(Trabajo de titulación asesorado por la Dra. Diana Avella Alaminos)

Introducción

El determinante de una matriz cuadrada es un valor numérico asociado a la matriz, que se puede calcular a partir de sus entradas y que tiene muchas aplicaciones en álgebra lineal y otras áreas de las matemáticas y la física. Una forma de definir el determinante es mediante permutaciones.

Dada una matriz cuadrada de $n$ renglones, para cada permutación de $n$ elementos se consideran los productos de entradas de la matriz, donde hay exactamente un factor en cada renglón de la matriz y exactamente un factor de cada columna; después se les asocia un signo y se suman todos estos productos. El resultado de esta suma es el determinante de la matriz.

Esta definición puede parecer complicada al principio, pero es muy poderosa y se puede utilizar para calcular determinantes de matrices de cualquier tamaño.

En esta entrada estudiaremos las permutaciones de $n$ elementos, daremos la definición de determinante y algunos ejemplos sencillos.

Te invitamos a ver el siguiente video de 3Blue1Brown en el que se da una aproximación geométrica e intuitiva de lo que es el determinante.

Puedes ver también el siguiente video de la clase que te ayudará a comprender lo que aparece en esta entrada.

Antes de llegar a la definición de lo que es un determinante recordemos lo que es una permutación. En la nota 22 estudiamos las permutaciones de un conjunto $A$. Ahora, para $n$ un natural positivo, vamos a concentrarnos en las permutaciones del conjunto $\{1,2,\dots ,n\}$:

Definición

Sea $n$ un natural positivo. Las permutaciones del conjunto $\{1,\dots ,n\}$ o permutaciones de $n$ elementos son la funciones biyectivas de $\{1,\dots ,n\}$ en sí mismo. El conjunto de todas las permutaciones de $n$ elementos se denotará por $S_n$, esto es:

$S_n=\{\sigma :\{1,\dots ,n\}\to \{1,\dots ,n\}\mid \sigma esbiyectiva\}$

Una permutación $\sigma \in S_n$ se llama una transposición si intercambia dos números y deja fijos a los demás, es decir si existen $i,j\in \{1,\dots ,n\}$ distintos tales que $\sigma (i)=j$, $\sigma (j)=i$ y $\sigma (k)=k$ para todo $i,j\in \{1,\dots ,n\}$ con $k\ne i$ y $k\ne j$.

Enunciemos ahora un resultado importante, cuya demostración se omitirá porque va más allá de los objetivos de este curso, pero que puede ser consultada en las notas del curso de Álgebra Moderna I de la Dra. Avella, escritas por la alumna Cecilia Villatoro.

Nota

Toda permutación es una composición de transposiciones. Puede que haya varias composiciones que den la misma permutación, pero todas son la composición de un número par de transposiciones o todas son la composición de un número impar de transposiciones.

Definición

Sean $n$ un natural positivo y $\sigma \in S_n$. Decimos que $\sigma$ es par si es la composición de un número par de transposiciones, e impar en caso contrario.

El signo de $\sigma$ es $+1$ en el primer caso y $-1$ en el segundo caso y se denota por $sgn\sigma .$

Ejemplo

Considera el conjunto

$S_3=\{\sigma :\{1,2,3\}\to \{1,2,3\}\mid \sigma esbiyectiva\}.$

Podemos dar todos elementos del conjunto, es decir todas las funciones biyectivas :

${\sigma }_1=\left(\begin{array}{rrr}1& 2& 3\\ 1& 2& 3\end{array}\right)$, ${\sigma }_2=\left(\begin{array}{rrr}1& 2& 3\\ 2& 1& 3\end{array}\right)$, ${\sigma }_3=\left(\begin{array}{rrr}1& 2& 3\\ 1& 3& 2\end{array}\right)$, ${\sigma }_4=\left(\begin{array}{rrr}1& 2& 3\\ 3& 2& 1\end{array}\right)$, ${\sigma }_5=\left(\begin{array}{rrr}1& 2& 3\\ 2& 3& 1\end{array}\right)$, ${\sigma }_6=\left(\begin{array}{rrr}1& 2& 3\\ 3& 1& 2\end{array}\right).$

¿Cuál es el signo de ${\sigma }_2$?

${\sigma }_2=\left(\begin{array}{rrr}1& 2& 3\\ 2& 1& 3\end{array}\right)$ es un transposición ya que intercambia el $1$ con el $2$ y deja fijo al $3$, entonces ${\sigma }_2$ es impar y $sgn{\sigma }_2=-1$.

Observa que ${\sigma }_3=\left(\begin{array}{rrr}1& 2& 3\\ 1& 3& 2\end{array}\right)$ y ${\sigma }_4=\left(\begin{array}{rrr}1& 2& 3\\ 3& 2& 1\end{array}\right)$ también son transposiciones y por lo tanto también su signo es $-1$.

¿Cuál es el signo de ${\sigma }_1$?

Observa que la composición de ${\sigma }_2\circ {\sigma }_2$ es igual a ${\sigma }_1$.

Como ${\sigma }_2\circ {\sigma }_2=\left(\begin{array}{rrr}1& 2& 3\\ 1& 2& 3\end{array}\right)$ $={\sigma }_1$, siendo ${\sigma }_2$ una transposición, entonces ${\sigma }_1$ es par pues la composición de ${\sigma }_2$ con si misma. Su signo por lo tanto es $1$, $sgn{\sigma }_1=+1$.

¿Cuál es el signo de ${\sigma }_5$?

Observa que la composición de ${\sigma }_2=\left(\begin{array}{rrr}1& 2& 3\\ 2& 1& 3\end{array}\right)$ con ${\sigma }_4=\left(\begin{array}{rrr}1& 2& 3\\ 3& 2& 1\end{array}\right)$ nos da ${\sigma }_5=\left(\begin{array}{rrr}1& 2& 3\\ 2& 3& 1\end{array}\right).$

Así, ${\sigma }_4\circ {\sigma }_2={\sigma }_5$, con ${\sigma }_4$ y ${\sigma }_2$ transposiciones.

Concluimos que ${\sigma }_5$ es par y por tanto $sgn{\sigma }_5=+1.$

¿Cuál es el signo de ${\sigma }_6$?

La composición de ${\sigma }_4=\left(\begin{array}{rrr}1& 2& 3\\ 3& 2& 1\end{array}\right)$ con ${\sigma }_2=\left(\begin{array}{rrr}1& 2& 3\\ 2& 1& 3\end{array}\right)$ nos da ${\sigma }_6=\left(\begin{array}{rrr}1& 2& 3\\ 3& 1& 2\end{array}\right).$

Así, ${\sigma }_2\circ {\sigma }_4={\sigma }_6$, con ${\sigma }_2$ y ${\sigma }_4$ transposiciones.

Concluimos que ${\sigma }_6$ es par y por tanto su signo es $+1$.

Observemos que ${\sigma }_6=\left(\begin{array}{rrr}1& 2& 3\\ 3& 1& 2\end{array}\right)$ es la inversa de ${\sigma }_5=\left(\begin{array}{rrr}1& 2& 3\\ 2& 3& 1\end{array}\right)$, por eso es la composición de las mismas transposiciones que ${\sigma }_5$ pero en orden inverso.

Los que acabamos de ver es que:

${\sigma }_1,{\sigma }_5,{\sigma }_6$ son pares y ${\sigma }_2,{\sigma }_3,{\sigma }_4$ son impares.

Con estos elementos vamos a dar la definición de lo que es el determinante de una matriz.

Pues revisar el siguiente video para ayudarte a entender mejor la definición:

Definición

Sean $n$ un natural positivo y $A\in {\mathcal{M}}_{n\times n}(\mathbb{R})$. El determinante de $A$ es:

$detA={\displaystyle \sum _{\sigma \in S_n}sgn\sigma a_{1\sigma (1)}{a}_{2\sigma (2)}\cdots a_{n\sigma (n)}}$

Observación Sea $A=\left(\begin{array}{rr}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right)\in {\mathcal{M}}_{n\times n}(\mathbb{R})$, entonces

$detA=a_{11}{a}_{22}-a_{12}{a}_{21}.$

Esto se debe a que las únicas permutaciones de $\{1,2\}$ son ${\sigma }_1=\left(\begin{array}{rr}1& 2\\ 1& 2\end{array}\right)$, que es la identidad y tiene signo $+1$, y la transposición ${\sigma }_2=\left(\begin{array}{rr}1& 2\\ 2& 1\end{array}\right)$ que tiene signo $-1.$ Así,

$detA=sgn{\sigma }_1{a}_{1{\sigma }_1(1)}{a}_{2{\sigma }_1(2)}+sgn{\sigma }_2{a}_{1{\sigma }_2(1)}{a}_{2{\sigma }_2(2)}=(+1)a_{11}{a}_{22}+(-1)a_{12}{a}_{21}=a_{11}{a}_{22}-a_{12}{a}_{21}.$

Ejemplos.

En estos ejemplos veremos lo que sucede con el determinante, cuando aplicamos las distintas operaciones elementales a una matriz.

$1.$ Considera las matrices $A=\left(\begin{array}{rr}1& 2\\ 3& 4\end{array}\right)$, $A^{\prime }=\left(\begin{array}{rr}1& 2\\ -1& 5\end{array}\right)$, $A^{\prime \prime }=\left(\begin{array}{rr}1& 2\\ 2& 9\end{array}\right).$

Si obtenemos sus determinantes tenemos que:

$det{A}^{\prime }=4-6=-2,det{A}^{\prime \prime }=5-(-2)=7,detA=9-4=5$

En este ejemplo, el segundo renglón de $A^{\prime \prime }$ se obtiene de la suma de los segundos renglones de $A$ y $A^{\prime \prime }$ y su primer renglón coincide con los de $A$ y $A^{\prime }$,

Lo que estamos observando es que:

$det{A}^{\prime \prime }=detA+det{A}^{\prime }$.

$2.$ Sean $A^{\prime }=\left(\begin{array}{rr}1& 2\\ 3& 4\end{array}\right)$ y $A=\left(\begin{array}{rr}3& 6\\ 3& 4\end{array}\right).$

El primer renglón de $A$ se obtiene multiplicando por $3$ el primer renglón de $A^{\prime }$

Los determinantes de estas matrices son:

$det{A}^{\prime }=4-6=-2,detA=12-18=-6$

y lo que estamos observando es que:

$detA=3det{A}^{\prime }.$

$3.$ Veamos qué sucede con el determinante cuando intercambiamos dos renglones en una matriz. Considera las matrices:

$A^{\prime }=\left(\begin{array}{rr}1& 2\\ 3& 4\end{array}\right)$ y $A=\left(\begin{array}{rr}3& 4\\ 1& 2\end{array}\right),$

$det{A}^{\prime }=4-6=-2,detA=6-4=2.$

En este caso tenemos que:

$detA=-det{A}^{\prime }.$

$4.$ Veamos qué pasa cuando en una matriz hay dos renglones iguales.

Sea $A=\left(\begin{array}{rr}1& 2\\ 1& 2\end{array}\right),$ entonces

$detA=2-2=0$, es decir el determinante vale cero.

$5.$ Veamos qué pasa cuando le sumamos a un renglón un múltiplo de otro.

Sea $A^{\prime }=\left(\begin{array}{rr}1& 2\\ 3& 4\end{array}\right)$ y considera su matriz equivalente $A=\left(\begin{array}{rr}1& 2\\ 1& 0\end{array}\right)$, que se obtiene de $A^{\prime }$, sumando al renglón dos de $A^{\prime }$ menos dos veces el primero.

Entonces $det{A}^{\prime }=4-6=-2,detA=0-2=-2.$ En este caso

$detA=det{A}^{\prime }.$

es decir el determinante coincide.

$6.$ Consideremos una matriz con un renglón de ceros, por ejemplo

$A=\left(\begin{array}{rr}1& 2\\ 0& 0\end{array}\right).$ Notamos que su determinante es $detA=0-0=0$.

$7.$ Por último veamos qué pasa con el determinante al transponer una matriz.

Sean $A=\left(\begin{array}{rr}1& 2\\ 3& 4\end{array}\right)$ y considera su transpuesta $A^t=\left(\begin{array}{rr}1& 3\\ 2& 4\end{array}\right)$

Si calculamos sus determinantes tenemos que:

$detA=4-6=-2,det{A}^t=4-6=-2.$

En este caso:

$detA=det{A}^t.$

Tarea Moral

$1.$ Encuentra todas las permutaciones de $\{1,2,3,4\}$ y su signo. ¿Cuántas hay en total?, ¿cuántas son pares?

$2.$ Sea $A=\left(\begin{array}{rr}-3& 1\\ 7& 9\end{array}\right)$ y calcula:

$i)$ Su determinante.

$ii)$ El $detB$, donde $B$ se obtiene de $A$ multiplicando su segundo renglón por $4.$

$iii)$ El $detC$, donde $C$ se obtiene de $A$ intercambiando sus renglones entre sí.

$iv)$ El $detD$, donde $D$ se obtiene de $A$ sumando al segundo renglón dos veces el primero.

Más adelante

En la siguiente nota veremos que las propiedades observadas en los ejemplos se cumplen en general, para ello usaremos la definición que dimos de determinante.

Enlaces relacionados

Página principal del curso.

Enlace a la nota anterior. Nota 39. Ejemplos de sistemas de ecuaciones.

Enlace a la nota siguiente. Nota 41. Propiedades de los determinantes.

Introducción

En este sección estudiamos el espacio euclideo n-dimensional, espacio que sería la base de todo el desarrollo posterior.

Definición. Como conjunto, ${\mathbb{R}}^n$ es la colección de todas las n-adas ordenadas de números reales. Es decir $$\mathbb{R}^{n}={(x_{1},x_{2},…,x_{n})|x_{i}\in \mathbb{R},~i=1,2,…,n}$4

Notación
Denotamos a un elemento de ${\mathbb{R}}^n$ por $\bar{x}=(x_1,x_2,\dots ,x_n)$\Dados dos elementos $\bar{x},\bar{y}\in {\mathbb{R}}^n$ decimos que $\bar{x}=\bar{y}\iff x_i=y_i$ $\mathrm{\forall }i=1,2,\dots ,n$.
Frecuentemente a los elementos de ${\mathbb{R}}^n$ se les denomina vectores, y con las operaciones usuales (suma y producto por un escalar), definidas como
Definición. La suma $+:{\mathbb{R}}^n\times {\mathbb{R}}^n\to {\mathbb{R}}^n$ para dos elementos $\bar{x},\bar{y}\in {\mathbb{R}}^n$ se define asi:
$$\bar{x}+\bar{y}=(x_1,x_2,\dots ,x_n)+(y_1,y_2,\dots ,y_n)=(x_1+y_1,x_2+y_2,\dots ,x_n+y_n)$$
El producto $\bar{x}\in {\mathbb{R}}^n$ por un escalar $a\in \mathbb{R}$ como
$$\alpha (x_1,x_2,\dots ,x_n)=(\alpha x_1,\alpha x_2,\dots ,\alpha x_n)$$
${\mathbb{R}}^n$ es un espacio vectorial.
La base canónica de dicho espacio vectorial son los vectores:$$e_1=(1,0,0,\dots ,0)$$$$e_2=(0,1,0,\dots ,0)$$$$.$$$$.$$$$.$$$$e_n=(0,0,0,\dots ,1)$$
ya que si $\bar{x}=(x_1,x_2,\dots ,x_n)$, se tiene que $\bar{x}=x_1{e}_1+x_2{e}_2+\dots +x_n{e}_n$

Estructura Geométrica

Para dotar de una estructura geométrica al espacio ${\mathbb{R}}^n$ (que incluya los conceptos de distancia, ángulo y ortogonalidad) debemos dotar a ${\mathbb{R}}^n$ de un producto escalar.
Definición. Sea E un espacio vectorial, un producto escalar en E es una función de $E\times E$ en $\mathbb{R}$ que a cada par de vectores $\bar{x},\bar{y}$ le asocia un número $$⟨\bar{x},\bar{y}⟩$$ que satisface las siguientes propiedades:

(a) $⟨\bar{x},\bar{x}⟩>0$ si $\bar{x}\ne 0$
(b) $⟨\bar{x},\bar{y}⟩=⟨\bar{y},\bar{x}⟩$
(c) $⟨\lambda \bar{x},\bar{y}⟩=\lambda ⟨\bar{x},\bar{y}⟩$
(d) $⟨\bar{x}+\bar{y},\bar{z}⟩=⟨\bar{x}+\bar{z}⟩+⟨\bar{y},\bar{z}⟩$
Ejemplo. Sea $C[a,b]$ el espacio lineal de todas las funciones reales continuas continuas en el intervalo $[a,b]$. Definimos $⟨f,g⟩$ mediante la fórmula $$⟨f,g⟩={\int }_a^{b}f(t)g(t)dt.$$
Vamos a probar que $⟨f,g⟩$ define un producto escalar en $c([a,b])$
(a) Tenemos que
$$⟨f,g⟩={\int }_a^{b}f(t)\cdot f(t)dt={\int }_a^b{f}^2(t)dt\ge 0$$
la última desigualdad la justificamos usando las propiedades de la integral ${\displaystyle f\ge 0\Rightarrow {\int }_a^{b}f\ge 0}$
(b) Tenemos que
$$⟨f,g⟩={\int }_a^{b}f(t)g(t)dt={\int }_a^{b}g(t)f(t)dt=⟨g,f⟩$$
(c) Tenemos que
$$⟨\lambda f,g⟩={\int }_a^b\lambda f(t)g(t)dt=\lambda {\int }_a^{b}f(t)g(t)dt=\lambda ⟨f,g⟩$$
(d) Tenemos que
$$\begin{array}{rl}⟨f+g,h⟩& ={\int }_a^b[f(t)+g(t)]h(t)dt\\ & ={\int }_a^b[f(t)h(t)+g(t)h(t)]dt\\ & ={\int }_a^{b}f(t)h(t)dt+{\int }_a^{b}g(t)h(t)dt\\ & =⟨f,h⟩+⟨g,h⟩\end{array}$$
en este caso $⟨f,g⟩$ es un producto escalar para $C[a,b]$.$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$

El espacio normado ${\mathbb{R}}^n$

Definición. Un producto escalar $⟨,⟩$ en un espacio vectorial E da lugar a una noción de longitud de un vector $\overrightarrow{x}\in E$, llamada su norma, y definida como
$$|\bar{x}|=\sqrt{⟨\bar{x},\bar{x}⟩}$$
En general, una norma en un espacio vectorial E es una aplicación $x\to |x|$ de E en $(0,+\mathrm{\infty })$ que satisface las siguientes propiedades:
(1) $|\bar{x}|\ge 0$ para toda $\bar{x}\in {\mathbb{R}}^n$ y $|\bar{x}|=0$ si y sólo si $\bar{x}=\bar{0}$
(2) $|\lambda \bar{x}|=\lambda |\bar{x}|$ para toda $\bar{x}\in {\mathbb{R}}^n$ y $\lambda \in \mathbb{R}$
(3) $|x+y|\le |x|+|y|$ para cualesquiera $\bar{x},\bar{y}\in {\mathbb{R}}^n$ (Desigualdad Triangular)
Al par $(E,|.|)$ se le denomina espacio normado.
Ejemplo. Veamos que
$$|\bar{x}|=\sqrt{⟨\bar{x},\bar{x}⟩}$$
define una norma.
Solucion.
(1) Tenemos que
$$|\bar{x}|=\sqrt{⟨\bar{x},\bar{x}⟩}\ge 0$$
la última igualdad la justificamo así: $⟨\bar{x},\bar{x}⟩>0\Rightarrow \sqrt{⟨\bar{x},\bar{x}⟩}>0$
(2) Tenemos que
$$\begin{array}{rl}|\lambda \bar{x}|& =\sqrt{⟨\lambda \bar{x},\lambda \bar{x}⟩}\\ & =\sqrt{{\lambda }^2⟨\bar{x},\bar{x}⟩}\\ & =|\lambda |⟨\bar{x},\overrightarrow{x}⟩\\ & =|\lambda ||\bar{x}|\end{array}$$
(3) Para la desigualdad del triángulo necesitamos antes probar un resultado
$\boxed{\text{Lema: Desigualdad de Caychy}}$
Si E es un espacio vectorial entonces $\mathrm{\forall }\bar{x},\bar{y}\in E$ se cumple
$$|⟨\bar{x},\bar{y}⟩|\le |\bar{x}||\bar{y}|$$
Demostración. Supongamos que $\bar{x},\bar{y}\ne 0$ y definimos
$$\bar{u}=\frac{\bar{x}}{\Vert \bar{x}\Vert }\bar{v}=\frac{\bar{y}}{\Vert \bar{y}\Vert }$$
Tenemos entonces que
$$\begin{array}{rl}\Vert \bar{u}\Vert & =\Vert \frac{\bar{x}}{|\bar{x}|}\Vert =\frac{\Vert \bar{x}\Vert }{\Vert \bar{x}\Vert }=1\\ \Vert \bar{v}\Vert & =\Vert \frac{\bar{y}}{\Vert \bar{y}\Vert }\Vert =\frac{\Vert \bar{y}\Vert }{\Vert \bar{y}\Vert }=1\end{array}$$
Por tanto
$$\begin{array}{rl}0\le \Vert \bar{u}-\bar{v}{\Vert }^2& =⟨\bar{u}-\bar{v},\bar{u}-\bar{v}⟩\\ & =⟨\bar{u}-\bar{u}⟩-2⟨\bar{u}-\bar{v}⟩+\bar{v}-\bar{v}\\ & =\Vert \bar{u}{\Vert }^2-2⟨\bar{u}-\bar{v}⟩+\Vert \bar{u}{\Vert }^2\\ & =1-2⟨\bar{u},\bar{v}⟩+1\\ & =2-2⟨\bar{u},\bar{v}⟩\end{array}$$
Por lo tanto
$$\begin{array}{rl}0\le 2-2⟨\bar{u},\bar{v}⟩& \Rightarrow 2⟨\bar{u},\bar{v}⟩\le 2\\ & \Rightarrow ⟨\bar{u},\bar{v}⟩\le 1\\ & \Rightarrow ⟨\frac{\bar{x}}{|\bar{x}|},\frac{\bar{y}}{\Vert \bar{y}\Vert }⟩\le 1\\ & \Rightarrow \frac{1}{\Vert \bar{x}\Vert \Vert \bar{y}\Vert }⟨\bar{x},\bar{y}⟩\le 1\\ & \Rightarrow ⟨\bar{x},\bar{y}⟩\le \Vert \bar{x}\Vert \Vert \bar{y}\Vert \end{array}$$
Reemplazando $\bar{x}$ por $-\bar{x}$ se obtiene que
$$\begin{array}{rl}⟨\overline{-x},\bar{y}⟩\le \Vert -\bar{x}\Vert \Vert \bar{y}\Vert & \Rightarrow -⟨\bar{x},\bar{y}⟩\le |-1||\bar{x}||\bar{y}|\\ & \Rightarrow ⟨\bar{x},\bar{y}⟩\ge -\Vert \bar{x}\Vert \Vert \bar{y}\Vert \end{array}$$
con lo que queda demostrada la desigualdad.$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$
Regresando ahora a la desigualdad triangular tenemos que
$$\begin{array}{rl}\Vert \bar{x}+\bar{y}\Vert =\sqrt{⟨\bar{x}+\bar{y},\bar{x}+\bar{y}⟩}& \Rightarrow \Vert \bar{x}+\bar{y}{\Vert }^2=⟨\bar{x}+\bar{y},\bar{x}+\bar{y}⟩\\ & \Rightarrow \Vert \bar{x}+\bar{y}{\Vert }^2=⟨\bar{x},\bar{x}⟩+2⟨\bar{x},\bar{y}⟩+⟨\bar{y},\bar{y}⟩\\ & \Rightarrow \Vert \bar{x}+\bar{y}{\Vert }^2=\Vert \bar{x}{\Vert }^2+2⟨\bar{x},\bar{y}⟩+|\bar{y}{|}^2\\ & \Rightarrow \Vert \bar{x}+\bar{y}{\Vert }^2\le \Vert \bar{x}{\Vert }^2+2\Vert \bar{x}\Vert \Vert \bar{y}\Vert +\Vert \bar{y}{\Vert }^2\\ & \Rightarrow \Vert \bar{x}+\bar{y}{\Vert }^2\le {(\Vert \bar{x}\Vert +\Vert \bar{y}\Vert )}^2\end{array}$$
Y tomando raíces en ambos miembros de la desigualdad, obtenemos el resultado.$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$

Otras normas en ${\mathbb{R}}^n$

Ejemplo.

$\boxed{\text{La Norma 1 }\Vert \bar{x}{\Vert }_1}$
Definimos $$\begin{gathered} \Vert \\ ,{\Vert }_1:{\mathbb{R}}^n\to \mathbb{R} \end{gathered}$$ por
$\Vert {\Vert }_1=|x_1|+\dots +|x_n|$ $\mathrm{\forall }\overline{x}\in {\mathbb{R}}^n$. Vamos a probar que $\Vert {\Vert }_1$ es una norma en
${\mathbb{R}}^n$
(a) Dado que $\mathrm{\forall }x\in \mathbb{R}$ $|x|\ge 0$, se tiene $\Vert {\Vert }_1=|x_1|+\dots +|x_n|\ge 0$ $\mathrm{\forall }\overline{x}\in {\mathbb{R}}^n$.
(b) Si $\alpha \in \mathbb{R}$ y $\overline{x}=(x_1,\dots ,x_n)\in {\mathbb{R}}^n$, entonces
$$\begin{array}{ll}|\alpha \overline{x}|& =|\alpha x_1|+\dots +|\alpha x_n|\\ & =|\alpha ||x_1|+\dots +|\alpha ||x_n|\\ & =|\alpha |(|x_1|+\dots +|x_n|)\\ & =|\alpha ||\overline{x}|\mathrm{\forall }\overline{x}\in {\mathbb{R}}^n\end{array}$$
(c) Si $\overline{x}=(x_1,\dots ,x_n)$ y $\overline{y}=(y_1,\dots ,y_n)$ son elementos de ${\mathbb{R}}^n$
$$\begin{array}{ll}|\overline{x}+\overline{y}|& =|x_1+y_1|+\dots +|x_n+y_n|\\ & \le |x_1|+|y_1|+\dots +|x_n|+|y_n|\\ & =|x_1|+\dots +|x_n|+\dots +|y_1|+\dots +|y_n|\\ & =|\overline{x}{|}_1+|\overline{y}{|}_1\end{array}$$
Si $|\overline{x}{|}_1=0\Rightarrow |x_1|+\dots +|x_n|=0$ y como cada $|x_i|\ge 0$ $i=1,\dots ,n$ entonces $|x_1|+\dots +|x_n|=0\Rightarrow |x_i|=0$ $i=1,\dots ,n\therefore \overline{x}=0$.$\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$
Ejemplo.
$\boxed{\text{La Norma infinito }\Vert \bar{x}{\Vert }_{\mathrm{\infty }}}$
Consideremos ahora la función $\Vert {\Vert }_{\mathrm{\infty }}:{\mathbb{R}}^n\to \mathbb{R}$ dada por
$$\boxed{{\displaystyle \Vert \bar{x}{\Vert }_{\mathrm{\infty }}=max|x_1|+\dots +|x_n|\mathrm{\forall }x\in {\mathbb{R}}^n}}$$
Vamos a probar que la función $\Vert {\Vert }_{\mathrm{\infty }}:{\mathbb{R}}^n\to \mathbb{R}$ es una norma en ${\mathbb{R}}^n$, que se denomina norma del máximo o norma cúbica.
(a) Puesto que $|x_i|\ge 0i=1,\dots ,n$\ entonces $$max|x_1|+\dots +|x_n|\ge 0$$ es decir $$\Vert \overline{x}{\Vert }_{\mathrm{\infty }}\ge 0$$
(b) Sea $\alpha \in \mathbb{R}$ y $\overline{x}\in {\mathbb{R}}^n$. Se tiene entonces
que $$\Vert \alpha \overline{x}\Vert =max\{|\alpha x_1|,\dots ,|\alpha x_n|\}=max\{|\alpha ||x_1|,\dots ,|\alpha ||x_n|\}$$
Supongamos ahora que
$$|x_{i\alpha }|=max\{|x_1|,\dots ,|x_n|\}$$
$\therefore |x_{i\alpha }|\ge |x_i|,\mathrm{\forall }i=1,\dots ,n\therefore |\alpha ||x_{i\alpha }|\ge |\alpha ||x_i|,\mathrm{\forall }i=1,\dots ,n$ $\therefore$ $|\alpha x_{i\alpha }|\ge |\alpha x_i|$ $\mathrm{\forall }i=1,\dots ,n$ por lo que
$$|\alpha ||x_{i\alpha }|=|\alpha x_{i\alpha }|=max\{|\alpha x_1|,\dots ,|\alpha x_n|\}=max\{|\alpha ||x_1|,\dots ,|\alpha ||x_n|\}$$
es decir $$|\alpha |max\{|x_1|,\dots ,|x_n|\}=max\{|\alpha x_1|,\dots ,|\alpha x_n|\}=max\{|\alpha ||x_1|,\dots ,|\alpha ||x_n|\}$$
$\therefore |\alpha |\Vert \overline{x}{\Vert }_{\mathrm{\infty }}=\Vert \alpha \overline{x}{\Vert }_{\mathrm{\infty }}$
(c) $\Vert \overline{x}+\overline{y}{\Vert }_{\mathrm{\infty }}=max\{|x_1+y_1|,\dots ,|x_n+y_n|\}$
Sea $$|x_{1\alpha }+y_{1\alpha }|=max\{|x_1+y_1|,\dots ,|x_n+y_n|\}$$
como $$|x_{1\alpha }+y_{1\alpha }|\le |x_{1\alpha }|+|y_{1\alpha }|$$
se tiene que $$max\{|x_1+y_1|,\dots ,|x_n+y_n|\}\le |x_{1\alpha }|+|y_{1\alpha }|$$
pero por definición de $$max\{|x_1|+\dots +|x_n|\}ymax\{|y_1|+\dots +|y_n|\}$$
también se tiene que $$|x_{1\alpha }|\le max\{|x_1|+\dots +|x_n|\}y|y_{1\alpha }|\le max\{|y_1|+\dots +|y_n|\}$$
luego $$max\{|x_1+y_1|,\dots ,|x_n+y_n|\}\le max\{|x_1|+\dots +|x_n|\}+max\{|y_1|+\dots +|y_n|\}$$
o sea $$\Vert \overline{x}+\overline{y}{\Vert }_{\mathrm{\infty }}\le \Vert \overline{x}{\Vert }_{\mathrm{\infty }}+\Vert \overline{y}{\Vert }_{\mathrm{\infty }}.\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$
Ejemplo. Norma Euclidiana
Consideremos ahora la función $\Vert {\Vert }_{\mathrm{\infty }}:{\mathbb{R}}^n\to \mathbb{R}$ dada por
$$|x|=\sqrt{⟨x,x⟩}$$
Vamos a mostrar que es una norma en ${\mathbb{R}}^n$
(a) $\Vert \overline{x}\Vert =\sqrt{x_1^2+\dots +x_n^2}\ge 0$ pues es la raíz positiva $\therefore$ $\Vert \overline{x}\Vert \ge 0$.
(b)

$$\begin{array}{ll}\Vert \alpha \overline{x}\Vert & =\sqrt{(\alpha x_1{)}^2+\dots +(\alpha x_n{)}^2}\\ & =\sqrt{{\alpha }^2{x}_1^2+\dots +{\alpha }^2{x}_n^2}\\ & =\sqrt{{\alpha }^2(x_1^2+\dots +x_n^2)}\\ & =\sqrt{{\alpha }^2}\sqrt{x_1^2+\dots +x_n^2}\\ & =|\alpha |\Vert \overline{x}\Vert \end{array}$$
(c)

$$\begin{array}{ll}\Vert \overline{x}+\overline{y}{\Vert }^2& =(x_1+y_1{)}^2+\dots +(x_n+y_n{)}^2\\ & =x_1^2+2x_1{y}_1+y_1^2+\dots +x_n^2+2x_n{y}_n+y_n^2\\ & =x_1^2+\dots +x_n^2+2(x_1{y}_1+\dots +x_n{y}_n)+y_1^2+\dots +y_n^2\\ & =\Vert \overline{x}{\Vert }^2+2(x_1{y}_1+\dots +x_n{y}_n)+\Vert \overline{y}{\Vert }^2\end{array}$$
Aplicando la desigualdad de Cauchy-Shwarz
$$x_1{y}_1+\dots +x_n{y}_n\le \Vert \overline{x}\Vert \Vert \overline{y}\Vert$$
se tiene que $$\Vert \overline{x}{\Vert }^2+2(x_1{y}_1+\dots +x_n{y}_n)+\Vert \overline{y}{\Vert }^2\le \Vert \overline{x}{\Vert }^2+2\Vert \overline{x}\Vert \Vert \overline{y}\Vert +\Vert \overline{y}{\Vert }^2={[\Vert \overline{x}\Vert +\Vert \overline{y}\Vert ]}^2$$
$\therefore \Vert \overline{x}+\overline{y}{\Vert }^2\le {[\Vert \overline{x}\Vert +\Vert \overline{y}\Vert ]}^2$ y al
sacar raiz obtenemos $\Vert \overline{x}+\overline{y}\Vert \le \Vert \overline{x}\Vert +\Vert \overline{y}\Vert$
(d) Si $\Vert \overline{x}\Vert =0$ se tiene entonces $\sqrt{x_1^2+\dots +x_n^2}=0$ es decir $x_1^2+\dots +x_n^2=0$ pero $x^2\ge 0\therefore x_i^2=0\mathrm{\forall }i=1,\dots ,n$ $\therefore \overline{x}=0$ $\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$
El concepto general de Norma en ${\mathbb{R}}^n$. Las propiedades de la norma euclidiana nos ayudan para definir la noción abstracta de Norma.
Definición.Una norma en ${\mathbb{R}}^n$ es cualquier función $\Vert \Vert :{\mathbb{R}}^n\to \mathbb{R}$ que satisface las siguientes propiedades que denominaremos Axiomas de Norma para cualesquiera $\overline{x},\overline{y}\in {\mathbb{R}}^n$ y toda $\alpha \in \mathbb{R}$ se cumple:
(a) $\Vert \overline{x}\Vert \ge 0\Vert 0\Vert =0$
(b) $\Vert \alpha \overline{x}\Vert =|\alpha |\Vert \overline{x}\Vert$
(c) $\Vert \overline{x}+\overline{y}\Vert \le \Vert \overline{x}\Vert +\Vert \overline{y}\Vert$
(d) $\Vert \overline{x}\Vert =0\Rightarrow \overline{x}=0$
Proposición.
Para toda norma $||:{\mathbb{R}}^n\to \mathbb{R}$ se cumple:
(a) $\Vert -\overline{x}\Vert =\Vert \overline{x}\Vert \mathrm{\forall }x\in {\mathbb{R}}^n$
(b) $|\Vert \overline{x}\Vert -\Vert \overline{y}\Vert |\le \Vert \overline{x}-\overline{y}\Vert \mathrm{\forall }\overline{x},\overline{y}\in {\mathbb{R}}^n$
Proposición.
(a) $\Vert -\overline{x}\Vert =|-1|\Vert \overline{x}\Vert =\Vert \overline{x}\Vert$
(b) $0\le \Vert \overline{x}\Vert =\Vert \overline{x}-\overline{y}+\overline{y}\Vert \le \Vert \overline{x}-\overline{y}\Vert +\Vert \overline{y}\Vert$
$\therefore$ $\Vert \overline{x}\Vert -\Vert \overline{y}\Vert \le \Vert \overline{x}-\overline{y}\Vert$ Intercambiando $\overline{x}$ por $\overline{y}$ obtenemos $\Vert \overline{y}\Vert -\Vert \overline{x}\Vert \le \Vert \overline{y}-\overline{x}\Vert =\Vert \overline{x}-\overline{y}\Vert$ $\therefore$ $|\Vert \overline{y}\Vert -\Vert \overline{x}\Vert |\le \Vert \overline{x}-\overline{y}\Vert .\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$

Ejemplo. Sea $I=[0,1]$. Demsotrar que $\Vert f\Vert =sup|f(x)|$. Es una norma
de $C[0,1]$
Solución.
(a) Recordar que toda función real continua definida en un intervalo cerrado es acotada, por tanto $\Vert f\Vert$ está bien definida.
(b) Puesto que $|f(x)|\ge 0\mathrm{\forall }x\in I$ entonces $\Vert f\Vert \ge 0$ y además, $\Vert f\Vert =0$ sii $|f(x)|=0\mathrm{\forall }x\in I$, i.e. sii $f=0$.
(c) Recordemos un resultado: Sean $a$ y $b$ números reales tales que $a\le b+\epsilon$.
Demostrar que $a\le b$
Supongase que $a>b$ entonces $a=b+\delta ,\delta >0$ tomamos $${\displaystyle \frac{\delta }{2}=\epsilon }$$
entonces $$a>b+\delta >b+{\displaystyle \frac{\delta }{2}=b+\epsilon \underset{\circ }{▽}}$$
$\therefore a\le b$ ahora sea $\epsilon >0$. Entonces existe $x_0\in I$ tal que
$$\begin{array}{ll}|f+g|& =sup|f(x)+g(x)|\\ & \le |f(x_0)+g(x_0)|+\epsilon \\ & \le |f(x_0)|+|g(x_0)|+\epsilon \\ & \le sup|f(x)|+sup|g(x)|+\epsilon \\ & =|f|+|g|+\epsilon \end{array}$$
$\therefore \Vert f+g\Vert \le \Vert f\Vert +\Vert g\Vert$
(d) Sea $k\in \mathbb{R}$ entonces
$$\begin{array}{ll}\Vert kf\Vert & =sup|kf(x)|\\ & =sup|k||f(x)|\\ & =|k|sup|f(x)|\\ & =|k|\Vert f(x)\Vert .\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}\end{array}$$
Ejemplo. Demostrar que $\Vert f\Vert ={\displaystyle {\int }_0^1|f(x)|dx}$ es una norma de $C[0,1]$ (funciones continuas en el intervalo $[0,1]$).
Solución
(a) $\Vert f\Vert ={\displaystyle {\int }_0^1|f(x)|dx\ge 0}$ puesto que $$|f(x)|\ge 0\Rightarrow {\displaystyle {\int }_0^1|f(x)|dx\ge 0}$$
(b) Tenemos que
$$\begin{array}{ll}\Vert kf\Vert & ={\displaystyle {\int }_0^1|kf(x)|dx}\\ & ={\displaystyle {\int }_0^1|k||f(x)|dx}\\ & =|k|{\displaystyle {\int }_0^1|f(x)|dx}\\ & =|k|\Vert f\Vert \end{array}$$
(c) Tenemos que
$$\begin{array}{ll}\Vert f+g\Vert & ={\displaystyle {\int }_0^1|f(x)+g(x)|dx}\\ & \le {\displaystyle {\int }_0^1[|f(x)|+|g(x)|]dx}\\ & ={\displaystyle {\int }_0^1|f(x)|dx+{\displaystyle {\int }_0^1|g(x)|dx}}& =\Vert f\Vert +\Vert g\Vert .\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}\end{array}$$
Ejemplo.
Definición. Sea $\Vert {\Vert }_p:{\mathbb{R}}^n\to \mathbb{R}$ dada asi: $$\Vert x{\Vert }_p={(\sum _{i=1}^n|x_i{|}^p)}^{\frac{1}{p}}$$
Vamos a demostrar que $|x{|}_p$ es una norma
Solución.
(a) Puesto que $|x_i|\ge 0,i=1,\dots ,n$ entonces $$\sum _1^n|x_i{|}^p\ge 0\therefore {(\sum _1^n|x_i{|}^p)}^{\frac{1}{p}}\ge 0\therefore \Vert x{\Vert }_p\ge 0$$
(b) Sea $\alpha \in \mathbb{R}$ y $\overline{x}\in {\mathbb{R}}^n$. Se tiene entonces
que $$\Vert \alpha \overline{x}{\Vert }_p={(\sum _1^n|\alpha x_i{|}^p)}^{\frac{1}{p}}={(|\alpha {|}^p\sum _1^n|x_i{|}^p)}^{\frac{1}{p}}=|\alpha |{(\sum _1^n|x_i{|}^p)}^{\frac{1}{p}}=|\alpha |\Vert x{\Vert }_p$$
(c) Tenemos que $$\Vert \bar{x}{\Vert }_p={[|x_1{|}^p+\dots +|x_n{|}^p]}^{\frac{1}{p}}$$ Ahora procederemos a demostrar que cumple con la propiedad de la desigualdad del triángulo, es decir que para $\bar{x},\bar{y}\in {\mathbb{R}}^n$ $$\Vert \bar{x}+\bar{y}{\Vert }_p\le \Vert \bar{x}{\Vert }_p+\Vert \bar{y}{\Vert }_p$$ Para ello primero procederemos a demostrar lo siguiente
Proposición. Sean p,q números reales tales que $p,q>1$ y ${\displaystyle \frac{1}{p}+\frac{1}{q}=1}$ entonces $$|ab|\le \frac{|a{|}^p}{p}+\frac{|b{|}^q}{q}$$
Demostración. Consideremos la función $\phi :[0,\mathrm{\infty })\to \mathbb{R}$ dada por $\phi (t)=t^m-mt$ con $m=\frac{1}{p}$
se tiene que ${\phi }^{\prime }(t)=m{t}^{m-1}-m=m(t^{m-1}-1)$ por lo
que ${\phi }^{\prime }(t)=0\iff m(t^{m-1}-1)=0\iff t=1$ por lo tanto $t=1$ es un punto crítico de la función, ahora volvemos a derivar ${\phi }^{\prime \prime }(t)=m(m-1)t^{m-2}$ que en $t=1$ es $<0$ por lo tanto en $t=1$, $\phi$ alcanza un punto máximo $\therefore$ $\phi (t)\le \phi (1)\Rightarrow t^m-mt\le mt-m\Rightarrow t^m-1\le m(t-1)$ Ahora hacemos ${\displaystyle t=\frac{|a{|}^p}{|b{|}^q}}$ y sustituimos
$${\displaystyle {\left(\frac{|a{|}^p}{|b{|}^q}\right)}^{\frac{1}{p}}-1\le \frac{1}{p}(\frac{|a{|}^p}{|b{|}^q}-1)}$$
multiplicando ambos miembros de la desigualdad por $|b{|}^q$ se
tiene que $$(|b{|}^q)({\left(\frac{|a{|}^p}{|b{|}^q}\right)}^{\frac{1}{p}}-1)\le (|b{|}^q)\left(\frac{1}{p}(\frac{|a{|}^p}{|b{|}^q}-1)\right)$$ lo que nos queda $$|a||b{|}^{q-\frac{q}{p}}-|b{|}^q\le \frac{|a{|}^p}{p}-|b{|}^q\Rightarrow |a||b{|}^{q-\frac{q}{p}}\le \frac{|a{|}^p}{p}-\frac{|b{|}^q}{p}+|b{|}^q$$
como ${\displaystyle q-\frac{q}{p}=1}$ y ${\displaystyle -\frac{|b{|}^q}{p}+|b{|}^q=\frac{|b{|}^q}{q}}$ tenemos entonces
$$|ab|\le \frac{|a{|}^p}{p}+\frac{|b{|}^q}{q}.\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◻"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fb.svg">}$$
Probaremos la desigualdad de Holder
$$\boxed{{\displaystyle \sum _{k=1}^n|a_k{b}_k|\le {[\sum _{k=1}^n|a_k{|}^p]}^{\frac{1}{p}}{[\sum _{k=1}^n|b_k{|}^q]}^{\frac{1}{q}}}}$$
Demostración. Sea ${\displaystyle A={(\sum _{k=1}^n|a_k{|}^p)}^{\frac{1}{p}}}$ y ${\displaystyle B={(\sum _{k=1}^n|b_k{|}^q)}^{\frac{1}{q}}}$ y
definimos ${\displaystyle a_k^{\prime }=\frac{a_k}{A}}$ y ${\displaystyle b_k^{\prime }=\frac{b_k}{B}}$ usando la desigualdad probada anteriormente se tiene
$$\begin{array}{rl}|a_k^{\prime }{b}_k^{\prime }|& \le \frac{|a_k^{\prime }{|}^p}{p}+\frac{|b_k^{\prime }{|}^q}{q}\\ & \Rightarrow \sum _{k=1}^n|a_k^{\prime }{b}_k^{\prime }|\le \sum _{k=1}^n\frac{|a_k^{\prime }{|}^p}{p}+\frac{|b_k^{\prime }{|}^q}{q}\\ & =\sum _{k=1}^n\frac{|a_k^{\prime }{|}^p}{p}+\sum _{k=1}^n\frac{|b_k^{\prime }{|}^q}{q}\\ & =\frac{1}{p}\sum _{k=1}^n|a_k^{\prime }{|}^p+\frac{1}{q}\sum _{k=1}^n|b_k^{\prime }{|}^q\\ & =\frac{1}{p}\sum _{k=1}^n{\left[\frac{a_k}{A}\right]}^p+\frac{1}{q}\sum _{k=1}^n{\left[\frac{b_k}{B}\right]}^q\\ & =\frac{1}{p}\frac{1}{A^p}\sum _{k=1}^n|a_k{|}^p+\frac{1}{q}\frac{1}{B^q}\sum _{k=1}^n|b_k{|}^q\end{array}$$
como $$A^p={\left({(\sum _{k=1}^n|a_k{|}^p)}^{\frac{1}{p}}\right)}^p=(\sum _{k=1}^n|a_k{|}^p)y{B}^q={\left({(\sum _{k=1}^n|b_k{|}^q)}^{\frac{1}{q}}\right)}^q=(\sum _{k=1}^n|b_k{|}^q)$$
se tiene que
$$\begin{array}{rl}\frac{1}{p}\frac{1}{A^p}\sum _{k=1}^n|a_k{|}^p+\frac{1}{q}\frac{1}{B^q}\sum _{k=1}^n|b_k{|}^q& =\frac{1}{p}\frac{1}{(\sum _{k=1}^n|a_k{|}^p)}\sum _{k=1}^n|a_k{|}^p+\frac{1}{q}\frac{1}{(\sum _{k=1}^n|b_k{|}^q)}\sum _{k=1}^n|b_k{|}^q\\ & =\frac{1}{p}+\frac{1}{q}=1\end{array}$$
Por lo tanto
$$\begin{array}{rl}\sum _{k=1}^n|a^{\prime }k{b}^{\prime }k|\le 1& \Rightarrow \sum _{k=1}^n|\frac{a_k}{A}\frac{b_k}{B}|\le 1\\ & \Rightarrow \sum _{k=1}^n|a_k{b}_k|\le AB\\ & \Rightarrow \sum _{k=1}^n|a_k{b}_k|\le {(\sum _{k=1}^n|a_k{|}^p)}^{\frac{1}{p}}{(\sum _{k=1}^n|b_k{|}^q)}^{\frac{1}{q}}\end{array}$$
Ahora probaremos la desigualdad de Minkowski
$${[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{p}}\le {[\sum _{k=1}^n|a_k{|}^p]}^{\frac{1}{p}}+{[\sum _{k=1}^n|b_k{|}^q]}^{\frac{1}{q}}$$
Tenemos que
$$\begin{array}{rl}\sum _{k=1}^n|a_k+b_k{|}^p=\sum _{k=1}^n|a_k+b_k{|}^{p-1}|a_k+b_k|& \le \sum _{k=1}^n|a_k+b_k{|}^{p-1}(|a_k|+|b_k|)\\ & =(\sum _{k=1}^n|a_k+b_k{|}^{p-1})(|a_k|)+(\sum _{k=1}^n|a_k+b_k{|}^{p-1})(|b_k|)\end{array}$$
Aplicando la desigualdad de Holder a cada sumando tenemos que
$$\begin{array}{rl}(\sum _{k=1}^n|a_k+b_k{|}^{p-1})(|a_k|)& \le {\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^{q(p-1)}]}^{\frac{1}{q}}\\ & ={\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}\end{array}$$
$$\begin{array}{rl}(\sum _{k=1}^n|a_k+b_k{|}^{p-1})(|b_k|)& \le {\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^{q(p-1)}]}^{\frac{1}{q}}\\ & ={\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}\end{array}$$
Por lo tanto
$$\sum _{k=1}^n|a_k+b_k{|}^p\le {\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}+{\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}$$
Multiplicando ambos miembros de la desigualdad por
$${[\sum _{k=1}^n|a_k+b_k{|}^p]}^{-\frac{1}{q}}$$
obtenemos
$$\begin{array}{rl}(\sum _{k=1}^n|a_k+b_k{|}^p){[\sum _{k=1}^n|a_k+b_k{|}^p]}^{-\frac{1}{q}}& ={(\sum _{k=1}^n|a_k+b_k{|}^p)}^{1-\frac{1}{q}}\\ & ={(\sum _{k=1}^n|a_k+b_k{|}^p)}^{\frac{1}{p}}\end{array}$$
$${\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}\left({[\sum _{k=1}^n|a_k+b_k{|}^p]}^{-\frac{1}{q}}\right)={\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}$$
$${\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}{[\sum _{k=1}^n|a_k+b_k{|}^p]}^{\frac{1}{q}}\left({[\sum _{k=1}^n|a_k+b_k{|}^p]}^{-\frac{1}{q}}\right)={\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}$$
Por lo tanto $${(\sum _{k=1}^n|a_k+b_k{|}^p)}^{\frac{1}{p}}\le {\left[\sum _{k=1}^n{a}_k^p\right]}^{\frac{1}{p}}+{\left[\sum _{k=1}^n{b}_k^p\right]}^{\frac{1}{p}}$$
Por lo tanto $$\Vert \bar{x}+\bar{y}{\Vert }_p\le \Vert \bar{x}{\Vert }_p+\Vert \bar{y}{\Vert }_p\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$

Ejemplo. Espacios ${\ell }_p$

Definición. Dado $\overline{x}\in {\mathbb{R}}^n$ definimos
$$\Vert \overline{x}{\Vert }_p={(\sum _{k=1}^n|x_k{|}^p)}^{\frac{1}{p}}sip\in [1,\mathrm{\infty })$$
Proposición. Dada $p\in [1,\mathrm{\infty })$, consideramos el conjunto ${\ell }_p$ de todas las sucesiones $(x_k)$ de números reales tales que la serie
$$\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p$$converge. Entonces la función
$$\Vert (x_k){\Vert }_p={(\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p)}^{\frac{1}{p}}$$es una norma en ${\ell }_p$
Demostración.
(a) Tenemos
$$\Vert x_k{\Vert }_p\ge 0\iff {(\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p)}^{\frac{1}{p}}\ge 0\iff \sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p\ge 0\iff |x_k{|}^p\ge 0\iff |x_k|\ge 0\iff x_k\ge 0$$
(b) $$\Vert \lambda x_k{\Vert }_p={(\sum _{k=1}^{\mathrm{\infty }}|\lambda x_k{|}^p)}^{\frac{1}{p}}={(\sum _{k=1}^{\mathrm{\infty }}|\lambda {|}^p|x_k{|}^p)}^{\frac{1}{p}}={(|\lambda {|}^p\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p)}^{\frac{1}{p}}=|\lambda |{(\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p)}^{\frac{1}{p}}=|\lambda |\Vert x_k{\Vert }_p$$
(c) Como la $\Vert {\Vert }_p$ satisface la desigualdad del triángulo, se tiene que
$${(\sum _{k=1}^n|x_k+y_k{|}^p)}^{\frac{1}{p}}\le {(\sum _{k=1}^{\mathrm{\infty }}|x_k{|}^p)}^{\frac{1}{p}}+{(\sum _{k=1}^{\mathrm{\infty }}|y_k{|}^p)}^{\frac{1}{p}}\le \Vert x_k{\Vert }_p+\Vert y_k{\Vert }_p$$
para todo $n\in \mathbb{N}$. En consecuencia, la serie
$$\sum _{k=1}^{\mathrm{\infty }}|x_k+y_k{|}^p$$
converge y se cumple que
$$\Vert x_k+y_k{\Vert }_p={(\sum _{k=1}^{\mathrm{\infty }}|x_k+y_k{|}^p)}^{\frac{1}{p}}\le \Vert x_k{\Vert }_p+\Vert y_k{\Vert }_p.\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$
Proposición. Sea $\overline{x}\in {\mathbb{R}}^n$, entonces
$$\Vert \overline{x}{\Vert }_{\mathrm{\infty }}\le \Vert \overline{x}\Vert \le \Vert \overline{x}{\Vert }_1\le n\Vert \overline{x}\Vert$$

Demostración. Sea $|x_k|=max|x_1,\dots ,|x_n||$
Se tiene entonces
$$|x_k|=\sqrt{x_k^2}\le \sqrt{x_1^2+\dots +x_n^2}=\Vert \overline{x}\Vert$$
$\therefore \Vert \overline{x}{\Vert }_{\mathrm{\infty }}\le \Vert \overline{x}\Vert$
Ahora bien
$${(\Vert \overline{x}\Vert )}^2=(|x_1{|}^2+\dots +|x_n{|}^2)\le \sum _{i=1}^n|x_i{|}^2+2\sum _{i\le i\le j\le n}|x_i||x_j|={(|x_1|+\dots +|x_n|)}^2={(\Vert \overline{x}{\Vert }_1)}^2$$
$$\Rightarrow {(\Vert \overline{x}\Vert )}^2\le {(\Vert \overline{x}{\Vert }_1)}^2$$
$$\Rightarrow \Vert \overline{x}\Vert \le \Vert \overline{x}{\Vert }_1$$
También si suponemos que $|x_j|=max|x_1|,\dots ,|x_n|$ entonces
$$\Vert \overline{x}{\Vert }_1=|x_j|\le |x_j|+\dots +|x_j|=n|x_j|=nmax|x_1|,\dots ,|x_j|=n\Vert \overline{x}{\Vert }_{\mathrm{\infty }}$$
por lo que
$$\Vert \overline{x}{\Vert }_1\le n\Vert \overline{x}{\Vert }_{\mathrm{\infty }}.\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$

Proposición. Sea $\overline{x}\in {\mathbb{R}}^n$ entonces
$$\Vert \overline{x}{\Vert }_{\mathrm{\infty }}\le \Vert \overline{x}\Vert \le \sqrt{n}\Vert \overline{x}{\Vert }_{\mathrm{\infty }}$$
Demostración. Suponemos que $|x_j|=max|x_1|,\dots ,|x_n|$. Se tiene entonces
$$|x_j|=\sqrt{x_j^2}\le \sqrt{x_1^2+\dots +x_j^2+\dots +x_n^2}=\Vert \overline{x}\Vert$$
Por tanto
$$\Vert \overline{x}{\Vert }_{\mathrm{\infty }}\le \Vert \overline{x}\Vert$$
Por otro lado suponemos que $|x_j|=max|x_1|,\dots ,|x_n|$ y tenemos
$$\Vert \overline{x}\Vert =\sqrt{x_1^2+\dots +x_j^2+\dots +x_n^2}\le \sqrt{x_j^2+\dots +x_j^2+\dots +x_j^2}=\sqrt{n(x_j^2)}=\sqrt{n}\Vert \overline{x}{\Vert }_{\mathrm{\infty }}$$
por lo tanto
$$\Vert \overline{x}\Vert \le \sqrt{n}\Vert \overline{x}{\Vert }_{\mathrm{\infty }}.\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$

Proposición. Sea $\overline{x}\in {\mathbb{R}}^n$ entonces
$$\Vert \overline{x}{\Vert }_1\le \sqrt{n}\Vert \overline{x}\Vert$$
Demostración.
$$\Vert \overline{x}{\Vert }_1=|x_1|+\dots +|x_n|=(1,\dots ,1)\cdot (|x_1|,\dots ,|x_1|)\le \Vert (1,\dots ,1)\Vert \Vert \overline{x}\Vert =\sqrt{n}\Vert \overline{x}\Vert$$
por lo tanto
$$\Vert \overline{x}{\Vert }_1\le \sqrt{n}\Vert \overline{x}\Vert .\mathrm{<img\; draggable="false"\; role="img"\; class="emoji"\; alt="◼"\; src="https://s.w.org/images/core/emoji/14.0.0/svg/25fc.svg">}$$

Ortogonalidad de vectores

Generalizando el concepto de perpendicularidad en ${\mathbb{R}}^3$, damos la siguiente definición.
Definición. Sea E un espacio vectorial dotado de un producto escalar $⟨,⟩$, se dice que dos vectores $\bar{x},\bar{y}\in E$ son ortogonales si $$⟨\bar{x},\bar{y}⟩=0$$
Tenemos que si $⟨\bar{x},\bar{y}⟩=0$ entonces $$\Vert \bar{x}-\bar{y}{\Vert }^2=⟨\bar{x}+\bar{y},\bar{x}+\bar{y}⟩=⟨\bar{x},\bar{x}⟩-2⟨\bar{x},\bar{y}⟩+⟨\bar{y},\bar{y}⟩=⟨\bar{x},\bar{x}⟩+⟨\bar{y},\bar{y}⟩=\Vert \bar{x}{\Vert }^2+\Vert \bar{y}{\Vert }^2$$
es decir se cumple el teorema de pitagoras.

Sean ahora $\bar{x},\bar{y}\in {\mathbb{R}}^2$ y sea $\theta$ el ángulo entre ellos. Según la ley de los cosenos
$$\begin{array}{rl}\Vert \bar{x}-\bar{y}{\Vert }^2& =\Vert \bar{x}{\Vert }^2+\Vert \bar{y}{\Vert }^2-2\Vert \bar{x}\Vert \Vert \bar{y}\Vert \cos (\theta )\\ & \Rightarrow \Vert \bar{x}{\Vert }^2-2⟨\bar{x},\bar{y}⟩+\Vert \bar{y}{\Vert }^2=\Vert \bar{x}{\Vert }^2+\Vert \bar{y}{\Vert }^2-2\Vert \bar{x}\Vert \Vert \bar{y}\Vert \cos (\theta )\\ & \Rightarrow ⟨\bar{x},\bar{y}⟩=\Vert \bar{x}\Vert \Vert \bar{y}\Vert \cos (\theta )\end{array}$$
Esta fórmula motiva la siguiente definición de ángulo $\theta$ entre dos vectores no nulos $\bar{x},\bar{y}\in E$, por medio de $$\boxed{{\displaystyle \theta =\arccos \left(\frac{⟨\bar{x},\bar{y}⟩}{|\bar{x}||\bar{y}|}\right)}}$$

.

Más adelante

Como vimos en este apartado el concepto de norma nos permite relacionar la idea de longitud de un vector respecto al origen. De forma más extensa nos ayudará a relacionar la idea de longitud entre dos vectores como una distancia subyacente entre esos dos objetos.

Tarea moral

1.- Dada $f\in C^0[a,b]$ demuestra que ${\Vert f\Vert }_p=({\int }_a^b|f(x){|}^{p}dx{)}^{1/p}$ si $p\in [1,\mathrm{\infty })$ si $p\in [1,\mathrm{\infty })$ es una norma.

2.- Demuestra que ${\Vert f\Vert }_{\mathrm{\infty }}=max\{|f(x)|:a\le x\le b\}$ es una norma .

3.- Sea $f\in C^0[a,b]$ y $p\in [1,\mathrm{\infty }]$ demuestra que ${\Vert f\Vert }_p=0$ sí y solo si $f=0$.
4.- Demuestra la desigualdad de Minkowski para integrales. Si $p\in [1,\mathrm{\infty }]$ entonces $\Vert f+g\Vert \le |f|+|g|$ $\mathrm{\forall }f,g\in C^0[a,b]$

5.- Expresa el siguiente caso al vector a como la suma de un vector paralelo al vector b y uno ortogonal. Donde $a=(1,2,3)$, $b=(1,0,0)$.