Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Preliminares matemáticos
Así mismo, una notación importante es el conjunto de los números reales que está
denotado por el símbolo R. Dentro del conjunto R se definen también: el conjunto de los
números enteros Z, el conjunto de los números enteros no negativos N y el conjunto de los
números racionales Q. Entonces, el conjunto de los números reales no negativos R+ está
definido como
1
U1: Preliminares matemáticos 1S - 2020
Los vectores pueden ser sumados con sólo sumar sus componentes respectivas. La única
condición es que sean de la misma dimensión. Sea x, y, z ∈ Rn , entonces
x1 y1 x1 + y 1 z1
x2 y2 x2 + y2 z2
z = x + y = .. + .. = = .. (1.15)
..
. . . .
xn yn xn + y n zn
Si el producto interno es igual a cero, se dice que los dos vectores son ortogonales o
perpendiculares. Se puede verificar que el producto interno cumple con las siguientes dos
propiedades:
• xT y = y T x, para todo x, y ∈ Rn
• xT (y + z) = xT y + xT z, para todo x, y, z ∈ Rn
Norma euclidiana
de la cual sólo se considera la parte positiva de la raíz cuadrada. Así mismo, se pueden
comprobar fácilmente las siguientes propiedades:
• kxk = 0, si y sólo si x = 0 ∈ Rn
Matrices
Las matrices son arreglos de valores reales que están formados por n renglones y m
columnas, las cuales son llamadas como matrices de dimensión n × m:
a11 a12 . . . a1m
a21 a22 . . . a2m
A = (1.18)
.. .. .. ..
. . . .
an1 an2 . . . anm
Al igual que en los vectores, el producto de matrices satisface las siguientes propieda-
des:
• AB 6= BA, en general
Una matriz A ∈ Rn×m es una matriz cuadrada si n = m. Así, una matriz cuadrada
A ∈ Rn×n es llamada matriz simétrica si ésta es igual a su transpuesta, es decir, A = AT ,
mientras que es llamada matriz antisimétrica si A = −AT . Una propiedad de una matriz
antisimétrica es:
Una matriz cuadrada A = {aij } ∈ Rn×n es llamada matriz diagonal, si aij = 0 para
toda i 6= j, y se denota como diag{a11 , a22 , . . . , ann } ∈ Rn×n , por ejemplo
a11 0 . . . 0
0 a22 . . . 0
n×n
diag{a11 , a22 , . . . , ann } = .. .. ∈ R (1.21)
.. . .
. . . .
0 0 . . . anm
Por lo tanto, cualquier matriz diagonal es también una matriz simétrica. Para el caso en
el que a11 = a22 = . . . = ann = α, la matriz diagonal se denotará como diag{α} ∈ Rn×n ,
donde α ∈ R. Dos matrices diagonales útiles son: la matriz identidad de dimensión n,
definida como I = diag{1} ∈ Rn×n ; y la matriz nula de dimensión n, definida como
0 = diag{0} ∈ Rn×n .
AT A = AAT = I (1.22)
P + PT
A = {aij } = (1.24)
2
La matriz P será definida positiva si y sólo si
a11 a12
det[a11 ] > 0, det > 0, . . . , det[A] > 0 (1.25)
a21 a22
M
Una matriz cuadrada A ∈ Rn×n , sin ser necesariamente simétrica, también es definida
positiva si:
xT Ax > 0, ∀ x ∈ Rn , x 6= 0 ∈ Rn (1.26)
donde A > 0 significa que la matriz A es definida positiva y no quiere decir que A es
mayor a cero. Así mismo, cualquier matriz simétrica y definida positiva A = AT > 0 es
no singular, por lo tanto, su inversa existe. La suma de dos matrices definidas positivas
también resulta en una matriz definida positiva, mientras que el producto de dos matrices
simétricas definidas positivas A = AT > 0 y B = B T > 0, no resulta en general simétrico
ni tampoco definido positivo, sin embargo, la matriz resultante es no singular.
xT Ax ≥ 0, ∀ x ∈ Rn (1.27)
entonces, se puede decir que una matriz cuadrada A ∈ Rn×n es definida negativa si −A es
definida positiva, mientras que es semidefinida negativa si −A es semidefinida positiva.
Para cada matriz cuadrada A ∈ Rn×n existen n valores propios (también llamados
eigenvalores o autovalores) denotados por λ1 {A}, λ2 {A}, . . . , λn {A}. Los valores propios
de la matriz A satisfacen
det[λi {A}I − A] = 0, para i = 1, 2, . . . , n (1.28)
donde I ∈ Rn×n es una matriz identidad de dimensión n. Para el caso de una matriz
simétrica A = AT ∈ Rn×n , sus valores propios son tales que
• λ1 {A}, λ2 {A}, . . . , λn {A} son números reales
• denotando los valores propios máximo y mínimo de A como λmax {A} y λmin {A}
respectivamente, el Teorema de Rayleigh-Ritz establece que para todo x ∈ Rn se
tiene que
λmax {A}kxk2 ≥ xT Ax ≥ λmin {A}kxk2 (1.29)
Una matriz cuadrada A ∈ Rn×n es definida positiva si y sólo si los valores propios de
A + AT son positivos, es decir, λi {A + AT } > 0 para i = 1, 2, . . . , n. Más aún, una matriz
simétrica A = AT ∈ Rn×n es definida positiva si y sólo si λi {A} > 0 para i = 1, 2, . . . , n.
Dados los n valores propios de una matriz cuadrada A ∈ Rn×n , la traza y el determi-
nante de la matriz A pueden ser calculados como
Xn
tr(A) = λi {A} (1.30)
i=1
n
Y
det (A) = λi {A} (1.31)
i=1
El rango de una matriz A, denotado como rank(A), es el orden del mayor de los
menores distinto de cero. Por lo tanto, el rango no puede ser mayor al número de filas o
de columnas. Otra manera de calcular el rango de una matriz A, es obteniendo el número
de líneas (filas o columnas de dicha matriz) que son linealmente independientes.
Norma espectral
La norma espectral de una matriz A ∈ Rn×m , representada como kAk, está definida
como sigue
p
kAk = λmax {AT A} (1.32)
donde λmax {AT A} denota el valor propio máximo de la matriz simétrica AT A ∈ Rm×m .
Para el caso particular de matrices simétricas A = AT ∈ Rn×n , se tiene que
• kA−1 k = 1
mı́ni |λi {A}|
Para el caso en el que la matriz A sea simétrica y definida positiva, el símbolo de valor
absoluto de las expresiones anteriores resulta redundante.
P-normas
Considérese ahora la clase de p-normas definidas como
Las tres normas más comunes son kxk1 , kxk∞ y la norma euclidiana kxk2 . Todas las
p-normas son equivalentes, en el sentido que si k · kα y k · kβ son dos p-normas diferentes,
entonces existen constantes positivas c1 y c2 tales que
Para el caso particular de las tres normas más comunes, la desigualdad (1.37) queda
como
√
kxk2 ≤ kxk1 ≤ nkxk2 (1.38)
√
kxk∞ ≤ kxk2 ≤ nkxk∞ (1.39)
kxk∞ ≤ kxk1 ≤ nkxk∞ (1.40)
donde x ∈ Rn .
Dos resultados importantes que se obtienen de las p-normas son la llamada desigualdad
de Hölder
1 1
|xT y| ≤ kxkp kykq , con + = 1, ∀ x, y ∈ Rn (1.41)
p q
y la llamada desigualdad de Minkowski
kx + ykp ≤ kxkp + kykp , con p ≥ 1, ∀ x, y ∈ Rn (1.42)
Para el caso de una matriz A ∈ Rn×m , con elementos definidos reales, y un vector
x ∈ Rm , la matriz define un mapeo lineal y = Ax, que pasa de Rm a Rn . La p-norma
inducida de A ∈ Rn×m está dada por
kAxkp
kAkp = sup = máx kAxkp (1.43)
x6=0 kxkp kxkp =1
Otra forma de expresar el producto vectorial es a través del uso de una matriz an-
tisimétrica, la cual está definida como sigue: sea x ∈ R3 , la matriz antisimétrica x̂ está
compuesta como
0 −x3 x2
x̂ = x3 0 −x1 (1.55)
−x2 x1 0
x × y = x̂y (1.56)
Utilizando los tres tipos de productos con vectores (punto, vectorial y diada), y dados
los vectores x, y ∈ R3 , se tiene que
lo cual es equivalente a
A ∪ B = {x | x ∈ A o x ∈ B} (1.68)
A ∩ B = {x | x ∈ A y x ∈ B} (1.69)
A × B = {(a, b) | a ∈ A y b ∈ B} (1.70)
El interior de un conjunto S está dado por S − ∂S, por lo que un conjunto abierto es
igual a su interior. La cerradura de un conjunto S, denotada por S̄, es la unión de S y su
frontera. Así, un conjunto cerrado es igual a su cerradura.
Un conjunto abierto S está conectado si cada par de puntos de S pueden ser unidos
por una línea ficticia en S.
sigue:
Br (p) = {x ∈ Rn | kx − pk < r} (1.75)
la cual es llamada frecuentemente como una bola abierta con centro en p y de radio r.
Espacios métricos
En el análisis de números reales o complejos, muchos resultados dependen solamen-
te en la idea de distancia entre dos números x y y. Los espacios métricos forman una
generalización natural de distancia.
Independencia lineal
Definición 1.2. Se dice que un conjunto finito de vectores xi ∈ Rn es linealmente de-
pendiente si existe un conjunto correspondiente de valores escalares αi ∈ R (con i =
1, 2, ..., n), no todos cero, tal que
n
X
αi xi = 0 (1.77)
i=1
Convergencia de secuencias
Una secuencia de vectores x0 , x1 , . . . , xk , . . . en Rn , denotada por {xk }, se dice que
converge a un vector límite si
lo cual es equivalente a decir que, dado cualquier > 0, existe un valor N tal que
lo cual implica que d(xn , x) < . Por lo tanto, se puede escribir que x = lı́m xn , o xn → x.
Una secuencia creciente de números reales que está acotada superiormente converge
a un número real. Similarmente, una secuencia decreciente de números reales que está
acotada inferiormente converge a un número real.
1.4. Funciones
Funciones continuas
Una función f que mapea un conjunto S1 hacia otro conjunto S2 es representada como
f : S1 → S2 . Una función f : Rn → Rm se dice que es continua en un punto x, si
Se debe remarcar que la “continuidad uniforme” está definida para un conjunto, mien-
tras que la “continuidad” está definida en un punto. Para continuidad uniforme, la misma
constante δ funciona para todos los puntos dentro del conjunto. Claramente, si f es uni-
formemente continua en un conjunto S, entonces ésta es continua en S. El opuesto de la
declaración anterior no siempre es verdadero. Sin embargo, si S es un conjunto compacto,
entonces continuidad y continuidad uniforme sobre S son equivalentes.
Una función f es llamada como función suave (o de clase C ∞ ) si puede ser infinita-
mente derivable y sus derivadas son continuas.
Se dice que una función f es una función inyectiva si para toda y ∈ Y existe a lo más
una x ∈ X tal que y = f (x). Por otro lado, una función f es llamada función sobreyectiva
si para toda y ∈ Y existe a lo menos una x ∈ X tal que y = f (x). Así, la función f es
llamada función biyectiva si es inyectiva y sobreyectiva, es decir uno a uno, donde una
función f definida en un conjunto S se dice que está uno a uno en S, si cualquier valor
de x, y ∈ S con x 6= y tal que
La función
Dos espacios topológicos X y Y son homeomórficos, si existe una función f que haga
un mapeo uno a uno entre los dos espacios, y viceversa. Entonces, una función f : X → Y
es un homeomorfismo si y sólo si
• f es biyectiva
• f es continua
• f −1 es continua
Además, se dice que la función f es un operador lineal acotado si existe una constante
M tal que
Funciones diferenciables
Se dice que una función f : R → R es una función diferenciable en x, si el límite
f (x + h) − f (x)
f 0 (x) = lı́m (1.93)
h→0 h
existe. El límite f 0 (x) es llamado como la derivada de f en x. Si la derivada existe, entonces
r(h)
lı́m = 0 (1.95)
h→0 h
∂fi
(1.99)
∂xj
Si x, y son dos puntos distintos en Rn , entonces el segmento línea L(x, y) que une al
punto x y al punto y es
Desigualdad de Gronwall-Bellman
Lema 1.1. Sea λ : [a, b] → R una función continua y µ : [a, b] → R una función continua
no negativa. Si una función continua y : [a, b] → R satisface
Z t
y(t) ≤ λ(t) + µ(s)y(s)ds (1.103)
a
M
Rt
Demostración. Sea z(t) = a
µ(s)y(s)ds y v(t) = z(t) + λ(t) − y(t) ≥ 0. Entonces, z es
diferenciable y
Esta es una ecuación de estado lineal y escalar con la siguiente función de estado de
transición
Rt
µ(τ )dτ
φ(t, s) = e s (1.108)
El término
Z t
φ(t, s)µ(s)v(s)ds (1.110)
a
Dado que y(t) ≤ λ(t) + z(t), esto completa la demostración para el caso general. En
el caso particular de λ(t) ≡ λ, se tiene que
Z t Z t
Rt
µ(τ )dτ d h R t µ(τ )dτ i
µ(s)e s ds = − es ds (1.112)
a a ds
h Rt is=t
= − e s µ(τ )dτ (1.113)
s=a
Rt
µ(τ )dτ
= −1 + e a (1.114)
lo cual prueba el lema cuando λ es una constante. La demostración cuando λ y µ son
constantes se obtiene integrando (1.111).
Una forma clásica para encontrar un punto fijo es utilizando el método de aproxima-
ciones sucesivas. Se inicia con un vector inicial de prueba x1 y se calcula x2 = T (x1 ). Con-
tinuando de esta manera de forma iterativa, se calculan vectores sucesivos xk+1 = T (xk ),
verificando si la secuencia {xk } converge a x∗ .
Un espacio lineal χ es llamado espacio lineal normado si para cada vector x ∈ χ, existe
una función escalar llamada norma kxk que satisface
• kxk = 0 si y sólo si x = 0
máx kx(t) + y(t)k ≤ máx [kx(t)k + ky(t)k] ≤ máx kx(t)k + máx ky(t)k (1.128)
también
máx kαx(t)k = máx |α|kx(t)k = |α| máx kx(t)k (1.129)
donde todos los máximos se toman sobre [a, b]. Por lo tanto, C[a, b] junto con la norma
k · kC es un espacio lineal normado y también es un espacio de Banach. Para probar lo
anterior, es necesario probar primero que cada secuencia de Cauchy en C[a, b] converge
a un vector en C[a, b]. Supóngase que {xk } es una secuencia de Cauchy en C[a, b]. Para
cada t ∈ [a, b] fijo,
kxk (t) − xm (t)k ≤ kxk − xm kC → 0 cuando k, m → ∞ (1.130)
Por lo tanto, {xk } es una secuencia de Cauchy en Rn . Pero Rn con cualquier p-norma
es completo ya que convergencia implica convergencia componente a componente y R es
completo. Entonces, existe un vector real x(t) para el cual la secuencia converge: xk (t) →
x(t). Esto prueba la convergencia punto a punto. Ahora se probará que la convergencia
es uniforme en t ∈ [a, b]. Dado un > 0, selecciónese N tal que kxk − xm kC < /2 para
k, m > N . Entonces, para k > N
kxk (t) − x(t)k ≤ kxk (t) − xm (t)k + kxm (t) − x(t)k (1.131)
≤ kxk − xm kC + kxm (t) − x(t)k (1.132)
Si se elige una m lo suficientemente grande (la cual pudiese depender de t), cada
término del lado derecho de la ecuación puede hacerse menor que /2; entonces, kxk (t) −
x(t)k < para k > N . Por lo tanto, la secuencia {xk } converge a x, uniformemente en
t ∈ [a, b]. Para completar la prueba, es necesario mostrar que x(t) es continua y {xk }
converge a x en la norma de C[a, b]. Para probar la continuidad, considérese
kx(t + δ) − x(t)k ≤ kx(t + δ) − xk (t + δ)k + kxk (t + δ) − xk (t)k
+kxk (t) − x(t)k (1.133)
Como {xk } converge uniformemente a x, dado cualquier > 0, se puede elegir una
k lo suficientemente grande para hacer el primer y tercer término del lado derecho de la
ecuación anterior, más pequeño que /3. Como xk (t) es continua, se puede elegir un valor
δ lo suficientemente pequeño para hacer que el segundo término sea más pequeño que /3.
Por lo tanto, x(t) es continua. La convergencia de xk a x en la norma k · kC , es una
consecuencia directa de la convergencia uniforme.
♦
Teorema 1.3. (Contracción de mapas)
Sea S un subconjunto cerrado de un espacio de Banach χ y sea T un mapeo de S a
S. Supóngase que
kT (x) − T (y)k ≤ ρkx − yk, ∀ x, y ∈ S, 0 ≤ ρ < 1 (1.134)
entonces
1.6. Problemas
Problema 1.1. Sean los vectores x, y ∈ R3 definidos como
8 4
x = 2 ,
y= 5
(1.145)
6 3
Verificar las desigualdades del triángulo y de Schwarz.
Problema 1.2. ¿ Cuál debe de ser el valor de α para que los dos vectores siguientes sean
ortogonales ?
3 α
x = −5 , y= 2
(1.146)
6 2
Problema 1.3. Considérense los vectores x ∈ Rn , y ∈ Rm . Demostrar que
=
kxk
x
y
kyk
(1.147)
• A = {x | x2 = 9, 2x = 4}
• B = {x | x 6= x}
• C = {x | x + 8 = 8}
Problema 1.17. Considérense todos los vectores definidos por puntos dentro de un plano
que se encuentra en un espacio tridimensional. ¿ Cuál es la condición para que este
conjunto de vectores definan un espacio vectorial ?
Problema 1.18. Considérense todos los vectores tridimensionales definidos dentro de
una esfera con radio finito. ¿ Este conjunto de vectores constituye un espacio vectorial ?
Problema 1.19. Determinar los valores de los siguientes límites , siempre y cuando
existan. Además, determínese si la función es continua en (0, 0).
x2 − y 2 x (1 + y 2 ) sin x
(i) lı́m , (ii) lı́m , (iii) lı́m
x→0,y→0 1 + x2 + y 2 x→0,y→0 x + y 2
2 x→0,y→0 x
(1.157)
∂f ∂f
Problema 1.20. Obtener las derivadas parciales ∂x
y ∂y
de las siguientes funciones:
x2 y 2
(i) f (x, y) = exy cos x sin y , (ii) f (x, y) = (1.158)
x2 + y 2
∂z ∂z
Problema 1.21. Determinar las derivadas parciales ∂r
y ∂s
utilizando la regla de la
cadena.
(i) z = x3 + y 3 , x = 2r + s , y = 3r − 2s (1.159)
x
(ii) z = 2 , x = r cos s , y = r sin s (1.160)
x + y2
Problema 1.22. Demostrar que la función f = 1/x no es uniformemente continua en
E = (0, 1).
Problema 1.23. Encontrar los puntos fijos de las siguientes funciones:
• f (x) = sin(x)
• f (x) = x3
• f (x) = ex
1.7. Referencias
El presente capítulo es un resumen de las bases matemáticas mínimas que el estu-
diante deberá dominar para poder seguir el curso de Control no Lineal sin dificultad. Las
referencias utilizadas fueron [1], [2], [6], [7], [9], [11] y [12].