Você está na página 1de 42
UNIVERSIDADE ESTADUAL DO SUDOESTE DA BAHIA ˆ DEPARTAMENTO DE CI ENCIAS EXATAS ´ CURSO DE

UNIVERSIDADE ESTADUAL DO SUDOESTE DA BAHIA

ˆ

DEPARTAMENTO DE CI ENCIAS EXATAS

´

CURSO DE LICENCIATURA EM MATEM ATICA

ESPAC¸ OS DE HILBERT

Gislan Silveira Santos

Vit´oria da Conquista, Ba Julho de 2008

Gislan Silveira Santos

ESPAC¸ OS DE HILBERT

Monografia apresentada ao colegiado do curso de Licenciatura em Matem´atica da Universidade Estadual do Sudoeste da Bahia, como parte dos requisitos para obten¸c˜ao do Grau de Licenciado em Matem´atica.

Orientador: Prof. Antˆonio Augusto O. Lima.

Vit´oria da Conquista, Ba Julho de 2008

Em mem´oria do meu querido pai, Gileno Messias Santos, e da minha maravilhosa av´o, Maria Jos´e dos Santos. Eternos amigos.

Agradecimentos

Neste momento importante de minha vida, v´arias pessoas merecem os meus verdadeiros agradecimentos. Antes de cit´a-las, pe¸co desculpas por alguns esquecimentos.

Agrade¸co a Deus por ter me dado for¸cas para alcan¸car os meus objetivos.

A minha m˜ae, Luzia da Silveira Lopes, que tem contribu´ıdo com tudo durante toda minha vida.

A minha noiva, Arlana Tha´ıse, a qual tem me apoiado, com muito amor e carinho, em minhas escolhas.

Aos meus irm˜aos, Darlan e Leticia, pelo apoio incondicional durante esta caminhada.

Aos meus tios e tias, primos e primas, a todos os meus familiares, obrigado pelo apoio.

A todos os professores do curso de Matem´atica da UESB respons´aveis pela minha forma¸c˜ao, em especial, aos professores: Benedito Melo Aci´oly e Wallace Juan Teixeira Cunha por estarem sempre dispon´ıveis a me ajudar.

A todos os colegas do curso, especialmente a Luiz, Adson e Bruno Rafael, ou melhor, “Seu Lunga”, “Um Milh˜ao” e “Carlitos Tevez”, pela amizade e companheirismo.

A minha amiga, Dani Lˆora, por me ajudar no inglˆes durante a realiza¸c˜ao deste trabalho.

Aos meus amigos Gleyton, Darlan, Mois´es, Joaquim e Robson, a galera do “sinuca”, que sempre estiveram comigo em todos os momentos.

A todos os funcion´arios da UESB, em especial aos funcion´arios da Biblioteca, do DCE, do Laborat´orio de Matem´atica e do Colegiado do curso de Matem´atica, pela paciˆencia, gentileza e disposi¸c˜ao.

Ao meu orientador, Prof. Antˆonio Augusto Oliveira Lima, o maior respons´avel pelos frutos positivos deste trabalho, agrade¸co pela disposi¸c˜ao, paciˆencia e amizade. Uma pessoa excepcional.

Resumo

´

Algebra Linear e Espa¸cos M´etricos, para

dar suporte no entendimento da defini¸c˜ao de Espa¸cos de Hilbert.

Definimos que um Espa¸co de Hilbert ´e um espa¸co vetorial normado completo, em que a norma prov´em de um produto interno, ou seja, ´e um Espa¸co de Banach proveniente de um produto interno. Provamos que se F ´e um subespa¸co fechado de um espa¸co de Hilbert H, ent˜ao H = F F , ou seja, o espa¸co de Hilbert H pode ser escrito como soma direta de um subespa¸co F com o conjunto de todos os vetores de H ortogonais a F , onde este conjunto ´e denominado por F = {x ∈ H : x, y = 0, y F }. Al´em disso, mostramos o teorema espectral para operadores auto-adjuntos compactos, em que ´e enunciado da seguinte maneira: seja A um operador auto-adjunto compacto no espa¸co de Hilbert H. Ent˜ao a fam´ılia de auto-espa¸co {H c }, onde c varia sobre todos os autovalores (incluindo 0), ´e uma decom- posi¸c˜ao ortogonal de H.

Iniciamos com uma introdu¸c˜ao b´asica sobre

Palavras-chave: Espa¸cos de Hilbert, Bases Ortonormais, Operadores Auto-adjuntos Teorema Espectral.

e

Abstract

We start with a basic introduction about Linear Algebra and Metric Spaces, to give support for the understanding of the definition of Hilbert Spaces.

We define that a Hilbert Space is a complete normed vector space, in which the norm comes from an inner product, that is, it is a Banach Space proceeding from an inner product. We prove that if F is a closed subspace from an Hilbert space H, then H = F F , that is, the Hilbert space H may be written as the direct sum of a subspace F as a set of all the vectors from H orthogonal to F , where this set is denominated by F = {x ∈ H : x, y = 0, y F }. Besides, we show the spectral theorem for compact self adjoint operators, in which it is enunciated in the following way: let A be a compact self adjoint operator on the Hilbert space H. Then the family of eigenspaces {H c }, where c ranges over all eigenvalues (including 0), is an orthogonal decomposition of H.

Key Words: Hilbert Space, Theorem.

Orthonormal Basis,

Self Adjoint Operators

and

Spectral

Sum´ario

Introdu¸c˜ao

9

1 Breve Hist´orico de David Hilbert

 

10

´

2 T´opicos de Algebra Linear

 

13

2.1 Espa¸cos Vetoriais

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

13

2.2 Subespa¸cos

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

15

2.3 Bases e Dimens˜ao .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

15

2.4 Transforma¸c˜oes Lineares

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

17

3 Espa¸cos M´etricos

 

19

3.1 Espa¸cos M´etricos

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

19

3.2 Espa¸cos Vetoriais Normados

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

20

3.3 Espa¸cos Vetoriais com Produto Interno

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

21

3.4 Seq¨uˆencias de Cauchy

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

22

3.5 Espa¸cos M´etricos Completos .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

23

4 Espa¸cos de Hilbert

 

25

4.1 Defini¸c˜ao e exemplos de Espa¸cos de Hilbert .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

4.2 Ortogonalidade e Bases Ortonormais

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

26

4.3 Propriedades dos Espa¸cos de Hilbert

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

28

4.4 Bases Ortonormais em Espa¸cos de Hilbert

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

30

4.5 Funcionais e Operadores

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

34

4.6 Teorema Espectral

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

39

Considera¸c˜oes Finais

 

41

 

7

8

Referˆencias Bibliogr´aficas

42

Introdu¸c˜ao

O objetivo principal deste trabalho ´e apresentar, de uma “maneira simples”, a defini¸c˜ao

de Espa¸cos de Hilbert e algumas de suas propriedades. Com intuito de servir como um “aux´ılio”para um estudo de inicia¸c˜ao em an´alise funcional.

No Cap´ıtulo 1, ser´a apresentado um breve hist´orico da vida e obra do matem´atico David Hilbert, mostrando seus principais trabalhos e suas contribui¸c˜oes para o avan¸co da matem´atica.

No Cap´ıtulo 2, mostraremos conceitos b´asicos da Algebra Linear, com uma abordagem pr´oxima de [2] e [4]. Tais assuntos mencionados neste cap´ıtulo, servir˜ao como pr´e-requisitos para o entendimento do restante do texto.

O Cap´ıtulo 3 ´e dedicado ao estudo geral de Espa¸cos M´etricos. Veremos as defini¸c˜oes

de espa¸cos vetoriais normados, espa¸cos com produto interno, seq¨uˆencia de Cauchy, espa¸cos m´etricos completos e uma no¸c˜ao de espa¸co de Banach. Este cap´ıtulo est´a baseado em [10] e alguns livros de an´alise citados nas referˆencias.

O tema central deste trabalho se encontra no Cap´ıtulo 4, em que consiste em definir

Espa¸cos de Hilbert e mostrar algumas propriedades e aplica¸c˜oes destes espa¸cos. Al´em disso, ser´a demonstrado alguns teoremas importantes, como o Teorema da representa¸c˜ao de Riesz e o Teorema espectral para operadores auto-adjuntos compactos. A fundamenta¸c˜ao deste cap´ıtulo pode ser encontrada em [3], [8], [9], [11] e [12].

´

9

Cap´ıtulo 1

Breve Hist´orico de David Hilbert

David Hilbert nasceu no dia 23 de Janeiro de 1862, em K¨onigsberg, na Pr´ussia Oriental, (atual Kaliningrado, na R´ussia) cidade em que surgiu o problema das sete pontes, resolvido por Leonhard Euler, em 1736. Hilbert recebeu seu Ph.D. na Universidade de K¨onigsberg em 1885 e lecionou, na mesma, no per´ıodo de 1886 at´e 1894. Em 1895 tornou-se professor da Universidade de G¨ottigen, na Alemanha, onde permaneceu at´e sua aposentadoria em 1930. No dia 14 de Fevereiro de 1943, faleceu na cidade de G¨ottigen.

Hilbert ´e considerado como um dos maiores matem´aticos do s´eculo XX. Realmente, foi um matem´atico talentoso, contribuindo nas diversas ´areas da matem´atica.

Segue abaixo algumas de suas contribui¸c˜oes:

Teoria dos Invariantes (1885-1892);

Teoria dos n´umeros alg´ebricos (1893-1899);

Fundamentos da Geometria (1898-1899);

Problema de Dirichlet e o c´alculo de varia¸c˜oes (1900-1905);

Equa¸c˜oes Integrais, incluindo a teoria espectral e o conceito de espa¸co de Hilbert (at´e

1912).

Talvez nenhuma contribui¸c˜ao a um Congresso Internacional seja t˜ao famoso quanto a que Hilbert propˆos, no Congresso Internacional de Matem´atica em Paris no mˆes de agosto do ano de 1900. Consistia numa lista de 23 problemas, dos quais alguns n˜ao foram resolvidos at´e hoje, o que resultou um grande enriquecimento para a matem´atica com o trabalho subseq¨uente de resolvˆe-los.

Os 23 problemas de Hilbert s˜ao:

1. Provar a hip´otese do continuum (HC) de Cantor;

10

11

2.

Demonstrar a consistˆencia dos axiomas da aritm´etica;

3.

Pode-se provar que dois tetraedros tˆem o mesmo volume (sob certas condi¸c˜oes)?

4.

Construir todos os espa¸cos m´etricos em que as linhas s˜ao geod´esicas;

5.

Todo grupo cont´ınuo ´e automaticamente um grupo diferencial?

6.

Transformar toda a F´ısica em axiomas;

7.

O n´umero α β , onde α ´e alg´ebrico (

= 0 e

= 1) e β ´e irracional e alg´ebrico, ´e transcen-

dente?

8.

A Hip´otese de Riemann e a Conjectura de Goldbach;

9.

Achar a lei de reciprocidade mais geral em todo campo de n´umero alg´ebrico;

10.

Encontrar um algoritmo que determine se uma equa¸c˜ao diofantina tem solu¸c˜ao;

11.

Classificar as formas quadr´aticas a coeficientes nos an´eis alg´ebricos inteiros;

12.

Estender o teorema de Kroneker para os corpos n˜ao abelianos;

13.

Demonstrar a impossibilidade de resolver equa¸c˜oes de s´etimo grau atrav´es de fun¸c˜oes de somente duas vari´aveis;

14.

Provar o car´acter finito de certos sistemas completos de fun¸c˜oes;

15.

Desenvolver bases s´olidas para o c´alculo enumerativo de Schubert;

16.

Desenvolver uma topologia de curvas e superf´ıcies alg´ebricas;

17.

Demonstrar que uma fun¸c˜ao racional positiva pode ser escrita sob a forma de soma de quadrados de fun¸c˜oes racionais;

18.

Construir um espa¸co Euclidiano com poliedros congruentes. Qual a maneira mais densa de se empacotarem esferas?

19.

Provar que o c´alculo de varia¸c˜oes ´e sempre necessariamente anal´ıtico;

20.

Todos os problemas variacionais com certas condi¸c˜oes de contorno tˆem solu¸c˜ao?

21.

Prova da existˆencia de equa¸c˜oes diferenciais lineares tendo um determinado grupo monodrˆomico;

22.

Uniformizar as curvas anal´ıticas atrav´es de fun¸c˜oes automorfas;

12

O nome de Hilbert ´e mais conhecido dos estudantes sobretudo nos seus famosos espa¸cos de Hilbert, que entre 1909 e 1912 come¸cou a introduzir durante seus trabalhos em an´alise sobre as equa¸c˜oes integrais. Mas foi J. Von Neumann quem, por volta de 1930, introduziu a defini¸c˜ao abstrata de espa¸cos de Hilbert, a qual foi necess´aria na formula¸c˜ao matem´atica da Mecˆanica Quˆantica que acabara de surgir.

Cap´ıtulo 2

´

T´opicos de Algebra Linear

´

O objetivo deste cap´ıtulo ´e revisar algumas no¸c˜oes b´asicas da Algebra Linear (espa¸cos vetoriais,

subespa¸cos, bases, dimens˜ao, tranforma¸c˜oes lineares, etc), que vamos precisar no decorrer deste trabalho.

2.1 Espa¸cos Vetoriais

O corpo R ou o corpo C ser˜ao denotados por K.

2.1.1 Definic¸ao.˜ Um conjunto n˜ao-vazio V ´e um espa¸co vetorial sobre o corpo K (deno-

tamos tamb´em como K-espa¸co vetorial) se seus elementos (chamados vetores) podem ser

somados e multiplicados por escalares (elementos do corpo). Ou seja, dizemos que V ´e um

espa¸co vetorial sobre o corpo K se estiverem definidas as seguintes duas opera¸c˜oes:

( + )

:

V × V

(u, v)

−→

−→

V

u + v

(

.

)

:

K × V

(k, v)

−→

−→

V

k.v

tal que u, v, w V e α, β K temos as seguintes propriedades:

(A1) u + v = v + u (comutativa)

(A2) (u + v) + w = u + (v + w) (associativa)

(A3) 0 V tal que 0 + u = u (vetor nulo)

(A4) u V, ∃ − u V tal que u + (u) = 0 (vetor oposto)

(P5) (α.β).v = α.(β.v) (associativa)

(P6) 1.v = v (1 ´e o elemento identidade de K)

(P7) α.(u + v) = α.u + α.v (distributiva)

13

14

(P8) (α + β).v = α.v + β.v (distributiva)

Denotaremos u + (v) simplesmente por u v.

Vejamos abaixo alguns exemplos de espa¸cos vetoriais.

Exemplo 2.1. O conjunto K n = {(x 1 , x 2 ,

usuais de adi¸c˜ao e multiplica¸c˜ao por escalar ´e um espa¸co vetorial.

, x n )| x i K (i = 1, 2,

Exemplo 2.2. O R n com as opera¸c˜oes:

(x 1 , x 2 ,

,

x n ) + (y 1 , y 2 ,

k.(x 1 , x 2 ,

,

,

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

x n ) = (k.x 1 , k.x 2 ,

,

k.x n )

´e um espa¸co vetorial pelo exemplo acima.

, n)} com as defini¸c˜oes

,

x n + y n )

Exemplo 2.3. O conjunto das matrizes reais de ordem m × n, com as opera¸c˜oes usuais ´e um

espa¸co vetorial, tal que o elemento neutro da adi¸c˜ao ´e a matriz nula.

Exemplo 2.4. O conjunto dos polinˆomios, com coeficientes reais, de grau menor ou igual a

n, com as opera¸c˜oes abaixo:

p(x) + q(x) = (a x + b n )x n +

k.p(x) = ka n x n +

+ (a 1 + b 1 )x + (a 0 + b 0 )

+ ka 1 x + ka 0

´e um espa¸co vetorial, onde p(x) = a n x n +

polinˆomio 0x n +

+ a 1 x + a 0 ´e um elemento deste espa¸co e o

+ 0x + 0 ´e o elemento neutro da adi¸c˜ao.

Exemplo 2.5. Sejam um conjunto qualquer X

= e F (X, K) o conjunto de todas as fun¸c˜oes

f : X −→ K. Defina as seguintes opera¸c˜oes em F(X, K):

para f, g ∈ F(X, K), defina a fun¸c˜ao f +g : X −→ K dada por (f +g)(x) = f (x)+g(x)

para cada x X.

para f ∈ F (X, K) e α K, defina a fun¸c˜ao α.f : X −→ K dada por (α.f )(x) = α.f (x)

para cada x X.

Com estas opera¸c˜oes, o conjunto F(X, K) ´e um espa¸co vetorial sobre K, onde a fun¸c˜ao nula

´e o vetor nulo desse espa¸co. Este conjunto ´e denominado espa¸co de fun¸c˜oes.

15

2.2 Subespa¸cos

2.2.1 Definic¸ao.˜

Dizemos que W ´e subespa¸co vetorial de V se e somente se s˜ao v´alidas as seguintes condi¸c˜oes:

= de V .

Seja V um espa¸co vetorial sobre K. Seja um subconjunto W

(i)

0 W ;

(ii)

se u, v W

ent˜ao u + v W ;

(iii) se λ K e v W ent˜ao λ.v W .

A restri¸c˜ao das opera¸c˜oes de V a W torna esse subconjunto um K-espa¸co vetorial.

Todo espa¸co vetorial V admite pelo menos dois subespa¸cos: o p´oprio espa¸co V e o conjunto {0 V }, chamado subespa¸co nulo. Estes dois subespa¸cos s˜ao denominados subespa¸cos triviais ou impr´oprios de V . Os demais subespa¸cos de V s˜ao chamados de subespa¸cos pr´oprios de V .

2.2.2 Definic¸ao.˜

mos que a soma W 1 + W 2 ´e direta se W 1 W 2 = {0}

Sejam W 1 e W 2 dois subespa¸cos vetoriais de um espa¸co vetorial V . Dize-

e, neste caso, escrevemos W 1 W 2 .

2.2.3

Definic¸ao.˜ Seja V um K-espa¸co vetorial e sejam W 1 , W 2 subespa¸cos de V . Dizemos

que V

´e a soma direta de W 1 e W 2 se V

= W 1 W 2 .

2.2.4

Proposic¸ao.˜ Seja V = W 1 W 2 um K-espa¸co vetorial. Ent˜ao todo elemento v V

se escreve de maneira unica´

como uma soma v = w 1 + w 2 com w 1 W 1 e w 2 W 2 .

Demonstra¸c˜ao:

Veja a demonstra¸c˜ao em [4].

2.3 Bases e Dimens˜ao

Nesta se¸c˜ao vamos discutir um dos conceitos mais importantes envolvendo a estrutura de espa¸co vetorial. Antes de definir o conceito de base, iremos definir os seguintes conceitos:

combina¸c˜ao linear, conjunto gerador, indepˆendencia linear e depˆendencia linear. A partir do conceito de base definiremos dimens˜ao.

2.3.1 Definic¸ao.˜

Seja V um espa¸co vetorial sobre K.

(i) Um vetor v V ´e uma combina¸c˜ao linear dos vetores v 1 ,

α 1 ,

, α n K tais que:

, v n V se existirem escalares

16

v

= α 1 .v 1 +

+

α n .v n =

n

i=1

α i .v i .

(ii) Seja B um subconjunto de V . Dizemos que B ´e um conjunto gerador de V (ou que B

, v n B e escalares

+

gera V) se, para todo v V , existirem (finitos) elementos v 1 ,

α 1 ,

, α n K tais que v = α 1 .v 1 +

α n .v n .

Denotamos por [B] = V .

2.3.2 Definic¸ao.˜

Sejam V um K-espa¸co vetorial e B um subconjunto de V .

(i)

Dizemos que B ´e linearmente independente (L.I.) se α 1 .v 1

.+α n .v n = 0, para v i B

e α i K, i = 1,

, n, implica que α 1 =

= α n = 0 ´e a unica´

solu¸c˜ao.

(ii)

O conjunto B ´e linearmente dependente (L.D.) se n˜ao for L.I., ou seja, existe α i K ,

i = 1,

, n, tal que α 1 .v 1 +

+

α n .v n = 0.

2.3.3 Definic¸ao.˜

base de V se s˜ao v´alidas as condi¸c˜oes seguintes:

Seja V um K-espa¸co vetorial. Dizemos que um conjunto B V ´e uma

(i)

B gera V ([B] = V );

(ii)

B for L.I.

2.3.4 Definic¸ao.˜

base finita. Ou seja, o n´umero n de elementos de uma base finita de V chama-se dimens˜ao de V, onde denotaremos por dim(V ). Caso contr´ario, dizemos que V tem dimens˜ao infinita.

Um espa¸co vetorial V ´e de dimens˜ao finita se e somente se V possui uma

Exemplo 2.6. Em R 2 , B

canˆonica do espa¸co R 2 . Como esta base possui dois elementos, ent˜ao dim(R 2 ) = 2.

Em geral, dim(R n ) = n. Uma base para o R n pode ser a base canˆonica B = {e 1 , e 2 ,

onde e 1 = (1, 0, 0,

,

{(1, 0) , (0, 1)} ´e uma base de R 2 , tamb´em chamada de base

, e n = (0, 0, 0,

, 1).

, e n },

=

, 0), e 2 = (0, 1, 0,

Exemplo 2.7. Exemplos de dimens˜ao:

(a)

dim(K n ) = n (K n ´e um K-espa¸co vetorial).

(b)

dim(C n ) = n, quando C n ´e um C-espa¸co e dim(C n ) = 2n, quando for um R-espa¸co.

17

(d) dim(P m (K)) = m + 1 (P m (K) ´e um K-espa¸co vetorial).

2.3.5 Proposic¸ao.˜

ambos de dimens˜ao finita. Ent˜ao

Sejam V um espa¸co vetorial e U e W dois subespa¸cos vetoriais de V,

dim(U + W ) = dim U + dim W dim(U W ).

Demonstra¸c˜ao:

A demonstra¸c˜ao pode ser encontrada em [4].

2.4 Transforma¸c˜oes Lineares

2.4.1 Definic¸ao.˜

transforma¸c˜ao linear se s˜ao v´alidas as condi¸c˜oes:

Sejam U e V

K-espa¸cos vetoriais. Uma aplica¸c˜ao T : U −→ V ´e uma

(i)

T (u 1 + u 2 ) = T(u 1 ) + T(u 2 ), u 1 , u 2 U;

(ii)

T (λ.u) = λ.T (u), λ K e u U .

2.4.2 Proposic¸ao.˜

´e uma transforma¸c˜ao linear se e somente se

Sejam U e V K-espa¸cos vetoriais. Ent˜ao uma aplica¸c˜ao T : U −→ V

T (λ.u 1 + u 2 ) = λ.T (u 1 ) + T(u 2 ), u 1 , u 2 U,

λ K.

Demonstra¸c˜ao:

Deixada a cargo do leitor.

Observa¸c˜ao 2.1. Sejam U e V linear.

K-espa¸cos vetoriais. Seja T : U −→ V

uma transforma¸c˜ao

1. Se W ´e um subespa¸co vetorial de U , ent˜ao a imagem de W por T ´e um subespa¸co de V ;

2. Se U = V ent˜ao T ´e chamado de operador linear;

3. Se V = K ent˜ao T ´e chamado de funcional linear;

4. Se T for uma bije¸c˜ao, dizemos que T ´e um isomorfismo e que os espa¸cos U e V s˜ao isomorfos;

18

2.4.3 Definic¸ao.˜

(denotada por Im(T )) por

Seja T : U −→ V uma transforma¸c˜ao linear. Definimos a imagem de T

Im(T ) = {v V ; T (u) = v, u U }.

Definimos o n´ucleo de T (denotado por ker(T )) por

ker(T ) = {u U ; T (u) = 0}.

2.4.4 Proposic¸ao.˜

transforma¸c˜ao linear. Ent˜ao

Sejam U e V espa¸cos vetoriais sobre o corpo K

e

T

: U −→ V

uma

(i) ker(T ) ´e um subespa¸co de U e a Im(T) ´e um subespa¸co de V;

(ii) T ´e injetiva se e somente se ker(T ) = {0}.

Demonstra¸c˜ao:

Deixada a cargo do leitor.

2.4.5 Teorema (do Nucleo´

K e T : U −→ V uma transforma¸c˜ao linear. Ent˜ao

e da Imagem). Sejam U e V espa¸cos vetoriais sobre o corpo

dim U = dim ker(T ) + dim Im(T ).

Demonstra¸c˜ao:

Veja a demonstra¸c˜ao em [2] ou [4].

2.4.6 Corolario.´

uma transforma¸c˜ao linear. Ent˜ao as seguintes afirma¸c˜oes s˜ao equivalentes:

Sejam U e V espa¸cos vetoriais de mesma dimens˜ao. Seja T : U −→ V

1. T ´e sobrejetiva;

2. T ´e injetiva;

3. T ´e bijetiva;

4. T leva base em base, ou seja, se B ´e uma base de U ent˜ao T(B) ´e base de V.

Demonstra¸c˜ao:

Deixada a cargo do leitor.

Cap´ıtulo 3

Espa¸cos M´etricos

O objetivo deste cap´ıtulo ´e apresentar as defini¸c˜oes de espa¸cos m´etricos, espa¸cos vetoriais normados, espa¸cos vetoriais com produto interno e espa¸cos m´etricos completos, para ser utilizados no pr´oximo cap´ıtulo, com o intuito de definir e mostrar alguns exemplos de Espa¸cos de Hilbert.

3.1 Espa¸cos M´etricos

3.1.1 Definic¸ao.˜ Uma m´etrica num conjunto M ´e uma fun¸c˜ao d : M × M −→ R, que

associa a cada par de elementos x, y M um n´umero real d(x, y), chamado a distˆancia de x

a y, tal que x, y, z M , as seguintes condi¸c˜oes s˜ao satisfeitas:

(D1) d(x, y) = 0 ⇐⇒ y = x

(D2) d(x, y) > 0 se x

(D3) d(x, y) = d(y, x)

(D4) d(x, z) d(x, y) + d(y, z) (desigualdade triangular)

= y

3.1.2 Definic¸ao.˜

conhecida como fun¸c˜ao distˆancia) em M , onde M ´e um conjunto.

Um par (M, d) diz-se um espa¸co m´etrico, se d for uma m´etrica (tamb´em

Vejamos abaixo alguns exemplos de espa¸cos m´etricos.

Exemplo 3.1. O conjunto R dos n´umeros reais, com a m´etrica definida por d(x, y) = | x y |

para x, y R, ´e um espa¸co m´etrico. Esta m´etrica tamb´em ´e chamada de m´etrica usual da

reta.

Exemplo 3.2.

Em R n , dados x = (x 1 ,

, x n ) e y = (y 1 ,

, y n ), h´a trˆes maneiras naturais

de se definir a distˆancia de x a y neste espa¸co. Para x, y R n , escreveremos:

19

20

d 1 (x,

y)

=

(x 1 y 1 ) 2 +

 

+ (x n y n ) 2

 

=

d 2 (x,

y)

=

| x 1 y 1 | +

 

+ | x n y n

|

=

d 3 (x,

y)

=

max {| x 1 y 1

|

,

.

.

.

,

|

x n y n

|}

=

n

i=1

(x i y i ) 2 1/2

n

| x i y i |

i=1

max | x i y i |

1in

As fun¸c˜oes d 1 , d 2 , d 3 : R n × R n −→ R s˜ao m´etricas. Com isto o R n ´e um espa¸co m´etrico.

Exemplo 3.3. A m´etrica “zero-um”, definida por d : M × M −→ R pondo

d(x, y) =

se x = y

  se x

1,

0,

= y

O espa¸co m´etrico (M, d) que se obt´em desta maneira ´e util´ para contra-exemplos. Este

espa¸co ´e tamb´em chamado de espa¸co m´etrico discreto.

3.2 Espa¸cos Vetoriais Normados

3.2.1 Definic¸ao.˜

Seja E um K-espa¸co vetorial. Uma norma em E ´e uma aplica¸c˜ao

:

E

−→

K

 

x

−→

x

chamado a norma de x, tal que x, y E e λ K, satisfaz as seguintes condi¸c˜oes:

(N1) x 0

(N2) λ.x = | λ | . x

(N3) x + y x

e

x = 0 ⇐⇒ x = 0

+ y (desigualdade triangular)

3.2.2 Definic¸ao.˜

vetorial e

Um espa¸co vetorial normado ´e um par (E,

´e uma norma em E.

), onde E ´e um K-espa¸co

Em vez de usarmos (E,

E, deixando a norma subtendida.

) para designar espa¸co vetorial normado, usaremos apenas

3.2.3 Proposic¸ao.˜

Todo espa¸co vetorial normado ´e m´etrico.

De fato, todo espa¸co vetorial normado E possui uma m´etrica natural,

definida a partir da norma, dada por d(x, y) = x y . Com isso, verifica-se facilmente as

condi¸c˜oes (D1), (D2), (D3) e (D4) de espa¸cos m´etricos.

Demonstra¸c˜ao:

21

A m´etrica d(x, y) = x y diz-se proveniente da norma

.

Exemplo 3.4. Em R n as m´etricas d 1 , d 2 e d 3 s˜ao provenientes das normas

3 , respectivamente, onde estas normas, para x = (x 1 ,

seguinte maneira:

2 e

R n , s˜ao definidas da

1

,

, x n )

x 1

=

(x 1 ) 2 +

 

+ (x n ) 2

=

x 2

=

| x 1

| +

.

.

.

+ | x n |

=

x 3

=

max {| x 1 | ,

, | x n |}

=

n

i=1

(x i ) 2

n

| x i

|

i=1

max | x i |

1in

3.3 Espa¸cos Vetoriais com Produto Interno

Nesta se¸c˜ao iremos definir produto interno.

Pois no Cap´ıtulo 4, precisaremos desta

defini¸c˜ao para comer¸carmos a trabalhar com os Espa¸cos de Hilbert.

3.3.1 Definic¸ao.˜ Seja E um K-espa¸co vetorial, onde K = R ou K = C. Um produto

interno em E ´e uma aplica¸c˜ao , : E × E −→ K satisfazendo as seguintes propriedades:

(P1) x + y, z = x, z + y, z , x, y, z E

(P2) λ.x, y = λ. x, y , λ K, x, y E

(P3) x, y = y, x , x, y E

(P4) x, x

> 0, se x

= 0

Se E for um espa¸co vetorial sobre os complexos, ent˜ao E e o seu produto interno tamb´em s˜ao chamados, respectivamente, de espa¸co hermitiano e produto hermitiano.

A partir do produto interno, podemos definir a norma de um vetor x E como sendo

x = x, x , isto ´e, x 2 = x, x . As condi¸c˜oes (N1) e (N2) s˜ao obviamentes satisfeitas. Enquanto que a condi¸c˜ao (N3) decorre da chamada

Desigualdade de Cauchy-Schwarz: | x, y | ≤ x . y

Exemplo 3.5. O R n ´e o exemplo mais natural de espa¸co vetorial com produto interno. Onde

´e definido por

x, y = x 1 y 1 +

+ x n y n =

n

i=1

x i y i , onde

x = (x 1 ,

,

x n ) e y = (y 1 ,

,

y n ).

22

As propriedades do produto interno s˜ao claramente satisfeitas. Este produto tamb´em ´e

conhecido como produto canˆonico ou produto escalar. A norma x =

(x i ) 2 prov´em

deste produto interno.

No cap´ıtulo 4, mostraremos maiores detalhes sobre espa¸cos com produto interno, que tamb´em s˜ao conhecidos como espa¸cos pr´e-Hilbertianos.

n

i=1

3.4 Seq¨uˆencias de Cauchy

Antes de definirmos o que ´e uma seq¨uˆencia de Cauchy, vamos definir como s˜ao as seq¨uˆencias num espa¸co m´etrico.

3.4.1 Definic¸ao.˜

x : N −→ M , definida no conjunto N = {1, 2,

Seja M um espa¸co m´etrico.

Uma seq¨uˆencia em M ´e uma aplica¸c˜ao

.}.

, n,

Denotamos por x n , em vez de x(n), o valor que a seq¨uˆencia x assume no n´umero n N, e chamamos este n´umero de o n-´esimo termo da seq¨uˆencia. A nota¸c˜ao (x n ) ser´a a representa¸c˜ao de uma seq¨uˆencia.

3.4.2 Definic¸ao.˜ Seja (x n ) uma seq¨uˆencia num espa¸co m´etrico M . Diz-se que o ponto

a M ´e limite da seq¨uˆencia (x n ) quando, ε > 0, n 0 N tal que n > n 0 =d(x n , a) < ε.

Neste caso, dizemos que (x n ) ´e convergente em M e indicamos como lim x n = a ou x n −→ a.

Se n˜ao existe lim x n em M , ent˜ao dizemos que a seq¨uˆencia ´e divergente em M .

3.4.3 Definic¸ao.˜

k > 0 tal que d(x m , x n ) k para quaisquer m, n N.

Uma seq¨uˆencia (x n ) no espa¸co m´etrico M chama-se limitada quando

3.4.4 Proposic¸ao.˜

Demonstra¸c˜ao:

Toda seq¨uˆencia convergente ´e limitada.

Veja a demonstra¸c˜ao em [10].

3.4.5 Proposic¸ao˜

limites diferentes.

Demonstra¸c˜ao:

(Unicidade do limite). Uma seq¨uˆencia n˜ao pode convergir para dois

Veja a demonstra¸c˜ao em [10].

3.4.6 Definic¸ao.˜

seq¨uˆencia de Cauchy quando,

Seja M um espa¸co m´etrico. Uma seq¨uˆencia (x n ) em M chama-se uma

ε > 0 dado, n 0 N tal que m, n > n 0 =d(x m , x n ) < ε.

23

3.4.7 Proposic¸ao.˜

Demonstra¸c˜ao:

Toda seq¨uˆencia convergente ´e de Cauchy.

Se lim x n = a no espa¸co m´etrico M ent˜ao, dado ε > 0, n 0 N tal que

n > n 0 =d(x n , a) < ε/2. Se tomarmos m, n > n 0 teremos

d(x m , x n ) d(x m , a)

Logo, (x n ) ´e de Cauchy.

+

d(x n , a) < 2 ε + ε

2 = ε.

3.4.8 Proposic¸ao.˜

Toda seq¨uˆencia de Cauchy ´e limitada.

 

Demonstra¸c˜ao:

Seja (x n ) uma seq¨uˆencia de Cauchy no espa¸co m´etrico M .

Dado

= 1, n 0 N tal que m, n > n 0 =d(x m , x n ) limitado e tem diˆametro 1. Segue-se que

ε

< 1.

Logo o conjunto {x n 0 +1 , x n 0 +2 ,

.} ´e

{x 1 , x 2 ,

,

x n ,

.} = {x 1 ,

,

x n 0 } ∪ {x n 0 +1 , x n 0 +2 ,

.}

´e limitado.

Observa¸c˜ao 3.1.

Pois, tomemos uma

(Por

exemplo, x 1

convergente em R, segue-se da Proposi¸c˜ao 3.4.7 que (x n ) ´e uma seq¨uˆencia de Cauchy no espa¸co m´etrico Q dos n´umeros racionais. Mas (x n ) n˜ao ´e convergente em Q.

seq¨uˆencia de n´umeros racionais x n convergindo para um n´umero irracional a.

1. Nem toda seq¨uˆencia de Cauchy ´e convergente.

=

1, x 2

=

1, 4, x 3

=

1, 41, x 4

=

1, 414

,

com lim x n = 2). Sendo