como f es continua se tiene f(B(a, )) B(f(a); )D
entonces B(a, )f
-1
(D), por tanto f
-1
(D) es abierto.

Teorema 5.2.7: Sea f: R
m
R
n
. Entonces f es continua en R
n
si y solo si:

DR
n
; D cerrado , f
-1
(D) es cerrado

Demostracin. Similar a la del teorema 5.2.6.

Lema 5.2.8: Sea f:UR
m
R
n
. aU. Entonces f es continua en a si y solo si
vecindad HR
n
, con f(a)H, KR
m
con aK tal que f(KU)H.

Pg. 84

Demostracin: f(a)H y f continua entonces >0, B(f(a), )H luego por
teorema 5.2.5 f(VU) B(f(a), )H entonces como K y V comparten
definiciones podemos afirmar que K=V.

Lema 5.2.9: Sea f:R
m
R
n
una funcin. Entonces:

(1) f(AUB)f(A)f(B) ; para todo A,BR
m

(2) f
-1
(f(A))A ; para todo AR
n

Teorema 5.2.10: Sea f:UR
m
R
n
. aU. Entonces f es continua en a si y
solo si:
(xk)U:
el

Demostracin:
Sea
entonces
0
>0, k
0
N / k>k
0
implica x
k
- a<
0
; luego
como f es continua, =
0
, entonces f(x
k
) f(a)>.

Proposicin 5.2.11: Sea f: R
m
R
n
aplicacin lineal. F es continua en R
n
sin y
solo si f es continua en 0=(0,,0).

Demostracin: se demostrara la bi-condicional en dos pasos.
() f es continua en R
n
, entonces en especial en 0.
() F es continua en 0, entonces:
>0, >0 tal que 0< x - 0< implica f(x) f(0)< ; luego
representamos 0=0.e
1
+ + 0.e
n
donde los e
i
son los vectores cannicos de R
m
.
entonces se forma la expresin:
0< x (0.e
1
+ + 0.e
n
)< implica f(x) f((0.e
1
+ + 0.e
n
))< ; luego por
ser f aplicacin lneal tenemos:
f(x) f(e
1
+ + e
n
)<f(x) 0.f(e
1
+ + e
n
)< ; por tanto f es continua en
R
n
.

Definicin 5.2.12: Sea f: R
m
R
n
; se dice que f es lipschitziana si y solo si
existe k>0 tal que:

f(x) f(a)<k.x - a

Donde k es la constante de lipschitz.

Pg. 85

Proposicin 5.2.13: Sea f: R
m
R
n
aplicacin lineal. Entonces:

Demostracin: Usando la definicin 5.2.12. dado k>0 ; |x - a|< implica que
|f(x) f(a)|<k.|x a|. luego sea =/k entonces
|f(x) f(a)|<k.|x a|<k. =k./k = . Entonces |f(x) f(a)|<. Por tanto queda
demostrada la proposicin.

Proposicin 5.2.14: Sea I R y g: I R ; funciones continuas en I. la funcin
h:IxI R
2
definida por h(x,y)=(f,g) es continua sobre IxI.

Demostracin: Siendo f y g continuas en I. entonces dada aI la definicin
/2>0, >0 / 0<x - a< implica que
|f(x) f(a)|</2 y |g(y) g(a)|</2 luego verifiquemos de igual manera la
continuidad de h.
h(x, y) h(a, a)=(f(x),g(y))-(f(a),g(a))=(f(x)-f(a) , g(y)-g(a))= |f(x)-
f(a)|+|g(x)-g(a)| < /2 + /2 = .

EJEMPLO 5.10: Sea g: R
n
R ; definida por g(x)=x.Es continua para xR
n
.

Primero observemos las igualdades:
x=a + (x a) y a= x + (a x)
luego
xa+x a y ax+a - x
Por tanto
x-ax - a y a-xx - a
Entonces
|x-a|x - a

|g(x) g(a)| x - a

Luego dado x - a< , entonces =. Lo que demuestra la continuidad.

Pg. 86

Captulo 6.
CAMINOS DIFERENCIALES.

En primer lugar, La derivada surge como el instrumento natural para medir, localmente,
la taza de variacin de una funcin.

6.1. LA DIFERENCIABILIDAD.

Definicin 6.1.1:

e dice que el camino (curva) f: I R
n
es diferenciable en el
punto x
0
si existe el lmite:

La cual llamaremos derivada de f en el punto x
0
.

Observacin: Una forma de representacin es:

|
S
Pg. 87

Como la definicin del lmite. Sin embargo podemos hacer el cambio de
variable. h=x-x
0
. Entonces dado el lmite la expresin se transforma a la
siguiente manera:

Para h0 , las coordenadas del vector [f(x
0
+h)-f(x
0
)]/h , son los nmeros
[f
i
(x
0
+h)-f
i
(x
0
)]/h ; donde i=1,,n.

Definicin 6.1.2: f es diferenciable en c. si existe una transformacin lineal
T(c):R
m
R
n
; tal que:

f(c + h) = f(c) + T(c).h + r(h).

Donde r(h) es conocido como el resto del incremento y:

y T(c) = f(c).

Teorema 6.1.3: Se dice que un camino f es diferenciable en c si y solo s sus
funciones coordenadas lo son.

Observacin: en el caso afirmativo se tiene qe f(c) = (f1(c), ,fn(c)). A veces
se usa la siguiente notacin
. Cuando f es continua, el camino f se llama de

clase C
1
.

En efecto se deduce instantneamente que f es de clase C
k
cuando f es
diferenciable y es de clase C
k-1
.

Luego se determina el conjunto C
k
= {f:IR
n
/ f es de clase C
k
}. Entonces f es
de clase C
cuando es f
()
es continua.

EJEMPLO 6.1: Si f(x)=x
2
. Entonces f(c) para cR, se tiene:

Pg. 88

Observar que hemos hecho uso de la definicin 6.1.1. sin embargo ahora
desarrollaremos el mismo ejemplo por medio de la definicin 6.1.2.

EJEMPLO 6.2: Si f(x)=x
2
. Entonces f(c) para cR, se tiene:

f(c+h) = f(c) + f(c).h + r(h)
(c+h)
2
= c
2
+ f(c).h + r(h).
C
2
+ 2c.h + h
2
= c
2
+ f(c).h + r(h)
2c.h + h
2
= f(c).h + r(h)
(2c.h + h
2
)/h = (f(c).h + r(h))/h

Luego
f'(c) = 2c.

EJEMPLO 6.3: Si f(x,y)=(x
2
+y
2
, x.y) entonces hallaremos f(c) para c=(1,-1).

f((1,-1) + (h
1
,h
2
)) = f(1+h
1
, -1+h
2
)
= [(1+h
1
)
2
+(-1+h
2
)
2
, (1+h
1
)(-1+h
2
)]
= (1 + 2h
1
+ h
1
2
+ 1 2h
2
+ h
2
2
, -1 - h
1
+ h
2
+ h
1
h
2
)
= (2 + 2h
1
+ h
1
2
2h
2
+ h
2
2
, -1 - h
1
+ h
2
+ h
1
h
2
)
= (2,-1) + (2h
1
+ h
1
2
2h
2
+ h
2
2
, -h
1
+ h
2
+ h
1
h
2
)
= (2,-1) + (2h
1
2h
2
, -h
1
+ h
2
) + (h
1
2
+ h
2
2
, h
1
h
2
)
= f(1,-1) + f(1,-1).(h
1
,h
2
) + r(h
1
,h
2
)

Luego f(c).h = (2h
1
2h
2
, -h
1
+ h
2
) entonces f es diferenciable en (1,-1).

Teorema 6.1.4: Si f : I R ; donde I es un intervalo en R . f es
diferenciable en cI entonces f es continua en c.

Demostracin: Sea L=f(c). Dado >0, existe >0 tal que

xI, 0<|x-c|<
0
implica |
|<

Luego L- <|
|<L+ ; entonces sea = min{

0
,/(L+)}. Entonces

xI, 0<|x-c|< implica |f(x) f(c)| = |
| (L+). .
Pg. 89

Luego por f es continua en c.

Observacin: El teorema 6.1.4 podemos afirmar que diferenciabilidad implica
continuidad. Sin embargo el inverso no siempre es cierto.

EJEMPLO 6.4: Un ejemplo de la observacin precedente. Sea f: R R donde
f(x)=|x|. Entonces f es continua en R mas no es diferenciable en 0, pues para x
0 tenemos:

|

|
{

Luego el lmite cuando x tiende a 0 no existe.

Teorema 6.1.5: Sean funciones f, g: I R
n
y : I R una funcin real, si f,g
ambas diferenciables en cI. Entonces:

(1) (a.f)(c) = a.f(c) , donde aR. De modo, si xc, entonces:

(2) (f+g)(c) = f(c) + g(c).
(3) Si p=f.g entonces si xc

Luego existe
y p(c) =f(c).g(c) + g(c).f(c)

(4) Si g(x)0 para todo xI entonces sea h=f/g. Luego xc,

Luego existe
y h(c)= f(c)/g(c) + f(c).g(c)/g(x)

2
.
(5) <f,g>(c) = <f(c), g(c)> + <f(c), g(c)>.
(6) |f|(c) = (<f,g>)
1/2
(c) = <f(c), f(c)>/|f(c)|

Pg. 90

EJEMPLO 6.5: Por el teorema anterior tenemos que f(x)=x
n
, para nN,
entonces f es diferenciable y f(c)=n.x
n-1
.

Teorema 6.1.6:(DESIGUALDAD DEL VALOR MEDIO) Sea f: [a,b] R
n
un
camino diferenciable en el intervalo <a,b>, con |f(t)|M , para t<a,b>.
Entonces:
|f(b) f(a)| M.(b a)

Demostracin: Haciendo uso del teorema de Langrage.

Luego
f(b) f(a) = f(c)(b a)

Mas el incremento de f en [a,b] es igual:

|f|=|f(c)|.(b - a)

Este dato y agregando el dato |f(t)|M , para t<a,b> se deduce lo siguiente:

|f(b) f(a)|= |f(c)|.(b - a) M.(b a).

Corolario 6.1.7: Si el camino f: [a,b]R
n
, tiene derivadas nulas en todos los
puntos de <a, b> entonces es constante.

Demostracin: Primero escogemos x<a,b] luego aplicamos el teorema del valor
medio al intervalo [a,x] luego tenemos para t<a,x>. con |f(t)|M:

|f(x) f(a)| M.(x a)

Luego como f(t)=0 entonces |f(x) f(a)| 0.(x a) entonces:|f(x) f(a)| 0
Y f(x)=f(a). para cada x de <a,b], por tanto f es constante.

Teorema 6.1.8: (REGLA DE LA CADENA) Sea : I J ; diferenciable en aI
y f: J R
n
; camino diferenciable en b=f(a) . Entonces el camino (fo): I R
n
;
es diferenciable en el punto a, con (fo)(a)=(a).f(b).

Demostracin: Queda como ejercicio para el lector debido a su facilidad.
Pg. 91

2
R dada por
si x
2
+y
2
>0 ; f(0,0) = 0.
Para todo camino :<-,> R
2
es diferenciable en 0 con (0)=(0,0) , existe la
derivada (fo)(0)?

En efecto; dado t<-,> (t)=((t
1
),(t
2
)), como es diferenciable, entonces:
(a+t) = (a) + (a).t + r(t) luego
entonces:
luego
1,2
(0)=0 entonces

ahora consideremos 2 casos:

(1)
; entonces:

(fo)(0)
()()
donde

Es acotado. Por tanto.
(fo)(0) = 0. Entonces existe (fo)(0).

(2)
; entonces:

(fo)(0)
()()
. Por tanto.
Existe (fo)(0).

6.2. LA DERIVABILIDAD

Definicin 6.2.1:

a derivada direccional de f: I R
n
; en el punto a y en la
direccin del vector v; esta definida por:

L
Pg. 92

2
R dada por f(x,y)=x
2
.y ; sea a=(1,1) y v=(1,-1), la
derivada direccional de f se obtiene de la siguiente manera.

2
R dada por f(x,y)=x
2
+ y
2
+x.y para a=(x,y) y v=(1,0),
la derivada parcial de f es:

Teorema 6.2.2: Si F=(f
1
,,f
n
): I R
n
; entonces
.

Demostracin:
) (

V
1

a=(x
0
,y
0
)
v
2

a+v
R
f
Pg. 93

, ,

Lo que demuestra el teorema.

EJEMPLO 6.9: Hallar df/dv (a) ; para f(x,y) = (x.y , x + y
2
), en a=(1,1) y v=(1,-1).

( )
( )
)

(
)

(

Definicin 6.2.3:

ea f:I R
n
; las derivadas parciales respecto de las i-simas
componentes del vector x = (x
1
, , x
n
) esta definido por:

Observacin: Para los vectores cannicos e
1
,,e
n
R
n
, la expresin cambia de
la siguiente manera:

; para todo i=1,,n

S
Pg. 94

EJEMPLO 6.10: Sea UR
m
abierto, f: U R, asume su valor mximo en aU,
entonces
.

En efecto si a es el valor mximo entonces f(x)f(a) para todo xU,
entonces:
f(a+t.e
i
) f(a) y f(a+t.e
i
) - f(a) 0
Luego:
[f(a+t.e
i
) - f(a)]/t 0 ; t>0

[f(a+t.e
i
) - f(a)]/t 0 ; t<0
Luego:

Luego:

Esto asegura que:

Teorema 6.2.4: Sea UR
m
abierto y conexo, si f: U R, posee en todos sus
puntos derivadas parciales nulas, entonces f es constante.

Demostracin: Si U posee en todos sus puntos derivadas parciales nulas,
entonces:
aU :
; donde i=1,,m
Sea v=(v
1
,,v
m
)R
m
. Entonces:

En conclusin determinamos que f es constante.
Pg. 95

La derivada es una transformacin lineal, por lo tanto tiene una representacin
matricial.

Definicin 6.2.5: (MATRIZ JACOBIANA) Una matriz formada por las
derivadas parciales de primer orden de una funcin se le denomina Matriz
Jacobiana. Las expresiones son:

(1) Sea F: R
m
R, F diferenciable, entonces:

(2) Sea F: R
n
R
m
, F diferenciable, entonces:

EJEMPLO 6.11: Del EJEMPLO 6.3 tenemos la siguiente solucin:
f(c).h = (2h
1
2h
2
, -h
1
+ h
2
) llevndolo a la expresin matricial tenemos:

(

) (
)
Expresado J
f
= (

) la matriz jacobiana.

EJEMPLO 6.12: Para f(x,y)=(x
2
+y
2
, xy), para a=(x,y), hallaremos la diferencial
de f en a.

f( a + h ) = f((x,y)+(h
1
,h
2
))
= f(x+h
1
, y+h
2
)
= ((x+h
1
)
2
+ (y+h
2
)
2
, (x+h
1
)(y+h
2
))
= (x
2
+y
2
, xy) + (2xh
1
+ 2yh
2
, xh
1
+ yh
2
) + (h
1
2
+ h
2
2
)
Luego
f(c).h = (2xh
1
+ 2yh
2
, yh
1
+ xh
2
)

(

) (
)
Pg. 96

EJEMPLO 6.13: Sea f(x,y)=(xy, x, y) hallaremos la matriz jacobiana.

(

)

EJEMPLO 6.14: Sea f(x, y, z)=(x
2
.y.z , z
2
.y x , 3x.z) la matriz jacobiana es la
siguiente:

(

)

Luego si otorgamos valores numricos a la terna (x, y, z) = (1,1,1) obtenemos:

(

)

Análisis del espacio euclidiano n-dimensional

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis del espacio euclidiano n-dimensional

Uploaded by

Copyright:

Available Formats

NOTAS DE ANLISIS REAL Carlos Eleodoro Romero Cruz

; por lo tanto las normas son equivalentes.

luego, por Holder-schwarz

significa afirmar que cualquier bola de

; esto es que cada

. Recprocamente, si vale esta ltima igualdad

. De modo que dado > 0, para

. De modo que dado > 0, sea k tal que 1/k <

podemos aplicar el cociente sobre los resultados.

luego por ser (x

y por el Teorema 3.4.6. Tenemos que

lo que prueba el teorema.

de aqu resulta que si NN es un

y tambin por ser de Cauchy

es obvio que cualquier bola centrada en x contiene

entonces x es adherente a A, entonces x.

, luego por el (5) de la observacin de

Existe si y solo si existen

desde i=1,,n tal que :

<. Ahora debemos buscar el que depende del .

< ; luego tenemos que

es necesario y suficiente que, para toda secuencia (x

; debemos recordar que

), es continua. Dado que sus

() ; entonces dado la definicin

. Cuando f es continua, el camino f se llama de

|<L+ ; entonces sea = min{

y p(c) =f(c).g(c) + g(c).f(c)

y h(c)= f(c)/g(c) + f(c).g(c)/g(x)

ahora consideremos 2 casos:

; para todo i=1,,n

You might also like