Apuntes CDM UD1 PDF

Complementos de Matemáticas
UD1. Espacios vectoriales, normados y métricos.

Aplicaciones continuas
Esther Gil Cid, Lidia Huerga Pastor
7 de octubre de 2020
Este material ha sido elaborado por Esther Gil Cid y Lidia Huerga Pastor y
se difunde bajo la licencia Creative Commons Reconocimiento-
CompartirIgual 3.0. Puede leer las condiciones de la licencia en
http://creativecommons.org/licenses/by-sa/3.0/deed.es
Departamento de Matemática Aplicada I. UNED

Índice general
Conocimientos previos . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1. Espacios vectoriales con producto escalar . . . . . . . . . . . . 7
1.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . 7
1.2. Producto escalar . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Norma y distancia definidas a partir de un producto
escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Orientación, producto vectorial y producto mixto . . . 18
2. Espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1. Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Normas equivalentes . . . . . . . . . . . . . . . . . . . . 28
3. Espacios métricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1. Distancia . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Conjuntos abiertos y cerrados . . . . . . . . . . . . . . . 32
3.3. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4. Aplicaciones. Lı́mites y continuidad . . . . . . . . . . . . . . . . 41
4.1. Funciones de Rn en Rm . . . . . . . . . . . . . . . . . . . 41
4.2. Lı́mites y continuidad . . . . . . . . . . . . . . . . . . . . 43
ÍNDICE GENERAL 5
Conocimientos previos
Como norma general, para estudiar estos temas es suficiente con haber
cursado un curso de Cálculo Inifnitesimal y otro de Álgebra, como los im-
partidos en los grados de Ingenierı́a Industrial de la UNED. Muchos de los
conceptos se van a repasar, pero como también se van a ampliar, es necesario
tener presentes siempre las ideas y resultados estudiados en estas asignaturas.
Además, para cada tema es necesario haber trabajado antes el tema an-
terior,ya que nos vamos a basar en lo que se estudia allı́.
Espacio vectorial, vectores linealmente independientes, base, dimen-

sión.
Los espacios R2 , R3 . Distancia.
Espacios R2 , R3 . Producto escalar. Norma o módulo de un vector.
Funciones reales de una variable. Lı́mites y continuidad. Derivación.

Integración.
Sucesiones de números reales. Lı́mite. Cálculo de lı́mites. Propiedades

de los lı́mites.
Conjuntos abiertos, cerrados y acotados en los espacios R2 , R3 .

6 UD1. Espacios vectoriales, normados...
Introducción
Para trabajar con curvas y superficies desde las Matemáticas necesitamos
definirlas a partir de funciones. Podemos ver una curva como el movimiento
de una partı́cula que se mueve en un plano o el espacio, dependiendo del
tiempo, o con un grado de libertad. Es decir, si t es el tiempo, podemos
expresar la posición de la partı́cula a partir de una función
x (t) = (x (t) , y (t)) o x (t) = (x (t) , y (t) , z (t)) .
De forma similar, podemos ver una superficie como una partı́cula que se
mueve en el espacio con dos grados de libertad. Si estos grados los indican las
variables u, v, entonces, una expresión que describe la posición de la partı́cula
es
x (u, v) = (x (u, v) , y (u, v) , z (u, v)) .
En el primer caso, es una función x ∶ R Ð→ Rn , para n = 2, 3 y en el
segundo es una función x ∶ R2 Ð→ R3 .
Además, vamos a querer trabajar, cuando nos encontramos en una curva
o en una superficie, con caracterı́sticas que conocemos del espacio, como
distancia, ángulo, ortogonalidad, longitud o área. También vamos a necesitar
una orientación en el espacio. Una forma de hacerlo es considerando que las
funciones que definen las curvas y superficies son funciones diferenciables.
Por eso, las dos primeras Unidades Didácticas de esta asignatura están
dedicadas a recordar conceptos que conocemos de Álgebra y de Cálculo.
Vamos, también, a generalizar, a ampliar y a extender conceptos y resultados
que conocemos y que ya hemos trabajado. Vamos a empezar con espacios
vectoriales y con el producto escalar. Sabemos que a partir de él podemos
definir norma y distancia. Pero estos conceptos son más generales, y eso
es lo que vamos a hacer, definirlos para espacios donde no hay producto
escalar, incluso vamos a definir distancia para espacios que no son Rn o no
son espacios vectoriales. Es importante llegar a la idea de distancia, porque
es la que nos permite llegar a definir propiedades topológicas de conjuntos,
y también lı́mite. Y estas son conceptos básicos en el estudio de curvas y
superficies diferenciables.
1 Espacios vectoriales con producto escalar 7
1. Espacios vectoriales con producto escalar

1.1. Espacios vectoriales
Vamos a comenzar recordando algunos conceptos que hemos estudiado.
Comenzamos con el espacio Rn , para n ∈ N, y con espacios vectoriales. Recor-
demos que podemos ver el espacio Rn como producto cartesiano de R consigo
mismo n veces. Es decir:
Rn = R × . n. . × R = {(x1 , . . . , xn ) ∶ xi ∈ R, i = 1, . . . , n} .
Normalmente vamos a denotar los elementos de Rn con esta notación, utili-

zando xi para la componente i-ésima, o coordenada i-ésima. Pero si estamos
en R2 o en R3 , es decir, en el plano o en el espacio tridimensional, también
podemos escribirlos como (x, y) ∈ R2 o (x, y, z) ∈ R3 . Los espacios Rn son
espacios euclı́deos, y se llaman ası́ porque reproducen (y generalizan) la geo-
metrı́a de Euclides, donde se cumplen sus axiomas. No son los únicos, hay
más, como veremos más adelante.
Además, el espacio Rn es un espacio vectorial sobre R, y llamamos vec-
tores a sus elementos x = (x1 , . . . , xn ). Recordamos que podemos ver sus
elementos como vectores, pero que a veces también podemos verlos como
puntos. En cada situación, vamos a utilizar la representación que más nos
convenga.
Recordamos que un espacio V es un espacio vectorial sobre R cuando
podemos definir una operación interna entre los elementos de V y una ope-
ración entre los elementos de V y los de R, que llamamos escalares, y estas
operaciones cumplen las siguientes propiedades:
Operación interna: conmutativa, asociativa, tiene elemento neutro y

cada elemento x tiene elemento opuesto,
Operación externa: propiedad asociativa respecto al producto de escala-

res, tiene elemento neutro, la propiedad distributiva respecto a la suma
de vectores y propiedad distributiva respecto a la suma de escalares.
Para el espacio Rn , la operación interna es la suma entre dos elementos

de Rn y la operación externa es el producto de un vector (elemento de Rn )
por un número real λ (un escalar). Se definen del siguiente modo:
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ) ,

λ (x1 , . . . , xn ) = (λx1 , . . . , λxn ) .
El elemento neutro de la suma es 0 = (0, . . . , 0) y cada x = (x1 , . . . , xn ) ∈ Rn

tiene elemento opuesto, que es −x = (−x1 , . . . , −xn ).
Obsérvese que de forma parecida sumamos funciones, como
(f + g) (x) = f (x) + g (x) .
De hecho, espacios de funciones también son espacios vectoriales, como vemos

en el siguiente ejemplo.
Ejemplo 1. Consideramos el espacio de las funciones continuas en el inter-

valo [0, 1], C[0, 1], que toman valores en R. Vamos a comprobar que es un
espacio vectorial sobre R, con las operaciones
(f + g) (x) = f (x) + g (x) ,

(λf ) (x) = λf (x) ,
para f, g ∶ [0, 1] Ð→ R, funciones continuas en el intervalo [0, 1] y para λ ∈ R.

La suma de dos funciones continuas en el intervalo [0, 1] es una función
continua y cumple las propiedades necesarias. Tenemos, para f, g, h ∈ C[0, 1]:
Propiedad conmutativa, f + g = g + f :
(f + g) (x) = f (x) + g (x) = g (x) + f (x) = (g + f ) (x)
porque f (x) , g (x) ∈ R y la suma es conmutativa en R.
Propiedad asociativa, (f + g) + h = f + (g + h):
((f + g) + h) (x) = (f (x) + g (x)) + h (x)

= f (x) + (g (x) + h (x)) = (f + (g + h)) (x)
porque f (x) , g (x) , h (x) ∈ R y la suma es asociativa en R.
Elemento neutro, es la función nula, 0 (x) = 0 para x ∈ [0, 1], ya que

para todo f ∈ C[0, 1], se cumple
(f + 0) (x) = f (x) + 0 = f (x) ,

(0 + f ) (x) = 0 + f (x) = f (x) .
Elemento opuesto, que para f ∈ C[0, 1] es −f (x):
(f + (−f )) (x) = f (x) + (−f ) (x) = f (x) − f (x) = 0,

((−f ) + f ) (x) = (−f ) (x) + f (x) = −f (x) + f (x) = 0.
El producto por escalares también está bien definido y cumple las propie-
dades, para f, g ∈ C[0, 1], λ, µ ∈ R:
Asociativa respecto al producto por escalares, (λµ) f = λ (µf ), porque
((λµ) f ) (x) = (λµ) f (x) = λ (µf (x)) = λ (µf ) (x) .
Elemento neutro, que es λ = 1 ∈ R, porque
(1 ⋅ f ) (x) = 1 ⋅ f (x) = f (x) .
Distributiva respecto a la suma de vectores (que son funciones en este

caso), λ (f + g) = λf + λg, ya que
(λ (f + g)) (x) = λ (f (x) + g (x)) = λf (x)+λg (x) = (λf ) (x)+(λg) (x) .
Distributiva respecto a la suma de escalares, (λ + µ) f = λf + µf , ya

que
((λ + µ) f ) (x) = (λ + µ) f (x) = λf (x) + µf (x) = (λf + µf ) (x) .
-
Otro ejemplo de espacio vectorial cuyas componentes son funciones es el
conjunto de polinomios.
El espacio vectorial Rn tiene dimensión n, lo que significa que una base
está formada por n elementos. La base canónica de Rn es la formada por
los vectores {e1 , . . . , en }, donde cada ei es el vector cuyas coordenadas son 0
excepto la que está en el lugar i−ésimo. Es decir, es la base
B = {(1, 0, . . . , 0) , (0, 1, . . . , 0) , . . . , (0, 0, . . . 0, 1)} .
De la misma forma que podemos imaginar que R es una recta, podemos

imaginar R2 como un plano, la base es B = {(1, 0) , (0, 1)} y los vectores de
la base se representan en las direcciones positivas de los ejes cartesianos x
e y. Estos vectores también se denotan i, j. De la misma forma, represen-
tamos R3 como el espacio tridimensional, la base canónica son los vectores
B = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)}, que representan las direcciones de los ejes
cartesianos x, y, z. A veces también denotamos esta base como B = {i, j, k}.
Estas representaciones nos ayudan a entender espacios vectoriales, pero no
son válidas como argumento para demostrar resultados.
Existen espacios vectoriales de dimensión no finita. Un ejemplo es el de
los polinomios definidos en R, p ∶ R Ð→ R.
Ejemplo 2. Vamos a demostrar que el espacio formado por los polinomios

definidos en R con las operaciones suma y producto por un escalar habituales
no tiene dimensión finita. Vamos a hacerlo por reducción al absurdo. Supo-
nemos que tiene dimensión N. Esto implica que tenemos una base, formada
por los polinomios p1 , p2 , . . . pN . Suponemos que el mayor grado de estos po-
linomios en M. Entonces, el polinomio
p (x) = xM +1
no puede escribirse a partir de los vectores de la base, ya que no es posible
obtener a partir de ellos este polinomio, pues todos tienen grado menor que
p. Hemos llegado a una contradicción, y la única suposición que hicimos fue
considerar que la dimensión es finita. Por tanto, no tiene dimensión finita.
-
1.2. Producto escalar
Partimos de un espacio vectorial sobre R que llamamos V . Puede tener
dimensión finita o ser de dimensión infinita. Sus elementos, en general, los
vamos a designar como v o como v̄.
Definición 1. Un producto escalar definido sobre un espacio vectorial V
es una aplicación ⟨⋅, ⋅⟩ ∶ V × V Ð→ R que cumple las siguientes propiedades:
1. ⟨v, v⟩ > 0 si v ≠ 0, ⟨0, 0⟩ = 0.

2. ⟨v, u⟩ = ⟨u, v⟩ para todo v, u ∈ V .
3. ⟨λv + µu, w⟩ = λ ⟨v, w⟩ + µ ⟨u, w⟩ para todo λ, µ ∈ R, v, u, w ∈ V.
Obsérvese que el resultado del producto escalar entre dos vectores (ele-
mentos de un espacio vectorial) es un número real, y puede ser negativo,
positivo o 0.
Aplicando lo que conocemos de las formas, podemos decir que un producto
escalar es una forma bilineal simétrica definida positiva. El producto escalar
también se puede llamar producto interior.
Esta definición es válida para espacios tanto de dimensión finita como

infinita (en general, espacios de funciones). En Rn es habitual denotar el
producto escalar de dos vectores v, u como v ⋅ u. Esta notación es la que
vamos a utilizar para el producto escalar en Rn .
El producto escalar tiene las siguientes propiedades: conmutativa, distri-
butiva respecto a la suma de vectores y asociativa respecto al producto por
un escalar.
Llamamos espacio prehilbertiano a un espacio vectorial donde se ha

definido un producto escalar.
Ejemplo 3. Consideramos el espacio Rn y la base canónica del mismo, es de-

cir, la formada por los vectores {(1, 0, . . . , 0) , (0, 1, 0, . . . , 0) , . . . , (0, . . . , 0, 1)}.
Entonces la aplicación
⟨v, u⟩ = x1 y1 + x2 y2 + ⋯ + xn yn = ∑ xi yi ,
n
i=1
para elementos v = (x1 , . . . , xn ), u = (y1 , . . . , yn ) de Rn es un producto escalar.

Es la que utilizamos normalmente. Vamos a comprobar que lo es, demostran-
do que se cumplen las siguientes propiedades:
1. ⟨v, v⟩ > 0 si v ≠ (0, . . . , 0) y ⟨(0, . . . , 0) , (0, . . . , 0)⟩ = 0:
⟨v, v⟩ = x1 x1 + ⋯ + xn xn = x21 + ⋯ + x2n > 0 si x ≠ (0, . . . , 0) ,

⟨(0, . . . , 0) , (0, . . . , 0)⟩ = 0 ⋅ 0 + ⋯ + 0 ⋅ 0 = 0.
2. ⟨v, u⟩ = ⟨u, v⟩ para cualquier v, u ∈ Rn :

⟨v, u⟩ = x1 y1 + x2 y2 + ⋯ + xn yn = y1 x1 + y2 x2 + ⋯ + yn xn = ⟨u, v⟩ .
3. ⟨λv + µu, w⟩ = λ ⟨v, w⟩ + µ ⟨u, w⟩ para todo λ, µ ∈ R, v, u, w ∈ Rn ,

denotando w = (z1 , . . . , zn ):
⟨λv + µu, w⟩ = ∑ (λxi + µyi ) zi = ∑ (λxi zi + µyi zi )

n n
i=1 i=1
n n n n
= ∑ λxi zi + ∑ µyi zi = λ ∑ xi zi + µ ∑ yi zi
i=1 i=1 i=1 i=1
= λ ⟨v, w⟩ + µ ⟨u, w⟩ .
Este producto escalar es con el que trabajamos habitualmente en Rn ,

y que denotamos como v ⋅ u, como hemos indicado antes.
-
Ejemplo 4. Consideramos el espacio C[0, 1] de las funciones de variable real
con valores en R continuas en el intervalo [0, 1]. Vamos a comprobar que
⟨f, g⟩ = ∫ f (x) g (x) dx,

1
donde f y g son funciones reales continuas en [0, 1], es un producto escalar.

Hay que comprobar que se cumplen las siguientes propiedades:
1. ⟨f, f ⟩ > 0 si f ≠ 0, ⟨0, 0⟩ = 0, para cualquier f ∈ C[0, 1].
2. ⟨f, g⟩ = ⟨g, f ⟩, para cualquier f, g ∈ C[0, 1].
3. ⟨λf + µg, h⟩ = λ ⟨f, h⟩ + µ ⟨g, h⟩, para cualquier λ, µ ∈ R, y cualquier

f, g, h ∈ C[0, 1].
Vamos a hacerlo.
1. Sea f ≠ 0. Se tiene:
⟨f, f ⟩ = ∫ f (x) f (x) dx = ∫ f 2 (x) dx > 0

1 1
0 0
ya que la función F (x) = f 2 (x) verifica que F ≠ 0, F (x) ≥ 0 para

x ∈ [0, 1] y F ∈ C[0, 1], por lo que la integral definida en [0, 1] de F
representa entonces el área limitada por la gráfica de F y el eje x en el
intervalo [0, 1].
Obsérvese que, en particular
f (x) f (x) dx = 0
1
∫
0
si y sólo si f 2 (x) es idénticamente nula y, por tanto, si y sólo si f es la

función nula en [0, 1].
Además,
⟨0, 0⟩ = ∫
1 1
0 ⋅ 0dx = ∫ 0dx = 0.
0 0
2. Comprobamos la segunda propiedad:
⟨f, g⟩ = ∫ f (x) g (x) dx = ∫ g (x) f (x) dx = ⟨g, f ⟩ .

1 1
0 0
3. Nos queda la última propiedad:
⟨λf + µg, h⟩ = ∫ (λf + µg) (x)h(x)dx

1
(λf (x)h(x) + µg(x)h(x)) dx

1
=∫
0
λf (x)h(x)dx + ∫
1 1
=∫ µg(x)h(x)dx
0 0
f (x)h(x)dx + µ ∫
1 1
= λ∫ g(x)h(x)dx
0 0
= λ ⟨f, h⟩ + µ ⟨g, h⟩ .
Por tanto, esta aplicación sı́ define un producto escalar en las funciones
continuas en el intervalo [0, 1].
Este espacio vectorial no tiene dimensión finita.
-
1.3. Norma y distancia definidas a partir de un pro-
ducto escalar
En Rn , a partir del producto escalar, definimos la norma de un vector y, a
partir de la norma, definimos la distancia entre dos puntos. También defini-
mos ángulo que forman dos vectores y ortogonalidad (en espacios vectoriales
de dimensión 2 y 3). Estos conceptos son más generales, y volveremos a ellos
más adelante, pero antes vamos a recordarlos .
Recordamos que dado u = (x1 , . . . , xn ) ∈ Rn , definimos su norma o módulo
como: ¿
Án
∥u∥ = ⟨u, u⟩ = Á À∑ (xi )2 .
1/2
i=1
Es decir, es la raı́z cuadrada de su producto escalar consigo mismo. Intuiti-

vamente, es la longitud del vector u en R2 o en R3 y el valor absoluto de un
número si estamos en R. Se llama norma euclı́dea.
Ejemplo 5. Consideramos el vector u = (3, 0, −4) ∈ Rn . Vamos a calcular su

norma euclı́dea, que es
∥u∥ = ∥(3, 0, −4)∥ = ((3, 0, −4) ⋅ (3, 0, −4))

1/2
√ √
= (32 + 02 + (−4) ) = 9 + 16 = 25 = 5.
2 1/2
-
Esta definición no sólo vale para vectores de Rn , es válida para cualquier
espacio vectorial con producto escalar, simplemente definiendo la norma como
∥u∥ = ⟨u, u⟩
1/2
.
Observamos que la norma ası́ definida cumple las siguientes propiedades,

para u, v ∈ V , λ ∈ R:
∥u∥ ≥ 0 y ∥u∥ = 0 si y sólo si u = 0.
∥λu∥ = ∣λ∣ ∥u∥ .

∥u + v∥ ≤ ∥u∥ + ∥v∥ y ∥u + v∥ = ∥u∥ + ∥v∥ si y sólo si u, v son linealmente

dependientes.
La primera propiedad indica que una norma (longitud) de un vector es

siempre positiva o 0 y sólo es 0 si es la norma del vector nulo. La segunda
implica que la norma de un vector proporcional a otro vector es la norma del
vector multiplicada por la constante de proporcionalidad en valor absoluto.
Y la tercera afirma que la norma de la suma de dos vectores va a ser siempre
menor o igual que la suma de las normas de los vectores y que sólo va a ser
igual si los vectores están alineados.
La demostración de estas propiedades es sencilla, y lo dejamos como ejer-
cicio.
Ejemplo 6. Consideramos el espacio C[0, 1] y el producto escalar
⟨f, g⟩ = ∫ f (x) g (x) dx.

1
Vamos a determinar la norma de f (x) = sen (πx). Es

1/2
∥f ∥ = ⟨ sen (πx), sen (πx)⟩ = (∫ sen (πx)dx)
1
1/2 2
0
1/2 1/2
= (∫ dx) = (∫
1 − cos 2πx
1 1 1 1 1
dx − ∫ cos 2πxdx)
√ √
0 2 0 2 2 0
1/2
= ( x∣ −
1
sen (2πx)∣0 ) =
1 1 1 1 2
= .
2 0 4π 2 2
porque sen 2 x =
1 − cos(2x)
2
. -
Si consideramos que los elementos de Rn son puntos, la distancia euclı́dea
entre dos puntos P y Q es la norma del vector P Q que une ambos puntos:
Ð→
d (P, Q) = ∥P Q∥ .
Ejemplo 7. La distancia entre los puntos (1, 0, 1) y (2, 1, 1) de R3 es la

norma del vector
u = (2, 1, 1) − (1, 0, 1) = (1, 1, 0) .
Su norma es
∥u∥ = ∥(1, 1, 0)∥ = ((1, 1, 0) ⋅ (1, 1, 0))

1/2
√ √
= 12 + 12 = 2.
Figura 1: Distancia entre dos puntos
Estos dos puntos, junto con el vector que los une, se representan en la
siguiente figura
-
Hemos repasado el producto escalar porque permite definir ángulo entre
elementos de un espacio vectorial y ortogonalidad en R2 y R3 . Estos conceptos
coinciden con la idea intuitiva que tenemos de los mismos. Pero no es tan
sencillo en espacios como C[0, 1]. El ángulo que forman dos vectores no
nulos u, v ∈ V es el número θ ∈ [0, π] cuyo coseno es
⟨u, v⟩
∥u∥ ⋅ ∥v∥
cos θ = .
De esto, la expresión
⟨u, v⟩ = ∥u∥ ⋅ ∥v∥ cos θ
es una definición geométrica del producto escalar, y es independiente de la

base y del sistema de coordenadas elegidos.
De esta interpretación geométrica del producto escalar se deduce otra,

relacionada en este caso con la proyección de un vector u sobre otro vector
v, que es proyuv = ∥u∥ cos θ. Entonces el producto escalar es
⟨u, v⟩ = ∥v∥ proyuv
Ya conocemos cuándo dos vectores son perpendiculares u ortogonales en
R2 , R3 .Esta definición se extiende a cualquier espacio vectorial.
Veamos ahora dos definiciones de propiedades geométricas de vectores,

en espacios prehilbertianos.
Definición 2. Se dice que dos vectores no nulos u, v ∈ V de un espacio
vectorial son vectores ortogonales si ⟨u, v⟩ = 0.
Se dice que dos vectores no nulos u, v ∈ V de un espacio vectorial son
vectores paralelos si ⟨u, v⟩ = ∥u∥ ⋅ ∥v∥ .
Ejemplo 8. Consideramos en el espacio de las funciones continuas en el
intervalo [0, 1], C[0, 1], el producto escalar
f (x) g (x) dx.

1
< f, g >= ∫
0
Vamos a estudiar si las funciones f (x) = cos (πx) y g (x) = sen (πx) son
ortogonales.
El producto escalar de f (x) = cos (πx) y g (x) = sen (πx) es
cos (πx) sen (πx)dx = ∫ sen (2πx)dx

1 1 1
< f, g >= ∫
0 0 2
(− cos 2πx)∣0 = (− cos 2π + cos 0) = 0.
1 1 1
=
4π 4π
Luego sı́ son ortogonales. -
Proposición 3. Dada una familia {v1 , . . . , vn } de vectores ortogonales dos
a dos se cumple el Teorema de Pitágoras
∥v1 + ⋯ + vn ∥ = ∥v1 ∥ + ⋯ + ∥vn ∥ .
2 2 2
Esta definición también se extiende a conjuntos de forma natural. Dos

subconjuntos A, B de un espacio prehilbertiano son subespacios ortogo-
nales si ⟨x, y⟩ = 0 para todo x ∈ A, y ∈ B.
A lo largo de esta asignatura vamos a trabajar frecuentemente con subes-
pacios ortogonales (por ejemplo: plano tangente y recta normal a una super-
ficie en un punto).
Señalamos que el conjunto de vectores ortogonales a un subespacio vec-
torial de un espacio vectorial V es un subespacio vectorial de V .
Ejemplo 9. Consideramos el espacio R4 . Sean M = {(x, y, z, t) ∈ R4 ∶ 2x − y +

z = 0} y N la recta que pasa por el origen y tiene vector director (2, −1, 1, 0).
Vamos a estudiar si estos espacios son ortogonales.
Tenemos que comprobar que el producto escalar de cualquier elemento de
M con cualquier elemento de N es 0. Para ello, determinamos la expresión
de cualquier elemento de M y N. Si (x, y, z, t) ∈ M, entonces como y = 2x + z
para los puntos de M, podemos escribirlo como
(λ, 2λ + µ, µ, γ) , para λ, µ, γ ∈ R.
Este espacio representa un hiperplano de R4 . Por otro lado, si (x, y, z, t) ∈ N,

existe α ∈ R tal que:
(x, y, z, t) = (2α, −α, α, 0),
que es la ecuación de una recta. Calculamos el producto escalar de un ele-
mento de cada espacio:
(2α, −α, α, 0) ⋅ (λ, 2λ + µ, µ, γ) = 2αλ − α (2λ + µ) + αµ + 0 ⋅ γ

= 2αλ − 2αλ − αµ + αµ = 0.
Por eso, sı́ podemos concluir que son espacios ortogonales. -
Vamos a enunciar la siguiente propiedad que se cumple en espacios vec-

toriales cuando se ha definido un producto escalar.
Proposición 4. En un espacio vectorial V se cumple, para u, v ∈ V , la

desigualdad de Cauchy-Schwarz:
∣⟨u, v⟩∣ ≤ ⟨u, u⟩ ⟨v, v⟩ .

2
Esta desigualdad sólo es igualdad si u, v son linealmente dependientes, es

decir, si existe λ ∈ R, tal que u = λv.
Demostración. La demostración de este resultado no es complicada, se basa

en calcular el producto escalar de λu − µv consigo mismo, para λ, µ ∈ R:
0 ≤ ⟨λu − µv,λu − µv⟩ = ⟨λu,λu − µv⟩ − ⟨µv,λu − µv⟩

= λ ⟨u,λu − µv⟩ − µ ⟨v,λu − µv⟩
= λ2 ⟨u, u⟩ − λµ ⟨u, v⟩ − λµ ⟨v, u⟩ + µ2 ⟨v, v⟩
= λ2 ⟨u, u⟩ − 2λµ ⟨u, v⟩ + µ2 ⟨v, v⟩ .
Si elegimos λ = ⟨u, v⟩ , µ = ⟨u, u⟩, tenemos:
λ2 ⟨u, u⟩ − 2λµ ⟨u, v⟩ + µ2 ⟨v, v⟩

= ⟨u, v⟩ ⟨u, u⟩ − 2 ⟨u, u⟩ ⟨u, v⟩ + ⟨u, u⟩ ⟨v, v⟩
2 2 2
= − ⟨u, u⟩ ⟨u, v⟩ + ⟨u, u⟩ ⟨v, v⟩ ≥ 0.

2 2
Si u = 0, entonces la desigualdad se cumple de forma obvia. Si u ≠ 0, entonces

⟨u, u⟩ > 0 y
⟨u, v⟩ ≤ ⟨u, u⟩ ⟨v, v⟩ .

2
1.4. Orientación, producto vectorial y producto mixto
Como sabemos, para obtener las coordenadas de un vector de un espacio

vectorial de dimensión finita respecto a una base distinta a la que está expre-
sado, se multiplica el vector de sus coordenadas respecto a la base primera
por una matriz, que es la matriz de cambio de base. Esta matriz nos permi-
te clasificar de alguna forma, las bases de espacios vectoriales de dimensión
finita que son, como veremos más adelante, isomorfos a Rn .
En Rn se dice que dos bases tienen la misma orientación si el deter-
minante de la matriz de cambio de base es positivo. Ası́, se pueden clasificar
las bases en Rn según su orientación con respecto a una base fijada. Como el
determinante de la matriz de cambio de base puede ser positivo o negativo,
se obtienen dos clases de bases según el valor del determinante: la clase de
orientación positiva (misma orientación) y la clase de orientación negativa
(distinta orientación).
Ejemplo 10. Normalmente se considera que la base canónica de R3 con

su orden natural, que es B = {e1 , e2 , e3 } = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} tiene
orientación positiva.
Según esto, la base B ′ = {e1 , e3 , e2 } = {(1, 0, 0), (0, 0, 1), (0, 1, 0)} tiene
orientación negativa. Y B ′′ = {e2 , e3 , e1 } = {(0, 1, 0), (0, 0, 1), (1, 0, 0)} tiene
orientación positiva.
z z
e3 e3
e2 e2
y y
e1 e1
x x
Orientación positiva Orientación negativa
Figura 2: Orientaciones positiva y negativa
-
La orientación de una base es un tema importante y que vamos a utilizar
al trabajar con curvas y superficies. Allı́ hablaremos de orientación positiva
o negativa y entre otras cosas, en nuestra vida cotidiana es la formulación
matemática de izquierda y derecha y da significado matemático a la expresión
“recorrer una curva en un sentido”.
Ahora trabajamos en R3 . Una terna de vectores linealmente independien-
tes {v1 , v2 , v3 } se dice que es derecha o dextrógira si tiene el mismo tipo de
orientación que los dedos pulgar, ı́ndice y corazón de la mano derecha, o si
al ir de v1 a v2 el vector v3 tiene el sentido de avance de un tornillo. En otro
caso, se dice que la terna es levógira o izquierda.
Ejemplo 11. La base canónica {i, j, k} de R3 es dextrógira.
El conjunto de vectores linealmente independientes B formado por los
vectores {(1, −1, 0), (1, 1, −1), (0, 0, 1)} es dextrógiro (los vectores están dados
respecto a la base canónica) y el conjunto {(1, −1, 0), (0, 1, −1), (0, 0, −1)} =
B ′ es levógiro.
En efecto, la matriz que expresa B respecto a la base canónica es
⎛ 1 1 0 ⎞
⎜ −1 1 0 ⎟ .
⎝ 0 −1 1 ⎠
Su determinante es 2, se comprueba de forma inmediata. Ası́ pues, B tiene

la misma orientación que la base canónica y, por tanto, B es dextrógiro.
De la misma forma, el determinante de la matriz asociada a B ′ respecto
a la base canónica es −1, por eso, la base es levógira. Ambas bases se han
representado en la Figura 3. Los vectores de B se han llamado u1 , u2 , u3 y
los de B ′ se han indicado con v1 , v2 , v3 .
-
z z
u3
y y
u1 v1
x x v3 v2
u2
Elementos de B Elementos de B ′
Figura 3: Orientaciones de las bases
Definición 5. Si u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ) son dos vectores de R3 , el

producto vectorial de u y v, denotado por u ∧ v o u × v, es el único vector
de R3 que cumple
(u × v) ⋅ w = det (u, v, w)
para todo w ∈ R3 .
El producto vectorial también se llama producto exterior.
Determinar qué vector es el producto vectorial de dos vectores puede
parecer complicado, pero no lo es tanto. Baste observar que si u = (u1 , u2 , u3 ),
v = (v1 , v2 , v3 ) , entonces se cumple:
RRR 1 0 0 RRR
RR RR
(u × v) ⋅ e1 = RRRR u1 u2 u3 RRRR = ∣ 2 3 ∣ .
u u
RR R
RRR v1 v2 v3 RRRR
v2 v3
Teniendo en cuenta que el producto escalar de un vector por e1 es la pri-

mera coordenada del vector, entonces la primera coordenada de u × v es el
determinate anterior. De forma similar, se obtienen las coordenadas segunda
y tercera de u ∧ v respecto a la base canónica de R3 . Y ası́, se cumple
u×v =∣ ∣ e1 − ∣ 1 3 ∣ e2 + ∣ 1 2 ∣ e3 .
u2 u3 u u u u
v2 v3 v1 v3 v1 v1
Otra forma de expresarlo es abusando de la notación y escribiendo
RR e e2 e3 RRRR
RR 1
R R
u × v = RRRR u1 u2 u3 RRRR ,
RR R
RR v1
R v2 v3 RRRR
donde tenemos que calcular un determinante cuya primera fila no son núme-
ros, sino son los vectores de la base canónica.
Ejemplo 12. Vamos a determinar el producto vectorial de los vectores

(0, −1, 3) y (2, −1, 1).
Hacemos
RR e e e RR
RR 1 2 3 RR
R R
(0, −1, 3) × (2, −1, 1) = RRRR 0 −1 3 RRRR = 2e1 + 6e2 + 2e3 .
RR R
RR 2 −1 1 RRR
R R
Luego (0, −1, 3) × (2, −1, 1) = (2, 6, 2) en la base canónica. -
Proposición 6. Propiedades del producto vectorial.
1. u × v = −v × u, no conmutativo.
2. (λu + µw) × v = (λu) × v + (µw) × v = λ (u × v) + µ (w × v), linealidad.
3. u × v = 0 si y sólo si u y v son linealmente dependientes o cero.
4. (u × v) × w ≠ u × (v × w), no asociativo.
5. (u × v) ⋅ u = (u × v) ⋅ v = 0.
A partir de estar propiedades, obtenemos mucha información interesante.

Primero observamos que u × v es un vector perpendicular al plano deter-
minado por u y v (es decir, al subespacio generado por estos vectores). Se
demuestra teniendo en cuenta la última propiedad y la linealidad del pro-
ducto vectorial.
Por otro lado, como
det (u, v, (u × v)) = (u × v) ⋅ (u × v) = ∣(u × v)∣ > 0,

2
entonces la base formada por u, v, (u × v) tiene orientación positiva.

Además, el módulo del producto vectorial u × v es el área del paralelo-
gramo de lados u y v, y viene dado por:
∣u × v∣ = ∣u∣ ∣v∣ sen θ,
donde θ es el ángulo que forman u y v. Este resultado se demuestra teniendo

en cuenta la relación entre seno y coseno, la expresión del módulo del pro-
ducto escalar de u y v en función del ángulo que forman, y el módulo de
∣(u × v)∣ . No lo vamos a demostrar aquı́.
2
Definición 7. El producto mixto de tres vectores u, v, w es (u × v) ⋅ w.

A partir del cálculo del producto vectorial con determinantes, es fácil ver
que si u = (u1 , u2 , u3 ), v = (v1 , v2 , v3 ), w = (w1 , w2 , w3 ), entonces
RR u u u RR
RR 1 3 RR
R R
(u × v) ⋅ w = RRRR v1 v2 v3 RRRR .
2
RR R
RR w1 w2 w3 RRR
R R
Como interpretación del producto mixto, diremos que el valor absoluto
de (u × v) ⋅ w es el volumen del paralelepı́pedo dado por los tres vectores, si
son linealmente independientes. Es sencillo de demostrar.
Por otro lado, supongamos que la base del paralelepı́pedo es el paralelo-
gramo cuyos lados son u, v, y que w determina la arista que no está en ese
plano.
A partir de esto podemos determinar fácilmente el volumen del tetraedro
que forman los vectores. El volumen de un tetraedro es
1
bh,
3
si b es el área de la base y h es la altura. Si consideramos el prisma triangular
cuya base viene determinada por u y v el volumen de dicho prisma es la
mitad del volumen del paralelepı́pedo determinado por u, v y w, luego dicho
volumen es
(u × v) ⋅ w.
1
2
Como el prisma triangular se descompone en tres tetraedros de igual volumen
(ver Figura 4), se deduce que el volumen del tetraedro definido por u, v y w
es
(u × v) ⋅ w.
1
6
Ejemplo 13. Determine el volumen del tetraedro de vértices
A = (0, 0, 0) , B = (1, 1, 1) , C = (2, 0, −1) , D = (−1, 0, 1) .
Si consideramos los vectores
u = AB = (1, 1, 1) , v = AC = (2, 0, −1) , w = AD = (−1, 0, 1) ,
entonces el volumen del paralelepı́pedo formado por los vectores u, v, w es
∣(u × v) ⋅ w∣. Y el volumen del tetraedro es la sexta parte del área de este
paralelepı́pedo:
RRRR 1 1 1 RRRR
1 RRRRRRRR RRRR
RR
V = ∣(AB×AC) ⋅ AD∣ = RRRR 2 0 −1 RRRRRRRR = ∣− ∣ = .
R R
1 1 1
6 RRRRR R R R
RRRR
RRRR −1 0 1 RRRR
6 6 6
-
2 Espacios normados 23
Figura 4: Descomposición del prisma triangular en tres tetraedros de igual

volumen
Terminamos adelantando una última propiedad. Si u y v son funciones de

R en R3 (son expresiones de la forma (u1 (t), u2 (t), u3 (t)), que repasamos en
el siguiente apartado) que dependen de un parámetro t, y que son derivables,
entonces su producto vectorial también es derivable y
du (t) dv (t)
(u (t) ×v (t)) = ×v (t) + u (t) ×
d
.
dt dt dt
2. Espacios normados
2.1. Norma
Ahora vamos a generalizar la idea de módulo de un vector que hemos
visto en el espacio euclı́deo Rn , a cualquier espacio vectorial. Hemos definido
la norma a partir de un producto escalar, y en el caso de Rn coincide con
la idea intuitiva que tenemos de longitud de un vector. Para mantener esta
idea intuitiva, vamos a pedirle algunas cosas, para que coincida con la idea
intuitiva de longitud de vector que ya conocemos. Primero pediremos que sea
siempre positiva y que sea 0 si y sólo si es la norma del vector nulo. Además,
vamos a pedir que la norma de un vector proporcional a otro sea proporcional
en la misma proporción. Y también vamos a pedir que la norma de la suma
de dos vectores va a ser siempre menor o igual que la suma de las normas de
los vectores y sea sólo igual cuando los vectores estén alineados. Estas son
las propiedades que cumplı́a la norma que viene del producto escalar.
Con estas condiciones, podemos definir ya norma.

Definición 8. Sea V un espacio vectorial sobre R y sean u, v ∈ V , λ ∈ R.
Una norma es una aplicación ∥⋅∥ ∶ V Ð→ R+ , es decir, que toma valores no
negativos, que cumple las propiedades siguientes:
No degenerada: ∥u∥ = 0 si y sólo si u = 0.
Homogénea por homotecias: ∥λu∥ = ∣λ∣ ∥u∥ .
Desigualdad triangular: ∥u + v∥ ≤ ∥u∥ + ∥v∥.
Decir que toma valores no negativos significa que ∥u∥ ≥ 0. Y al ser no
degenerada, sabemos que ∥u∥ = 0 si y sólo si u = 0.
Un espacio vectorial donde se ha definido una norma se llama espacio
normado. A veces se indica (V, ∥⋅∥).
Queremos destacar que la norma es una aplicación, no es un número.
Vamos a ver algunas propiedades de la norma.
Para todo u ∈ V , se tiene
∥u∥ ≥ 0.
Para u, v ∈ V , se verifica
∣∥u∥ − ∥v∥∣ ≤ ∥u ± v∥ ≤ ∥u∥ + ∥v∥
Para ui ∈ V , λi ∈ R, i = 1, 2, ⋯, n, se cumple
∥∑ λi ui ∥ < ∑ ∣λi ∣ ∥ui ∥ .

n n
i=1 i=1
Conocemos la norma euclı́dea en Rn , definida para x = (x1 , . . . , xn ) como

1/2
∥x∥ = (∑ x2i )
n
.
i=1
En los ejercicios hemos comprobado que cumple las propiedades de una nor-
ma. En R esta norma determina, en cada número, su valor absoluto. En R2
o en R3 representa, para cada vector, su longitud.
Podemos definir más normas en Rn , como las normas del máximo ∥ ⋅ ∥∞
(también se denota, a veces, como ∥ ⋅ ∥0 ) y de la suma ∥ ⋅ ∥1 . Estas normas se
definen, para x = (x1 , . . . , xn ) ∈ Rn , como
∥ (x1 , . . . , xn ) ∥∞ = maxi=1...n {∣xi ∣},
∥ (x1 , . . . , xn ) ∥1 = ∑ ∣xi ∣ .
n
i=1
Vamos a comprobar que la norma del máximo es una norma y dejamos

como ejercicio comprobar que lo es la norma de la suma. Comenzamos viendo
que su valor siempre es mayor o igual que 0.
∥ (x1 , . . . , xn ) ∥∞ = maxi=1...n {∣xi ∣} ≥ 0
obviamente, porque cada ∣xi ∣ ≥ 0.
Veamos ahora que es no degenerada:
0 = ∥ (x1 , . . . , xn ) ∥∞ = maxi=1,...n {∣xi ∣} ⇐⇒ ∣xi ∣ = 0 para todo i.
Es decir, ∥x∥ = 0 si y sólo si x = 0.
Vamos a comprobar ahora que es homogénea por homotecias:
∥λx∥∞ = ∥λ (x1 , . . . , xn ) ∥∞ = maxi=1,...n {∣λxi ∣} = maxi=1,...n {∣λ∣ ∣xi ∣}
= ∣λ∣ maxi=1,...n {∣xi ∣} = λ ∥x∥∞ .
Nos queda por comprobar la desigualdad triangular:
∥x + y∥∞ = ∥(x1 + y1 , , . . . , xn + yn )∥∞ = maxi=1,...n {∣xi + yi ∣}
≤ maxi=1,...n {∣xi ∣ + ∣yi ∣} ≤ ∥x∥∞ + ∥y∥∞
porque ∣xi + yi ∣ ≤ ∣xi ∣ + ∣yi ∣ para cualquiera números xi , yi ∈ R.
Sin embargo, esta norma no proviene de un producto escalar. Se puede
comprobar.
De la misma forma, en espacios de funciones, como por ejemplo el espacio
de las funciones continuas definidas sobre el intervalo [0, 1] y con valores en
R, C [0, 1], se puede definir la norma del supremo ∥ ⋅ ∥∞ mediante
∥f ∥∞ = sup {∣f (x)∣} .
x∈[0,1]
Sabemos que este supremo existe, porque es una función continua, con valores
en R, definida sobre un conjunto cerrado.
Otra norma usual es la siguiente norma:
∥f ∥1 = ∫ ∣f (x)∣ dx.
1
Ejemplo 14. Vamos a comprobar que la norma del supremo

∥f ∥∞ = sup {∣f (x)∣}
x∈[0,1]
definida sobre el espacio vectorial C [0, 1] = {f ∶ [0, 1] Ð→ R ∶ f es continua}

es una norma.
Obviamente, se cumple ∥f ∥∞ ≥ 0.
Ahora tenemos que comprobar:
1. No degenerada: ∥f ∥∞ = 0 si y sólo si f (x) = 0 para todo x. En efecto:
∥f ∥∞ = sup {∣f (x)∣} = 0 ⇐⇒ f (x) = 0 si x ∈ [0, 1] .

x∈[0,1]
2. Homogénea por homotecias: ∥λf ∥∞ = ∣λ∣ ∥f ∥∞ ∶
∥λf ∥∞ = sup {∣λf (x)∣} = sup {∣λ∣ ∣f (x)∣} = ∣λ∣ sup {∣f (x)∣}
x∈[0,1] x∈[0,1] x∈[0,1]
= ∣λ∣ ∥f ∥∞ .
3. Desigualdad triangular: ∥f + g∥∞ ≤ ∥f ∥∞ +∥g∥∞ . Tenemos:
∥f + g∥∞ = sup {∣f (x) + g (x)∣} ≤ sup {∣f (x)∣ + ∣g (x)∣}

x∈[0,1] x∈[0,1]
≤ sup {∣f (x)∣} + sup {∣g (x)∣} = ∥f ∥∞ +∥g∥∞ .

x∈[0,1] x∈[0,1]
-
Si tenemos un subespacio vectorial W de un espacio normado (V, ∥⋅∥),
entonces ∥⋅∥ restringida a W también es una norma, que se llama norma
inducida. A veces se indica como ∥⋅∥W . De este modo, (W, ∥⋅∥W ) es un espacio
normado. Se dice que W es un subespacio normado de V .
Tenemos que normas distintas pueden dar lugar a conjuntos distintos, o a
vectores unitarios distintos. Vamos a ver la primera de estas situaciones con
un ejemplo. Vamos a considerar la norma euclı́dea y la norma del supremo
de R2 y vamos a determinar, para estas normas, los conjuntos
A = {(x, y) ∈ R2 ∶ ∥(x, y)∥ ≤ 1} ,

B = {(x, y) ∈ R2 ∶ ∥(x, y)∥∞ ≤ 1} .
El conjunto es:
√
A = {(x, y) ∈ R2 ∶ ∥(x, y)∥ ≤ 1} = {(x, y) ∈ R2 ∶ x2 + y 2 ≤ 1}
= {(x, y) ∈ R2 ∶ x2 + y 2 ≤ 1}.
Dicho conjunto se corresponde con el cı́rculo centrado en (0, 0) y de radio 1,

y se representa en la Figura 5.
Para el conjunto B, tenemos:
B = {(x, y) ∈ R2 ∶ ∥(x, y)∥∞ ≤ 1} = {(x, y) ∈ R2 ∶ max{∣x∣, ∣y∣} ≤ 1}

= {(x, y) ∈ R2 ∶ ∣x∣ ≤ 1, ∣y∣ ≤ 1}
= {(x, y) ∈ R2 ∶ −1 ≤ x ≤ 1, −1 ≤ y ≤ 1}.
Figura 5: Conjunto A
Por tanto, B se corresponde con la Figura 6, en el plano.

A partir de una norma, tal como hacı́amos con el producto escalar, se
puede definir una distancia como
d (u, v) = ∥u − v∥ .
Se llama distancia asociada a la norma.
Ejemplo 15. Consideramos en el espacio de los polinomios definidos en el
intervalo [0, 1], la norma definida, para p (x), mediante:
∥p∥ = ∫ (p (x)) dx.

1
2
0
Vamos a determinar la distancia, definida a través de la norma, entre los
polinomios f (x) = x2 + x + 1 y g (x) = x − 2.
La distancia entre dos polinomios es la norma de su diferencia, es decir,
se determina mediante:
∥f − g∥ = ∫ (f (x) − g (x)) dx = ∫ (x2 + x + 1 − (x − 2)) dx
1 1 2
2
0 0
(x2 + 3) dx = ∫ (x4 + 6x2 + 9) dx

1 1
=∫
2
0 0
1
1 5 1 56
= x + 2x3 + 9x∣ = + 2 + 9 = .
5 0 5 5
-
Figura 6: Conjunto B
2.2. Normas equivalentes

Aunque los conjuntos que definan dos normas en un espacio vectorial V
no sean iguales, este hecho no es relevante para trabajar con convergencia
de sucesiones o continuidad de funciones en V . Lo que sı́ es importante es
que si una sucesión tiene lı́mite con una norma lo tenga también con la
otra. Esto, de forma más formal, es decir que las estructuras topológicas de
las dos normas son las mismas (los mismos conjuntos abiertos y cerrados,
ya lo estudiaremos más tarde). O, lo que es lo mismo, que las dos normas
son equivalentes. Volveremos a este tema más adelante, cuando hablemos de
espacios métricos. Pero vamos a adelantar aquı́ el siguiente resultado, que
tomamos como definición.
Dos normas ∥ ⋅ ∥, ∥ ⋅ ∥1 definidas en un espacio vectorial V , son normas
equivalentes si existen λ, µ ∈ R, λ, µ > 0 tales que para todo u ∈ V se cumple
λ ∥u∥ ≤ ∥u∥1 ≤ µ ∥u∥ .
Un resultado importante es que en Rn todas las normas son equivalentes.

Esto significa que podemos trabajar con cualquiera de ellas. En general, a no
ser que digamos lo contrario, trabajaremos con la norma euclı́dea.
Observación 9. Cualquier espacio vectorial normado V sobre R de dimen-

sión finita n es isomorfo a Rn . Por tanto, el estudio de cualquier espacio
normado de dimensión n se reduce al estudio de Rn .
Vamos a demostrarlo, pero en una primera lectura se puede obviar esta de-
mostración. Partimos de V , un espacio vectorial de dimensión n y de un base
suya de vectores unitarios {a1 , . . . , an } con la norma ∥⋅∥ . Sea {e1 , . . . , en } la
∗
base canónica de Rn .
Entonces podemos establecer un isomorfismo algebraico1 entre Rn y V :
f (x1 e1 + ⋯ + xn en ) = x1 a1 + ⋯ + xn an .
Puesto que el espacio V es de dimensión finita, se cumple además que F es un

isomorfismo topológico u homeomorfismo (biyectiva, continua y con inversa
continua) entre (Rn , ∥⋅∥) y (V, ∥⋅∥ ), en donde ∥⋅∥ es una norma cualquiera2
∗
de Rn . Además, cualquier propiedad que posea un subconjunto M ⊂ Rn la

tiene también f (M) y cualquier propiedad que tenga un subconjunto F ⊂ V
la tiene también f −1 (F ).
Al hablar de isomorfismo queremos decir aplicación biyectiva entre dos

espacios. Un isomorfismo algebraico es una aplicación lineal biyectiva entre
dos espacios vectoriales
Se puede demostrar fácilmente sin más que tomar una base {a1 , . . . , an }
de vectores unitarios con la norma ∥⋅∥ . Si {e1 , . . . , en } es la base canónica de
∗
Rn , entonces podemos establecer un isomorfismo algebraico entre Rn y V :
f (x1 e1 + ⋯ + xn en ) = x1 f (a1 ) + ⋯ + xn f (an ) .
Entonces esta aplicación es un homeomorfismo (biyectiva, continua y con in-

versa continua) entre (Rn , ∥⋅∥) y (V, ∥⋅∥ ), en donde ∥⋅∥ es una base cualquiera
∗
de Rn . Entonces, cualquier propiedad que posea un subconjunto M ⊂ Rn la

tiene también f (M) y cualquier propiedad que tenga un subconjunto F ⊂ V
la tiene también f −1 (F ). Por tanto, el estudio de cualquier espacio de di-
mensión n se reduce al estudio de Rn .
Sabemos que podemos definir una norma a partir de un producto esca-
lar, pero no siempre es posible definir un producto escalar a partir de una
norma. La norma asociada a un producto escalar cumple la identidad del
paralelogramo
∥u + v∥ + ∥u − v∥ = 2 (∥u∥ + ∥v∥ )
2 2 2 2
para u, v ∈ V . Esta identidad tiene una clara interpretación geométrica: si

tomamos el paralelogramo determinado por los vectores u, v entonces la suma
1
Se recuerda que un isomorfismo algebraico es una aplicación lineal biyectiva tal que
su inversa también es lineal.
2
Recuerde que todo espacio normado es topológico, pues la norma induce una topologı́a.
de los cuadrados de la longitud de sus diagonales es igual a la suma de los

cuadrados de sus cuadro lados (que son iguales dos a dos). Pero además, si
una norma cumple esta igualdad, entonces la norma viene de un producto
escalar y el espacio es prehilbertiano. Es decir, la identidad del paralelogramo
es condición necesaria y suficiente para que una norma venga de un producto
escalar. Este resultado se atribuye a Fréchet, von Neumann y Jordan y no
vamos a demostrarlo.
Utilizando este resultado podemos comprobar con facilidad cuándo una
norma proviene de un producto escalar. Vamos a comprobar que la norma
del supremo en Rn no viene de un producto escalar. Recordamos que esta
norma es:
∥ (x1 , . . . , xn ) ∥∞ = maxi=1,...n {∣xi ∣}.
Si ∥ ⋅ ∥∞ cumpliese la identidad del paralelogramo, entonces para todo x =
(x1 , . . . , xn ) , y = (y1 , . . . , yn ) ∈ Rn se tendrı́a que
∥x + y∥∞ + ∥x − y∥∞ = 2 (∥x∥∞ + ∥y∥∞ ) .
2 2 2 2
Es decir,
( máx {∣xi + yi ∣}2 ) + ( máx {∣xi − yi ∣})

2
i=1,...,n i=1,...,n
= 2 (( máx {∣xi ∣}) + ( máx {∣yi ∣}) ) .

2 2
i=1,...n i=1,...n
Sin embargo, si elegimos x = e1 , y = e1 + e2 , entonces

∥x + y∥∞ = (maxi=1,...n {∣xi + yi ∣}) = 22 = 4,
2 2
∥x − y∥∞ = (maxi=1,...n {∣xi − yi ∣}) = 12 = 1,

2 2
∥x∥∞ = maxi=1,...n {∣xi ∣} = 1,

2
∥y∥∞ = maxi=1,...n {∣yi ∣} = 1,

2
∥x + y∥∞ + ∥x − y∥∞ = 5,
2 2
2 (∥x∥∞ + ∥y∥∞ ) = 4,
2 2
luego no se cumple la identidad del paralelogramo. Por tanto, ∥ ⋅ ∥∞ no pro-

viene de un producto escalar.
Con este ejemplo vemos que los espacios vectoriales con producto esca-
lar son espacios normados, pero que en los espacios normados no siempre
se puede definir un producto escalar. Es decir, la idea de espacio normado
generaliza los espacios vectoriales con producto escalar. En el siguiente apar-
tado seguimos generalizando los espacios y conceptos que hemos visto hasta
ahora.
3 Espacios métricos 31
3. Espacios métricos
3.1. Distancia
Ya hemos hablado de distancia al hablar de producto escalar y de nor-
ma.Vimos que a partir de estas aplicaciones, definidas en espacios vectoriales,
se puede definir una distancia. Por otro lado, la idea intuitiva de distancia
euclı́dea, como la definimos en Rn , coincide con la definición que dimos. Sin
embargo, la idea de distancia es más general, y se puede definir en espacios
que no sean vectoriales.
Definición 10. Sea E un espacio cualquiera. Una distancia o una métrica
es una aplicación d ∶ E × E Ð→ R que cumple las propiedades siguientes, para
x, y, z ∈ E:
No degeneración: d (x, y) = 0 ⇐⇒ x = y.
Simetrı́a: d (x, y) = d (y, x) .
Desigualdad triangular: d (x, y) ≤ d (x, z) + d (z, y).
Un espacio vectorial donde se ha definido una distancia se llama espacio

métrico y a veces se indica como (E, d).
La primera propiedad es equivalente a: “d (x, x) = 0 y d (x, y) ≥ 0”.
Las distancias pueden ser definidas en cualquier conjunto, no es necesario

que estemos en un espacio vectorial. Un ejemplo es la métrica discreta,
definida en un conjunto E cualquiera como
δ (x, y) = {
0, x = y,
1, x ≠ y,
para x, y ∈ E. Esta métrica no está asociada a ninguna norma.
Señalamos que en un espacio normado V , se puede definir una distancia

definida a través de la norma del siguiente modo:
d (u, v) = ∥u − v∥ , u, v ∈ V.
Es decir, un espacio normado es siempre un espacio métrico, con la distancia

asociada a la norma.
Pero además, si estamos en un espacio métrico, que es a la vez espacio
vectorial, a partir de la distancia siempre se recupera una norma, mediante
∥u∥ = d (u, 0)
para u ∈ V . Recordamos que V es un espacio vectorial, luego 0 ∈ V .
Si tenemos un espacio métrico (E, d) y consideramos un subconjunto

F ⊂ E, F ≠ ∅,entonces la distancia d restringida a F también es una distancia.
Se llama distancia inducida por E en F . De este modo, (F.d) es un espacio
métrico, que se llama subespacio métrico de E. Este concepto es mucho
más general que el de subespacio normado, ya que en espacios normados es
necesario que el subconjunto sea subespacio vectorial . Es decir, si (V, ∥⋅∥)
es un espacio normado (y por tanto, es un espacio métrico), y A ⊂ V es un
subconjunto no vacı́o de V , y no es subespacio vectorial, sı́ es subespacio
métrico de V , pero no es subespacio normado de V .
3.2. Conjuntos abiertos y cerrados

Ya hemos estudiado conjuntos abiertos y cerrados en R2 , en general. Po-
demos definir también conjuntos abiertos y conjuntos cerrados en cualquier
espacio métrico, una vez que tenemos una distancia definida en ellos. Comen-
zamos con definiciones previas. Vamos a definir bolas abiertas y cerradas en
cualquier espacio métrico.
Para un punto c de un espacio métrico E, la bola abierta de centro c y
radio r > 0 es el conjunto
B(c, r) = {x ∈ E ∶ d (c, x) < r}.
Este conjunto son los puntos que están a una distancia menor que r de c ∈ E.
En R, con la métrica euclı́dea es el intervalo abierto centrado en c y radio r:
I = (c − r, c + r) = {x ∈ R ∶ ∣x − c∣ < r} .
En R2 , con la distancia euclı́dea, es el cı́rculo abierto centrado en (c1 , c2 ) y

radio r sin la circunferencia exterior, que es el conjunto:
√
B1 = {(x, y) ∈ R2 ∶ (x − c1 ) + (y − c2 ) < r} .
2 2
En R3 , con la distancia euclı́dea, es la esfera abierta centrada en (c1 , c2 , c3 )

y radio r sin esfera hueca exterior
√
B2 = {(x, y, z) ∈ R ∶ (x − c1 ) + (y − c2 ) + (z − c3 ) < r} .
3 2 2 2
Estos conjuntos se representan en la Figura 7.

Figura 7: Bolas con distancia euclı́dea
De forma similar, se define la bola cerrada, de centro c ∈ E y radio r > 0

como
B ∗ (c, r) = {x ∈ E ∶ d (c, x) ≤ r}.
En R, con la métrica euclı́dea, es el intervalo cerrado centrado en c y radio r,
en R2 es el cı́rculo centrado en (c1 , c2 ) y radio r con la circunferencia exterior,
que es el conjunto:
√
B1 = {(x, y) ∈ R ∶ (x − c1 ) + (y − c2 ) ≤ r}
∗ 2 2 2
= {(x, y) ∈ R2 ∶ (x − c1 ) + (y − c2 ) ≤ r 2 } .
2 2
En R3 es la esfera centrada en (c1 , c2 , c3 ) y radio r, es decir, son los puntos

que cumplen:
√
B2 = {(x, y, z) ∈ R ∶ (x − c1 ) + (y − c2 ) + (z − c3 ) ≤ r}
∗ 3 2 2 2
= {(x, y, z) ∈ R3 ∶ (x − c1 ) + (y − c2 ) + (z − c3 ) ≤ r 2 } .
2 2 2
En general, en Rn , la esfera centrada en (c1 , . . . , cn ) y radio r son los puntos

que cumplen:
Bn∗ = {(x1 , . . . , xn ) ∈ Rn ∶ ∑ (xi − ci ) ≤ r 2 } .

n
2
i=1
De forma similar a lo que vimos en R2 , definimos conjunto acotado: es

aquel para el que existe una bola que lo contiene. Cualquiera de los conjuntos
anteriores es un conjunto acotado, ya que basta elegir una bola centrada en
el mismo punto y de radio mayor. Un conjunto no acotado es, por ejemplo,
el primer cuadrante de R3 , es decir, el conjunto
{(x, y, z) ∈ R3 ∶ x, y, z ≥ 0}
o, más en general, el primer cuadrante de Rn , definido como
= {(x1 , . . . , xn ) ∈ Rn ∶ xi ≥ 0} .
Ejemplo 16. Consideramos el espacio C[−1, 1] de funciones reales continuas

en el intervalo [−1, 1] con la distancia
d (f, g) = máx{∣f (x) − g (x) ∣ / x ∈ [−1, 1]}.
Sean f (x) = 1 y g (x) = ∣x∣ para todo x ∈ R. Vamos a estudiar si g (x) está
en la bola abierta de radio 1 y centrada en f , B (f, 1) ⊂ C[−1, 1] y si está en
la bola cerrada B ∗ (f, 1) centrada en f y de radio 1.
Primero comprobamos que g (x) está en C[−1, 1]. Como es una función
real continua en el intervalo [−1, 1], entonces está en C[−1, 1]. Las bolas
abierta y cerrada son:
B (f, 1) = {h ∈ C[−1, 1] ∶ máx{∣f (x) − h (x) ∣ / x ∈ [−1, 1]} < 1},

B ∗ (f, 1) = {h ∈ C[−1, 1] ∶ máx{∣f (x) − h (x) ∣ / x ∈ [−1, 1]} ≤ 1}.
Entonces, la bola abierta de centro f (x) y radio 1 son las funciones reales
continuas que cumplen:
∣f (x) − h (x)∣ < 1 ⇐⇒ ∣1 − h (x)∣ < 1 ⇐⇒ −1 < 1 − h (x) < 1

⇐⇒ 0 < h (x) < 2.
Como g (0) = 0, entonces g no está en B (f, 1) .

De la misma forma, la bola cerrada de centro f (x) y radio 1 son las
funciones reales continuas que cumplen:
∣f (x) − h (x)∣ ≤ 1 ⇐⇒ ∣1 − h (x)∣ ≤ 1 ⇐⇒ −1 ≤ 1 − h (x) ≤ 1

⇐⇒ 0 ≤ h (x) ≤ 2.
Como
g (x) ∈ [0, 1]
para x ∈ [−1, 1], entonces g sı́ está en B ∗ (f, 1). -
Un punto c ∈ E de un conjunto A ⊂ E es un punto interior a A si hay
una bola abierta centrada en c que esté contenida en A. Esto implica, en
primer lugar, que c ∈ A. Pero además significa que existe un radio r (puede
ser tan pequeño como queramos), tal que B (c, r) ⊂ A. Obviamente, para
r ′ < r, la bola B (c, r ′ ) también va a estar contenida en A. Al conjunto de
puntos interiores de A se le denomina interior de A y se denota por int(A).
Un punto c ∈ E es punto frontera de un conjunto A ⊂ E si cualquier

bola centrada en c tiene puntos que están en A y puntos que no están en A.
El conjunto de los puntos frontera de A se llama frontera de A, y se denota
por fr(A). Los puntos de la frontera no tienen que estar necesariamente en
el conjunto.
Observemos que los puntos interiores no pueden ser puntos frontera y al
revés, porque si x es interior entonces hay una bola centrada en x que está
contenida en A, lo que imposibilita que sea punto frontera.
Por otro lado, se dice que un punto c ∈ E es un punto de adherencia
de A, si c pertenece o bien al interior de A o bien a su frontera. El conjunto
de puntos de adherencia de A se denomina adherencia de A, y se denota
por adh(A). De la definición, se tiene que
adh(A) = int(A) ∪ fr(A).
Finalmente, se dice que un punto c ∈ E es un punto exterior de A si existe

una bola centrada en c completamente contenida en el complementario de
A. Al conjunto de puntos exteriores de A se le denomina exterior de A y se
denota por ext(A).
De las definiciones anteriores, se deducen las siguientes relaciones:
E = int(A) ∪ ext(A) ∪ fr(A),

int(A) ∩ ext(A) = int(A) ∩ fr(A) = ext(A) ∩ fr(A) = ∅,
adh(A) = int(A) ∪ fr(A) = E − ext(A),
donde E − ext(A) denota el complementario de ext(A).

En la siguiente imagen, se representan un conjunto A ⊂ R2 , que está
formado por la parte sombreada y la lı́nea continua que limita parte de su
borde (los puntos del segmento de trazo discontinuo no están en el conjunto).
Los puntos F, K son interiores, y se han representado, centrados en ellos,
cı́rculos contenidos en A. Los puntos I, J son frontera, se puede apreciar que
cualquier cı́rculo centrado en ellos tiene puntos en A y puntos que no están
en A. Nótese que el punto I no está en A y que J, si está en A. La frontera
de A es el “borde” que delimita la zona sombreada, tanto la parte de trazo
continuo como la de trazo discontinuo.
Ası́ pues, la adherencia de A es la unión de la parte sombreada y del borde
(considerando tanto el trazo continuo como el discontinuo), y el exterior de
A es R2 menos la adherencia de A.
Un subconjunto A ⊂ E es abierto si coincide con su interior, es decir, si
A = int(A). Por tanto, los conjuntos abiertos no pueden contener a los puntos
de su frontera, porque si están en la frontera no son interiores.
b
I
b
F
b
K
b
J
Figura 8: Puntos interiores y frontera
Un subconjunto F ⊂ E es cerrado si coincide con su adherencia, es decir,

si F = adh(F ). Equivalentemente, F es cerrado si contiene a todos los puntos
de su frontera. El conjunto de la figura anterior no es ni abierto ni cerrado,
porque la frontera sólo está parcialmente en el conjunto.
El espacio métrico E es a la vez abierto y cerrado.
Ejemplo 17. Sea A el conjunto definido por
A = {(1, y) ∈ R2 / y ∈ R} ⊂ R2 .
Este conjunto es cerrado con la distancia euclı́dea. En efecto, cualquier punto

de A es de la forma (1, y0 ), para y0 ∈ R. Es decir, el conjunto A es una recta,
paralela al eje y. Si B es una bola centrada en (1, y0 ), de radio r, entonces
tiene puntos de A (el mismo (1, y0 )) y puntos que no están en A, como el
punto P = (1 + 2r , y0 ),
√ √
d ((1, y0 ) , (1 + , y0 )) = (1 − (1 + )) + (y0 − y0 ) = ( ) = < r.
r r 2 2 r 2 r
2 2 2 2
Luego en cualquier bola centrada en (1, y0 ) hay puntos que no están en A.
Esto significa que cualquier punto de A es frontera. Y no hay puntos de la
frontera que no estén en A. Vamos a demostrarlo por reducción al absurdo.
Suponemos que Q está en la frontera de A, pero no está en A. Entonces,
llamamos d a la distancia entre Q y la recta A. Tomamos la bola de centro
A y radio d2 . Esta bola no tiene puntos de A, y esto es una contradicción con

que Q esté en la frontera. Luego Q no está en la frontera. -
Es muy importante otro concepto sobre conjuntos, y es el de conjunto
compacto, ya que va a permitir asegurar si una función alcanza sus extremos
absolutos en un conjunto. Nosotros vamos a definir sólo conjuntos compactos
en Rn mediante la siguiente caracterización.
Un subconjunto K de Rn es un conjunto compacto si y sólo si es cerrado
y acotado.
3.3. Sucesiones
Una vez que tenemos definida distancia, podemos definir sucesiones, de
forma similar a como hacı́amos en R y en R2 o Rn .
Una sucesión en un conjunto E es una aplicación x ∶ N Ð→E. La imagen
de n por x es xn y normalmente se suele llamar sucesión a la imagen de N
que es {xn }. Es decir, una sucesión es un conjunto ordenado de elementos
de un conjunto. En lo que sigue suponemos que E es un espacio métrico. Es
importante que se haya definido una distancia en el espacio, ya que ası́ se
puede ver cuándo es convergente y definir su lı́mite.
Vamos a empezar definiendo sucesiones de Cauchy. Una sucesión {xn }
de un espacio métrico E se dice que es una sucesión de Cauchy si para
todo ε > 0 existe n0 ∈ N tal que si n, m > n0 entonces d (xn , xm ) < ε. La idea
de las sucesiones de Cauchy es que, elegido un número ε > 0 (normalmente
pediremos que sea pequeño, si es grande aporta poco), a partir de un término
xno de la sucesión, dos términos cualesquiera, xn y xm , para n, m > n0 , están
a menor distancia que este ε. Es decir, elegida una distancia ε > 0, a partir
de un término (de xn0 ), dos términos cualesquiera están más cerca que ε.
Ejemplo 18. Un ejemplo, para la distancia euclı́dea, de sucesión de Cauchy

es la sucesión {xn } definida por
1
xn = .
n
Vamos a comprobarlo. Elegimos ε > 0. Veamos si existe n0 tal que para todo
n, m > n0 se cumpla d (xn , xm ) < ε. Vamos a elegir un número natural n0 tal
que n0 > 2ε . Se cumple
√
d (xn , xm ) = ( − ) = ∣ − ∣.
1 1 2 1 1
n m n m
Entonces, para n, m > n0 , tenemos n1 , m1 < 1

n0 < ε
2
∣ − ∣ ≤ ∣ + ∣ < + = ε.
1 1 1 1 ε ε
n m n m 2 2
Luego la sucesión es de Cauchy. -
Este ejemplo nos puede transmitir la idea que todas las sucesiones de
Cauchy van a ser convergentes, pero esto sólo es cierto si el espacio donde
están definidas la sucesiones cumple unas condiciones. Vamos a mostrarlo con
un ejemplo, seguramente ya se conozca de Cálculo que no todas las sucesiones
tienen lı́mite en el conjunto. Por ejemplo, si consideramos el conjunto Q de
numeros racionales, la sucesión
xn = (1 + )
1 n
n
que tiende al número e, no tiene lı́mite en el conjunto Q, aunque sı́ lo tiene

en R.
No nos vamos a detener en las propiedades de las sucesiones de Cauchy,
vamos a citar que toda sucesión de Cauchy es acotada.
Vamos a definir formalmente sucesión convergente. Una sucesión {xn }

converge a a ∈ E, donde E es un espacio métrico si para todo ε > 0 existe
un número natural n0 tal que si n > n0 entonces d (xn , a) < ε. Se dice que
a es el lı́mite de {xn }. La idea de cuándo una sucesión es convergente
en un espacio métrico cualquiera es similar a las sucesiones en R: una vez
elegimos un número ε > 0, normalmente tan pequeño como queramos, existe
un término de la sucesión, xno a partir del cual todos los términos están a
una distancia del lı́mite menor que ε.
A efectos prácticos, el cálculo de lı́mites se hace aplicando las reglas que
conocemos para sucesiones en R.
Ejemplo 19. Vamos a determinar el lı́mite lı́mn→∞ xn si
xn = ( (1 ) ).
n2 + n 1 n
, +
n2 − n n2
Como
lı́m ( (1 ) ) ( (1 ) ),
n2 + n 1 n n2 + n 1 n
, + = lı́m , lı́m +
n→∞ n2 − n n2 n→∞ n2 − n n→∞ n2
hacemos
n2 + n n2 /n2 + n/n2 1 + 1/n
n→∞ n /n − n/n
lı́m2
= lı́m 2 2 2
= lı́m = 1,
n→∞ n − n n→∞ 1 − 1/n
n
2 n 2 lı́mn→∞
lı́m (1 + 2 ) = lı́m (1 + 2 ) = lı́m ((1 + 2 ) )

1 n 1 n n2 1 n n2
n→∞ n n→∞ n n→∞ n

= e0 = 1.
Y el lı́mite es
lı́m ( (1 ) ) = (1, 1) .
n2 + n 1 n
, +
n→∞ n2 − n n2
-
Los espacios métricos donde cualquier sucesión de Cauchy tiene lı́mite
en el conjunto se llaman espacios completos. Algunas propiedades de los
conjuntos completos son:
Proposición 11. Si E es completo, todo subconjunto cerrado es com-

pleto.
Cualquier subconjunto completo de E es cerrado.
Cualquier subconjunto compacto de E es completo.

Ejemplos de espacios completos son los espacios Rn . Normalmente, en
esta asignatura, vamos a trabajar en este espacio.
Ejemplo 20. Vamos a continuar con el conjunto
A = {(1, y) ∈ R2 / y ∈ R}.
Vamos a ver si es completo. R2 es un espacio completo, A es un conjunto

cerrado. Sabemos que todo subconjunto cerrado de un completo es completo.
Luego A es completo. -
El siguiente resultado es muy utilizado para determinar la adherencia de
un conjunto mediante sucesiones, se le conoce como teorema de caracteriza-
ción de la adherencia por sucesiones.
Teorema 12. Sea A ⊂ E un conjunto no vacı́o. Un punto x ∈ E pertenece

a la adherencia de A si y sólo si existe una sucesión de elementos de A que
converge a x.
Este resultado se utiliza sobre todo para demostrar que un conjunto no es

cerrado, como se ilustra en el siguiente ejemplo. Recordamos que un conjunto
es cerrado si y sólo si coincide con su adherencia. Si encontramos una sucesión
de elementos de un conjunto, que tenga lı́mite, y para la que este lı́mite (que
está en la adherencia) no está en el conjunto, entonces podemos concluir que
el conjunto no es cerrado.
Ejemplo 21. El conjunto A = {(x, y) ∈ R2 ∶ ∣x∣ < 1, ∣y∣ ≤ 1} no es cerrado.

Efectivamente, la sucesión {(1 − n1 , 1)} pertenece a A, pero su lı́mite, que es
el punto (1, 1), no está en A. Por el teorema anterior, (1, 1) ∈ adh(A). Por
tanto, adh(A) ≠ A deduciéndose que A no es cerrado. -
Vamos a terminar con una definición. Un espacio vectorial de dimensión

finita, donde se ha definido un producto escalar, y que es completo con la
distancia inducida por este producto escalar, se llama espacio euclı́deo.
Automáticamente. un espacio euclı́deo es un espacio normado completo y un
espacio métrico completo. Los ejemplos más tı́picos de espacios euclı́deos son
los espacios Rn . De hecho, se llaman espacios euclı́deos porque en ellos se
reproducen las ideas geométricas de la geometrı́a de Euclides, del plano y del
espacio.
Una generalización de los espacios euclı́deos, son los espacios vectoriales
con producto escalar, para cualquier dimensión. Se llaman los espacios de
Hilbert.
Continuando dando nombres a los espacios, los espacios de Banach son
los espacios normados completos. Un ejemplo tı́pico son los espacios de su-
cesiones {xn }, donde
∑ ∣xn ∣ < ∞, p ∈ N.
n
p
n=1
Estos espacios se denominan lp y la norma está definida como
1/p
∥{xn }∥p = ( ∑ ∣xn ∣ )
n
p
.
n=1
Ya hemos establecido las bases de los espacios en los que vamos a traba-
jar en esta asignatura, en especial Rn . También hemos establecido nociones
importantes, que nos van a permitir trabajar con aplicaciones, definir conti-
nuidad, diferenciabilidad y trabajar con curvas y superficies, en los siguientes
temas.
4 Aplicaciones. Lı́mites y continuidad 41
4. Aplicaciones. Lı́mites y continuidad

En esta sección vamos a introducir la definición de lı́mite de una aplicación
en un punto y posteriormente vamos a definir y estudiar las aplicaciones
continuas. Nos centramos únicamente en funciones de Rn a Rm , lo que hará
que la comprensión de los conceptos sea mucho más intuitiva.
De especial interés en Optimización son las aplicaciones continuas defini-
das sobre un conjunto compacto de Rn (es decir, cerrado y acotado) y con
imagen en R, ya que por el Teorema de Weierstrass sabemos que tal aplica-
ción alcanza los extremos absolutos (máximo y mı́nimo absolutos) en dicho
conjunto compacto. También repasaremos este resultado.
Comenzamos haciendo una breve clasificación de funciones de Rn en Rm .
4.1. Funciones de Rn en Rm
Partimos de funciones f ∶ A ⊂ Rn Ð→ Rm , donde A es un conjunto no
vacı́o de Rn . Éstas son las aplicaciones tales que a cada x = (x1 , . . . , xn ) ∈ A
se le asigna un elemento
f (x) = f (x1 , . . . , xn ) = (f1 (x1 , . . . , xn ) , . . . , fm (x1 , . . . , xn ))

= (f1 (x) , . . . , fm (x)) ,
donde cada una de las funciones fi ∶ A ⊂ Rn Ð→ R es una función de varias

variables, que se llama componente de f . En esta definición hemos indicado
las posibles notaciones que nos vamos a encontrar para hablar de funciones de
varias variables definidas sobre un espacio de varias variables (considerando
siempre Rn , Rm ).
Son conocidas las propiedades de las componentes, al ser cada componente
una función de varias variables que toma valores en R.
Vamos a distinguir algunos casos particulares de funciones de Rn en Rm
en los siguientes ejemplos.
Ejemplo 22. Si n = m = 1, tenemos las funciones f ∶ I ⊂ R Ð→ R de variable

real sobre R. La función f ∶ [0, 60] Ð→ R que a cada t ∈ [0, 60] le asigna
los kilómetros recorridos por un coche de Fórmula 1 durante los primeros t
minutos de una carrera es un ejemplo de estas funciones. -
Ejemplo 23. Si n > 1, m = 1, tenemos las funciones f ∶ A ⊂ Rn Ð→ R de
varias variables con las que hemos trabajado frecuentemente. Un ejemplo es
la función T ∶ [0, 1]×[0, 1] ⊂ R2 Ð→ R que asigna a cada punto de coordenadas
(x, y) de una placa cuadrada de lado 1, la temperatura T (x, y) en ese punto.
-
Ejemplo 24. Si n = 1, m > 1, la función se suele llamar función vectorial.

Casos particulares son:
Curva plana (n = 1, m = 2). Describe el movimiento de una partı́cula en

el plano en función del instante de tiempo (tiene un grado de libertad,
n = 1). La función σ ∶ I ⊂ R Ð→ R2 da la posición de la partı́cula en el
plano dependiendo del instante de tiempo.
Curva en el espacio (n = 1, m = 3). Describe la posición de una partı́cula

que se mueve con un grado de libertad en el espacio tridimensional.
-
Ejemplo 25. Si n > 1, m > 1, las funciones se suelen llamar campo vectorial.
Citaremos varios ejemplos de estas funciones:
Simetrı́a en un espacio de dimensión n > 1 respecto al origen, que es la

función f ∶ Rn Ð→ Rn definida por f (x1 , . . . , xn ) = (−x1 , . . . , −xn ).
Superficie, con n = 2, m = 3, donde la posición de una partı́cula en el

espacio está determinada a partir de su movimiento con dos grados de
libertad.
Cambio de coordenadas polares a cartesianas y viceversa, en el plano,

con n = 2, m = 2.
Cambio de coordenadas cilı́ndricas a cartesianas y viceversa, para n =

3, m = 3, en el espacio.
En el espacio, cambio de coordenadas esféricas a cartesianas y viceversa,

con n = 3, m = 3.
-
Las definiciones, resultados y procedimientos relativos a funciones de va-
rias variables estudiados anteriormente se pueden extrapolar fácilmente a las
funciones objeto de nuestro estudio, teniendo en cuenta que cada una de las
componentes es una función de varias variables que toma valores en R.
De esta forma, para funciones f, g ∶ A ⊂ Rn Ð→ Rm se pueden definir
su función suma y función resta, es decir, considerando estas operaciones
componente a componente.
Ejemplo 26. Sean f, g ∶ R3 Ð→ R2 dadas por
f (x, y, z) = (xey , z 2 + 1) , g (x, y, z) = (

x−z
, z) .
x2 + 1
Entonces
(f + g) (x, y, z) = f (x, y, z) + g (x, y, z) = (xey +

x−z 2
, z + 1 + z) ,
x2 + 1
(f − g) (x, y, z) = f (x, y, z) − g (x, y, z) = (xey − 2
x−z 2
, z + 1 − z) .
x +1
-
La composición de funciones de varias variables con valores en espa-
cios multidimensionales se hace considerando las dimensiones de los espa-
cios imagen de la primera función y dominio de la segunda. Consideramos
A ⊂ Rn , B ⊂ Rm y C ⊂ Rl , con f (A) ⊂ B y g(B) ⊂ C. Si para f ∶ A Ð→ B
y g ∶ B Ð→ C se cumple que para todo x ∈ A, f (x) ∈ B, entonces la función
h = g ○ f está definida como
h (x) = g ○ f (x) = g (f (x)) .
Ejemplo 27. Sean f ∶ R2 Ð→ R2 , g ∶ R2 Ð→ R3 dadas por:
f (x, y) = (y 3, x) , g (x, y) = (cos (x − y) , x2 + y − 1, x) .
Entonces
h (x, y) = g ○ f (x, y) = g (f (x, y)) = g (y 3 , x)

= (cos (y 3 − x) , (y 3 ) + x − 1, y 3 ) = (cos (y 3 − x) , y 6 + x − 1, y 3 ) .
2
-
4.2. Lı́mites y continuidad
Ya sabemos de cursos anteriores cómo estudiar el lı́mite de una función
f ∶ A ⊂ Rn → R en un punto a ∈ A. Partiendo de estos conocimientos, es
fácil estudiar el lı́mite de una función f ∶ A ⊂ Rn → Rm en a. En efecto,
la condición necesaria y suficiente para que lı́m x→a f (x) = b ∈ Rm es que
fi (x) = bi , donde fi es la i-ésima función componente de f y bi es la
x∈A
lı́m x→a
i-ésima componente de b (b = (b1 , b2 , ⋯, bm )).
x∈A
A partir de ahora, denotaremos simplemente lı́mx→a f (x) en lugar de

lı́m x→a
x∈A
f (x) cuando esté claro en el contexto que estamos estudianto el lı́mite
a través de puntos de A.
Ejemplo 28. Sea f ∶ R2 → R2 la función definida como
f (x, y) = (ln(x2 + y), ).

y sen x
x
Vamos a calcular, si existe, lı́m(x,y)→(0,1) f (x, y). Se tiene que
lı́m f1 (x, y) = lı́m ln(x2 + y) = ln(02 + 1) = 0.

(x,y)→(0,1) (x,y)→(0,1)
Por otro lado, la segunda componente de f es el producto de y por senx x . Es

claro que lı́m(x,y)→(0,1) y = 1 y, aplicando la regla de L’Hôpital, se tiene que
lı́m(x,y)→(0,1) senx x = lı́mx→0 senx x = lı́mx→0 cos1 x = cos1 0 = 1 (observamos que se
puede aplicar la regla de L’Hôpital porque el lı́mite en cuestión sólo depende
de una variable, la variable x en este caso).
Ası́ pues,
f2 (x, y) = ( y) ( ) = 1 ⋅ 1 = 1.
sen x
lı́m lı́m lı́m
(x,y)→(0,1) (x,y)→(0,1) (x,y)→(0,1) x
Por tanto,
lı́m f (x, y) = ( lı́m f1 (x, y), lı́m f2 (x, y)) = (0, 1).
(x,y)→(0,1) (x,y)→(0,1) (x,y)→(0,1)
-
Considerando la función f ∶ A ⊂ Rn → Rm , un punto a ∈ A y un subcon-
junto B de A tal que a ∈ B, es fácil deducir que si lı́m
x→a
f (x) existe y es igual
a l ∈ Rm , entonces el lı́mite cuando x → a de f restrigida a B también existe
x∈A
y es l, es decir,
lı́m
x→a
f (x) = l.
x∈B
El resultado anterior suele ser útil para demostrar la no existencia de

lı́mite, en el sentido de que si encontramos dos subconjuntos B1 , B2 ⊂ A, con
a ∈ B1 , a ∈ B2 y
lı́m
x→a
f (x) ≠ lı́m
x→a
f (x),
x∈B1 x∈B2
entonces se concluye que lı́m x→a

x∈A
f (x) no existe.
Veamos un ejemplo sobre ésto último.
Ejemplo 29. Vamos a estudiar lı́m(x,y)→(0,0) (ex , xy+y

x2 +y 2 ). Es claro que
2
lı́m ex = e0 = 1.
(x,y)→(0,0)
Sin embargo, el lı́mite cuando (x, y) tiende a (0, 0) de la segunda componente

no existe, ya que si estudiamos dicho lı́mite a través de rectas de ecuación
y = λx, λ ≠ 0, éstas rectas pasan por (0, 0) y
xy + y 2 λx2 + λ2 x2 λ + λ2
lı́m = lı́m = .
(x,y)→(0,0)
y=λx
x2 + y 2 x→0 x2 + λ2 x2 1 + λ2
Como el lı́mite anterior depende de λ, se concluye que no existe, luego en

x2 +y 2 ).
particular no existe lı́m(x,y)→(0,0) (ex , xy+y
2
Observamos que lo que acabamos de hacer es estudiar el lı́mite cuando

(x, y) tiende a (0, 0) de f2 restrigida a cada subconjunto Bλ definido por
Bλ = {(x, y) ∈ R2 ∶ y = λx},
y hemos visto que el lı́mite depende de Bλ . En efecto, por ejemplo, si λ = 1,

el lı́mite cuando (x, y) tiende a (0, 0) de f2 restringida a B1 es 1+1
2
1+12 = 1, y
2
si λ = 2, el lı́mite de f2 restrigida a B2 es 2+2 6
1+22 = 5 . Como los lı́mites son
distintos, se deduce que no existe el lı́mite cuando (x, y) tiende a (0, 0) de
f2 . -
El siguiente resultado permite caracterizar el lı́mite por sucesiones y está
relacionado con lo que acabamos de estudiar.
Teorema 13. Sea a ∈ A y f ∶ A ⊂ Rn → Rm . Se tiene que lı́mx→a f (x) =

b ∈ Rm si y sólo si para toda sucesión {xn } de puntos de A, xn ≠ a, tal que
lı́mn→∞ xn = a, se tiene que lı́mn→∞ f (xn ) = b.
En el teorema anterior, observamos que cuando calculamos lı́mn→∞ f (xn )

lo que estamos haciendo es calcular el lı́mite de f cuando x tiende hacia a
restringido al conjunto Bxn = {xn ∶ n ∈ N} ∪ {a}.
Ejemplo 30. Utilizamos el Teorema 13 para demostrar de nuevo que
lı́m f2 (x, y)
(x,y)→(0,0)
no existe, donde f2 (x, y) = xy+y

2
x2 +y 2 es la función del ejemplo anterior. En efecto,

consideremos ahora las sucesiones
{xn } = {( , )} ,
1 1
n n
{yn } = {( , )} .
1 2
n n
Es claro que lı́mn→∞ xn = lı́mn→∞ yn = (0, 0). Además, por un lado, se tiene
que
1 1 1
lı́m f2 (xn ) = lı́m f2 ( , ) = lı́m
1 1 n n + n2
1 1 = 1,
n→∞ n→∞ n n n→∞
n2 + n2
y por otro lado,

1 2 4
lı́m f2 (yn ) = lı́m f2 ( , ) = lı́m
1 2 n n + n2 6
1 4 = .
n→∞ n→∞ n n n→∞
n2 + n2
5
Como los lı́mites a través de sucesiones distintas son diferentes, se concluye
que lı́m(x,y)→(0,0) f2 (x, y) no existe. -
Para finalizar, merece la pena recordar un tipo de lı́mites útiles también
para estudiar la no existencia del lı́mite de una función f ∶ Rn → R en un
punto. Se denominan los lı́mites iterados. Los vamos a recordar únicamente
para funciones f ∶ R2 → R, pero se puede extender su definición para cualquier
valor n.
Dada una función f ∶ R2 → R y un punto (x0 , y0 ) ∈ R2 , los lı́mites iterados
de f en (x0 , y0 ) son
lı́m ( lı́m f (x, y)) , lı́m ( lı́m f (x, y)) .

x→x0 y→y0 y→y0 x→x0
Se tiene el siguiente resultado.

Teorema 14. Sea f ∶ R2 → R y un punto (x0 , y0 ) ∈ R2 . Supongamos que
lı́m(x,y)→(x0 ,y0 ) f (x, y) = l ∈ R y que existen lı́mx→x0 f (x, y) y lı́my→y0 f (x, y).
Si existen los lı́mites iterados, entonces también toman el valor l, es decir,
lı́m ( lı́m f (x, y)) = lı́m ( lı́m f (x, y)) = l.

x→x0 y→y0 y→y0 x→x0
Como consecuencia del resultado anterior, si los limites iterados existen

y son distintos, se deduce que no existe lı́m(x,y)→(x0 ,y0 ) f (x, y).
Ejemplo 31. Volvamos de nuevo al estudio del lı́mite cuando (x, y) → (0, 0)
de f2 , con f2 (x, y) = xy+y
x2 +y 2 . Vamos a calcular los lı́mites iterados en (0, 0):
2
lı́m (lı́m ) = lı́m 2 = lı́m 0 = 0,

xy + y 2 0
2
x→0 y→0 x + y 2 x→0 x x→0
lı́m (lı́m 2 ) = lı́m 2 = lı́m 1 = 1.

xy + y 2 y 2
y→0 x→0 x + y 2 y→0 y y→0
Como los lı́mites iterados son distintos, se concluye que no existe el lı́mite de
f2 cuando (x, y) tiende a (0, 0). -
El cálculo de los lı́mites iterados suele utilizarse para estudiar la existencia

de lı́mite, pues se basan en lı́mites de una variable, más fáciles de calcular. Si
son distintos, se deduce que el lı́mite de la función en cuestión no existe, pero
si son iguales (por ejemplo, iguales a l), no se puede asegurar que el lı́mite de
la función sea l, lo único que se puede concluir es que si existe dicho lı́mite,
su valor será l, pero habrı́a que probar la existencia del mismo.
Ahora que ya hemos repasado los resultados fundamentales sobre lı́mites,
podemos definir la noción de función continua.
Definición 15. Una función f ∶ A ⊂ Rn Ð→ Rm es continua en un punto
a ∈ A si existe lı́mx→a f (x) y además lı́mx→a f (x) = f (a). Esto es equivalente
a decir que cada una de las componentes fi de f es continua en el punto a.
No olvidemos que sabemos cómo estudiar la continuidad de cada fi , al
ser funciones de varias variables con valores en R.
Ejemplo 32. La función f ∶ R2 Ð→ R3 con f (x, y) = (x2 , y − x + 1, sen (πy))
es continua en (0, 0, 0), porque
f (0, 0) = (02 , 0 − 0 + 1, sen (π ⋅ 0)) = (0, 1, 0) ,

lı́m f (x, y) = lı́m (x2 , y − x + 1, sen (πy))
(x,y)→(0,0) (x,y)→(0,0)
=( lı́m x2 , lı́m (y − x + 1) , lı́m sen (πy))

(x,y)→(0,0) (x,y)→(0,0) (x,y)→(0,0)
= (02 , 0 − 0 + 1, sen (π ⋅ 0)) = (0, 1, 0) ,

lı́m f (x, y) = f (0, 0) .
(x,y)→(0,0)
-
Una función f ∶ A ⊂ Rn Ð→ Rm es continua en el conjunto A si es continua
en todos los puntos a ∈ A. Esto es equivalente a decir que cada una de las
componentes fi de f es continua en el conjunto A.
Si f, g ∶ A ⊂ Rn Ð→ Rm son funciones continuas en A, entonces también
lo son su suma, resta.
Si f ∶ A ⊂ Rn Ð→ B ⊂ Rm , g ∶ B ⊂ Rm Ð→ Rl son funciones continuas en
A y B respectivamente, entonces la función h = g ○ f definida como
h (x) = g ○ f (x) = g (f (x))
también es continua en cualquier x ∈ A.

Los siguientes resultados son válidos para aplicaciones definidas entre
dos espacios métricos, E y F , es decir, f ∶ E → F , aunque nosotros sólo nos
centramos en funciones f ∶ Rn → Rm .
El primero de ellos se conoce con el nombre de Teorema de continuidad

global, y es una caracterización de las aplicaciones continuas en función de
la imagen inversa de conjuntos abiertos.
Teorema 16. Sea f ∶ Rn → Rm . Se tiene que f es continua en Rn si y sólo si

la imagen inversa de cualquier conjunto abierto de Rm es un conjunto abierto
de Rn .
Ejemplo 33. El conjunto A = {(x, y) ∈ R2 ∶ 2x + y 2 < 0} es un conjunto

abierto de R2 . En efecto, consideremos la función f ∶ R2 → R definida por
f (x, y) = 2x + y 2 . Ésta es continua en R2 y se tiene que A = f −1 ((−∞, 0)).
Como (−∞, 0) es un conjunto abierto de R y f es continua, sabemos por
el Teorema de continuidad global que f −1 ((−∞, 0)) es abierto, luego A es
abierto, como querı́amos probar. -
Los resultados que vienen a continuación son importantes propiedades de
las funciones continuas definidas sobre conjuntos compactos.
Teorema 17. Sea K ⊂ Rn un conjunto compacto. Si f ∶ K → Rm es una

función continua, entonces f (K) es un conjunto compacto.
Como consecuencia del Teorema 17 se deduce el siguiente conocido re-

sultado para funciones f ∶ K ⊂ Rn → R, con K compacto: el Teorema de
Weierstrass.
Teorema 18. Sea K ⊂ Rn un conjunto compacto. Si f ∶ K → R es una

función continua, entonces f alcanza el máximo y mı́nimo absolutos en K.
Demostración. Por el Teorema 17, se tiene que f (K) es un conjunto com-

pacto de R, es decir, es cerrado y acotado. Por tanto, existen el supremo y
el ı́nfimo de f en K, es decir, existen
M ∶= sup{f (x) ∶ x ∈ K}, m ∶= ı́nf{f (x) ∶ x ∈ K}.
Como f (K) es cerrado y acotado, el supremo y el ı́nfimo se alcanzan en

f (K), es decir, existe x1 ∈ K tal que M = f (x1 ) y x2 ∈ K tal que m = f (x2 ),
luego el máximo y mı́nimo absolutos de f en K se alcanzan, como querı́amos
probar.
Ejemplo 34. Sea f (x, y) = x + y y K = {(x, y) ∈ R2 ∶ ∣x∣ ≤ 1, ∣y∣ ≤ 1}. Es

claro que f es continua y que K es un conjunto compacto. Por tanto, por el
Teorema de Weierstrass, la función f alcanza el máximo y mı́nimo absolutos
de f en K. Para determinarlos, recurrimos a las curvas de nivel.
Recordamos que la curva de nivel de f de valor λ ∈ R, que denotamos por

Cλ , viene dada por
Cλ = {(x, y) ∈ R2 ∶ f (x, y) = λ}.
Ası́ pues, en nuestro caso, Cλ = {(x, y) ∈ R2 ∶ y = λ − x}, es decir, Cλ es la

recta de pendiente −1 y ordenada en el origen λ.
b
1
K
f (x, y) = 2
−2 −1 1 2 3
b
−1
f (x, y) = 0
−2 f (x, y) = −2
−3
Figura 9: Curvas de nivel de f y conjunto K
Estamos interesados en encontrar el máximo y mı́nimo absolutos de f en

K, es decir, el máximo y el mı́nimo valor λ tal que f (x, y) = λ, con (x, y) ∈ K.
El conjunto K se representa en la Figura 9, es el cuadrado [−1, 1]×[−1, 1].
También se representan las curvas de nivel para algunos valores de λ.
Por ejemplo, si λ = 0, entonces C0 es la recta y = −x, cuyos puntos cumplen
que f (x, y) = 0. Observamos que si aumentamos el valor de λ, entonces las
rectas Cλ se desplazan hacia arriba, y si disminuye el valor de λ, éstas se
desplazan hacia abajo.
Ası́ pues, el máximo de f en K se alcanza en el punto o puntos en los
que el conjunto K toca a la curva de nivel de mayor valor posible, λ = M,
(es decir, al conjunto de puntos tales que f (x, y) = M). Es fácil ver que dicha
curva es la que pasa por el punto (1, 1), luego en particular, como y = M − x,
se tiene que 1 = M − 1, es decir, M = 2. Por tanto, el máximo de f en K se
alcanza en el punto (1, 1) y vale M = 2.
Análogamente, el mı́nimo de f en K es el punto de intersección del con-

junto K con la curva de nivel de menor valor posible λ = m. Dicho punto es
el (−1, −1), por tanto el valor de m se determina resolviendo −1 = m − (−1),
luego m = −2. Ası́ pues, el mı́nimo de f en K se alcanza en (−1, −1) y vale
m = −2. -

Apuntes CDM UD1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes CDM UD1 PDF

Cargado por

Copyright:

Formatos disponibles

Complementos de Matemáticas

UD1. Espacios vectoriales, normados y métricos.

Esther Gil Cid, Lidia Huerga Pastor

Departamento de Matemática Aplicada I. UNED

Espacio vectorial, vectores linealmente independientes, base, dimen-

Los espacios R2 , R3 . Distancia.

Espacios R2 , R3 . Producto escalar. Norma o módulo de un vector.

Funciones reales de una variable. Lı́mites y continuidad. Derivación.

Sucesiones de números reales. Lı́mite. Cálculo de lı́mites. Propiedades

Conjuntos abiertos, cerrados y acotados en los espacios R2 , R3 .

x (t) = (x (t) , y (t)) o x (t) = (x (t) , y (t) , z (t)) .

1. Espacios vectoriales con producto escalar

Normalmente vamos a denotar los elementos de Rn con esta notación, utili-

Operación interna: conmutativa, asociativa, tiene elemento neutro y

Operación externa: propiedad asociativa respecto al producto de escala-

Para el espacio Rn , la operación interna es la suma entre dos elementos

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ) ,

El elemento neutro de la suma es 0 = (0, . . . , 0) y cada x = (x1 , . . . , xn ) ∈ Rn

(f + g) (x) = f (x) + g (x) .

De hecho, espacios de funciones también son espacios vectoriales, como vemos

Ejemplo 1. Consideramos el espacio de las funciones continuas en el inter-

(f + g) (x) = f (x) + g (x) ,

para f, g ∶ [0, 1] Ð→ R, funciones continuas en el intervalo [0, 1] y para λ ∈ R.

(f + g) (x) = f (x) + g (x) = g (x) + f (x) = (g + f ) (x)

porque f (x) , g (x) ∈ R y la suma es conmutativa en R.

Propiedad asociativa, (f + g) + h = f + (g + h):

((f + g) + h) (x) = (f (x) + g (x)) + h (x)

porque f (x) , g (x) , h (x) ∈ R y la suma es asociativa en R.

Elemento neutro, es la función nula, 0 (x) = 0 para x ∈ [0, 1], ya que

(f + 0) (x) = f (x) + 0 = f (x) ,

Elemento opuesto, que para f ∈ C[0, 1] es −f (x):

(f + (−f )) (x) = f (x) + (−f ) (x) = f (x) − f (x) = 0,

Asociativa respecto al producto por escalares, (λµ) f = λ (µf ), porque

((λµ) f ) (x) = (λµ) f (x) = λ (µf (x)) = λ (µf ) (x) .

Elemento neutro, que es λ = 1 ∈ R, porque

(1 ⋅ f ) (x) = 1 ⋅ f (x) = f (x) .

Distributiva respecto a la suma de vectores (que son funciones en este

(λ (f + g)) (x) = λ (f (x) + g (x)) = λf (x)+λg (x) = (λf ) (x)+(λg) (x) .

Distributiva respecto a la suma de escalares, (λ + µ) f = λf + µf , ya

((λ + µ) f ) (x) = (λ + µ) f (x) = λf (x) + µf (x) = (λf + µf ) (x) .

B = {(1, 0, . . . , 0) , (0, 1, . . . , 0) , . . . , (0, 0, . . . 0, 1)} .

De la misma forma que podemos imaginar que R es una recta, podemos

Ejemplo 2. Vamos a demostrar que el espacio formado por los polinomios

1. ⟨v, v⟩ > 0 si v ≠ 0, ⟨0, 0⟩ = 0.

Esta definición es válida para espacios tanto de dimensión finita como

Llamamos espacio prehilbertiano a un espacio vectorial donde se ha

Ejemplo 3. Consideramos el espacio Rn y la base canónica del mismo, es de-

para elementos v = (x1 , . . . , xn ), u = (y1 , . . . , yn ) de Rn es un producto escalar.

⟨v, v⟩ = x1 x1 + ⋯ + xn xn = x21 + ⋯ + x2n > 0 si x ≠ (0, . . . , 0) ,

2. ⟨v, u⟩ = ⟨u, v⟩ para cualquier v, u ∈ Rn :

3. ⟨λv + µu, w⟩ = λ ⟨v, w⟩ + µ ⟨u, w⟩ para todo λ, µ ∈ R, v, u, w ∈ Rn ,

⟨λv + µu, w⟩ = ∑ (λxi + µyi ) zi = ∑ (λxi zi + µyi zi )

Este producto escalar es con el que trabajamos habitualmente en Rn ,

⟨f, g⟩ = ∫ f (x) g (x) dx,

donde f y g son funciones reales continuas en [0, 1], es un producto escalar.

1. ⟨f, f ⟩ > 0 si f ≠ 0, ⟨0, 0⟩ = 0, para cualquier f ∈ C[0, 1].

2. ⟨f, g⟩ = ⟨g, f ⟩, para cualquier f, g ∈ C[0, 1].

3. ⟨λf + µg, h⟩ = λ ⟨f, h⟩ + µ ⟨g, h⟩, para cualquier λ, µ ∈ R, y cualquier

⟨f, f ⟩ = ∫ f (x) f (x) dx = ∫ f 2 (x) dx > 0

ya que la función F (x) = f 2 (x) verifica que F ≠ 0, F (x) ≥ 0 para

si y sólo si f 2 (x) es idénticamente nula y, por tanto, si y sólo si f es la

2. Comprobamos la segunda propiedad:

⟨f, g⟩ = ∫ f (x) g (x) dx = ∫ g (x) f (x) dx = ⟨g, f ⟩ .