Análisis Convexo y Dualidad PDF

departamento de ingeniera matemtica
facultad de ciencas fsicas y matemticas

UNIVERSIDAD DE CHILE
Anlisis Convexo y Dualidad
f (x) + f (x) = hx, xi x f (x)
Apuntes para el curso del programa de

Doctorado en Ciencias de la Ingeniera,
mencin Modelacin Matemtica
Felipe lvarez
con la colaboracin de Juan Escobar y Juan Peypouquet
Marzo 2005
2
Se concede permiso para imprimir o almacenar una nica copia de este documento. Salvo por las excep-
ciones ms abajo sealadas, este permiso no autoriza fotocopiar o reproducir copias para otro uso que no
sea el personal, o distribuir o dar acceso a versiones electrnicas de este documento sin permiso previo por
escrito del Director del Departamento de Ingeniera Matemtica (DIM) de la Facultad de Ciencias Fsicas y
Matemticas (FCFM) de la Universidad de Chile.
Las excepciones al permiso por escrito del prrafo anterior son: (1) Las copias electrnicas disponibles
bajo el dominio uchile.cl, (2) Las copias distribuidas por el cuerpo docente de la FCFM en el ejercicio de las
funciones que le son propias.
Cualquier reproduccin parcial de este documento debe hacer referencia a su fuente de origen.
Este documento fue nanciado a travs de los recursos asignados por el DIM para la realizacin de
actividades docentes que le son propias.
Prefacio
El objetivo de estos apuntes es proporcionar los fundamentos del Anlisis Convexo y de la Teora
de la Dualidad en espacios de dimensin nita e innita, junto con abordar algunas aplicaciones en
Optimizacin y Clculo de Variaciones.
Estos apuntes se basan esencialmente en las notas escritas para el curso .Anlisis Convexo y
Dualidad"(MA674) del programa de Doctorado en Ciencias de la Ingeniera, mencin Modelacin
Matemtica, de la Universidad de Chile.
Mis agradecimientos a Juan Escobar y Juan Peypouquet, quienes participaron activamente en
la confeccin de este apunte y sin cuya valiosa colaboracin estas notas no tendran su forma
actual. Juan Escobar transcribi en LaTeX la primera versin del manuscrito, sugiriendo varias
ideas y contribuyendo con material adicional, particularmente en la seccin que se reere al principio
variacional de Ekeland y al captulo sobre el esquema primal/dual de penalizacin en programacin
convexa. Posteriormente, Juan Peypouquet realiz una revisin muy profunda y exhaustiva del
apunte, corrigi errores, mejor sustancialmente la presentacin e incorpor material referente al
anlisis de recesin. Vaya nuevamente mi reconocimiento al excelente trabajo de ambos.
Todo posible error que el lector pueda encontrar en este apunte es de mi exclusiva respons-
abilidad. Los comentarios y observaciones son bienvenidos en la siguiente direccin de email: fal-
varez@dim.uchile.cl Finalmente, quisiera agradecer el nanciamiento proporcionado por el Depar-
tamento de Ingeniera Matemtica de la Universidad de Chile.
Felipe lvarez
Santiago, 7 de septiembre de 2005
3
4
ndice general
1. Introduccin al Anlisis Variacional 7

1.1. Funciones a valores en R = R {, +}. . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Semicontinuidad inferior y minimizacin . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1. Semicontinuidad Inferior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2. Inf-compacidad y existencia de minimizadores . . . . . . . . . . . . . . . . . . 11
1.2.3. Funciones de recesin e inf-compacidad. . . . . . . . . . . . . . . . . . . . . . 13
1.2.4. Principio variacional de Ekeland en espacios mtricos . . . . . . . . . . . . . . 16
1.3. Espacios vectoriales topolgicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1. Separacin de convexos: el Teorema de Hahn-Banach . . . . . . . . . . . . . . 18
1.3.2. Topologa dbil y funciones inferiormente semicontinuas. . . . . . . . . . . . . 19
1.4. Minimizacin convexa en espacios de Banach . . . . . . . . . . . . . . . . . . . . . . 20
1.5. Relajacin topolgica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1. La regularizada semicontinua inferior . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2. La -convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Fundamentos de Anlisis Convexo 29

2.1. Funciones convexas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2. Espacios en dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3. La conjugada de Fenchel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4. El subdiferencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3. Dualidad en Optimizacin Convexa 51

3.1. Problemas Perturbados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2. Dualidad Lagrangeana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3. Teoremas de Dualidad de Fenchel-Rockafellar y de Attouch-Brezis . . . . . . . . . . . 60
3.4. Teoremas de Fritz John y Kuhn-Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4. Aplicaciones al Clculo de Variaciones 77

4.1. Problema de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2. Problema de Stokes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3. Problema de la torsin elasto-plstica . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.4. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5
6 NDICE GENERAL
5. Penalizacin en Optimizacin Convexa 83

5.1. Preliminares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2. Algunos Resultados de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.3. Medias Asintticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4. Convergencia Primal del Mtodo de Penalizacin . . . . . . . . . . . . . . . . . . . . 90
5.5. Convergencia Dual del Mtodo de Penalizacin . . . . . . . . . . . . . . . . . . . . . 93
5.6. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Captulo 1
Introduccin al Anlisis Variacional
1.1. Funciones a valores en R = R {, +}.

En el anlisis de problemas de minimizacin y maximizacin es conveniente considerar funciones
que toman valores en la recta real extendida R = R {, +} = [, +] en lugar de slo R =
] , +[. Por ejemplo, en un espacio topolgico X , consideremos un problema de minimizacin
del tipo
(1.1) inf{f0 (x) | x C}
donde f0 : X R es la funcin objetivo a minimizar y C X es un conjunto de restricciones. Con

la topologa apropiada, R es un intervalo compacto. En particular, todo subconjunto A R admite
un nmo inf A (y un supremo sup A). En particular, tomando A = {f0 (x) | x C} tenemos que
inf{f0 (x) | x C} est bien denido en R, y denotamos
inf f0 := inf{f0 (x) | x C}.

C
Para un conjunto A ms general, si inf A A escribimos min A en lugar de inf A para enfatizar que
el nmo se alcanza en el conjunto.
En este contexto resulta muy til introducir la funcin indicatriz del conjunto C , C : X R,
denida por (
0 x C,
C (x) =
+ x / C.
Con la convencin
+ (+) = (+) + = +, R,
es posible denir la funcin f0 + C mediante (f0 + C )(x) := f0 (x) + C (x), y es directo vericar
que
inf f0 = inf (f0 + C )
C X
y ms aun, si C 6= entonces
inf f0 {f0 (x) | x C} inf (f0 + C ) {f0 (x) + C (x) | x X}.

C X
7
8 CAPTULO 1. INTRODUCCIN AL ANLISIS VARIACIONAL
De esta forma, el problema de minimizacin (1.1) puede formularse de manera equivalente como
inf{f (x) | x X},
donde f : X R {+} est denida por f = f0 + C . Esto permite considerar las restricciones de
manera implcita en la denicin de f y dar as un tratamiento unicado a este tipo de problemas.
Similarmente, la consideracin de problemas de maximizacin con restricciones conduce de man-
era natural a funciones a valores en R {}; los problemas de tipo minimax, a funciones a valores
en R.
Dados un escalar R y dos funciones f, g : X R, queremos dar un sentido a la expresin
f + g , para lo cual necesitamos una aritmtica en R que extienda la usual de R. Consideraremos
las siguientes convenciones:
1. (+) + = + (+) = +, R {+}.
2. () + = + () = , R {}.
3. (+) = +, si > 0, (+) = , si < 0 (anlogo para ).

Menos obvias son las expresiones del tipo 0 () y () + (); utilizaremos, salvo que se diga
explcitamente otra cosa, las siguientes convenciones:
4. 0 (+) = 0 = 0 () = 0 y la simtrica para que sea conmutativa.
5. + + () = () + (+) = +, que se llama inf-adicin pues est orientada a la

minimizacin: violar las restricciones tiene prioridad por sobre un eventual valor de la
funcin objetivo.
Observacin 1.1.1. Estas extensiones para la suma y producto no son continuas. Lmites que
involucran expresiones de la forma 0 () o () + () pueden estar indeterminados en el
sentido que si n y n entonces no necesariamente se tiene que n n cuando
= 0 (), ni tampoco que n + n + cuando + = () + ().
Las convenciones anteriores permiten denir
(f + g)(x) := f (x) + g(x) y (f g)(x) := f (x)g(x), x X,
para todo R y f, g : X R.
Por otra parte, dado que la minimizacin es una operacin unilateral, es natural que se requieran
conceptos unilaterales para su anlisis:
Denicin 1.1.1. Dada f : X R, su epigrafo es el subconjunto de X R dado por
epi f := {(x, ) X R | f (x) },
mientras que el conjunto de nivel inferior (o subnivel) de parmetro R es el subconjunto de X

dado por
(f ) := {x X | f (x) }.
El dominio efectivo de f es
dom f := {x X | f (x) < +}.
1.1. FUNCIONES A VALORES EN R = R {, +}. 9
Adems, denimos
(
{x X | f (x) = inf X f } si inf X f < +,
arg min f :=
si inf X f = +.
Notemos que
inf f = inf f,
X dom f
con la convencin
inf f = inf = +.

La condicin arg min f = si f + se interpreta diciendo que en ese caso la minimizacin

no tiene soluciones optimales pues ni siquiera hay puntos factibles que satisfagan las restricciones
implcitas de f (un punto x X se dice factible si f (x) < +, i.e., si x dom f ).
Notemos tambin que se tienen las siguientes propiedades:

T T
(a) arg min f = (f ) (con la convencin = para f +).
>inf X f
(b) (f ) {} = epi f (X {}).
Ejercicio 1.1.1. Demuestre estas propiedades.
Finalmente, otra ventaja de considerar funciones a valores en R es que es una clase estable
bajo operaciones del tipo supremo e nmo sobre familias arbitrarias; ms precisamente, tenemos
la siguiente:
Proposicin 1.1.1. Sea (fi )iI una familia arbitraria no vaca (I 6= ) de funciones fi : X R.
Entonces las funciones supiI fi e inf iI fi denidas respectivamente por
(sup fi )(x) := sup{fi (x) | i I}

iI
e
(inf fi )(x) := inf{fi (x) | i I}
iI
estn bien denidas como funciones a valores en R. Ms aun,

\
epi(sup fi ) = epi fi
iI iI
y
[
epi(inf fi ) epi fi ,
iI
iI
con igualdad en la ltima inclusin si |I| < +.

Demostracin:
epi(sup fi ) = {(x, ) X R | sup fi (x) }

= {(x, ) X R | fi (x) , i I}
\
= epi(f ).
iI
Del mismo modo,

[
epi(fi ) = {(x, ) X R | i I, fi (x) }
iI
{(x, ) X R | inf fi (x) }
= epi(inf fi ),
y se tiene que la inclusin es en realidad una igualdad si |I| < +, pues en este caso el nmo
siempre se alcanza para algn i I .
Nos interesaremos en una subclase de funciones para las cuales el problema de minimizacin
asociado es no trivial, de acuerdo a la siguiente denicin.
Denicin 1.1.2. Una funcin f : X R se dice propia si:

(i) x X, f (x) > ,
(ii) dom f 6= . Es decir, x0 X tal que f (x0 ) < +.
Observacin 1.1.2. Notemos que para una funcin propia eventualmente su nmo es . Si f
tiene nmo mayor estricto que , es decir inf X f > , diremos que f est acotada inferior-
mente.
1.2. Semicontinuidad inferior y minimizacin

Hasta ahora no hemos supuesto ningn tipo de estructura sobre el conjunto subyacente X . En
lo que sigue, supondremos que (X, ) es un espacio topolgico.
1.2.1. Semicontinuidad Inferior

Dado x X , denotemos por Nx ( ) la familia de todas las vecindades de x para .
Denicin 1.2.1. Una funcin f : X R {+} se dice -semicontinua inferior ( -s.c.i.) en x

si
< f (x), N Nx ( ) : y N , f (y) > .
Si lo anterior es vlido para todo x X , decimos simplemente que f es -s.c.i. sobre X .
Proposicin 1.2.1. Dada f : X R {+}, las siguientes armaciones son equivalentes:

(i) f es -s.c.i. sobre X .
1.2. SEMICONTINUIDAD INFERIOR Y MINIMIZACIN 11
(ii) epi(f ) es cerrado en X R dotado de la topologa R , donde R es la topologa usual de

R.
(iii) R, (f ) es cerrado en (X, ).

(iv) R, {x X | f (x) > } .
(v) x X , f (x) lim inf f (y) := sup inf f (y)
yx N NX ( ) yN
Demostracin: (i) (ii) Tomemos (x, ) / epi(f ), lo que equivale a < f (x). Sea R
tal que < < f (x). De (i), existe N Nx ( ) tal que y N , f (y) > , de modo que
/ epi(f ). Se sigue que (N ] , [) epi(f ) = . Como N ] , [ N(x,) ( R ),
(y, )
concluimos que epi(f )C es abierto.
(ii) (iii) Como (f ) {} = epi(f ) (X {}), deducimos que (f ) {} es cerrado

en X R, y de aqu que (f ) es cerrado en X .
(iii) (iv) Trivial.
(iv) (v) Sea x X . Dado < f (x) tenemos que N = {y X | f (y) > } Nx ( ) por ser
un abierto que contiene a x. De este modo inf f (y), y en particular sup inf f (y).
yN N Nx ( ) yN
Como lo anterior es vlido para todo < f (x), se sigue (v).
(v) (i) Sea < f (x). Por (v), < sup inf f (y) y en consecuencia , existe N Nx ( ) :
N NX ( ) yN
< inf f (y).
yN
Ejercicio 1.2.1. Pruebe que cuando (X, ) es metrizable, f es s.c.i. x X xn x, f (x)

lim inf f (xn ) := sup inf f (xk ).
n+ nN kn
La clase de funciones s.c.i. satisface varias propiedades de estabilidad, como lo establece el

siguiente resultado.
Proposicin 1.2.2. Sea {fi }iI una familia arbitraria no vaca de funciones
P -s.c.i., fi : X
R {+}. Entonces sup fi es -s.c.i. Si adems I es nito, min fi y fi son ambas -s.c.i.
iI iI iI
Demostracin: Propuesto.
1.2.2. Inf-compacidad y existencia de minimizadores

Junto con la s.c.i., el segundo ingrediente bsico en los problemas de minimizacin es la propiedad
de inf-compacidad en el sentido de la siguiente denicin.
Denicin 1.2.2. Una funcin f : X R {+} se dice -inf-compacta si para todo R, el
conjunto (f ) = {x X | f (x) } es relativamente compacto en X para la topologa .
Observacin 1.2.1. Para una funcin f que es -s.c.i., lo anterior equivale a requerir que (f )
sea compacto.
Denicin 1.2.3. Sea (V, kk) un espacio vectorial normado. Una funcin f : V R {+} se
dice coerciva si lim f (x) = +.
kxk
Observacin 1.2.2. Sea (V, kk) un espacio vectorial normado y f : V R {+} una funcin.
Entonces son equivalentes (i) f es coerciva y (ii) R, (f ) es acotada. En particular, si
dim V < + entonces f es inf-compacta ssi f es coerciva. Recordemos el Teorema de Riesz:
todo subconjunto acotado en un espacio vectorial normado (V, kk) es relativamente compacto ssi
dim V < +. En el caso de la dimensin innita, las topologas que estn asociadas a la coercividad
son las dbiles. Esto lo discutiremos ms adelante.
Teorema 1.2.1 (Weierstrass-Hilbert-Tonelli). Sea f : X R {+} una funcin -s.c.i. y -
inf-compacta. Entonces, inf X f > y existe un punto x X que minimiza f sobre X , i.e.,
f (x ) = min f (x).
xX
Demostracin: Veremos dos demostraciones distintas de este teorema.

La primera demostracin es conocida como Mtodo Directo y fue iniciada por Hilbert y luego
desarrollada por Tonelli. Para simplicar, supongamos que es metrizable. Consideramos
primero una sucesin (xn )nN minimizante para f , i.e., lim f (xn ) = inf X f . Tal sucesin
n+
existe. En efecto, si inf X f > entonces consideramos para n 1, xn X tal que inf X f
f (xn ) inf X f + n1 . Si inf X f = entonces sea xn X tal que f (xn ) n (a posteriori
veremos que este caso no se tiene). Si inf X f = + entonces f + y basta tomar cualquier
x X . En caso contrario, tenemos que f (xn ) max{inf X f + n1 , n} max{inf X f +
1, 1} =: 0 R. Notemos que 0 > inf X f y que xn 0 (f ) para todo n 1. Como 0 (f )
es compacto, por el Teorema de Bolzano-Weiertrass podemos extraer una subsucesin (xnk )
que converge (en la topologa ) a algn punto x X . En particular, lim f (xnk ) = inf X f
k
y, de la -s.c.i. de f , f (x ) lim f (xk ) = inf X f . Luego, inf X f > y f (x ) = inf X f .
k
Queremos demostrar que arg min f 6= . Sabemos que

\ \
arg min f = (f ) = (f )
>inf X f 0 >>inf X f
para cualquier 0 R tal que 0 > inf X f (notemos que sin prdida de generalidad suponemos
inf X f < +), esto ltimo pues (f ) (f ), si . Como f es -s.c.i., (f ) es cerrado
y adems es compacto por la inf-compacidad de f . En particular, { (f )}inf X f <<0 es una
familia de subconjuntos cerrados y no vac os (por qu?) del compacto 0 (f ). Ms aun,
esta familia satisface la propieded de intersecciones nitas. En efecto, dados 1 , ..., n , con
= min{1 , ..., n } > inf X f se tiene que
n
\
i (f ) = (f ) 6= .
i=1
Por compacidad, \
(f ) 6= ,
inf X f <<0
lo que concluye la demostracin.
Observacin 1.2.3. El Teorema 1.2.1, de Weierstrass-Hilbert-Tonelli se conoce tambin co-

mo Teorema de Minimizacin de Weierstrass y sigue siendo vlido si en lugar de la -inf-
compacidad suponemos que 0 > inf X f : 0 (f ) es compacto. Por ejemplo, denamos
x2
f : R R por f (x) = 1+x 2 . Es fcil ver que (f ) es compacto ssi < 1 y 1 (f ) = R de
modo que no es inf-compacta pero s tiene un minimizador (x* =0).
Notemos que en la demostracin va el Mtodo Directo hemos supuesto que es metrizable

para extraer una subsucesin convergente.
Ejercicio 1.2.2. Sea f : X R {+} una funcin -s.c.i. y K X un compacto para .

Muestre que existe x K tal que f (x ) = minK f . Ind.: Considere g := f + K .
1.2.3. Funciones de recesin e inf-compacidad.

En esta seccin presentaremos brevemente las funciones de recesin, muy tiles en anlisis con-
vexo. Terminaremos con un resultado que permite caracterizar la inf-compacidad en espacios de
dimensin nita y una aplicacin a problemas de optimizacin. En lo que sigue, X es un e.v.n.
Denicin 1.2.4. Sea C X un conjunto no vaco. El cono de recesin, denotado por C , es el

conjunto
xk
C =
d X tk , xk C tales que lim =d .
tk
El cono de recesin contiene las direcciones hacia las cuales se dirigen las sucesiones en C que
tienden a + en norma. Notemos que el conjunto C tiene las siguientes propiedades elementales,
que el lector debe vericar:
1. C es un cono cerrado.

2. C = C .
3. Cuando el conjunto C es convexo, tambin lo es C . Adems
C = {d X | d + C C}
= {d X | x + td C para todo t > 0}
cualquiera que sea el x C .
Ejemplo 1.2.1. Conos de recesin de algunos conjuntos relevantes:

1. Si C es un cono, entonces C = C .
2. Si C es acotado, entonces C = {0}. Si la dimensin de X es nita, el recproco tambin es

cierto.
3. Si C es un hiperplano cerrado, entonces C es el subespacio vectorial paralelo a C .
4. Suponga que C es un poliedro convexo denido mediante C = { x Rn | Ax b }, donde A

es una matriz de tamao m n y b Rm . Entonces C = { d Rn | Ad 0 }.
Ejercicio 1.2.3. Consideremos subconjuntos (Ci )iI de X . Pruebe que

T T
1. Ci (Ci ) si la interseccin es no-vaca. La inclusin es una igualdad si los
iI iI
conjuntos son convexos.

S S
2. Ci (Ci ) , con igualdad si I es nito.
iI iI
Denicin 1.2.5. Sea f : X R {+} una funcin propia. La funcin de recesin, denotada
por f , se dene por

f (tk dk )
f (d) = inf lim inf tk +, dk d
k tk
Ejemplo 1.2.2. Si C es un conjunto no vaco, entonces (C ) = C

Ejercicio 1.2.4. Sean f, g : X R {+} dos funciones propias con dom f dom g 6= . Sea
h = f + g.
1. Si f y g son s.c.i., entonces h tambin lo es.
2. Sea d X tal que f (d) y g (d) no son, respectivamente, + y . Pruebe que
h (d) f (d) + g (d).
Proposicin 1.2.3. Si f es propia, entonces epi(f ) = (epi f ) .

Demostracin: Probaremos primero que (epi f ) epi(f ). Para ello, tomemos (d, ) (epif ) .
De acuerdo con la denicin de cono asinttico, existen tk y (dk , k ) epi f tales que
t1 1 1 1
k (dk , k ) (d, ). Como f (dk ) k , tenemos que tk f (tk dk tk ) tk k . Pasando al lmite
tenemos que f (d) , de donde (d, ) epi(f ).
Recprocamente, sea (d, ) epi(f ). Por denicin, existen sucesiones tk y dk d

tales que f (d) = lim t1
k f (tk dk ). Como (d, ) epi(f ), de acuerdo con la denicin de lmite
k
observamos que para cada > 0, tomando k sucientemente grande tenemos que f (tk dk ) ()tk .
Por lo tanto, el punto zk = tk (dk , +) epi(f ). Como t1
k zk = (dk , +) (d, +), concluimos
que (d, + ) (epi f ) . Finalmente, dado que (epi f ) es cerrado y es arbitrario, vemos que
(d, ) (epi f ) .
Ejercicio 1.2.5. Sea (fi )iI una coleccin de funciones propias de X en R {+}. Pruebe que

sup fi sup {(fi ) } y inf fi inf {(fi ) } .
iI iI iI iI

Demuestre tambin que si I es nito, la segunda desigualdad es una igualdad.
Lema 1.2.1. Si f : X R {+} es propia, entonces para todo > inf f ,

[ (f )] {d X | f (d) 0 }.
Demostracin: Sea d [ (f ) ] . Entonces existen sucesiones xk (f ) y tk tales que

lim t1 1 1
k xk = d. Escribamos dk = tk xk d. Como xk (f ), tenemos que tk f (tk dk ) =
k
t1
k f (xk ) tk1 0. Por lo tanto, f (d) 0.
Corolario 1.2.1. Consideremos un conjunto (fi )iI de funciones propias de X en R {+} y

un subconjunto no-vaco S de X . Dena C = { s S | fi (x) 0 i I }. Demuestre que
C { d S | (fi ) (d) 0 i I }.

T
Demostracin: Denimos Ci = {x k fi (x) 0}, de manera que C = S Ci . Del Ejercicio
iI
T
1.2.3 tenemos que C S (Ci ) . El resultado se obtiene al aplicar el lema anterior.
iI
Teorema 1.2.2. Supongamos que f : Rn R {+} es s.c.i. y propia. Si f (d) > 0 para todo
d 6= 0, entonces f es inf-compacta.
Demostracin: Supongamos que f (d) > 0 para todo d 6= 0. Del Lema 1.2.1 tenemos que para cada
> inf f ,
0 [ (f ) ] { d Rn | f (d) 0 } = {0}.
Como el cono de recesin se reduce al {0}, concluimos que (f ) es acotado.
Corolario 1.2.2. Supongamos que para cada i = 0, 1, . . . , m, la funcin fi : Rn R {+} es

s.c.i. y propia. Sea C = { x Rn | fi (x) 0 i }. Suponga que dom f0 C 6= y considere el
problema de optimizacin con restricciones
(P) inf{ f0 (x) | x C }.
Escribiendo f = f0 + C , el problema anterior es equivalente a
(P) inf{ f (x) | x Rn }.
Suponga que (f0 ) (d) > para todo d 6= 0. Si las funciones fi , i 1 no tienen ninguna direccin
de recesin comn; es decir, si
(fi ) (d) 0 i d = 0,
entonces el conjunto de soluciones de (P) es no-vaco y compacto.
Demostracin: De acuerdo con el Ejercicio 1.2.4 y el Ejemplo 1.2.2, f (d) (f0 ) (d) + C (d),
lo que implica que f (d) (f0 ) (d) para todo d C . Aplicando el Ejercicio 1.2.1 y usando
la hiptesis sobre las direcciones de recesin concluimos que f (d) > 0 para todo d 6= 0. Del
teorema anterior deducimos inmediatamente que la funcin objetivo f es inf-compacta. El resultado
se obtiene entonces al aplicar el Teorema 1.2.1 de Weierstrass-Hilbert-Tonelli.
En el Problema 6 del prximo captulo presentaremos otros resultados aplicados al caso convexo.
En [AuT03] se puede encontrar una exposicin ms completa y detallada sobre conos y funciones
de recesin.
1.2.4. Principio variacional de Ekeland en espacios mtricos

En los teoremas de existencia de solucin de un problema de minimizacin, la compacidad de los
conjuntos de nivel juega un rol clave. Los siguientes resultados muestran que basta la completitud
del espacio sobre el cual se minimiza para obtener la existencia de una solucin aproximada en un
sentido apropiado.
Teorema 1.2.3. Sean (E, d) un espacio mtrico completo y f : E R{+} una funcin propia,
s.c.i. y acotada inferiormente. Consideremos x0 dom(f ) y > 0. Entonces existe x E tal que
(i) f (x) + d(x0 , x) f (x0 ),
(ii) x 6= x, f (x) < f (x) + d(x, x).
Demostracin: Sin prdida de generalidad suponemos que = 1 y que f : E R+ {+} .
Consideremos F : E 2E denida por
F (x) = {y E | f (y) + d(x, y) f (x)},
que toma valores cerrados y satisface las siguientes dos condiciones:
y F (y),
Si y F (x), entonces F (y) F (x). Nos referiremos a esta propiedad como monotona.
Denamos ahora v : dom(f ) R por
v(y) := inf f (z).
zF (y)
Dado y F (x), se tiene que d(x, y) f (x) v(x), lo cual implica que
diam(F (x)) 2(f (x) v(x)).
Denamos la sucesin (xn )nN recursivamente a partir de x0 por
xn+1 F (xn ), f (xn+1 ) v(xn ) + 2n .
Luego, de la monotona de F , v(xn ) v(xn+1 ). Por otro lado, como v(y) f (y), se tiene que
v(xn+1 ) f (xn+1 ) v(xn ) + 2n v(xn+1 ) + 2n
y por lo tanto
0 f (xn+1 ) v(xn+1 ) 2n .
En consecuencia, diam(F (xn )) 0 y como F (xn ) es una sucesin decreciente de cerrados en un
espacio completo, se sigue que existe x E tal que
\
F (xn ) = {x}.
nN
Como x F (x0 ), se tiene (i). Ms aun, x F (xn ) n de donde se sigue que F (x) F (xn ) y en
consecuencia
F (x) = {x}.
Dado x 6= x, se tiene que x
/ F (x) de donde concluimos (ii)
1.3. ESPACIOS VECTORIALES TOPOLGICOS 17
Denicin 1.2.6. Dada una funcin propia f : X R y > 0, denimos el conjunto de sus
-mnimos por
(
{x X | f (x) inf f + } si inf f > ,
arg min f =
{x X | f (x) 1 } si no.
Proposicin 1.2.4 (Principio variacional de Ekeland). Bajo las hiptesis del Teorema 1.2.3, con-
sideremos , > 0 y sea x0 arg min f . Entonces existe x E tal que
(i) f (x) f (x0 ),
(ii) d(x0 , x) ,
(iii) x E, f (x) f (x) + d(x, x).
Demostracin: Basta aplicar el Teorema 1.2.3.
1.3. Espacios vectoriales topolgicos

Recordemos que un espacio vectorial real V dotado de una topologa se dice espacio vectorial
topolgico (e.v.t.) si las operaciones suma
V V V
(v, w) 7 v + w
y ponderacin por escalar

RV V
(, v) 7 v
son continuas para las topologas producto sobre V V y R V sobre RV respectivamente.
Se tiene que las vecindades de cualquier punto se obtienen a partir de las vecindades del origen por
traslacin. Se dice adems que el e.v.t. es localmente convexo (l.c.) si el origen admite una base de
vecindades convexas.
El ejemplo ms simple de e.v.t.l.c. es el de un espacio vectorial normado (V, k k), pues basta
tomar la base de vecindades constituida por las bolas con centro en el origen.
Dado un e.v.t. (V, ) denotaremos por (V, ) , o simplemente por V , el espacio vectorial de
todas los funcionales lineales (funciones lineales de V a valores en R) que son -continuas sobre
V . El espacio V se conoce como espacio dual1 de (V, ). Si v V entonces para todo v V
escribiremos
hv, v i := v (v),
lo que dene una forma bilineal h, i : V V R conocida como producto de dualidad entre V y
V . Esta ltima notacin apunta a enfatizar los roles en cierto sentido simtricos jugados por V y
V . En efecto, dado v V , el funcional de evaluacin hv, i : V R es una forma lineal sobre V .
1
Al espacio V tambin se le llama dual topolgico para diferenciarlo del dual algebraico; este ltimo contiene a
todas las formas lineales sobre V independiente de cualquier nocin topolgica.
1.3.1. Separacin de convexos: el Teorema de Hahn-Banach

Denicin 1.3.1. Un hiperplano (o hiperplano afn) es un subconjunto H V de la forma {v
V | f (v) = } donde f : V R es un funcional lineal no nulo y R.
Notacin: Escribiremos [` = ] = {v V | f (v) = }, [` ] = {v V | f (v) } y se extiende

la notacin de manera obvia para <, y >.
Observacin 1.3.1. Es posible probar que [` = ] es -cerrado si, y slo si, ` (V, ) , en cuyo
caso los semiespacios [` ] y [` ] (respectivamente [` < ] y [` > ]) sern cerrados (resp.
abiertos) en (V, ).
Denicin 1.3.2. Un conjunto C V se dice convexo si para todos x, y C y para todo [0, 1]
se tiene que
x + (1 )y C.
Una funcin f : V R {+} se dice convexa si para todos x, y V y para todo [0, 1],
f (x + (1 )y) f (x) + (1 )f (y).
Proposicin 1.3.1. f : V R {+} es convexa ssi epi f es convexo en V R.

Demostracin: Se deja como ejercicio.
Teorema 1.3.1 (Hahn-Banach). Sean (V, ) un e.v.t. y A, B V dos subconjuntos convexos, no

vacos y disjuntos (i.e. A B = ).
(i) Si A es abierto entonces existe un hiperplano cerrado que separa A y B , esto es, existen
` (V, ) y R tales que A [` ] y B [` ].
(ii) Si (V, ) es un e.v.t localmente convexo (lo que abreviaremos por e.v.t.l.c.) tendremos lo sigu-
iente: Si A es cerrado y B es compacto, entonces existe un hiperplano cerrado que separa
estrictamente A y B , esto es, existen ` (V, ) , R y > 0 tales que A [`
] y B [` + ].
Observacin 1.3.2. Si (V, ) es un e.v.t.l.c. separado (de Hausdor) entonces el Teorema de

Hahn-Banach permite asegurar que existen formas lineales continuas no nulas. Ms aun, bajo esta
condicin, dado cualquier par de puntos v1 6= v2 en V , por la parte (ii) del teorema, siempre es
posible encontrar v (V, ) tal que v (v1 ) 6= v (v2 ).
Una consecuencia muy importante del Teorema de Hahn-Banach es la siguiente.
Corolario 1.3.1. Si (V, ) es un e.v.t.l.c. y C V es un convexo, no vaco y -cerrado, entonces

\
C= {S | C S y S es semiespacio cerrado}.
Demostracin: Dado u / C , sean A := C y B := {u}. Por el Teorema de Hahn-Banach, existe S

semiespacio cerrado tal que C S y u / S.
1.3. ESPACIOS VECTORIALES TOPOLGICOS 19
1.3.2. Topologa dbil y funciones inferiormente semicontinuas.

Notemos que en principio V est desprovisto de estructura topolgica. Sin embargo, es natural
dotar V de la topologa de la convergencia puntual sobre V , que resulta ser la topologa menos na
(i.e. la ms pequea) que hace que todos los funcionales de evaluacin hv, i, v V , sean continuos.
Esta topologa se denota por (V , V ) y se llama topologa dbil de V asociada a la dualidad entre
V y V . Es fcil ver que (V , (V , V )) resulta ser e.v.t.l.c. separado.
Un resultado til para el estudio de la dualidad de e.v.t.l.c. es el siguiente teorema.
Teorema 1.3.2 (Banach). Sean (V, ) un e.v.t.l.c. separado y V su espacio dual. Si ` : V R
es una forma lineal (V , V )-continua, entonces existe un nico v V tal que v V , `(v ) =
hv, v i. Ms aun, V y (V , (V , V )) son isomorfos como espacios vectoriales (va la evaluacin
v 7 hv, i).
Demostracin: Dado v V , la aplicacin V 3 v 7 hv, v i = v (v) es lineal y, por denicin,
(V , V )-continua. En este sentido, V se identica con un subespacio vectorial de (V , (V , V )) .
Recprocamente, si ` : V R es lineal y (V , V )-continuo, entonces queremos probar que existe
v V tal que ` = hv, i (la unicidad de v se sigue de la Observacin 1.3.2). Sea U = {v V |
`(v ) < 1} que, por continuidad, resulta ser vecindad del origen. Por lo tanto, > 0 y un nmero
nito de puntos v1 , ..., vn V tales que {v V | hvi , v i , i = 1, ..., n} U . En particular,
n
\
(1.2) Kerhvi , i Ker `.
i=1
Denamos la funcin lineal F : V Rn mediante

F (v ) = (hvi , v i)ni=1
y sea L : F (V ) R con
L(y1 , ..., yn ) = `(v )
para cualquier v V tal que F (v ) = (y1 , ..., yn ). La funcin L est bien denida gracias a (1.2)
y resulta ser una aplicacin lineal sobre el subespacio vectorial F (V ) de Rn , y en consecuencia se
puede extender a Rn y representar como
n
X
L(y) = i yi .
i=1
En particular, * +
n
X n
X
v V , `(v ) = i hvi , v i = i vi , v ,
i=1 i=1
Pn
de modo tal que basta tomar v = i=1 i vi para concluir.
Similarmente, es posible dotar a V de la topologa dbil (V, V ) denida como la topologa

menos na que hace que todos las formas lineales h, v i, v V , sean continuas. Por denicin,
(V, V ) est contenida en la topologa inicial , y adems se tiene que (V, (V, V )) es isomorfo a
V . El espacio (V, (V, V )) resulta ser e.v.t.l.c. y es separado cuando (V, ) es un e.v.t.l.c. separado
en virtud del Teorema de Hahn-Banach (ver la Observacin 1.3.2).
Otra consecuencia del Teorema de Hahn-Banach, es la siguiente:
Corolario 1.3.2. Sea (V, ) un e.v.t.l.c. y sea V su espacio dual. Entonces

(i) Si C V es convexo entonces
C es cerrado ssi C es (V, V ) cerrado.
(ii) Si f : V R {+} es convexa entonces
f es s.c.i. ssi f es (V, V ) s.c.i.
Demostracin: (i) Como (V, V ) la suciencia es inmediata. Para la necesidad basta ob-
servar que todo semiespacio -cerrado es (V, V )-cerrado y aplicar el corolario 1.3.1 para
concluir que C es (V, V )-cerrado.
(ii) Basta observar que f es convexa si, y slo si, epi(f ) es convexo en V R, y que f es -s.c.i
si, y slo si, epi(f ) es cerrado para R en V R.
1.4. Minimizacin convexa en espacios de Banach

Sea (V, kk) un espacio vectorial normado y denotemos por V su dual topolgico. El estudio de
funciones coercivas conduce naturalmente a considerar las propiedades topolgicas de los subcon-
juntos acotados de V .
Comencemos recordando el siguiente resultado de Anlisis Funcional.
Teorema 1.4.1. Supongamos que (V, kk) es un espacio de Banach reexivo. Entonces los sub-
conjuntos acotados son relativamente compactos para la topologa dbil (V, V ). As, de cualquier
sucesin acotada es posible extraer una subsucesin dbilmente convergente.
Demostracin: [Bre83].
Como corolario del Teorema de Minimizacin de Weierstrass obtenemos el siguiente resultado.
Corolario 1.4.1. Sean (V, kk) un espacio de Banach reexivo y f : V R {+} una funcin
coerciva y (V, V )-s.c.i. Entonces existe u V tal que v V, f (u) f (v).
Teorema 1.4.2. Sea (V, kk) un espacio de Banach reexivo y f : X R {+} una funcin
convexa, s.c.i. y coerciva. Entonces existe u V tal que v V, f (u) f (v).
Demostracin: Como f es coerciva, sus conjuntos de nivel inferior son acotados en V y en conse-
cuencia relativamente compactos para la topoliga dbil. Luego f es (V, V )-inf-compacta y como
adems es s.c.i. para la topologa fuerte, lo es para (V, V ) en virtud del corolario 1.3.2. El resultado
se obtiene al aplicar el Teorema de Weierstrass.
Ejercicio 1.4.1. Pruebe el teorema anterior sin usar el Teorema de Weierstrass. Para ello, aplique
el mtodo directo con = (V, V ).
En el siguiente ejemplo veremos que la reexividad es esencial para la validez del teorema
anterior.
1.4. MINIMIZACIN CONVEXA EN ESPACIOS DE BANACH 21
Ejemplo 1.4.1 (Un problema de minimizacin convexa sin solucin ptima). Consideremos (V, kk) =
(C([0, 1]; R), kk ), donde
kvk = sup {|v(t)| | t [0, 1]} .

Sea
( Z Z 1 )
1/2

C := vV v(t)dt v(t)dt = 1 .
0 1/2
Es fcil ver que C es no-vaco, cerrado y convexo (ms aun, C es un hiperplano cerrado). Consi-
deremos la funcin indicatriz C . Como
(
<0
(C ) =
C 0
y C es cerrado, entonces C es s.c.i. (con respecto a kk ). Como epi(C ) = C [0, +[, que es
convexo, entonces C es convexa. Consideremos el problema de minimizacin:
d(0, C) = inf{kvk | v C} = inf{kvk + C (v) | v X}.
Evidentemente, la funcin f (v) = kvk + C (v) es convexa, kk-s.c.i. y coerciva. Observemos que si
v C , entonces
1
Z2 Z1 Z1
1 = v(t)dt v(t)dt |v(t)|dt kvk .
0 1 0
2
As, d(0, C) 1. Por otra parte, dados n 1, n < 12 , n > 1 denimos vn : [0, 1] R por

n
x [0, n ]
n 1 n
vn (x) = n 1 x + 2 1 x ]n , 1 n [
n

2 2
n x [1 n , 1]
y tomando n = 12 n1 , n = 1 + n1 se tiene que vn C y kvn k = n+1
n con lo que concluimos que
d(0, C) = 1. R R
1/2 1
Supongamos que existe u C tal que kuk = 1. Como 0 u(t)dt 2 y 1/2 u(t)dt 12
1
R R R
1/2 1 1/2
, necesariamente 0 u(t)dt = 1/2 u(t)dt = 12 . Pero entonces 0 (1 u(t))dt = 0 y como

1 u(t) 0 deducimos que u 1 sobre 0, 21 . Similarmente, u 1 sobre 21 , 1 lo que contradice
la continuidad de u. Luego, no existe un minimizador para d(0, C). En particular, se deduce que
(C([0, 1]; R), kk ) no es reexivo.
Observacin 1.4.1. Se puede asegurar la unicidad del minimizador en el Teorema 1.4.2 cuando se
tiene que inf V f < + si suponemos adems que f es estrictamente convexa , es decir,
u, v dom(f ), u 6= v, ]0, 1[, f (u + (1 )v) < f (u) + (1 )f (v).
Ejercicio 1.4.2. Demuestre la observacin anterior.

1.5. Relajacin topolgica

1.5.1. La regularizada semicontinua inferior
La efectividad del enfoque topolgico presentado radica en la posibilidad de escoger la topologa
de modo de satisfacer las propiedades de inf-compacidad y semicontinuidad inferior. Sin embargo,
la dicultad reside en que ambas propiedades son antagonistas en el siguiente sentido: dada f : X
R {+} y dos topologas 2 1 sobre X se tiene que
1. Si f es 1 -inf-compacta entonces f es 2 -inf-compacta.
2. Si f es 2 -s.c.i. entonces f es 1 -s.c.i.
La eleccin de la topologa resulta de un balance entre ambas propiedades. Usualmente la inf-

compacidad tiene prioridad: se trata de encontrar la topologa ms na posible que asegura la
inf-compacidad de f , lo que permite por una parte aumentar las posibilidades de que f sea s.c.i.
y por otra describir el comportamiento asinttico de las sucesiones minimizantes. Sin embargo, en
algunas aplicaciones importantes la semicontinuidad inferior simplemente no se tiene y el problema
de minimizacin asociado no tiene solucin, pese a que s se tiene la inf-compacidad. En tales casos,
es interesante entender el comportamiento de las sucesiones minimizantes. Por ejemplo responder a
la pregunta Qu se puede decir de los puntos de acumulacin?
En lo que sigue, supondremos que (X, ) es un espacio topolgico.
Denicin 1.5.1. La -regularizada s.c.i. o -clausura inferior de f : X R {+} es la funcin

denida por

cl (f ) = f := sup{g : X R {+} | g es -s.c.i, g f }.
Proposicin 1.5.1. Si f : X R {+}, entonces

(i) epi(cl (f )) = cl(epi(f )). En particular, cl (f ) es -s.c.i.
(ii) cl (f )(x) = lim inf f (y).

yx
(iii) f es -s.c.i. ssi f cl (f ) ssi f = cl (f ).
Demostracin: (i) Notemos que A X R es un epigrafo si, y slo si,
1. Para todos (x, ) A y > se tiene (x, ) A; y

2. Para todo x X , el conjunto { | (x, ) A} es cerrado en R.
As, es fcil vericar que A = cl(epi(f )) es un epgrafo, es decir, existe g : X R {+}

tal que cl(epi(f )) = epi(g). Como epi(g) es cerrado, g es -s.c.i. Ms aun, dado que epi(f )
epi(g), tenemos que g f . As, g es un minorante -s.c.i de f y en consecuencia g cl (f ).
Sea ahora h : X R {+} otra minorante s.c.i. de f de modo que epi(f ) epi(h), luego
epi(g) = cl(epi(g)) epi(h), y as g h. Por lo tanto g = cl (f ).
1.5. RELAJACIN TOPOLGICA 23
(ii) Como cl (f ) es -s.c.i., cl (f )(x) lim inf cl (f )(y) lim inf f (y). Por otra parte, denamos
yx yx
h(x) := lim inf f (y) = sup inf f (y), que es una minorante de f y es -s.c.i., de modo que
yx V Nx yV
h cl (f ).
(iii) Evidentemente, cl (f ) f y si f es -s.c.i., entonces f (x) lim inf f (y) = cl f (x).
yx
Proposicin 1.5.2. Si f : X R {+}, entonces

cl (f )(x) = min{lim inf f (xd ) | D conjunto dirigido, (xd )dD una red, xd x}.
d
Si adems (X, ) es metrizable, entonces
cl (f )(x) = min{lim inf f (xn ) | (xn )nN es una sucesin, xn x}.

n
Demostracin: Para simplicar, slo haremos la demostracin en el caso metrizable. Tenemos que
lim inf f (y) = sup inf f (y).

yx >0 yB (x,)
Sea xn x, de modo que > 0, n0 () N, n n0 , xn B (x, ). En consecuencia,

f (xn ) inf f (y) y ms aun inf f (xn ) inf f (y). Luego lim inf f (xn ) = sup inf f (xn )
yB (x,) nn0 yB (x,) n kN nk
inf f (y). Por lo tanto, de la arbitrariedad de y xn x
yB (x,)
lim inf f (y) inf{lim inf f (xn ) | xn x}.

yx n
Por otra parte, para cada n 1 existe xn B (x, n1 ) tal que

inf f (y) f (xn ) n1 si inf f >
1 1
yB (x, n ) B (x, n )

n f (xn ) si inf f = .
1
B (x, n )
En ambos casos
lim inf f (y) lim inf f (y) lim sup f (xn ) lim inf f (xn )
yx n yB (x, 1 ) n n
n
lo que prueba el resultado.
Proposicin 1.5.3. Sea f : X R {+}. Entonces inf X f = inf X cl (f ) y ms generalmente

inf U f = inf U cl (f ) para todo U . Adems arg min f arg min cl (f ).
Demostracin: Como f cl (f ), slo debemos probar que inf U f inf U cl (f ). Dado que x U ,
como U , se tiene que U Nx ( ) y as cl (f )(x) inf U f. De la arbitrariedad de x se deduce
que inf U cl (f )(x) inf U f . Finalmente, si x arg min f entonces
cl (f )(x) f (x) = inf f = inf cl (f )

X X
lo que implica que x arg min cl (f ).

Teorema 1.5.1. Sean f : X R{+} y (xn )nN una sucesin minimizante para f . Supongamos
que existen x X y una subsucesin (xnk )kN tales que xnk x. Entonces x minimiza cl (f ) en
X.
Demostracin: Como lim f (xn ) = inf X f , deducimos que

n
cl (f )(x) lim f (xnk ) = inf f = inf cl (f ).

k X X
Denicin 1.5.2. Decimos que el problema min{cl (f )(x) | x X} es el problema relajado del
problema de minimizacin original inf{f (x) | x X}.
Ejercicio 1.5.1. Sea F : (X, ) R {+} y G : (X, ) R una funcin continua. Muestre que

(F + G) = F + G.
Ejemplo 1.5.1. Dado p ]1, +[, consideremos el siguiente problema de minimizacin:

Z Z
1
(P) inf p
|v(x)| dx g(x)v(x)dx v = 0 sobre ,
vV p

donde RN es un abierto acotado y g es una funcin con propiedades a precisar. La existencia

de soluciones depender de la eleccin del espacio V . Una primera idea es considerar V = Cc1 (),
el espacio de las funciones continuas a soporte compacto en , pero esta ser insuciente si nos
interesa considerar g irregular.
Sea F : Lp () R {+} denida por
( R
1 p
p |v| dx si v Cc1 (),
F (v) =
+ si no.
Lp
Nos interesa calcular F = F (ms adelante veremos el porqu). Primero observemos que v
dom(F ) si, y slo si, existe vn v en Lp () tal que lim inf F (vn ) < +. Sin prdida de generalidad
n+
podemos suponer que lim F (vn ) existe y es nito, y que supn F (vn ) < +, lo que equivale a
n+
supn kvn kp, < +. Luego supkvn k1,p, < +, donde kvn k1,p, = kvn kp, + kvn kp, . Es decir
(vn )nN Cc1 () est uniformemente acotada en W 1,p (). Como ste es un espacio de Banach
reexivo, deducimos que existe w W 1,p () y una subsucesin (vnk )kN tal que vnk * w dbilmente
en W 1,p (). En particular, vnk * w en Lp () y en consecuencia w = v . As, vnk * v dbilmente
en W 1,p () y (vnk )kN Cc1 () W01,p () y este ltimo es subespacio cerrado de W 1,p (), luego
es dbilmente cerrado. En conclusin v W01,p (). As, dom(F ) W01,p ().
kk1,p
Recprocamente, si v W01,p () = Cc1 () entonces existe una sucesin (vn )nN Cc1 () tal
1,p
que vn v en W0 () y en particular kvkp, = lim kvn kp, . Por lo tanto, dom(F ) = W01,p ()
n
y, ms aun, si v W01,p () entonces F (v) p1 kvkpp . Por otra parte, si v W01,p () y vn v
en Lp () y, razonando sin prdida de generalidad, podemos suponer que vn * v dbilmente en
1.5. RELAJACIN TOPOLGICA 25
W 1,p () yR en particular vn * v dbilmente en Lp ()N . Pero : Lp ()N R denida por

(f ) = p1 |f (x)|p dx es convexa continua, y, por lo tanto, es dbilmente s.c.i. Luego
1 1
kvkpp lim inf kvn kpp .
p n p
De la arbitrariedad de las sucesiones se obtiene que p1 kvkpp F . En conclusin

(
1
kvkpp si v W01,p (),
F (v) = p
+ si no.
1 1
Supongamos que g Lq () con p + q= 1 y denimos G : Lp () R mediante
Z
G(v) := g(x)v(x)dx.

Luego, si denimos J(v) := F (v) + G(v), del Ejercicio 1.5.1

( R R
1 p 1,p
p |v(x)| dx g(x)v(x)dx si v W0 (),
J(v) =
+ si no.
Podemos formular el problema original como
(P) inf J(v) J(0) = 0 < +.
vLp ()
Sea (vn )n Lp () una sucesin minimizante para (P), es decir, lim J(vn ) = inf Lp J . Razonando
n
como antes podemos suponer sin prdida de generalidad que supn J(vn ) < + de modo que
(vn )nN Cc1 () W01,p () y supn kvn kp < +. Por la desigualdad de Poincar, deducimos
que (vn )nN est acotada en W01,p () y por el Teorema de la Inyeccin Compacta de Rellich-
Kondrachov, se tiene que existen v W01,p () y (vnk )kN tales que vnk v en Lp (). Aplicando
el Teorema 1.5.1, deducimos que v arg min J , es decir, v es una solucin del problema relajado
(P) inf J(v).
vLp ()
1.5.2. La -convergencia
A continuacin introduciremos la -convergencia o epi-convergencia y mostraremos sus princi-
pales propiedades. Por ejemplo, un resultado de estabilidad para problemas de minimizacin.
Sea (X, d) un espacio mtrico y consideremos una familia {Fn }nN de funciones denidas de X en
R. Para u X , denimos
((d) lim inf Fn )(u) := inf{lim inf Fn (un ) : un u},
n+ n+
y
((d) lim sup Fn )(u) := inf{lim sup Fn (un ) : un u}.
n+ n+
Claramente, se tiene que (d) lim inf Fn (d) lim sup Fn y si coinciden diremos que la sucesin
{Fn }nN es - convergente o epi-convergente a F en u X . En ese caso escribimos F (u) =
((d) limn Fn )(u). Notemos que dado u X , la denicin es equivalente a:
1. Para cada sucesin un u, se tiene que
F (u) lim inf Fn (un ) ,

n+
2. Existe una sucesin un u tal que
F (u) = lim Fn (un ).
Ejercicio 1.5.2. Muestre que el -lmite de una sucesin constante es la clausura inferior. Ms
precisamente, (d) lim F = cld (F ).
Ms generalmente, es posible demostrar que si F = (d) lim Fn entonces F es s.c.i. y que bajo
ciertas condiciones sobre d, la -convergencia dene una topologa metrizable sobre el espacio de
las funciones inferiormente semicontinuas. En general, la convergencia no implica ni es implicada
por la convergencia puntual, ms aun, es posible encontrar ejemplos de sucesiones -convergentes
en X cuyo lmite puntual existe en X pero que no coincide con el -lmite.
Ejercicio 1.5.3. Sea Fn una sucesin decreciente de funciones de X en R. Muestre que el -lmite
existe y
(d) lim Fn = cld ( inf {Fn }).
n+ nN
La principal propiedad de la -convergencia se establece en el siguiente teorema y precisa su

naturaleza variacional.
Teorema 1.5.2. Sean {Fn }n , F y G funciones de X en R tales que
F = lim Fn .
n+
y tal que G es continua. Entonces
lim sup(inf{Fn + G}) inf{F + G}.

n+
Ms aun, si existe una subsucesin unk arg min{Fnk + G} convergente a u X , entonces u

arg min{F + G} y inf{Fnk + G} inf{F + G}.
Demostracin: El lector debe vericar que (Fn + G)nN es -convergente a F + G. Luego, basta
considerar el caso G 0. Supongamos que inf F > y para > 0 consideremos u un -mnimo
de F :
F (u ) inf F + .
Tomando un u tal que limn+ Fn (un ) = F (u ), se tiene que
lim sup(inf Fn ) lim Fn (un ) inf F + ,

n+ n+
y, de la arbitrariedad de > 0, concluimos que lim supn+ (inf Fn ) inf F . Si inf F = el

argumento es similar.
1.6. PROBLEMAS 27
Sea uk = unk la subsucesin convergente a u tal que uk arg min(Fnk ). De la -convergencia, se

tiene que
F (u) lim inf Fk (uk ),
k+
de donde se sigue que
F (u) lim inf inf Fk
k+
lo que implica, junto con la primera parte del teorema, que u arg min F y que limk+ inf Fnk =
inf F .
1.6. Problemas
Problema 1. Sea (X, ) un espacio topolgico y dado x X considere la funcin f (x) = sup{g(N ) |
N Nx ( )}, donde g es una funcin a valores en R {+} denida sobre y Nx ( ) denota el
conjunto de -vecindades de x. Muestre que f es s.c.i.
Problema 2. Sean V un espacio de Banach y U : V R una funcin Gteaux-diferenciable.
Diremos que U satisface la condicin (WC) sobre un subespacio V si para cualquier sucesin
(xn )nN con las siguientes propiedades:
(|U (xn )|)nN es acotada,
U 0 (xn ) 6= 0 para todo n, y
U 0 (xn ) 0 en V ,
existe x X tal que U 0 (x) = 0 y
lim inf U (xn ) U (x) lim sup U (xn ).
n+ n+
(a) Suponga que V es reexivo y que U es convexa, s.c.i, y U (x) + cuando kxk +.
Muestre que U satisface la condicin (WC) sobre V .
(b) Suponga ahora que U es s.c.i. y acotada inferiormente. Suponga tambin que la restriccin de
U 0 a rectas es continua y que U satisface la condicin (WC) sobre V . Pruebe que U alcanza
su mnimo sobre V .
Problema 3 (Teorema del Punto Fijo de Caristi). Sea (E, d) un espacio mtrico y G : E 2E .
Diremos que x es un punto jo de G si x G(x).
(a) Supongamos que existe una funcin f : E R {+} propia, acotada inferiormente, y s.c.i.
tal que para cada x E , existe un y G(x) que satisface f (y) + d(y, x) f (x). Muestre que
G posee al menos un punto jo.
(b) Denamos el grafo de G como
Grafo(G) = {(x, y) E E | y G(x)}.
Supongamos que Grafo(G) es cerrado y que existe f : E R+ {+} propia tal que para
cada x E , existe un y G(x) que satisface f (y) + d(y, x) f (x). Muestre que G posee al
menos un punto jo.
Problema 4 (Convergencia Variacional de Puntos Sillas). Diremos que una sucesin {Fn : Rn
Rm R, n N} hipo/epi-converge a una funcion F : Rn Rm R si para cualquier (x, y)
Rn Rm se satisface
1. Para cualquier xn x existe yn y tal que lim supn+ Fn (xn , yn ) F (x, y),
2. Para cualquier yn y existe xn x tal que lim inf n+ Fn (xn , yn ) F (x, y).
Suponga que (Fn ) hipo/epi-converge a F y que existe una secuencia de puntos (xn , yn ) tales que
para cualquier (x, y) Rn Rm se tiene que
Fn (x, yn ) Fn (xn , yn ) Fn (xn , y).
Muestre que si (xn , yn ) (x, y), entonces
F (x, y) F (x, y) F (x, y).

Captulo 2
Fundamentos de Anlisis Convexo
2.1. Funciones convexas.

Sea V un espacio vectorial real. Recordemos que una funcin f : V R se dice convexa si
epi f es un subconjunto convexo de V R. De manera equivalente, f es convexa si, y slo si,
P
n
n 2, v1 , ..., vn V, 1 , ..., n R+ {0} : i = 1
i=1
n
! n
X X
f i vi i f (vi ).
i=1 i=1
Proposicin 2.1.1. Sea f : V R una funcin convexa.

(i) Si 0 entonces f es convexa.
(ii) Si g : V R es convexa entonces f + g es convexa.
(iii) Si A : W V es lineal afn entonces f A es convexa.
(iv) Si : R R es convexa no-decreciente entonces f es convexa.
(v) Si (fi )iI es una familia no vaca de funciones convexas de V en R, entonces f = sup fi es
iI
convexa.
(vi) Supongamos que W es un espacio vectorial y g : V W R es convexa. Entonces la funcin

h : V R denida por h(v) = inf g(v, w) es convexa.
wW
(vii) Si g : Rm R es convexa y F : V Rm es de la forma F (x) = (f1 (x), ..., fm (x)) con

fi : V R convexas, entonces gF es convexa siempre que g = g(y1 , ..., ym ) sea no-decreciente
en yi para i = 1, ..., m.
Demostracin: Se deja como ejercicio para el lector.
Observemos que (i) y (ii) dicen que el conjunto de las funciones convexas en V es un cono convexo
(pero no un espacio vectorial pues la diferencia de dos funciones convexas no es necesariamente
29
30 CAPTULO 2. FUNDAMENTOS DE ANLISIS CONVEXO
convexa). Ejemplos de funciones convexas son las normas y las seminormas en V .

Otra denicin a retener es la de concavidad: Decimos que f : V R es (estrictamente) cncava si
f es (estrictamente) convexa.
En espacio generales, una funcin convexa, incluso si es lineal, no es necesariamente continua. Sin
embargo, el siguiente resultado establece una propiedad interesante acerca de la continuidad y
lipschitzianidad de las funciones convexas.
Teorema 2.1.1. Sean (V, kk) un e.v.n. y f : V R {+} una funcin convexa. Entonces son
equivalentes:
(i) f est acotada superiormente en una vecindad de x0 dom(f ).
(ii) f es localmente Lipschitz en x0 dom(f ).
(iii) f es continua en algn x0 dom(f ).
(iv) f es localmente Lipschitz en int(dom(f )) 6= .
(v) f es continua en int(dom(f )) 6= .
(vi) int(epi(f )) 6= .
Demostracin: Probaremos que (i) (ii) (iii) (i) y luego que (i) (iv) (v) (vi) (i).
(i) (ii) Sin prdida de generalidad podemos suponer que x0 = 0 (de lo contrario basta
considerar f(x) = f (x + x0 )). Sean > 0 y M R tales que para cada x con kxk se tiene
que f (x) M . Dados x1 , x2 con kxi k 2 i = 1, 2 y x1 6= x2 de modo que := kx1 x2 k > 0,

denimos y = x1 + 2 (x1 x2 ). En consecuencia, ky x1 k = 2 , de donde concluimos que
2
kyk y f (y) M . Adems, x1 = 2+ y + 2+ x2 y de la convexidad de f deducimos
2
f (x1 ) f (y) + f (x2 ).
2 + 2 +
Luego
2 2
f (x1 ) f (x2 ) [f (y) f (x2 )] [M f (x2 )]
2 + 2 +
Pero 0 = 12 x2 + 12 (x2 ) de modo que f (0) 1
2 f (x2 ) + 12 f (x2 ) y se tiene que f (x2 )
f (x2 ) 2f (0) M 2f (0). As,
4 4M
f (x1 ) f (x2 ) [M f (0)] kx1 x2 k,
2 +
para algn M > 0.

4M
Intercambiando los roles de x1 y x2 se deduce que |f (x1 ) f (x2 )| kx1 x2 k.
(ii) (iii) y (iii) (i) son inmediatos.

2.1. FUNCIONES CONVEXAS. 31
(i) (iv). Sea x int(dom(f )). Consideremos > 0 y denamos y = x + (x x0 ) de

1
modo que x = 1+ y + 1+ x0 . Si > 0 es sucientemente pequeo, y dom(f ). Sea U una
vecindad abierta de x0 donde f es acotada superiormente por M y denamos
1
U := y + U
1+ 1+
que resulta ser una vecindad abierta de x. Luego, si z U se tiene que x U : z =
1
1+ y + 1+ x y por la convexidad de f
1 1
f (z) f (y) + f (x) f (y) + M := M ,
1+ 1+ 1+ 1+
de modo que f est localmente acotada por M en x.
(iv) (v) Tambin es inmediato.
(v) (vi) Sean x int(dom(f )) y > f (x). Veremos que (x, ) int(epi(f )). En efecto, dado
R tal que f (x) < < , existe una vecindad abierta U de x tal que y U, f (y) < .
Luego (x, ) U ], +[ epi(f ).
(vi) (i) Dados U abierto no vaco y a < b tales que U ]a, b[ epi(f ) entonces x
U, (x, a+b a+b
2 ) epi(f ) lo que equivale a decir que x U, f (x) 2 < +.
Este resultado puede adaptarse al caso f : V R pero hay que exigir que f (x0 ) R.
Corolario 2.1.1. Si f : Rn R {+} es convexa y propia entonces f es localmente Lipschitz

en int(dom(f )). En particular, si f : Rn R es convexa entonces es continua.
Demostracin: Sea x0 int(dom(f )) de modo que > 0 : B(x0 , ) dom(f ). Sean e1 , ..., en los
vectores de la base cannica de Rn y xi := x0 + ei para i = 1, ..., n. El conjunto
( n )
X Xn

S= i xi i = 1, i > 0, i {0, 1, ..., n}

i=0 i=0
es una vecindad abierta de x0 , y por convexidad

n !
X
f i xi max{f (xi ) | i = 0, 1, ..., n} < +.
i=0
Por lo tanto f est acotada superiormente en S .
Notemos que la convexidad es esencialmente una propiedad unidimensional pues depende del
comportamiento en un segmento de recta. Por ejemplo, un conjunto es convexo si, y slo si, su
interseccin con cualquier recta lo es. As, muchas de las propiedades de funciones convexas en Rn
pueden obtenerse de un anlisis del caso n = 1.
Lema 2.1.1. Sea I un intevalo. Una funcin f : I R es convexa si, y slo si, para todo
x0 y x1 en I se tiene que
f (y) f (x0 ) f (x1 ) f (x0 ) f (x1 ) f (y)

.
y x0 x1 x0 x1 y
Luego, dado x I , se tiene que
f (y) f (x)
x (y) :=
yx
es no-decreciente como funcin de y I \{x}. Similarmente la convexidad estricta est caracterizada
por desigualdades estrictas.
x1 y yx0
Demostracin: Basta observar que y = x1 x0 x0 + x1 x0 x1 .
Teorema 2.1.2. Si f : I R R es diferenciable en el intervalo abierto I entonces cada una de

las siguientes condiciones son necesarias y sucientes para que f sea convexa en I :
(i) f 0 es no-decreciente en I .
(ii) f (y) f (x) + f 0 (x)(y x), x, y I .
(iii) En caso de que f sea de clase C 2 , f 00 (x) 0, x I .
Similarmente, cada una de las siguientes condiciones son necesarias y sucientes para que f sea
estrictamente convexa en I :
(i') f 0 es estrictamente creciente en I .
(ii') f (y) > f (x) + f 0 (x)(y x), x, y I con x 6= y .
Una condicin suciente pero no necesaria para la convexidad estricta es:
(iii') f 00 (x) > 0, x I (asumiendo que f C 2 ).
Demostracin: (convexidad) (i) Directo del lema anterior.
(i) (ii) Denamos gx (y) := f (x) f (y) + f 0 (x)(y x). Notemos que gx (x) = 0 y que
gx0 (y) = f 0 (y)+f 0 (x) de modo que gx0 (y) 0 si y I], x] y gx0 (y) = si y I [x, +].
En consecuencia, gx tiene un mximo golbal en y = x y el valor es 0.
(ii) (convexidad) Sea lx (y) = f (x) + f 0 (x)(y x) una funcin lineal afn. Tenemos que
x I, f (y) lx (y) y f (x) = lx (x). As, f (y) = supyI lx (y) y en consecuencia f es convexa.
(ii0 ) (convexidad estricta) Dados x0 < x1 sea x = x0 + (x1 x0 ). Para la funcin afn
l (y) = f (x ) + f (x (y x ) tenemos que f (x0 ) > l (x0 ) y f (x1 ) > l (x1 ) perof (x ) =
l (x = l (x1 ) + (1 )l (x0 ) luego f (x ) < (1 )f (x0 ) + f (x1 ).
Queda como ejercicio estudiar las otras implicancias.
Ejemplo 2.1.1. Algunas funciones convexas relevantes:

2.2. ESPACIOS EN DUALIDAD 33
f (x) = ax2 + bx + c en R cuando a 0; es estrictamente cuando a > 0.
f (x) = eax en R; es estrictamente cuando a 6= 0.
f (x) = x en ]0, +[ cuando 1; es estrictamente convexa cuando > 1.
f (x) = x en ]0, +[ cuando 0 1; es estrictamente convexa cuando 0 < < 1.
f (x) = ln x en ]0, +[ es estrictamente convexa.
Notemos que f (x) = x4 satisface que f 00 (0) = 0 pero es estrictamente convexa, lo que muestra que
(iii0 ) no es necesario.
Corolario 2.1.2. Sea U Rn un conjunto convexo y abierto. Si f : U R es diferenciable,

entonces cada una de las siguientes condiciones son necesarias y sucientes para que f sea convexa
en U :
(i) x, y U, hf (x) f (y), x yi 0.
(ii) x, y U, f (y) f (x) + hf (x), y xi.
(iii) 2 f (x) es semi-denida positiva x U (asumiendo que f C 2 ).
Para la convexidad estricta es necesario y suciente tener (i) o (ii) con desigualdad estricta si x 6= y .
Una condicin suciente pero no necesaria es que 2 f (x) sea denida positiva.
Demostracin: Propuesto. Considerar g(t) = f (y + tz) con y U y z Rn .
Ejercicio 2.1.1. Pruebe que las siguientes funciones son convexas:

f (x) = 12 hx, Axi + hb, xi + c, con A Rnn matriz simtrica y semi-denida positiva. Pruebe
que es estrictamente convexa si A es denida positiva.
n
P xi
f (x) = ln e . Muestre adems que esta funcin no es estrictamente convexa.
i=1
2.2. Espacios en dualidad

Diremos que dos e.v.t.l.c. (X, ), (Y, ) son espacios en dualidad si existe un producto de dualidad
entre X y Y , esto es, una funcin bilineal h, i : X Y R tal que:
1.1 x X \ {0}, y Y : hx, yi 6= 0.
1.2 y Y \ {0}, x X : hx, yi 6= 0.
2.1 y Y, h, yi (X, ) y ` (X, ) , !y Y : ` = h, yi.
2.2 x X, hx, i (Y, ) y ` (Y, ) , !x X : ` = hx, i.

Decimos que 1.1 y 1.2 son propiedades que hacen a h, i separar puntos. Las topologas y se
dirn compatibles con la dualidad (X, Y, h, i) y necesariamente son separadas: dados x1 6= x2 en X
se tiene, por 1.1, que existen R y y Y tales que hx1 , yi > > hx2 , yi. En virtud de (2.1), se
tiene que x1 {x | hx, yi > } y x2 {x | hx, yi < } . Anlogamente se prueba que la
topologa es separada.
Ejemplo 2.2.1 (Espacios en Dualidad). Los siguientes son algunos ejemplos de espacios en duali-
dad:
X = Y espacios de Hilbert cuya topologa esta inducida por el producto hilbertiano h, i que
a su vez resulta ser el producto de dualidad.
(X, kk) un e.v.n., Y = (X, kk ) = X , h, i : X X R denido por hx, x i = x (x).
1.1 Se tiene por Hahn-Banach.

1.2 Se tiene pues x 6= 0.
2.1 Se tiene por denicin.
2.2 Depende de la topologa en X :
Si = kk entonces 2.2 equivale a que X sea un Banach reexivo.
Si = (X , X) es la topologa dbil entonces 2.2 se cumple gracias al Teorema
1.3.2.
Ms generalmente, si X e Y son e.v. y h, i : X Y R una funcin bilineal que separa

puntos, entonces (X, (X, Y )) y (Y, (Y, X) son espacios en dualidad, donde (X, Y ) es la
topologa ms pequea que hace todos los h, yi continuos.
En las aplicaciones, prcticamente la nica situacin til es el caso de (X, X , h, i) con X

espacio de Banach y h, i asociado a las evaluaciones, caso en el que, a modo de resumen, tenemos
que:
1. (X, kk ) es compatible con la dualidad h, i.
2. (X, (X, X )) es compatible con la dualidad h, i.
3. (X , (X , X) es compatible con la dualidad h, i.
4. (X , kk ) es compatible con la dualidad h, i si, y slo si, X es reexivo.
Este caso no es el nico considerado en este captulo porque deseamos enfatizar que el anlisis
slo depende de las topologas (dbiles) involucradas.
2.3. La conjugada de Fenchel

Sean (X, ) y (Y, ) dos e.v.t.l.c. en dualidad h, i y f : X R una funcin. Vimos que en el
caso en que la dimensin es nita y la funcin es diferenciable la convexidad puede caracterizarse
2.3. LA CONJUGADA DE FENCHEL 35
va minorantes lineales anes asociados al gradiente de la funcin. En el caso general, decimos que
dado y Y y R la funcin lineal l (x) = hx, yi es una minorante de f si
x X, hx, yi f (x),
o equivalentemente
sup {hx, yi f (x)}.
xX
Denicin 2.3.1 (Fenchel, 1949). La conjugada de Fenchel de f : X R es la funcion f : Y R

denida por
f (y) = sup {hx, yi f (x)}.
xX
Observacin 2.3.1. 1. La denicin equivale a
f (y) = sup {hx, yi f (x)}

xdom(f )
incluso si dom(f ) = .
2. Si x0 X tal que f (x0 ) = entonces f +.
3. f es convexa y s.c.i. para cualquier topologa sobre Y compatible con la dualidad h, i.
4. Se cumple la desigualdad de Young-Fenchel:
x X, y Y, f (x) + f (y) hx, yi.
Interpretaciones
Geomtrica. Dado y Y , f (y) es el menor valor que se debe restar a h, yi para que h, yi
sea una minorante lineal afn de f .
Minimizacin. Notemos que f (0) = inf X f y que, ms generalmente, f (y) = inf xX {f (x)
hx, yi} es el valor ptimo de un problema perturbado linealmente por h, yi.
Econmica. Si X es un espacio de bienes , Y es un espacio de precios y f es una funcin de

costos de produccin, entonces hx, yi f (x) es el benecio de producir x cuando los precios
estn dados por y y por lo tanto f (y) es el mximo benecio asociado al precio y .
Proposicin 2.3.1. 1. Si f g entonces f g .
2. Si (fi )iI es una familia de funciones de X en R entonces

inf fi = sup fi , y sup fi inf fi .
iI iI iI iI
3. Dado > 0, (f ) (y) = f ( y ).
4. Dado R, (f + ) = f .
5. Dado x0 X , si denimos fx0 (x) = f (x x0 ) entonces fx0 (y) = f (y) + hx0 , yi.
6. Si A : X X es lineal continua y biyectiva, entonces (f A) = f A 1 .
7. Dado y0 Y , si denimos fy0 (x) = f (x) + hx, y0 i entonces fy0 (y) = f (y y0 )-
Ejemplo 2.3.1. Sea f (x) = exp(x) denida sobre R. Se tiene que

f (0) = 0.
Si y > 0 entonces f (y) t(y) exp(t) cuando t y, por lo tanto, f (y) = +.
Si y < 0 entonces f (y) se obtiene maximizando una funcin cncava diferenciable. Luego
f (y) = y ln y y .
As, (
y ln y y si y 0,
f (y) =
+ si y < 0.
sta se conoce como la funcin de entropa de Boltzmann-Shannon.
Ejemplo 2.3.2. Si : R R es una funcin convexa y (V, kk) es una e.v.n. en dualidad con V
entonces la conjugada de f : V R denida por f (v) = (kvk) est dada por
f (v ) = (kv k ).
En efecto, dado v V se tiene que
f (v ) = sup{hv, v i (kvk)}
vV
n v o
= sup sup th , v i (t)
t0 kvk=t t
= sup{tkv k (t)}
t0
= sup{tkv k (t)}
tR
= (kv k )

donde la ltima igualdad se sigue del hecho que es par. Un caso de particular importancia es
cuando consideramos p ]1, +[ y (x) = p1 |x|p . Se tiene que (y) = 1q |y|q con p1 + 1q = 1 por lo que
deducimos que si f (v) = p1 kvkp entonces f (v ) = 1q kv kq . En particular, si (V, kk) = (Lp (), kkp )
entonces (V , kk ) = (Lq (), kkq ). En consecuencia si
1
F (f ) = kf kpp
p
entonces
1
F (g) = kgkqq .
q
Ejercicio 2.3.1. Muestre que si X = Y son espacios de Hilbert y f (x) = 12 kxk2 = hx, xi, entonces
f (y) = f (y). Pruebe tambin que 12 kxk2 es la nica funcin con esta propiedad.
Ejemplo 2.3.3 (Funcin Soporte). Sea K un subconjunto de X y

(
0 si x K,
K (x) =
+ si x
/K
su funcin caracterstica. La funcin soporte de K est denida por

K (y) := K (y) = sup hx, yi.
xK
Los siguientes casos son de inters
1. Si K = {x0 } entonces {x0 } (y) = hx0 , yi.
2. Si (X, kk) es un e.v.n. y K = {x X | kxk 1} entonces K (y) = kyk .
3. Si K es un cono entonces K (y) = K 0 (y) donde
K 0 = {y Y | x K, hx, yi 0}
es el cono polar de K . Si K es un cono convexo cerrado entonces (K 0 )0 = K y adems

K = {x X | y Y, hx, yi K (y)}.
4. Si K es un subespacio vectorial entonces K (y) = K (y), donde
K = {y Y | x K, hx, yi = 0}
es el subespacio ortogonal a K . Si adems K es cerrado, (K ) = K .
Proposicin 2.3.2. Si K X es un conjunto entonces K es convexa, s.c.i. y positivamente

homognea. Recprocamente, cualquier funcin con estas caractersticas es la funcin soporte del
conjunto
K = {x X | y Y, hx, yi (y)}
Volvamos al caso general de una dualidad (X, Y, h, i).
Denicin 2.3.2. A continuacin deniremos dos espacios muy importantes en anlisis convexo.
(X) = {f : X R | f es supremo de lineales anes continuas }
0 (X) = (X) \ {, } donde +, .
Teorema 2.3.1. f 0 (X) si, y slo si, f es convexa, s.c.i. y propia.

Demostracin: Ya hemos demostrado la necesidad. Veamos la suciencia: sea f convexa, s.c.i. y

propia, de modo que su epgrafo es convexo, cerrado y no vaco. Consideremos (x, r)
/ epi(f ). De
acuerdo con el Teorema de Hahn-Banach, podemos escoger (y, s) Y R \ {(0, 0)} y R tales
que
(z, ) epi(f ), hx, yi + sr < hz, yi + s.
Notemos que s 0 pues de lo contrario, tomando x0 dom(f ) y > f (x0 ) sucientemente grande,
contradeciramos la desigualdad. Basta, entonces, distinguir dos casos:
1. x dom(f ). Tomando = f (x) obtenemos que
hx, yi + sr < hx, yi + sf (x)
y, en consecuancia, s(f (x) r) > 0 lo que implica que s > 0 y que el hiperplano separador no
es vertical. En particular tenemos que z dom(f ) se cumple que
y y
hx, i + r < hz, i + f (z)
s s s
y deniendo `(z) := hz, ys i +
s se tiene que f ` y f (x) `(x) > r.
2. x
/ dom(f ). Si s > 0 podemos razonar como en 1. El problema es que ahora no podemos
asegurar que s 6= 0. Estudiemos este caso: Si s = 0 , el hiperplano es vertical y se tiene que
(z, ) epi(f ), hx, yi < hz, yi.
Razonando como antes (pues dom(f ) 6= ) se tiene que existe ` (X, ) tal que
z X, f (z) `(z).
As, k 1, z X se tiene que
f (z) `(z) `(z) + k( hz, yi)
y
`(x) + k( hx, yi) +
cuando k +.
Hemos demostrado que x X, r < f (x), ` (X, ) : f `, f (x) `(x) > r, lo que implica
que f (X) y f > y f =
6 + pues es propia.
Notemos que dado f : X R se tiene que f (X).
Denicin 2.3.3. Dada f : X R denimos la biconjugada f : X R mediante
f (x) = sup{hx, yi f (y)}.

yY
Notemos que f (X) y se tiene que f f por la Desigualdad de Young-Fenchel.

Proposicin 2.3.3. Dada f : X R se tiene que
f (x) = sup{g(x) | g (X), g f }
de modo que f es la mayor funcin en (X) que minora a f , por lo que habitualmente de llama
-regularizada de f . En particular,
f (X) ssi f = f .
Demostracin: El conjunto (X) es estable bajo supremos, luego
h = sup{g(x) | g (X), g f } (X)
y, por lo discutido anteriormente, f h. Sea g (X) con g f , luego g f y en consecuencia

g f . De la arbitrariedad de g (X), basta probar que g = g . Como g (X) existe una
familia {ì }iI de funciones lineales anes continuas tales que
g = sup ì .
De la dualidad, podemos encontrar (yi , ri ) Y R tales que ì (x) = hx, yi i ri de modo que
(
ri si yi = y,
ì (y) =
+ si no.
Como g ì se tiene que i I, x X, g (x) `

i (x) = hx, yi i ri = ì (x). Luego, g

supiI ì = g lo que implica que g = g .
Observacin 2.3.2. 1. Si f denota la regularizada s.c.i. de f : X R, entonces
f f f.
Si f es convexa entonces f tambin lo es (pues epi(f) = epi(f ) y la adherencia de un convexo

es convexa) pero no necesariamente se tiene que f = f. En general, las nicas funciones
f : X R convexas y s.c.i. que alcanzan el valor son de la forma
(
x C,
f (x) =
+ x / C,
con C un convexo cerrado. Si C 6= X se tiene que f = f f y f 6= f pese a que

f es convexa y s.c.i. A modo de resumen, si f es una funcin convexa, entonces f = f si, y
slo si, o bien f admite una minorante lineal afn continua, o su regularizada s.c.i. es . Hay
veces en las cuales f es convexa pese a que f no lo es (este es el caso en algunos problemas
de clculo de variaciones).
2. Como X + = Y y X = Y , hemos probado que la transformacin : 0 (X)

0 (Y ) es uno a uno. De hecho, su inversa es : 0 (Y ) 0 (X). La operacin se conoce
como transformada de Legendre-Fenchel.
2.4. El subdiferencial
En anlisis, la herramienta fundamental para obtener condiciones necesarias de optimalidad es
la clebre Regla de Fermat , que en el caso diferenciable, dice que la derivada se anula en un punto
de mnimo o de mximo local. Esto signica que la recta tangente al grafo de la funcin diferen-
ciable f : R R que pasa por (x0 , f (x0 )) tiene pendiente 0 si x0 es un punto extremo (mnimo
o mximo local). Generalizada apropiadamente, esta regla es vlida en diversos contextos, que van
desde programacin matemtica, clculo de variaciones (Ecuacin de Euler-Lagrange) hasta control
ptimo. Daremos una versin de esta regla en el caso convexo sin hiptesis de diferenciabilidad (en
muchas aplicaciones, la funcin objetivo no es diferenciable).
Por otra parte, el clculo diferencial es una herramiente muy exible en anlisis, que necesita de la
nocin de derivada (o, ms generalmente, de gradiente). Cuando la diferenciabilidad en el sentido
clsico falla, es natural preguntarse si es posible extender la nocin de derivada de modo de recupe-
rar al menos algunas de sus propiedades. Un ejemplo de esta situacin es la teora de distribuciones,
donde la propiedad que se pretende preservar es la regla de integracin por partes.
Todo lo anterior nos motiva a estudiar una nocin de diferenciacin en el caso convexo orientada a
la resolucin de problemas de minimizacin.
Consideremos espacios (X, ) y (Y, ) compatibles con la dualidad h, i y una funcin f 0 (X)
de modo que
f (x0 ) = f (x0 ) = sup{hx, yi f (y)}.
yY
Supongamos que el supremo se alcanza en y0 Y y que es nito, es decir
f (x0 ) = hx0 , y0 i f (y0 ) R.
Por otra parte, sabemos que x X ,
f (x) hx, y0 i f (y0 ) = hx x0 , y0 i f (x0 ),
lo que equivale a decir que la funcin lineal afn continua `(x) := hx x0 , y0 i f (x0 ) es una
minorante de f que coincide con f en x0 . En general, no basta que f (x0 ) R para que esto ocurra.
En efecto, basta considerar (
t si t 0,
f (t) =
+ si no
que est en 0 (R), es nita en 0 y no admite minorantes anes que pasen por (0,0).
Denicin 2.4.1. Sean f : X R una funcin convexa1 y x0 X . Diremos que y Y es un

subgradiente de f en x0 si
x X, f (x0 ) + hx x0 , yi f (x).
El conjunto de subgradientes se denota f (x0 ) y se llama subdiferencial de f en x0 . Si f (x0 ) 6=
decimos que f es subdiferenciable en x0 .
Ejemplo 2.4.1. Si f (x) = |x|, x R, entonces f (0) = [1, 1].

1
La denicin tiene sentido para funciones ms generales y algunas propiedades se mantienen. Sin embargo, en
este curso consideraremos slo funciones convexas.
2.4. EL SUBDIFERENCIAL 41
Ejemplo 2.4.2. Algunos casos patolgicos:
1. Si f (x0 ) = entonces f (x0 ) = Y .
2. Si f (x0 ) = + entonces (
si dom(f ) 6= ,
f (x0 ) =
Y si f +.
Proposicin 2.4.1. Sean f : X R {+} propia y x dom(f ). Las siguientes armaciones

son equivlentes:
(i) y f (x).
(ii) f (x) + f (y) hx, yi.
(iii) f (x) + f (y) = hx, yi.
Ms aun, si f 0 (X) entonces se cumple la frmula de reciprocidad de Legendre:
y f (x) si, y slo si, x f (y).
Demostracin: (i) (ii) Dado z X se tiene que f (x) + hz x, yi f (z) lo que equivale a
f (x) + hz, yi f (z) hx, yi de donde concluimos que f (x) + f (y) hy, xi.
(ii) (iii) Evidente de la Desigualdad de Young-Fenchel.
(iii) (i) Lo hicimos cuando supusimos que el supremo del clculo de f se alcanzaba en y .
Finalmente, la condicin x f (y) equivale a f (y) + f (x) = hx, yi. Como f 0 (X) se
tiene que f (x) = f (x) lo que concluye la demostracin.
Sean Rn un abierto convexo no vaco y f : R una funcin convexa tal que f :

U Rn es un homeomorsmo. Supongamos que existe un par (x, y) tal que y U y x f (y).
De la caracterizacin anterior, x maximiza la funcin cncava diferenciable z 7 hz, yi f (z) y,
en consecuencia, y f (x) = 0 de donde concluimos que x = (f )1 (y) y deniendo la
transformada de Legendre por
g(y) := h(f )1 (y), yi f ((f )1 (y)),
se tiene que
f (y) = g(y).
Bajo hiptesis apropiadas de diferenciabilidad, es posible vericar sin la hiptesis de convexidad
que y = f (x) equivale a x = g(y). Si adems suponemos convexidad, hemos probado que la
transformada de Legendre coincide con la conjugada de Fenchel.
Proposicin 2.4.2. Si f : X R {+} es propia entonces f (x) es un convexo cerrado de Y

(eventualmente vaco).
Demostracin: Tenemos que
f (x) = {y Y | f (x) + f (y) hx, yi} = f (x) (f hx, i).
Aqu denota el conjunto de subnivel inferior. Como f hx, i es convexa y (Y, X)-s.c.i. se sigue
el resultado.
En lo que sigue, (X, kk) es un espacio de Banach en dualidad con X y denotaremos indistin-
tamente x (x), hx , xi o hx, x i.
Teorema 2.4.1. Sean f : X R convexa y x0 X tales que f (x0 ) R y f es continua en x0 .

Entonces f (x0 ) 6= y es compacto para la topologa dbil-* (X , X).
Demostracin: Como f es convexa y continua en x0 , epi(f ) es un convexo de interior no vaco.

En particular, (x0 , f (x0 )) no pertenece al convexo int(epi(f )) y, por el Teorema de Hahn-Banach,
podemos separar (no estrictamente) tal punto de tal convexo mediante un hiperplano cerrado. Es
fcil ver que la "pendiente"de este hiperplano resulta ser un subgradiente de f en x0 . En particular
f no puede tomar el valor y como dom(f ) 6= se tiene que adems f es propia.
Como f (x0 ) es convexo cerrado en X , para la compacidad basta vericar que es acotado para
kk . Por ser f localmente Lipschitz en x0 , existen > 0 y L > 0 tales que
kx x0 k < |f (x) f (x0 )| Lkx x0 k.
Luego, si x f (x0 ) tenemos que para todo x X con kx x0 k < se tiene que
f (x0 ) + hx , x x0 i f (x) f (x0 ) + Lkx x0 k
de donde concluimos que x B(x0 , ), hx , xx0 i Lkxx0 k y que, por lo tanto, kx k L.
Teorema 2.4.2 (Regla de Fermat I). Sea f : X R {+} una funcin convexa y propia.
Consideremos
(P) inf f.
X
Entonces, x0 es una solucin de (P) (es decir, x0 arg minX f ) si, y slo si, 0 f (x0 ). Si adems
f 0 (X), entonces
arg min f = f (0)
X
el cual es un convexo cerrado y acotado si f es nita y continua en 0.
Demostracin: La condicin f (x0 ) + f (0) = 0 equivale a inf X f = f (0) = f (x0 ).
Proposicin 2.4.3. Sea f : X R {+} convexa y propia. Sean x0 dom(f ) y d X .

Entonces la derivada direccional en x0 segn d est denida en R mediante
f (x0 + td) f (x0 ) f (x0 + td) f (x0 )

f 0 (x0 ; d) = lim = inf .
t0+ t t>0 t
f (x0 +td)f (x0 )

Demostracin: Sea q(t) = t . Consideremos 0 < t s y veamos que q(t) q(s).
Notemos que
t t
x0 + td = (x0 + sd) + 1 x0 ,
s s
de modo que por convexidad

t t
f (x0 + td) f (x0 + sd) + 1 f (x0 )
s s
y se tiene que
f (x0 + td) f (x0 ) f (x0 + sd) f (x0 )
.
t s
Proposicin 2.4.4. Bajo las condiciones de la proposicin anterior, f 0 (x0 ; ) es una funcin sub-
lineal y se tiene que
f (x0 ) = {x X | d X, hx , di f 0 (x0 ; d)} = [f 0 (x0 ; )](0).
Demostracin: Veriquemos la sublinealidad:

(i) f 0 (x0 ; 0) = 0.
(ii) Sea > 0, luego

f (x0 + td) f (x0 ) f (x0 + (t)d) f (x0 )
f 0 (x0 ; d) = lim = lim = f 0 (x0 ; d).
t0+ t t0+ t
(iii) Dados d1 , d2 X veriquemos que f 0 (x0 ; d1 + d2 ) f 0 (x0 ; d1 ) + f 0 (x0 ; d2 ). Para ello, basta
probar la convexidad de f 0 (x0 ; ) pues f 0 (x0 ; d1 + d2 ) = 2f 0 (x0 ; 21 d1 + 12 d2 ). Sea ]0, 1[, luego
f (x0 + td1 + t(1 )d2 ) f (x0 )

f 0 (x0 ; d1 + (1 )d2 ) = lim
t0+ t
1
inf (f (x0 + td1 ) f (x0 )) + (f (x0 + td2 ) f (x0 ))
t>0 t t
= f 0 (x0 ; d1 ) + (1 )f 0 (x0 ; d2 ).
Finalmente,
x f (x0 ) f (x0 ) + hx , y x0 i f (y), y X

f (x0 ) + hx , tdi f (x0 + td), d X, t > 0
hx , di f 0 (x0 ; d), d X.
Proposicin 2.4.5. Sean (X, kk) un e.v.n. y f 0 (X). Tomemos x0 X y supongamos que f
es nita y continua en x0 . Entonces
f 0 (x0 ; d) = sup hx , di = f (x0 ) (d).

x f (x 0)
Demostracin: Ya vimos que f 0 (x0 ; d) supx f (x0 ) hx , di. Para probar la igualdad observemos
que f 0 (x0 ; ) es convexa y continua. En efecto, tenemos que f (x0 ) 6= y en consecuencia f 0 (x0 ; d)
R, d X . Luego basta probar que f 0 (x0 ; ) es continua en 0, lo que resulta de
f 0 (x0 ; d) f (x0 + d) f (x0 ) M
para algn M > 0 y para todo d en alguna bola centrada en 0. De lo anterior, f 0 (x0 ; ) = [f 0 (x0 ; )] .
Adems
[f 0 (x0 ; )] (x ) = sup {hx , di f 0 (x0 ; d)}
dX
(
0 si x f (x0 ),
=
+ si no
= f (x0 ) (x )
Finalmente,
f 0 (x0 ; d) = sup {hx , di [f 0 (x0 ; )] (x )} = f

(x0 ) (d) = f (x0 ) (d).
x X
Corolario 2.4.1. Sean (X, kk) un e.v.n. y f 0 (X). Si x0 dom(f ) es tal que f es continua en
x0 y f (x0 ) = {x0 } entonces f es Gteaux-diferenciable en x0 y f (x0 ) = x0 .
Demostracin: Se tiene que
f 0 (x0 ; d) = sup hx , di = hx0 , di
x f (x0 )
es una funcin lineal y continua.
Corolario 2.4.2. Si f 0 (Rn ) y x0 dom(f ) es tal que f es continua en x0 y f (x0 ) = {x },

entonces f es Frchet-diferenciable en x0 .
Demostracin: Basta probar que
f (y) f (x0 ) hx , y x0 i
lim sup 0.
yx0 ky x0 k
Sea L R este lmite superior y tomemos yk x0 , tal que
f (yk ) f (x0 ) hx , yk x0 i
lim = L.
k kyk x0 k
yk x0
Por compacidad podemos suponer que dk := kyk x0 k d con kdk = 1. Como f es localmente
Lipschitz en torno a x0 , tenemos que
f (x0 + kyk x0 kdk ) f (x0 + kyk x0 kd)
0
kyk x0 k
y en consecuencia
f (x0 + kyk x0 kd) f (x0 ) hx , yk x0 i
L = lim = f 0 (x0 ; d) hx , di = 0.
k kyk x0 k
Observacin 2.4.1. Notemos que si f 0 (X) es Gteaux-diferenciable en x0 dom(f ), entonces

f 0 (x0 ; d) = hf (x0 ), di. As,
f (x0 ) = {x X | hx , di hf (x0 ), di, d X} = {f (x0 )}.
Proposicin 2.4.6. Sea U X un abierto convexo y f : U R una funcin Gteaux-diferenciable

(en U). Son equivalentes:
(i) f es convexa sobre U .
(ii) x, y U , f (y) f (x) + hf (x), y xi.
(iii) x, y U , hf (x) f (y), x yi 0.
Observacin 2.4.2. Notemos que, en general, si f : X R {+} es propia, entonces f : X

2X tiene la siguiente propiedad: si x, y, x , y son tales que x f (x) e y f (y), entonces
hx y , x yi 0.
Las funciones del tipo A : X 2X suelen llamarse multiaplicaciones y cuando una multiaplicacin
tiene la propiedad anterior, decimos que es montona.
Para terminar la seccin estudiaremos algunas propiedades elementales del clculo subdiferencial.
Ejercicio 2.4.1. Sean f : X R y > 0. Entonces x X, (f )(x) = f (x).
Sean f1 , f2 : X R. Entonces x X, f1 (x) + f2 (x) (f1 + f2 )(x).

Proposicin 2.4.7 (Teorema de Moreau-Rockafellar). Si f1 , f2 0 (X) y f1 es continua en algn
x0 dom(f1 ) dom(f2 ), entonces
x X, f1 (x) + f2 (x) = (f1 + f2 )(x).
Demostracin: En virtud del ejercicio anterior, probaremos slo la contencin (). Sean x, x tales
que x (f1 + f2 )(x). Tenemos que
y X, f1 (y) + f2 (y) hx , y xi + f1 (x) + f2 (x).
Introduzcamos los siguientes conjuntos convexos
C1 := {(y, ) X R | f1 (y) hx , y xi },
C2 := {(y, ) X R | f2 (x) f2 (y) }.
Adems, (y, ) C1 C2 equivale a f1 (y) + f2 (y) = hx , y xi + f1 (x) + f2 (x). Pero C1 = epi(g) con
g = f1 hx , i 0 (X) continua en x0 . Luego, int(C1 ) = {(y, ) X R | g(y) < } 6= y adems
int(C1 ) C2 = . Podemos separar int(C1 ) de C2 mediante un hiperplano cerrado que adems es
no vertical (vericar), y en consecuencia es el grafo de una funcin lineal afn `(y) = hx2 , yi +
para x2 X y R. Podemos escribir la separacin como
y X, f2 (x) f2 (y) hx2 , yi + f1 (y) hx , y xi f (x).

Tomando y = x deducimos que = hx2 , xi y en consecuencia
y X : f1 (x) + hx2 + x , y xi f1 (y)
lo que implica que x2 + x f1 (x) y anlogamente
y X : f2 (x) + hx2 , y xi f2 (y)
y concluimos que x2 f2 (x). Deniendo x1 = x x2 se tiene que x1 f1 (x) y x1 + x2 = x lo

que concluye la demostracin.
Consideremos una funcin f 0 (X) y un convexo cerrado no-vaco C . Supongamos que existe
x0 int(C) tal que f es nita en x0 . Consideremos el problema de optimizacin
(P) inf f (x),

xC
que equivale a
inf {f (x) + C (x)}.
xX
De la Regla de Fermat se sigue que x es solucin de (P) si y slo si 0 (f + C )(x ) lo que, de

acuerdo con el Teorema de Moreau-Rockafellar, equivale a
0 f (x ) + C (x ).
y deniendo el Cono Normal a C en x X por NC (x) := C (x) podemos reescribir la condicin

de optimalidad como
0 f (x ) + NC (x ).
Adems, dado x C , se tiene que
NC (x) = {y Y | u X, C (x) + hu x, yi C (u)}

= {y Y | u C, hu x, yi 0}.
Luego, x C es solucin de (P) si, y slo si, existe f (x ) tal que
u C, hu x , i 0,
y hemos establecido el siguiente:

Teorema 2.4.3 (Regla de Fermat II). Sea f 0 (X) y C un convexo cerrado no vaco y supon-
gamos que existe x0 int(C) tal que f es nita en x0 . Entonces, x C es solucin de
inf f
C
si, y slo si, 0 f (x ) + NC (x ) lo que equivale a que exista p f (x ) tal que
(C) u C, hu x , pi 0.
Observacin 2.4.3. La condicin de optimalidad anterior es llamada Desigualdad Variacional de

C y f . Sin embargo, el concepto de desigualdad variacional es un poco ms general y aparece en
diversos contextos.
Ejercicio 2.4.2. Obtenga la condicin de optimalidad para el problema

inf {f (x) + C (x)}
xX
cuando se satisfacen las hiptesis de la proposiscin anterior y f es diferenciable.

Proposicin 2.4.8. Sean X, Y dos espacios de Banach en dualidad con X , Y respectivamente.
Si A : X Y es una funcin lineal continua y f 0 (Y ) entonces f A 0 (X) y si f es continua
en algn y0 dom(f ) entonces
(f A)(x) = A f (Ax),
donde A denota el adjunto de A.
Demostracin: Sea y f (Ax). Por denicin,
y Y, f (Ax) + hy , y Axi f (y)
y, en particular,
x X, f (Ax) + hy , A(z x)i f (Az).
Esto equivale a
z X, (f A)(x) + hA y , z xi (f A)(z)
y se tiene que A y (f A)(x). As, A f (Ax) (f A)(x).
Recprocamente, sea x (f A)(x), luego
z X, f (Ax) + hx , z xi f (Az).
Denimos
S := {(Az, f (Ax) + hx , z xi Y R | z X}
que resulta ser un hiperplano cerrado de Y R. Notemos que (y, ) S epi(f ) si, y slo si,
z X : Az = y, f (Ax) + hx , z xi = f (Az) = .
Como f es convexa y continua en y0 Y , tenemos que int(epi(f )) 6= y obviamente Sint(epi(f )) =

. En consecuencia, podemos separar S de int(epi(f )) mediante un hiperplano cerrado que resulta
ser no vertical y, por lo tanto, el grafo de una funcin lineal afn `(y) = hy , yi + con y Y y
R. La separacin implica que
z X, f (Ax) + hx , z xi hy , Azi + f (Az)
de donde = f (Ax) hy , Axi y as `(y) = hy , y Axi + f (Ax). Por lo tanto
y Y, f (Ax) + hy , y Axi f (y)
y
z X, hx , z xi hA y , z xi
condiciones que implican que y f (Ax) y x = A y A f (Ax). Luego (f A)(x)
A f (Ax).
2.5. Problemas
Problema 5. Sea X un e.v.t. Dado A X denimos la Envoltura Convexa de A como
\
co(A) = { C | C es un convexo, A C}
y la Envoltura Convexa Cerrada de A como coA = cl(A).
(a) Pruebe que ( )

n
X n
X

co(A) = i vi n N, vi A, i 0, i = 1

i=1 i=1
(b) (Teorema de Carathodory ) Demuestre que si X es de dimensin nita igual a n, entonces

(n+1 )
X n+1
X

co(A) = i vi vi A, i 0, i = 1 .

i=1 i=1
(c) Pruebe que si C X es un convexo, entonces cl(C) tambin lo es. Deduzca que
\
co(A) = { C | C es un convexo cerrado, A C}.
(d) Pruebe que si A es abierto, entonces co(A) tambin lo es. Muestre que si C X es convexo,
entonces int(C) tambin lo es.
(e) Muestre que si A1 , . . . , An X son convexos y compactos, entonces co(A1 An ) es

compacto.
(f) Sea (V, kk) un e.v.n. y supongamos que A es totalmente acotado. Pruebe que co(A) es total-
mente acotado. Deduzca que si (V, kk) es de Banach y K V es compacto, entonces para
todo A K , coA
es compacto.
Problema 6. En lo que sigue, X es un e.v.n. y todas las funciones estn en 0 (X). Siguiendo la
Denicin ??, denotamos por f la funcin de recesin de f .
1. Para todo d X y cualquier x dom(f ), se tiene que
f (x + td) f (x) f (x + td) f (x)

f (d) = lim = sup .
t t t>0 t

2. Pruebe que sup fi = sup {(fi ) } .
iI iI
3. Consideremos un subconjunto convexo, cerrado y no-vaco S de X . Denimos C = { s

S | fi (x) 0 i I }. Demuestre que C = { d S | (fi ) (d) 0 i I }.
4. Para todo > inf f , se tiene que [ (f ) ] = { d X | f (d) 0 }.
5. Si f es inf-compacta, entonces f (d) > 0 para todo d 6= 0 (compare con el Teorema 1.2.2).
2.5. PROBLEMAS 49
Problema 7. Sea (V, kk) un e.v.n. en dualidad con V , y f 0 (V ). Pruebe que las siguientes
armaciones son equivalentes.
(i) f es coerciva;
(ii) Existe > 0 y R tales que para todo v V , f (v) kvk + ;
(iii) 0 int(dom(f ));

f (x)
(iv) lim inf > 0.
kxk+ kxk
La equivalencia entre (i) y (iii) se conoce como Teorema de Moreau .
Problema 8. Sea (X, Y, h, i) una dualidad entre e.v.t.l.c. Dadas dos funciones convexas f, g : X
R, se dene la inf-convolucin de f y g mediante
(f g)(x) := inf{f (x1 ) + g(x2 ) | x1 + x2 = x}.
(a) Pruebe que f g es convexa, con dom(f g) = dom(f ) + dom(g).
(b) Sea y Y , muestre que (f g) (y) = f (y) + g (y).
(c) Pruebe que si x1 dom(f ) y x2 dom(g) son tales que (f g)(x1 + x2 ) = f (x1 ) + g(x2 ),
entonces (f g)(x1 + x2 ) = f (x1 ) g(x2 ).
(d) (Efecto Regularizante ) Suponga que xi son los considerados en la parte anterior. Asumiendo
que f g es subdiferenciable en x = x1 + x2 , muestre que f g es Gteaux-diferenciable en x si
g lo es en x2 con
(f g)(x) = g(x2 ).
Muestre que si adems (X, kk) es un e.v.n. y g es Frchet-diferenciable en x2 , entonces f g es
Frchet-diferenciable en x.
Problema 9. Sea (H, h, i) un espacio de Hilbert en dualidad con H (que identicamos con H ).
(a) Sea f (x) = 12 kxk2 . Verique que f (x ) = 12 kx k2 de modo que f = f . Ms an, demuestre
que f es la nica funcin en 0 (H) con esta propiedad.
(b) Sean f 0 (H) y S H un s.e.v. cerrado. Muestre que si existe x0 S tal que f (x0 ) < +,
entonces f + S 0 (H) y se tiene
(f + S ) = (f PS ) PS ,
donde PS : H H es la proyeccin ortogonal sobre S .
(c) Supongamos que f (x) = 12 hAx, xi, con A : H H un operador lineal continuo autoadjunto y
semi-denido positivo. Pruebe que
(
1
hx , xi si x ImA + S , con (PS A PS )(x) = x ,
(f + S ) (x ) = 2
+ si no.
Problema 10. Sea X un espacio de Banach y sea f una funcin localmente Lipschitz en x X .
Denimos la Derivada Direccional Generalizada de f en x en la direccin v mediante
f (y + tv) f (y)
f 0 (x; v) = lim sup .
yx,t0+ t
(a) Muestre que v 7 f 0 (x; v) es nita, positivamente homognea, y subaditiva en X . Pruebe

adems que
|f 0 (x; v)| Kkvk.
(b) Muestre que f 0 (x; v) es s.c.s como funcin de (x, v) y que, como funcin slo de v , es Lipschitz-
continua de constante K .
(c) Denimos el conjunto de Subgradientes Generalizados mediante

(x) = {y X | f 0 (x; v) hy, vi,
f v X}.
(x) es no-vaco y convexo. Pruebe que
Muestre que f
(x),
y f kyk K.
(x). Muestre que f

(d) Pruebe que si f es adems Gteaux-diferenciable, entonces f (x) f (x)
puede contener otros puntos adems de f (x).
(x) coincide con el subdiferencial estudiado a lo largo
(e) Pruebe que si f es convexa, entonces f
del captulo (que se conoce usualmente como el subdiferencial de Anlisis Convexo.)
Captulo 3
Dualidad en Optimizacin Convexa
3.1. Problemas Perturbados

Consideremos el problema de minimizacin convexa
(P) := inf f
X
donde f 0 (X). Diremos que (P) es el Problema Primal y que una funcin 0 (X Y ), con
X, Y espacios de Banach en dualidad con X , Y respectivamente, es una funcin de perturbacin
para (P) si (x, 0) = f (x), x X . A le asociamos la funcin marginal o funcin valor denida
por
v(y) = inf (x, y).
xX
Notemos que v(0) = .
Ejemplo 3.1.1 (Programacin Lineal I). Sea
(P) min{cT x | Ax b},
con c Rn , b Rm y A Mnn (R). Tomando X = Rn y
(
cT x si Ax b,
f (x) = cT x + Rm (Ax b) =

+ si no
se tiene que f 0 (X). Introducimos la funcin de perturbacin : Rn Rm R {+}

dada por
(x, y) = cT x + Rm

(Ax b + y).
51
52 CAPTULO 3. DUALIDAD EN OPTIMIZACIN CONVEXA
Es fcil ver que 0 (Rn Rm ). Observemos que : Rn Rm R {+} se calcula mediante

(x , y ) = sup (x c)T x + y T y | x Rn , Ax + b y 0
(
+ si i {1, ..., m} tal que yi < 0,
=
supxRn (x c)T x + y T (b Ax) si y 0
(
+ si i {1, ..., m} tal que yi < 0,
=
supxRn {(x c AT y )T x} + y T b si y 0
(
bT y si x = c + AT y , y 0,
=
+ si no.
En particular, el problema de optimizacin
(D) := inf m (0, y ) = min bT y ,

y R AT y +c=0, y 0
corresponde al Dual clsico de (P) en la teora de programacin lineal.
Volvamos al caso general. Por analoga, llamamos Problema Dual de (P) relativo a la pertur-
bacin : X Y R {+} al problema de minimizacin
(D) := inf (0, y )

y Y
el cual tiene asociado de manera natural la funcin de perturbacin 0 (X Y ) y la corres-

pondiente funcin valor
w(x ) := inf (x , y ).
y Y
Observemos que si repetimos el procedimiento anterior obtenemos el Problema Bidual
(DD) inf (x , 0)
xX
el cual coincide con el primal (P) si suponemos que 0 (X Y ) pues en este caso = .
Ejercicio 3.1.1. Muestre que v : Y R y w : X R son funciones convexas.

Observacin 3.1.1. Para lo anterior, basta que sea convexa. Por otra parte, si 0 (X Y )
no necesariamente se tiene que v 0 (Y ).
Ejercicio 3.1.2. Considere el programa convexo

(P) inf {f (x) | gi (x) 0, i = 1, . . . , p}
xRn
donde f y (gi )i son funciones convexas de Rn en R. Calcule el problema dual de (P) perturbando
el objetivo primal de manera anloga al ejemplo de Programacin Lineal I.
Lema 3.1.1. Para cada y Y se tiene que v (y ) = (0, y ). Anlogamente, dado x X , se

tiene que w (x) = (x, 0).
3.1. PROBLEMAS PERTURBADOS 53
Demostracin: Basta vericar la frmula para v . Dado y Y tenemos que
v (y ) = sup{hy, y i v(y)}
yY
= sup{hy, y i inf (x, y)}

yY xX
= sup {hx, 0i + hy, y i (x, y)}

xX,yY

= (0, y ).
Corolario 3.1.1. Se tiene que v (0) = = inf(D) y en particular inf(P) + inf(D) 0.

Demostracin: Observemos primero que
v (0) = sup v (y ) = inf v (y ) = inf (0, y ) = .

y Y y Y y Y
Como v v se sigue que + = v(0) v (0) 0.
Proposicin 3.1.1. Una condicin necesaria y suciente para que
inf(P) + inf(D) = 0
es que v sea s.c.i. y nita en 0. En ese caso decimos que no hay salto de dualidad.
Demostracin: Veamos la suciencia. Sea v la regularizada s.c.i. de v . Tenemos que v v v

con v convexa y s.c.i. Adems, v(0) = v(0) R de modo que v es propia, es decir v 0 (Y ) y en
consecuencia v = v y en particular = v (0) = v(0) = R.
Mostremos ahora la necesidad. Como + = 0 necesariamente y son nitos y en consecuencia
v(0) R. Adems, v v v con v s.c.i. y tenemos que v(0) = v (0) v(0) v(0) de modo
que v es s.c.i. en 0.
Observacin 3.1.2. 1. Como + = v(0) + w(0) = 0 entonces + = 0 si, y slo si, w es

s.c.i. y nita en 0 .
2. Recordemos que, de acuerdo con la Observacin 2.3.2, si f : Y R es convexa, entonces
f = f f = o f admite una minorante lineal afn continua.
En particular, si f : Y R {+} es convexa y acotada inferiormente, entonces f = f .

Si v(0) = entonces v (0) = v(0) = , luego + = + = + y el salto de
dualidad es innito.
3. La equivalencia anterior slo requiere que v sea convexa, lo cual es cierto si es convexa
(aunque no est en 0 (X Y )). Sin embargo, esta condicin por s sola no basta para la
equivalencia cuando v se reemplaza por w (ver parte 1.).
Proposicin 3.1.2. Se tiene que S(D) = v (0). En particular, una condicin necesaria y su-
ciente para que
inf(P) + inf(D) = 0, S(D) 6=
es
v(0) R, v(0) 6= .
Demostracin: Notemos que
y S(D) z Y , (0, y ) (0, z )

z Y , v (y) h0, z i v (z )
v (y ) = v (0)
y v (0).
Probemos ahora la equivalencia. Para la necesidad, notemos que v(0) R y v s.c.i. en 0 implica que
v(0) = v (0). Tenemos que ` es una minorante lineal-afn continua de v si y slo si lo es de v y,
ms aun, si `(0) = v(0), entonces `(0) = v (0) de modo que siempre se tiene que v(0) = v (0).
Si adems v(0) = v (0), se deduce que v(0) = v (0) = S(D) 6= .
Mostremos la suciencia. Si v(0) 6= y v(0) R, entonces existe ` minorante lineal-afn

continua de v tal que `(0) = v(0). Pero ` v v de modo que v (0) = v(0) y en consecuencia
v(0) = v (0) = S(D). As, S(D) 6= y adems v(0) = v(0) = v (0) de modo que v es s.c.i. y
por lo tanto inf(P) + inf(D) = 0.
Corolario 3.1.2. Si v(0) R y v(0) 6= entonces S(D) = v(0) 6= y adems inf(P) + inf(D) =
0.
Del mismo modo, si w(0) R y w(0) 6= entonces S(P) = w(0) 6= y no hay salto de dualidad.
Interpretacin: Si y S(D) entonces v(y) v(0) + hy , yi, que es una informacin de primer
orden sobre la funcin marginal primal. Si S(D) = {y } entonces v(0) = y . En particular, si v es
continua y nita en 0, entonces v(0) 6= . Un caso patolgico se tiene cuando v(0) = . En tal
caso, v(0) = Y , pero = w(0) = + de modo que el dual es infactible.
Teorema 3.1.1 (Teorema de Dualidad). Supongamos que 0 (X Y ) y que existe x0 X tal
que (x0 , ) es nita y continua en 0 (i.e. (x0 , ) es acotada superiormente en una vecindad de 0).
Entonces, o bien v(0) = y el dual es infactible, o bien v(0) R, + = 0 y S(D) = v(0) 6= ,
con v continua en 0. En particular, si (x0 , ) es continua en 0 respecto a kk con (Y, kk) un espacio
de Banach, entonces S(D) 6= es acotado.
Demostracin: Obviamente v() (x0 , ) implica que v es acotada en una vecindad de 0. Si adems
v(0) R, entonces v es continua en 0 y luego v(0) 6= .
Observacin 3.1.3. Si X es e.v.t.l.c. se cumple la propiedad "f : X R convexa y continua en

x0 X si, y slo si, f es acotada superiormente de manera uniforme en una vecindad de x0 ."
Comentario: Notemos que y v(0) es equivalente a 0 v (y ) y esta condicin es la que
da la Regla de Fermat para el problema inf Y v , que no es otra cosa que el problema dual. As,
al asegurar que v es continua en 0 con respecto a kk en Y tenemos que el problema dual admite
solucin y adems S(D) = v(0) 6= es acotado.
3.1. PROBLEMAS PERTURBADOS 55
Proposicin 3.1.3 (Condicin de Extremalidad). Si (P) y (D) admiten soluciones y no hay salto
de dualidad, entonces x S(P), y S(D) se tiene que
(x, 0) + (0, y ) = 0
o, de manera equivalente, (0, y ) (x, 0). Recprocamente, si (x, y ) X Y es un par que
satisface esta relacin, entonces x S(P), y S(D) y se tiene que inf(P) + inf(D) = 0.
Demostracin: Tenemos que
(x, 0) = inf(P) = inf(D) = (0, y ),
lo que prueba la condicin de extremalidad. Recprocamente,
inf(P) (x, 0) = (0, y ) inf(D),
lo que implica que no hay salto de dualidad y x S(P), y y S(D).
Corolario 3.1.3. Supongamos que (X, kk) es un espacio de Banach reexivo, que 0 (X Y )
y x0 X son tales que (x0 , ) es nita y continua en 0, y que
lim (x, 0) = +.
kxk+
Entonces, S(P) es no-vaco y acotado, S(D) es no-vaco (y acotado si (Y, kk) es de Banach) ,
inf(P) = inf(D) = 0 y las soluciones de (D) y (P) satisfacen las condiciones de extremalidad.
Ejemplo 3.1.2 (Programacin Lineal II). Tenamos que
(P) min {cT x | Ax b},
xRn
y tomando
(x, ) = cT x + Rm

(Ax + b) 0 (Rn Rm )
obtuvimos que
(D) min {bT | AT + c = 0, 0}.
Rm
Evidentemente inf(D) inf(P). Supongamos que existe x0 Rn que satisface la Condicin de
Slater :
Ax0 < b.
Entonces, para > 0 sucientemente pequeo, se tiene que si kk , entonces (x0 , ) = cT x
de modo que (x0 , ) es nita y continua en una vecindad de 0. As, v es nita y continua en una
vecindad de 0 y, en consecuencia, S(D) = v(0) es no-vaco y compacto. En ese caso = inf(P) =
inf(D) = min(D) R y el mnimo se alcanza; en efecto, se tiene que {x Rn | Ax b} 6= y
S(P) = {x Rn | Ax b} {x Rn | cT x = } y si S(P) = entonces existira 0 < tal que
[Ax b] [cT x 0 ] 6= lo que es una contradiccin.
Recapitulando, si (P) o (D) tiene valor ptimo nito, entonces el otro tambin y las soluciones
x S(P), S(D) satisfacen
cT x + bT = 0, Ax b, A + c = 0, 0.
Notemos que S(P) es acotado si, y slo si,

d Rn , [cT d = 0, Ad 0 d = 0].
3.2. Dualidad Lagrangeana

Consideremos el siguiente problema de programacin matemtica
(P) := inf{f (x) | gi (x) 0, i = 1, ..., p, hj (x) = 0, j = 1, ..., q}
donde f, gi , hj : X R. Sea
C = {x X | gi (x) 0, i = 1, ..., p, hj (x) = 0, j = 1, ..., q},
de modo que (P) equivale a

(P) inf[f + C ].
En lo que sigue suponemos que R.
Lema 3.2.1. Para cada x X se tiene que

C (x) = sup {h, g(x)i + h, h(x)i
Rp+ , Rq
donde g(x) = (gi (x))pi=1 , h(x) = (hj (x))qj=1 y Rq+ = { Rq | i 0, i = 1, ..., q}.
Demostracin: Obviamente,
(
0 si gi (x) 0,
sup i gi (x) =
i 0 + si gi (x) > 0,
y (
0 si hj (x) = 0,
sup j hj (x) =
j 0 + si hj (x) 6= 0,
de modo que
Xp q
X
C (x) = sup i gi (x) + j hj (x) .
Rp+ , Rq
i=1 j=1
La Funcin Lagrangeana o Lagrangeano de (P) es la funcin L : X Rp Rq R denida

mediante (
f (x) + h, g(x)i + h, h(x)i si Rp+ ,
L(x, , ) =
si no.
Tenemos que el problema (P) es equivalente a
(P) inf sup L(x, , ).

xX (,)Rp Rq )
Denimos el problema dual al intercambiar inf con sup en la formulacin Primal
(D) := sup inf L(x, , ).

(,)Rp Rq ) xX
3.2. DUALIDAD LAGRANGEANA 57
En general, 6= . Sin embargo, como L(x, , ) sup L(x, , ), se tiene que

(,)Rp Rq )
L(x, , ) inf sup L(x, , ) = ,

xX (,)Rp Rq )
de donde . Si eventualmente = , y el problema dual (D) tiene una solucin (, ) entonces

necesariamente
inf L(x, , ) = =
xX
y como dado x X tenemos que
sup L(x, , ) L(x, , ) = inf sup L(x, , ),

(,)Rp Rq xX (,)Rp Rq
y deducimos que si x S(P) entonces x es solucin de
(P) = inf L(x, , ),

xX
problema que es interesante pues es un problema de minimizacin sin restricciones. Un par (, )

Rp+ Rq con estas propiedades se llama Multiplicador de Lagrange de (P).
Proposicin 3.2.1. Las siguientes son equivalentes.
(i) x es una solucin de (P) y (, ) es un multiplicador de Lagrange de (P) con = .
(ii) (x, , ) es un punto silla del Lagrangeano de (P), es decir,
x X, (, ) Rp Rq , L(x, , ) L(x, , ) L(x, , ).
Ambas armaciones implican la condicin de complementariedad
i gi (x) = 0, i = 1, ..., p.
Demostracin: (i) (ii) Tenemos que x es solucin de (P) de modo que
x X, L(x, , ) L(x, , ).
Por otra parte,
L(x, , ) sup L(x, , ) = f (x) + C (x) = = L(x, , ).

,
(ii) (i) Tenemos que
sup L(x, , ) = L(x, , ) = inf L(x, , ) ,

, xX
de modo que = . Evidentemente, f (x)+C (x) = sup L(x, , ) = , de modo que x S(P),
,
y adems
= sup inf L(x, , ) sup L(x, , ) = L(x, , ) ,
, xX ,
lo que implica que (, ) S(D). Ms aun, como necesariamente x C , tenemos que
f (x) = L(x, , ) = f (x) + h, g(x)i + h, h(x)i = f (x) + h, g(x)i,
de modo que h, g(x)i = 0. Como g(x) 0 y 0 concluimos que i gi (x) = 0, i = 1, . . . , p.
Observacin 3.2.1. La existencia del multiplicador de Lagrange no siempre se tiene, incluso para
datos f, (gi )i , (hj )j muy regulares. Volveremos a este problema ms adelante.
Pero, cul es la relacin con la dualidad va perturbaciones? Sea Y := Rp Rq y denotemos

y = (, ). Tenemos
(P) = inf sup L(x, y )
xX y Y
y
(D) = sup inf L(x, y ).
y Y xX
Denamos : X Y R {+} mediante
(x, y) := sup {hy , yi + L(x, y )} = (L(x, )) (y).

y Y
Entonces, (P) es equivalente a

(P) = inf (x, 0).
xX
Por otra parte, si y 7 L(x, y ) es convexa, s.c.i. y propia, entonces
L(x, y ) = sup{hy , yi (x, y)}.

yY
Luego,
inf L(x, y ) = sup sup{hy , yi (x, y)} = (0, y ),
xX xX yY
lo que conduce a que (D) es equivalente a
(D) = sup (0, y ) = inf (0, y ) = .

y Y y Y
Por otra parte, dada una funcin de perturbacin : X Y R {+} se dene la funcin
Lagrangeana L : X Y R mediante
L(x, y ) := sup{hy , yi (x, y)} = [(x, )] (y ).

yY
Lema 3.2.2. x X, y 7 L(x, y ) es cncava, s.c.s. de Y en R.
Si es convexa, entonces y Y , x 7 L(x, y ) es convexa de X en R, pero no necesaria-

mente es s.c.i., incluso cuando 0 (X Y ).
3.2. DUALIDAD LAGRANGEANA 59
Demostracin: Por denicin
L(x, ) = [(x, )] () (Y ).
Por otra parte,

L(x, y ) = inf {(x, y) hy , yi} = inf (x, y, y )
yY yY
con convexa, luego L(, y ) es convexa.
Anlogamente,
(x , y ) = sup {hx , xi + hy , yi (x, y)}

(x,y)XY
= sup {hx , xi + suphy , yi (x.y)}

xX yY
= sup {hx , xi L(x, y )},

xX
de donde
(0, y ) = inf L(x, y ).
xX
As el problema dual se puede escribir en trminos de L como
(D) = inf (0, y ) = sup inf L(x, y ).

y Y y Y xX
Similarmente, si 0 (X Y ), entonces (x, ) 0 (Y ) y en consecuencia [(x, )] (y) = (x, y),

de donde
(x, y) = sup {hy , yi + L(x, y )},
y Y
en particular (x, 0) = supy Y L(x, y ) y tenemos que
(P) = inf (x, 0) = inf sup L(x, y ).

xX xX y Y
Proposicin 3.2.2. Si 0 (X Y ) entonces las siguientes son equivalentes
(i) x es solucin de (P), y es solucin de (D) y + = 0.
(ii) (x, y ) X Y es un punto silla de L ( con L(x, y ) R), es decir,
x X, y Y , L(x, y ) L(x, y ) L(x, y ).
3.3. Teoremas de Dualidad de Fenchel-Rockafellar y de Attouch-

Brezis
Comenzaremos esta seccin con algunos resultados preliminares.
Proposicin 3.3.1. Sea X un e.v.n. y C X un convexo de interior no-vaco. Entonces
int(C) = int(C).
Demostracin: Obviamente, int(C) int(C). Como int(C) 6= , deducimos que int(C) 6= . Sean
x int(C) y x0 int(C). Dado > 0, denimos x1 = x+(xx0 ) y si es sucientemente pequeo,
entonces x1 C . Como x ]x0 , x1 [, basta probar que ]x0 , x1 [ int(C) para deducir que x int(C)
y de aqu que int(C) = int(C). Como x0 int(C), podemos tomar r > 0 tal que B(x0 , r) C . Sean
]0, 1[ y x := x0 + (1 )x1 .
1. Reexin de B(x0 , r) a travs de x .

Tenemos que

1 1
x1 = x x0 x B(x0 , r) = B x1 , r
1 1 1 1 1
y como x1 C , deducimos que

1
x2 C x B(x0 , r) .
1 1
2. Envoltura convexa.
Como B(x0 , r) C y x2 C con C convexo, en particular se tiene que
B(x0 , r) + (1 )x2 C.
1
Pero x2 = 1 x 1 y para algn y B(x0 , r) lo que implica que x = y + (1 )x2 C
y concluye la demostracin.
Observacin 3.3.1. La hiptesis int(C) 6= es esencial. Por ejemplo, si C es un hiperplano denso,

entonces int(C) = pero C = X de modo que int(C) = X .
Ejercicio 3.3.1. Si X es un e.v.n. y C X es un convexo con int(C) 6= , entonces
C = int(C).
El inters del siguiente resultado es que no requiere saber a priori que int(C) 6= .
Lema 3.3.1 (Lema de Robinson). Sean (X, kk) un espacio de Banach, Y un e.v.n. y C X Y
un convexo cerrado. Denotemos por CX y CY sus proyecciones sobre X e Y respectivamente. Si CX
es acotado, entonces int(CY ) = int(CY ).
3.3. TEOREMAS DE DUALIDAD DE FENCHEL-ROCKAFELLAR Y DE ATTOUCH-BREZIS61
Demostracin: La inclusion int(CY ) int(CY ) es evidente. Sean y int(CY ) y > 0 tales que
B(y, ) CY . Basta demostrar que existe x X tal que (x, y) C , pues en este caso y CY y se
concluye que int(CY ) int CY . Para demostrar que tal x X existe, construiremos una sucesin
(xn , yn ) C con yn y y (xn )n de Cauchy. Tomemos (x0 , y0 ) C (si C = la propiedad es trivial)
y consideremos el siguiente algoritmo:
Mientras yn 6= y

1. Defnase n := 2kyn yk y w = y + n (y yn ) B(y, ) CY .
2. Sea (u, v) C tal que kw vk 12 ky yn k.

n 1
3. Defnase (xn+1 , yn+1 ) := 1+n (xn , yn ) + 1+n (u, v) C.
Fin. Si el algoritmo se detiene en el paso N , tomamos x = xN . Supongamos que el algoritmo no se

detiene, en cuyo caso tenemos que ((xn , yn ))n C tal que

n 1
kyn+1 yk = yn + v y
1 + n 1 + n
1
= kn (yn y) y + vk
1 + n
1
= kw vk
1 + n
1
ky yn k,
2
lo que implica que kyn+1 yk 12 kyn yk y en consecuencia yn y . Por otra parte

n 1
kxn+1 xn k = xn + u xn
1 + n 1 + n
1
= ku xn k
1 + n
diam(CX ) 2 diam(CX )
= kyn yk
n
lo que implica que (xn ) es de Cauchy y, por ser X un espacio de Banach y C un cerrado, existe
x C tal que xn x y (x, y) C .
Lema 3.3.2. Si X es un espacio de Banach y C X es un convexo cerrado y aborbente, entonces

0 int(C).
S
Demostracin: Como C es absorbente, tenemos que X = kN kC con
kC = {kx | x C}
cerrado. Del Lema de Baire, deducimos que existe k0 N tal que int(k0 C) 6= lo que implica que
int(C) 6= . Ms aun, podemos suponer que C = C (si no, podemos tomar el convexo absorbente
C (C)), en cuyo caso debe tenerse que 0 int(C).
Teorema 3.3.1 (Attouch-Brezis). Sean X, Y dos espacios de Banach y 0 (X Y ). Sea v(y) =

inf xX (x, y) y supongamos que v(0) R y que el convexo
[
dom(v) = dom((x, ))
xX
es absorbente en Y . Entonces, v es continua en 0 . En particular,
v(0) = min

(0, y ),
y Y
es decir, el dual tiene solucin.

Demostracin: Sea k > v(0) y denamos
U = {y Y | v(y) k}.
Basta probar que 0 int(U ). Sea x0 X tal que (x0 , 0) < k y denamos
C = {(x, y) X Y | (x, y) k, kxk 1 + kx0 k},
que es un convexo cerrado cuya proyeccin sobre X , CX , es acotada y CY U . Basta probar

que CY es una vecindad del origen, pero, gracias al Lema de Robinson, int(CY ) = int(CY ), por
lo que basta probar que 0 int(CY ). Veamos que CY es absorbente en el Banach Y . Sea y Y .
Por hiptesis, existen > 0 y x X tales que (x, y) < +. Dado t ]0, 1[, tenemos que
((1 t)x0 + tx, ty) (1 t)(x0 , 0) + t(x, y) y si t es sucientemente pequeo,
((1 t)x0 + tx, ty) k, k(1 t)x0 + txk 1 + kx0 k.
Luego, existe t > 0 tal que ((1 t)x0 + tx0 , ty) C y se sigue que CY es absorbente. Por lo tanto,
CY es absorbente y 0 int(CY ).
Corolario 3.3.1 (Teorema de Dualidad de Fenchel-Rockafellar). Sean X, Y espacios de Banach,

f 0 (X), g 0 (Y ) y A : X Y lineal continua. Consideremos los problemas de minimizacin
(P) inf f (x) + g(Ax)

xX
y
(D) inf f (A y ) + g (y ).
y Y
Supongamos que se tiene que inf(P) R y la hiptesis de Calicacin Primal:
0 int(dom(g) A dom(f )),
entonces S(D) 6= .
Similarmente, si se tiene que inf(D) R y la hiptesis de Calicacin Dual:
0 int(dom(f ) A dom(g )),
entonces S(P) 6= .
En cualquier caso, inf(P) = inf(D). Adems, son equivalentes
3.4. TEOREMAS DE FRITZ JOHN Y KUHN-TUCKER 63
(i) x S(P), y S(D).
(ii) Las Relaciones de Extremalidad:
f (x) + f (A y ) = hx, A y i, g(Ax) + g (y ) = hAx, y i.
(iii) La Inclusin de Euler-Lagrange:
A y f (x), y g(Ax).
Demostracin: Sea (x, y) = f (x) + g(Ax + y). Tenemos que
(x , y ) = sup {hx , xi + hy , yi f (x) g(Ax + y)}

(x,y)XY
= sup {hx , xi + hy , z Axi f (x) g(z)}

(x,z)XY
= f (x A y ) + g (y ).
As, (P) equivale a inf (, 0) y (D) equivale a inf (0, ). Tenemos que y dom((x, )) si, y slo
si, f (x) < + y Ax + y dom(g), de modo que
[
dom((x, )) = dom(g) A dom(f )
xX
y podemos aplicar el Teorema de Attouch-Brezis. En este caso, la condicin de Extremalidad se

escribe
(x, 0) + (0, y ) = 0,
que es equivalente a
f (x) + f (A y ) + hx, A y i hAx, y i + g(Ax) + g (y ) = 0,
lo que a su vez es equivalente a
f (x) + f (A y ) = hx, A y i, g(Ax) + g (y ) = hAx, y i.
que son las relaciones de Extremalidad. Claramente estas relaciones son equivalentes a la inclusin
de Euler-Lagrange.
3.4. Teoremas de Fritz John y Kuhn-Tucker

Sea X un espacio de Banach y consideremos f, gi : X R, i = 1, . . . , p convexas y propias, hj ,
j = 1, . . . , q lineales anes y continuas. El programa convexo asociado a f, (gi )i , (hj )j es el problema
de optimizacin
(P) min{f (x) | gi (x) 0, i = 1, . . . , p, hj (x) = 0, j = 1, . . . , q},

xX
que tiene asociada la funcin lagrangeana L : X Rp Rq R dada por

( P P
f (x) + pi=1 i gi (x) + qj=1 j hj (x) si 0,
L(x, , ) =
si no,
de modo que
(P) v(P) := inf sup L(x, , ).
xX (,)Rp Rq
Suponemos que v(P) es nito. El dual asociado a L es
(D) sup inf L(x, , ),

(,)Rp Rq xX
cuyas soluciones se llaman multiplicadores de Lagrange, de tenerse inf(P) = sup(D).

T T
Teorema 3.4.1 (Fritz-John Dbil). Denamos D := dom(f )( pi=1 dom(g)) y H := qj=1 ker(hj ).
Si v(P) R, f y gi , i = 1, . . . , p tienen un punto de continuidad en comn y adems 0 int(D \H),
entonces existen reales no-negativos 0 , . . . , p , no todos nulos y reales 1 , . . . , q R tales que
p
X q
X
x D, 0 v(P) 0 f (x) + i gi (x) + j hj (x).
i=1 j=1
Observacin 3.4.1. En este teorema (, ) no es necesariamente un multiplicador de Lagrange.

Pero si, por ejemplo, D = X , f, gi son nitas en todas partes y 0 = 1, entonces se tendr que
x X, v(P) L(x, , )
lo que es equivalente a
v(P) inf L(x, , ) v(D)
xX
e implica que v(P) = v(D) y as (, ) S(D) ser un multiplicador de Lagrange de (P).
Para la demostracin del Teorema, necesitaremos algunas variantes del Teorema de Hahn-
Banach.
Teorema 3.4.2. Sea C X un convexo de interior no-vaco. Si 0 / C , entonces existe x X \{0}

tal que
x X, hx , xi 0.
Demostracin: Podemos separar int(C) de 0 mediante un hiperplano cerrado, de modo que existe
x X \ {0} tal que int(C) [hx , i 0]. Luego
C = int(C) [hx , i 0].
Teorema 3.4.3 (Teorema de Separacin). Sean A, B X dos convexos no-vacos. Si int(AB) 6=

y A B = , entonces A y B pueden separarse mediante un hiperplano. Si 0
/ (A B) y A B = ,
entonces pueden separarse estrictamente mediante un hiperplano.
Demostracin: Basta observar que A y B pueden separarse (resp. estrictamente) mediante un hiper-
plano ssi A B puede separse (resp. estrictamente) de 0 mediante un hiperplano.
Teorema 3.4.4. Sea F : X R convexa y propia con int(epi(F )) 6= . Sea H X un subespacio

vetorial de X y L : H R una funcin lineal tal que
x X, F (x) L(x).
Si 0 int(dom(F ) H) entonces existe x0 X tal que
x H, L(x) = hx0 , xi;
x X, hx0 , xi F (x).
Demostracin: Sean los convexos A := {(x, ) X R | F (x) < } y B := {(x, ) X R |

x H, = L(x)}. Se tiene que int(A) = int(epi(F )) 6= y A B = . Como int(A) int(A B),
deducimos que A y B pueden separarse mediante un hiperplano cerrado, es decir, existe (x , s)
X R tal que
y H, (x, ) A, hx , yi + sL(y) hx , xi + s.
Como H es un s.e.v. se tiene que y H, hx , yi + sL(y) = 0 y haciendo deducimos que
s 0. Si s = 0, tendramos en particular que y H, x dom(F ), hx , x yi 0 y como
0 int(dom(F ) H) se sigue qiue x = 0 y luego que (x , s) = (0, 0), contradiccin. As, s > 0.

Deniendo x0 = xs obtenemos que y H, L(y) = hx0 , yi y (x, ) A, hx0 , xi. Para
x dom(F ), haciendo F (x) se deduce el resultado.
Observacin 3.4.2. Cuando F (x) = kxk o bien F es un funcional de Minkowski continuo en X

(de modo que dom(F ) = X ), este teorema se conoce como el Teorema de Hahn-Banach analtico.
Para demostrar el Teorena de Fritz-John necesitaremos el siguiente teorema general sobre fun-
ciones convexas.
Teorema 3.4.5. Sean fi : X R, i = 1, . . . , m funciones convexas tales que para cada x X ,

max1im T fi (x) 0. Entonces existen reales no-negativos 1 , . . . , m y no todos nulos tales que
x m i=1 dom(fi ), 1 f1 (x) + + m fm (x) 0.
Si adems existe x X tal que max1im fi (x) = 0, entonces 1 , . . . , m satisfacen i fi (x) = 0, i =
1, . . . m.
T Tm
Demostracin: Supongamos que m i=1 dom(fi ) 6= (el caso i=1 dom(fi ) = es trivial) y denamos
el conjunto
A := {y = (y1 , . . . , ym ) Rm | x X, f1 (x) < y1 , . . . , fm (x) < ym }.
Es fcil ver que A es un convexo de interior no-vaco. Como 0 / A, podemos separa A y {0} mediante
un hiperplano, es decir, existe = (1 , . . . , m ) Rm \ {0} tal que
m
X
y A, T y = i yi 0.
i=1
Para cada i {1, . . . , m} podemos hacer yi + y luego i 0, i. Ms aun, para todo x

Tm
i=1 dom(fi ) con fi (x) > , i = 1, . . . , m y > 0 tenemos
(f1 (x) + , . . . , fm (x) + ) A.

T
De la arbitrariedad de > 0, se deduce la desigualdad. Si eventualmente existe x0 m i=1 dom(fi )
con fi0 (x) = inf ty para algn i0 , entonces podemos hacer yi0 y necesariamente i0 = 0.
En este caso fi0 (x)+ puede reemplazarse por cualquier real y se deduce la desigualdad. Finalmente,
si max1im fi (x) = 0, entonces fi (x) 0, i = 1, . . . , m y i fi (x) = 0.
Demostracin: [del Teorema de Fritz-John sin hj .] Tenemos que para todo x X , max1ip {f (x)
v(P), gi (x)} 0. Del teorema anterior se deduce la parte l del resultado. Ms aun, si x S(P),
entonces max1ip {f (x) v(P), gi (x)} = 0 de modo que 0 (f (x) v(P)) = 0 y i gi (x) = 0, i =
1, . . . , m.
Proposicin 3.4.1. Sean x1 , . . . , xq X . Supongamos que x X satisface:

(x X, j = 1, . . . , q, hxj , xi = 0) hx , xi = 0
o, de manera equivalente,
q
\
kerhxj , i kerhx , i.
j=1
Entonces existen 1 , . . . , q R tal que x = 1 x1 + + q xq .

Demostracin: Sea V := h{x1 , . . . , xq }i. Tenemos que V es convexo y dbilmente cerrado para la
topologa dbil-*. Si x
/ V , entonces por Hahn-Banach existe x X tal que
x V , hx , xi > hx , xi
lo que implica que hx , xi > 0 y hx , xi = 0, x V , contradiccin.
Demostracin: [del Teorema de Fritz-John.] Tenemos que hj (x) = hxj , xi j con xj X y

j R. Como v(P) R, necesariamente
H = {x X | hxj , xi j = 0, j = 1, . . . , q}.
Sea x H , entonces
H = {x X | hxj , x xi = 0, j = 1, . . . , q}.
Sin prdida de generalidad, podemos suponer que x = 0, de modo que H es un subespacio cerrado
de X y hj (x) = hxj , xi. Adems, para x H se satisface que
F (x) := max {f (x) v(P), gi (x)} 0.

1ip
Por otra parte, existe un punto de continuidad comn a f y gi , i = 1, . . . , p, luego F es continua en

dicho punto y el interior de epi(F ) es no-vaco. Como
p !
\
dom(F ) = D = dom(f ) dom(gi )
i=1
y hemos supuesto que 0 int(D H), deducimos que existe x X tal que
q
X
x H, hx , xi = 0 x = j xj , para algunos j R
j=1
x X, F (x) hx , xi 0 x X, max {f (x) v(P) hx , xi, gi (x) hx , xi} 0.

1ip
Del Teorema 3.4.5, deducimos que existen 0 , . . . , p 0 no todos nulos tales que
x D, 0 (f (x) v(P)) + 1 g1 (x) + + p gp (x) (0 + . . . p )hx , xi 0.
Deniendo j := (0 + . . . p )j , se deduce el resultado.
Una propiedad deseable en la prctica, es que 0 sea estrictamente positivo. En los siguientes
teoremas, veremos que una condicin clsica en Optimizacin Convexa nos permite asegurar esta
propiedad.
Teorema 3.4.6 (Kuhn-Tucker Dbil). Bajo las hiptesis del Teorema de Fritz John dbil, supong-
amos que se tiene la siguiente condicin de calicacin de restricciones, llamada Condicin de
Slater
(S) x0 dom(f ) : gi (x0 ) < 0, i = 1, . . . , p, hj (x0 ) = 0, j = 1, . . . , q.
Entonces existe un par (, ) Rp+ Rq \ {(0, 0)} tal que
x D, v(P) L(x, , ).
Demostracin:
Pp Si 0 = 0, basta tomar x = x0 en la desigualdad de Fritz-John dbil para deducir
que i=1 i gi (x0 ) 0 con i 0 y gi (x0 ) < 0. Luego i = 0, i = 1, . . . , p lo que contradice
0 , . . . , p no son todos nulos.
En general, las condiciones en trminos de subdiferenciales son tiles en muchas aplicaciones.

Terminamos esta seccin estudiando algunos resultados que, en esencia, son casos particulares de la
Regla de Fermat y caracterizan el cono normal en trminos de los subdiferenciales de las funciones
(gi ).
La siguiente proposicin caracteriza el subdiferencial del mximo puntual de funciones convexas.
Proposicin 3.4.2. Sean f1 , . . . fm : X R funciones convexas y denamos
F (x) := max fi (x).
1ip
Entonces, !
[ m
X
x X, F (x) = i f i + D (x),
F (x) i=1
Tm
donde D = dom(F ) = i=1 dom(fi ) y
F (x) = { = (1 , . . . , m ) Rm
+ | i = 1, . . . , m i (F (x) fi (x)) = 0}.
S P
Demostracin: Sea x F (x) ( m i=1 i fi (x) + D ) (x). Entonces existen 1 , . . . , m 0,
Pm
i=1 i = 1 con i (F (x) fi (x)) = 0, i = 1, . . . , m tales que
m
X m
X

y D, i fi (x) + hx , y xi i fi (y) F (y),
i=1 i=1
lo que implica que

F (x) + hx , y xi F (y)
y luego x F (x). Recprocamente, sea x F (x) de modo que
y X, F (x) + hx , y xi F (y).
Denamos G(y) := F (y) F (x) hx , y xi y gi (y) := fi (y) F (x) hx , y xi. Tenemos que
existen 1 , . . . , m 0 no todos nulos, tales que
m
X
y D, i gi (y) 0, y i gi (x) = 0, i = 1, . . . , m.
i=1
P Pm
Como m i=1 i > 0, podemos suponer que i=1 i = 1. Tenemos que = (1 , . . . , m ) F (x) y
que y D,
Xm m
X
i fi (y) i fi (x) + hx , y xi.
i=1 i=1
S Pm
De aqu, x F (x) i=1 i fi + D (x).
Observacin 3.4.3. Si x es un punto de continuidad comn para f1 , . . . , fm , entonces

[
F (x) = co fi (x)
iIF (x)
donde IF (x) := {i | fi (x) = F (x)}.
Ejercicio 3.4.1. Pruebe la observacin anterior.

Diremos que el programa convexo original (P) es propio, s.c.i. y nito si tanto f como gi son
convexas, propias y s.c.i. y, adems, v(P) R.
Teorema 3.4.7 (Fritz-John Fuerte). Sea (P) un programa convexo, propio , s.c.i. y nito tal que
se satisfacen las hiptesis del Teorema de Fritz John dbil. P Entonces una condicin necesaria y
suciente para que x S(P) es que existan 0 , . . . , p 0, pi=1 i = 1 y reales 1 , . . . , q tales
que !
Xp q
X

0 0 f + i gi + D (x) + j hj (x)
i=1 i=1
y i gi (x) = 0, i = 1, . . . , p.
3.5. PROBLEMAS 69
Demostracin: Sea F (x) = max1ip {f (x)v(P), gi (x)}. El programa convexo (P) puede escribirse
de manera equivalente como
(P) inf{F + H }.
Tenemos que x S(P) si, y slo si, 0 (F + H )(x). Si x0 D es punto de continuidad de F tal
que x0 H , tenemos que (F + H )(x) = F (x) + H (x). Ms generalmente, se prueba que la
condicin 0 int(D H) permite tener la misma igualdad.
La proposicin anterior nos permite concluir que
p
!
[ X
F (x) = (f v(P)) + i gi + D (x).
F (x) i=1
Si hj (x) = hxj , x xi, entonces h (x) = {xj } de donde se sigue que

[ Xq
H (x) = j hj (x)
Rq j=1
de donde se obtiene el resultado
Teorema 3.4.8 (Kuhn-Tucker Fuerte). Supongamos que se satisfacen las hiptesis de Fritz-John
Fuerte y que adems se cumple la condicion de calicacin de Slater S , entonces una condicin
necesaria y suciente para que x S(P) es que existan 1 , . . . , p 0 y reales 1 , . . . , q R tales
que !
Xp X q
0 f+ i gi + D (x) + j hj (x)
i=1 i=1
y i gi (x) = 0, i = 1, . . . , p. En particular, si x es un punto de continuidad comn a f y gi , i =

1, . . . , p, entonces x S(P) si, y slo si,
p
X q
X
0 f (x) + i gi (x) + j hj (x))
i=1 i=1
y i gi (x) = 0, i = 1, . . . , p.
Demostracin: Basta observar que bajo S podemos obtener que 0 > 0 y, luego, podemos nor-
malizar.
3.5. Problemas
Problema 11 (Regularizacin de problemas min-max). Considere el problema min-max
(P ) min max{f1 (x), . . . , fm (x)}
xRn
con fi : Rn R convexa y S(P ) no vaco y acotado. Para r > 0 considere el problema regularizado
(Pr ) min Mr (f1 (x), . . . , fm (x)).
xRn
P
donde Mr (y) = rM (y/r) con M (y1 , . . . , ym ) = minvR [v + m
i=1 (yi v)] y : R [0, ) es una
funcin estrictamente convexa, creciente, diferenciable y tal que (1) = +.
(a) Muestre que M es convexa y diferenciable.
(b) Pruebe que r (1) Mr (y) max yi r m (1/m).
(c) Deduzca que Mr (f1 (x), . . . , fm (x)) converge a max{f1 (x), . . . , fm (x)}.
(d) Muestre que (Pr ) admite al menos una solucin xr la cual permanece acotada cuando r tiende
hacia 0. Concluir que v(r) v y que todo punto de acumulacin de xr es solucin de (P ).
(e) Explicite el dual (Dr ) de (Pr ) asociado a la funcin de perturbacin (x, y) = Mr (f1 (x) +
y1 , . . . , fm (x) + ym ).
(f) Pruebe que v(Pr ) + v(Dr ) = 0 y que (Dr ) admite una nica solucin.
Problema 12 (Dualidad en problemas de aproximacin cuadrtica en espacios de Hilbert). Sean

X e Y dos espacios de Hilbert reales, con producto interno denotado indistintamente por h, i. Dado
un conjunto convexo y no vaco C X y un operador lineal, continuo y sobreyectivo A : X Y ,
considere el problema de minimizacin
(P ) min 12 kAxk2
xC
(a) Pruebe que si C + ker A es cerrado entonces el conjunto de soluciones ptimas S(P ) es no
vaco.
(b) Pruebe que x C es solucin ptima de (P ) si, y slo si, y := A Ax satisface la inecuacin
variacional: hx x, yi 0, x C .
(c) Suponga que C = {x X | hai , xi bi , i = 1, . . . , m}. Verique que (P ) admite solucin

ptima.
que hai , x0 i < bi , i = 1, . . . , m. Pruebe que x S(P ) si, y slo

(d) Asuma que existe x0 X talP
si, R+ tal que A Ax = m
m i i
i=1 i a y adems i (ha , xi bi ) = 0, i = 1, . . . m.
Problema 13 (Aproximacin de mxima entropa). Sea u L1 L1 ([0, 1], R) una funcin des-
conocida tal
R 1 que u(x) 0 c.t.p. en [0, 1]. Deseamos estimar u en base a sus (n + 1) primeros
i
momentos 0 x u(x)dx = mi > 0, i = 0, 1, . . . , n. Para ello consideramos el problema
Z 1 Z 1
i
(P ) min E(u(x))dx : x u(x)dx = mi , i = 0, . . . , n
uL1 0 0
donde E : R R {} es (menos) la entropa de Boltzmann-Shannon denida por E(u) = u ln u

para u 0 y E(u) = para u < 0. El problema (P ) equivale a minuL1 {(u) : Au = m} con
: L1 R {+} y A : L1 Rn+1 denidas por
R1 1
(u) = 0 E(u(x))dx si E u L
+ si no,
R1 i
(Au)i = 0 x u(x)dx, i = 0, 1, . . . , n.
(a) Pruebe que 0 (H). Indicacin: utilizar el Lema de Fatou.

3.5. PROBLEMAS 71
(b) Explicite el dual que se obtiene al perturbar la restriccin de (P ) mediante Au = m y . Para

ello pruebe que A : Rn+1 L est dado n
R 1 por (A )(x) = 0 + 1 x + + n x mientras

que para todo u L se tiene (u ) = 0 exp(u (x) 1)dx.
(c) Usando el teorema de dualidad pruebe que (P ) tiene una nica solucin.
Pn i ).
(d) Pruebe que si es una solucin dual entonces la solucin de (P ) es u(x) = exp(1 i=1 i x
Problema 14 (Un problema de Ingeniera). Sea (X, k k) un e.v.n. y (X , k k ) su dual topolgico.

Sean x1 , . . . , xn Y y a1 , . . . , an R tales que el sistema hx , xi i = ai , i = 1, . . . , m admite
al menos una solucin x X . Consideremos el problema de encontrar una solucin de norma
mnima.
(a) Pruebe la identidad

Pn Pn
min

{kx k : hx , xi i = ai , i = 1 . . . n} = max
n
{
i=1 ai yi :k
i=1 yi xi k 1}
x X y R
y que ambos ptimos son alcanzados. Para ello considere la funcin de perturbacin :
X Rn R
kx k si hx , xi i = ai + yi , i = 1 . . . n
(x , y) =
+ en caso contrario.
(b) Pruebe que x P X e y Rn son solucionesP de los problemasP anteriores si, y slo si,
hx , xi i = ai , k yi xi k 1, y se tiene hx , ni=1 yi xi i = kx k k ni=1 yi xi k.

(c) La velocidad angular de un motor elctrico alimentado por una corriente variable u(t) se
rige por la ecuacin (t) + (t) = u(t). Se requiere llevar el motor desde la posicin inicial
(0) = (0) = 0, hasta (1) = (1) = 1 (=posicin angular, = ), minimizando la norma
innito de u(t).
(c.1) Verique que el problema puede plantearse como

n R1 R1 o
minuL [0,1] kuk : 0 et1 u(t) dt = 1, 0 (1 et1 )u(t) dt = 1 .
(c.2) Deduzca que el control ptimo es de la forma u(t) = M sgn(x1 et1 + x2 [1 et1 ]) para
constantes adecuadas x1 , x2 , M . Probar que u(t) tiene a lo ms un cambio de signo y
calcular u(t).
Problema 15 (Dualidad de Toland-Singer). En lo que sigue, denotamos por + la inf-adicin en

R (en particular, +() = +) y por la inf-sustraccin denida por := +(). La
sup-adicin +
. y la sup-sustraccin
. se denen de manera anloga. Dadas dos funciones f, g : X
R {+}, donde (X, Y, h, i) es una dualidad entre e.v.t.l.c., se dene h := f g .
(a) Pruebe que se satisface la siguiente relacin para las conjugadas de Legendre-Fenchel:
(3.1) y Y, h (y) sup {f (y + z) g (z)}

zdom g
(b) Suponga que g 0 (X). Pruebe que entonces se tiene igualdad en (3.1), y deduzca la frmula
de dualidad de Toland-Singer:
inf {f g} = inf {g f }.
X Y
(c) Suponga ahora que (X, k k) es un e.v.n. en dualidad con Y = X . Dados dos convexos
cerrados C, D X , se dene el exceso de Hausdor de C sobre D mediante e(C, D) :=
supxC d(x, D) [0, +] con d(x, D) = inf yD ky xk. La distancia de Hausdor entre C y
D se dene como h(C, D) = max{e(C, D), e(D, C)} [0, +]. Usando (b), pruebe que
e(C, D) = sup {C (x )
. D (x )},
x B
donde B := {x X | kx k 1}. Ind.: sea g(x) = d(x, D), pruebe que g = D + B .

Si adems C y D son acotados, muestre que se tiene la frmula de Hrmander:
h(C, D) = sup |C (x ) D (x )|.

x B
Problema 16 (Un caso particular de la dualidad de Clarke-Ekeland). Sea (H, h, i) un espacio de

Hilbert y f 0 (H). Sea A : H H un operador lineal, continuo y autoadjunto. Se denen las
funciones , : H R {+} mediante (x) = 12 hx, Axi + f (x) y (x) = 21 hx, Axi + f (Ax).
Note que y no son necesariamente convexas.
(a) Pruebe que si x H es un punto crtico para , lo que por denicin signica que Ax
f (x), entonces todo y ker A + x es un punto crtico para , es decir Ay [f (A)](y).
(b) Demuestre que si 0 int(dom f ImA) entonces para todo punto crtico y de existe
x ker A + y que es punto crtico de , y ms aun (x) + (y) = 0.
Problema 17. Sea Sn el espacio de Hilbert
P formado por las matrices simtricas de orden n, con
el producto interno hhA, Bii := tr(AB) = ni,j=1 Aij Bij . Sea Sn+ el conjunto de matrices simtricas
denidas positivas y sea : Sn R {+} denida por

ln[det(A1 )] si A Sn+
(A) =
Notemos que dom() = Sn+ es abierto en Sn , () es C sobre Sn+ y continua en todo Sn .
(a) Pruebe que (A) + tr(A) n para todo A Sn , con igualdad slo en el caso Pen que todos los
valores propios de A son iguales a 1. Indicacin: considerar el problema min{ ni=1 i ln i :
i > 0}.
(b) Deduzca que (A + H) > (A) tr(A1 H) para todo A Sn+ , H Sn \ {0}. Concluya que
0 (Sn ), con () estrictamente convexa en Sn+ y (A) = A1 para A Sn+ .
(c) Demuestre (si lo desea comience por el caso n = 1) que

(A ) n si A Sn+
(A ) =
+ si no.
3.5. PROBLEMAS 73
p
Salvo constante multiplicativa, el nmero det(A1 ) es el volumen del elipsoide {x Rn :
xt Ax 1}. As, el problema de encontrar el elipsoide de volumen mnimo (centrado en el origen)
que contiene un conjunto de puntos dados {x1 , . . . , xk } Rn se puede formular como
(P ) min {(A) : xti Axi 1, i = 1 . . . k}.

ASn
Notemos que xti Axi = hhA, Ai ii con Ai := xi xti , de modo que (P ) es un problema con restricciones
de desigualdad lineales. Para evitar soluciones degeneradas supondremos que {x1 , . . . , xk } genera
todo Rn . Perturbemos (P ) mediante : Sn Rk R {}

(A) si hhA, Ai ii 1 yi , i = 1 . . . k
(A, y) =
(d) Explicite el dual (D) mostrando que tiene solucin. Pruebe asimismo que (P ) posee solucin
nica y que si y = (1 , . . . , k ) es una solucin del dual, entonces la solucin de (P ) viene
dada por
hP i1
k
A= x x
i=1 i i i .
Problema 18 (Frmula de Lax-Oleinik). Sean f, 0 (RN ) con () nita, estrictamente convexa

y diferenciable en todo RN , tal que limkyk (y)/kyk = . Consideremos la ecuacin de Hamilton-
Jacobi
u
(t, x) + (x u(t, x)) = 0 x RN , t > 0,
t
u(0, x) = f (x) x RN .
Se desea probar que

u(t, x) = minn f (x y) + t(y/t)
yR
es una solucin de tal ecuacin. Para ello se propone el siguiente esquema (a) (f)
(a) Sea (t, x, y) = f (x y) + t(y/t). Pruebe que es convexa y deduzca que u es convexa y
continua.
(b) Pruebe que el ptimo en la denicin de u(t, x) es alcanzado en un nico punto y = y(t, x), y
que se tiene
(t , x ) u(t, x) (t , x , 0) (t, x, y).
(c) Calcule en trminos de f y .
(d) Deduzca que (t , x ) u(t, x) si, y slo si, se tienen las condiciones siguientes:
(i) t + (x ) = 0;
(ii) x f (x y); y
(iii) x = (y/t).
u
(e) Concluya que u(, ) es diferenciable en todo punto (t, x) (0, ) RN y satisface t (t, x) +
(x u(t, x)) = 0.
(f) Pruebe que para todo x RN se tiene limt0+ u(t, x) = f (x).
Finalmente, considere la ecuacin
u 1
(t, x) + kx u(t, x)k2 = 0 x RN , t > 0,
t 2
u(0, x) = f (x) x RN .
(g) Encuentre la frmula explcita para la solucin de la ecuacin.
Problema 19 (Subgradiente aproximado). Sea f 0 (X) con (X, k k) espacio de Banach. Para
0 denimos el -subdiferencial de f en u X como el conjunto f (u) formado por los funcionales
u X que satisfacen
f (u) + hu , v ui f (v) para todo v X.
(a) Pruebe que f (u) es convexo, cerrado y no-vaco.

(b) Sea u f (u). Pruebe que existe v X y v f (v) tal que kv uk y kv u k .
(c) Deduzca que dom(f ) es denso en dom(f ).
Suponga que m = inf uX f (u) > y sea > 0.
(d) Pruebe que u es un -mnimo (i.e. f (u) m + ) si, y slo si, 0 f (u).
(e) Deduzca la existencia de una sucesin vk X y vk f (vk ) tal que f (vk ) m y kvk k 0.
(f) Se dice que f satisface la condicin de Palais-Smale si toda sucesin vk que satisface d(0, f (vk ))
0 con f (vk ) acotada, es relativamente compacta para la topologa dbil. Deduzca que si f es
acotada inferiormente y satisface la condicin de Palais-Smale, entonces el mnimo de f es
alcanzado.
Problema 20. Sea K un espacio topolgico compacto y C(K) el conjunto de funciones continuas de
K en R con la norma de la convergencia uniforme kf k = maxtK |f (t)|. Recordemos que el dual de
C(K) es isomtricamente isomorfo al conjunto M(K) de medidas de Borel regulares : B(K) R
con la norma kk = ||(K) < donde
Pm
||(A) = sup{ i=1 |(Ai )| : {Ai }m
i=1 particin medible de A} A B(K).
R R
REl producto de dualidad entre C(K) y M(K) es h, f i = K f d. Notemos que | K f d|
K |f | d||.
(a) Dena () = k k y pruebe que = B(0,1) . Encuentre (0).
(b) Para f 6= 0 denotamos Kf+ ={t K : f (t) = kf k} y Kf ={t K : f (t) = kf k}. Pruebe que
k k (f ) si, y slo si, kk = 1, supp() Kf+ Kf , 0 en Kf+ y 0 en Kf .
3.5. PROBLEMAS 75
(c) Sean f, 1 , . . . , n C(K) y consideremos el problema de mejor aproximacin en el sentido

de Tchebychef
P
(P ) minn kf ni=1 xi i k .
xR
Pn
Calcule el dual de (P ) asociado a las perturbaciones (x, y) = kf + y i=1 xi i k para
x Rn e y C(K).
(d) Pruebe que v(P ) + v(D) = 0 y que S(D) 6= .
(e) Suponiendo que 1 , . . . , n son linealmente

R independientes
R demuestre que el operador A :
n
M(K) R denido por A() = ( K 1 d, . . . , K n d) es sobreyectivo. Deduzca que en
tal caso (P ) admite soluciones.
(f) Explicite las relaciones de extremalidad que caracterizan las soluciones ptimas x S(P ) y
S(D).
Problema 21 (Regularizada de Moreau-Yosida). Sea H un espacio de Hilbert y f : H R{+}

una funcin convexa, s.c.i. y propia. La Regularizada Moreau-Yoshida de parmetro > 0 es la
funcin f : H R denida mediante

1 2
f (z) = inf f (x) + kz xk .
xH 2
(a) Pruebe que f es convexa, nita, y que el nmo es alcanzado en un nico punto.
(b) Deduzca que para todo z H existe un nico x H tal que z x + f (x).
(c) Pruebe que f es Gteaux-diferenciable con f = 1 (I J ).

La propiedad (b) permite denir la aplicacin J = (I + f )1 : H H .
(d) Pruebe que f es montono: x f (x), y f (y) = hy x , y xi 0.
(e) Deduzca que J es una contraccin: kJ (z1 ) J (z2 )k kz1 z2 k.

1
(f) A partir de la desigualdad f (J (z)) + 2 kJ (z) zk2 f (z), pruebe que para 0 se tiene
(f.1) kJ (z)k se mantiene acotado,

(f.2) kJ (z) zk tiende a cero,
(f.3) f (z) converge montonamente a f (z).
J se llama resolvente y 1 (I J ) es la regularizada Yoshida de f . Usando (c) y (e) se sigue

que f es Frchet-diferenciable con gradiente Lipschitziano.
Problema 22. (Karush-Kuhn-Tucker en el caso diferenciable no convexo)
(a) Consideremos una funcin f : Rn R una funcin diferenciable y acotada inferiormente.
Pruebe que para cada > 0 existe x Rn tal que kf (x )k . Indicacin: considere x un
mnimo global de la funcin f + k k y suponga que kf (x )k > , pruebe entonces que en
ese caso f 0 (x ; d ) < kd k con d := f (x ) y que esto contradice la optimalidad de x .
(b) Demuestre el Teorema de la Alternativa de Gordan : dados a0 , a1 , ..., am Rn , uno y slo uno
de los siguientes sistemas (S1) y (S2) admite una solucin.
Pm i
Pm
(S1) i=0 i a = 0, i=0 i = 1, 0 0 , 1 , ..., m .
(S2) hai , di < 0 para todo i = 0, 1, ..., m, d Rn .
Pm i

Indicacin: pruebe que si la funcin f (x) = log i=0 expha , xi es acotada inferiormente
entonces (S1) tiene una solucin.
(c) Sean g0 , g1 , ..., gm : C Rn R funciones continuas en C y diferenciables en x int(C). Se

denen g(x) := max {gi (x)} y J := {i | gi (x) = g(x)}. Pruebe que d Rn :
0im
1
(c.1) lim inf t [g(x + td) g(x)] hgi (x), di, i J .
t0+
(c.2) lim sup 1t [g(x + td) g(x)] max{hgi (x), di}.
t0+ iJ
Indicacin: razone por contradiccin probando que si lo anterior no fuese cierto entonces
existiran > 0 y j J tales que para una sucesin tk 0+ se tendra que t1k (g(x +
tk d) g(x)) max{hgi (x), di} + .
iJ
(c.3) g 0 (x; d) = max{hgi (x), di}.
iJ
(d) Considere el siguiente problema de minimizacin con restricciones:
(P ) min{f (x) | gi (x) 0 para i = 1, 2, ..., m, x C},
donde f, g1 , ..., gm : C Rn R son funciones continuas. Suponga que (P ) tiene un min-

imizador local x int(C) y que f, gi (i I(x) := {i | gi (x) = 0}) son diferenciables en x.
Pruebe que:
(d.1) (condiciones de Fritz-John) existen 0 , i R+ (i I(x)), no todos nulos, que satisfacen
X
(3.2) 0 f (x) + i gi (x) = 0.
iI(x)
Indicacin: verique que g 0 (x; d) 0 para una funcin g escogida apropiadamente y luego
aplique el Teorema de la Alternativa de Gordan.
(d.2) (condiciones de Karush-Kuhn-Tucker) si adems se satisface la condicin de calicacin
de Fromovitz-Mangasarian :
(M F ) d Rn : i I(x), hgi (x), di < 0,
entonces es posible tomar 0 = 1 en (3.2).

Captulo 4
Aplicaciones al Clculo de Variaciones
En esta seccin revisaremos algunos ejemplos del Clculo de Variaciones y del Anlisis Varia-
cional. Las tcnicas usadas son aplicaciones de la Dualidad Convexa, revisada en la seccin anterior,
a los espacios de Sobolev. Es recomendable tener frescos algunos resultados de Teora de las Dis-
tribuciones y de espacios de Sobolev. Se recomienda revisar [Bre83].
4.1. Problema de Dirichlet

Sea RN un abierto acotado y consideremos los espacios X := H01 (), Y = L2 ()N y
sus respectivos duales topolgicos X = H 1 (), Y = L2 ()N (identicacin). Nos interesa el
problema Z Z
1 2
(P) inf |u(x)| dx f (x)u(x)dx ,
uH01 () 2
donde
R denota el gradiente dbil y f L2 (). Sean F : H01 () R denida por F (u) =
R P
f (x)u(x)dx y G : L () R con G(p) = 2 kpkL2 ()N = 2 N
2 N 1 2 1 2
i=1 pi (x)dx, de modo que
podemos escribir (P) de manera equivalente por
inf F (u) + G(Au)

uX
donde A : H01 () L2 ()N est denida por Au = u que resulta ser lineal y continua. Es fcil
ver que (
0 si u = f,
F (u ) =
+ si no.
y que G (p ) = 12 kp k2L2 ()N . Podemos carecterizar A : L2 ()N H 1 () por
u H01 (), hA p , uiH 1 (),H01 () = hp , AuiL2 ()N ,L2 ()N = hdiv p , uiH 1 (),H01 () .
As A p = div p (en el sentido de las distribuciones). Luego, el problema dual de (P) es

1 2
(D) inf kp kL2 ()N p L () , div p = f .
2 N
2
77
78 CAPTULO 4. APLICACIONES AL CLCULO DE VARIACIONES
La calicacin primal es 0 int(dom(G) A dom(F )) que es equivalente a 0 int(L2 ()N ) =

L2 ()N . Luego se satisface la calicacin primal y como inf(P) 0 y F (v) + G(Av) es coerciva
(el lector debe vericar esto) se tiene que S(D) 6= y, ms aun, (D) tiene solucin nica. Sea u
solucin de (P) y p la solucin de (D). Las ecuaciones de Euler-Lagrange son
div(p ) F (u) = {f }
p G(u) = {u},
y equivalen a
div(p ) = f
p = u.
Luego u es solucin (dbil) de
u = f en ,
u = 0 sobre .
4.2. Problema de Stokes

Sean R abierto acotado y f L2 ()3 . El problema de Stokes consiste en encontrar un
campo de velocidades u = (u1 , u2 , u3 ) H 1 ()3 y una funcin de presin p L2 () tales que

u + p = f en ,
(S) div(u) = 0 en ,

u = 0 sobre ,
donde u = (u1 , u2 , u3 ). Este problema corresponde a un modelo simplicado de un uido
homogneo e incompresible con R3 la regin que contiene al uido, que supondremos de frontera
regular.
Veamos la formulacin variacional del problema. Dada = (1 , 2 , 3 ) D()3 (donde D()
denota el conjunto de funciones de clase C sobre , a valores reales y con soporte compacto).
Notemos que si (u, p) son soluciones clsicas, entonces
3 Z
X Z Z
ui p div() = fv
i=1
y denimos una solucion dbil de (S) como un par (u, p) H 1 () L2 () tal que
3 Z
X Z Z
() v H01 ()3 , ui vi p div(v) = f v.
i=1
Consideremos
P3 R el espacio V = {v H01 ()3 | div(v) = 0} dotado del producto interno ((u, v)) :=
i=1 ui vi y la norma kk inducida por tal producto interno. Es fcil ver que (V, kk) es un
espacio de Hilbert. Adems, u V es solucin de
Z
1
(P) inf kvk2 fv
vV 2
4.2. PROBLEMA DE STOKES 79
si, y slo si, Z

v V, ((u, v)) = fv

que corresponde a () cuando hacemos div(v) = 0.
Pero, cmo recuperamos la presin? Construiremos un problema dual asociado a (P) que nos
permitir obtener la presin p que perdimos en el camino. Sean X = H01 ()3 , Y = L2 () = Y y
X = H 1 (). Denamos las funciones
F : X R R G : Y R A : X R
v 7 21 kvk2 f v, y 7 {0} (y), v 7 div v.
As podemos escribir el problema primal como
(P) inf F (v) + G(Av).

vX
El dual en el sentido de Fenchel-Rockafellar es
(D) inf F (A p ) + G (p )
p Y
donde G (p ) = 0 y
Z
1 2
F (A p ) = sup hp , div(v)iL2 () kvk + fv
vX 2
Z Z
1
= inf { kvk2 fv + p div(v)}.
vX 2
Este ltimo problema es coercivo (verifquelo) y estrictamente convexo, luego para cada p Y
existe una nica solucin vp X que est caracterizada por:
h = (h1 , h2 , h3 ) X, ((vp , h)) hf, hiL2 () + hp , div(h)iL2 () = 0.
En particular, para cada i = 1, 2, 3 y w H01 () se tiene que

Z Z Z
w
(vp )i w fi v + p = 0,
xi
de donde deducimos que
vp p = f en
(en el sentido de las distribuciones). Es directo vericar que
3
1X 1
F (A p ) = kvp k2L2 () = kvp k2H 1 ()3 ,
2 2 0
i=1
de modo que podemos reescribir el dual como

1
(D) inf 2 1 3
kvp kH 1 ()3 vp H0 () es solucin de vp p = f en .
p L2 () 2 0
Sea u X la solucin de (P) y supongamos que (D) admite solucin p (la cual no es nica,
por qu?). Tenemos que la relacin de extremalidad es
F (u) + F (A p ) = hu, A p i = 0,
lo que implica que

F (A p ) hv, A p i F (v)
y en consecuencia u = v(p ). Luego,
div(u) = 0 en ,
u + (p ) = f en ,
u = 0 ,
lo que equivale a que (u, p ) sea solucin dbil del problema de Stokes.
Para nalizar, probemos la existencia de una solucin de (D). Veamos la condicin de calicacin
dual:
0 int(dom(F ) + A L2 ()).
Pero F (A p ) = 12 kvp k2 y se verica que A p int(dom(F )) para todo p L2 (), de
modo que deducimos que inf(D) = min(P) R. Sea pn una sucecin minimizante para (D). En
particular tenemos que existe C 0 tal que para todo n N se satisface que kvpn kH01 () C , lo
que implica que (vpn )n est acotada en H01 ()3 y por lo tanto (pn )n est acotada en H 1 () y de
aqu concluimos que (pn )n est acotada en L2 ()/R. Pasando a una subsucesin si fuese necesario,
tenemos que (pn )n converge dbilmente hacia p L2 ()/R que resulta ser solucin de (D).
4.3. Problema de la torsin elasto-plstica

Dado f L2 (), consideremos el siguiente problema:
Z Z
1 2
(P) inf |v| dx f vdx
vC 2
donde C := {v H01 () | |v| 1, en c.t.p}, que es un convexo cerrado y no-vaco . Como el

problema es coercivo, se deduce que S(P) 6= . Es fcil ver que u S(P) si, y slo si, u es solucin
de la siguiente desigualdad variacional:
(
u C,
(V I)
v C, ((u, v u)) (f, v u) 0,
R
donde ((, )) denota el producto interno en H01 (), es decir, ((u, v)) = uv . Notemos que de
aqu se deduce la unicidad de la solucin de (P). Sea u tal solucin y recordemos el Teorema de
Brezis-Stampacchia:
Teorema 4.3.1. Si f Lp () con 1 < p < + y es regular (de clase C 2 ), entonces u W 2,p ().
Si f L+ , entonces u W 2, (), [1, +[. De las inyecciones de Sobolev, u C 1 ().
4.4. PROBLEMAS 81
Tomemos X = H01 (), X = H 1 (), Y = L2 ()N = Y . Denamos las funciones A : X Y ,

Av = v y F : X R, G : Y R dadas por
Z Z
1 2
F (v) = |v| dx f vdx y G(p) = S (p),
2
con S = {p L2 ()N | |p(x)| 1, en c.t.p.}. Luego, (P) equivale a

inf F (v) + G(Av).
vX
Es fcil ver que Z

1
F (v ) = kv + f kH 1 , G (p ) = |p |
2
2
de donde formulamos el problema dual por
Z
1
(D) inf kdiv p + f kH 1 () + |p | .
p L2 ()N 2
La calicacin dual equivale a 0 int(H 1 () + A dom(G )) por lo que S(P) 6= (ya lo sabamos)
y min(P) = inf(D).
Si p S(D), las relaciones de extremalidad conducen a
1. F (u) + F (A p ) = hdiv p , ui lo que equivale a u div p = f (en H 1 ()).
R R
2. G(Au) + G (p ) = hp , Aui lo que equivale a |u| 1 c.t.p. y |p | = p u. Esto implica
que |p (x)| = p (x)|u(x)| en c.t.p..
De esta relacin deducimos que en c.t.p. se tiene que

0 si |u(x)| < 1,
p (x) =
(x)u(x) si |u| = 1,
donde (x) = |p (x)|. En consecuencia,
() u div((x)u) = f en H 1 ().
Recprocamente, si existe L2 () tal que (x)(|u(x)| 1) = 0 y que verique (), entonces
deniendo p (x) := (x)u(x) se verican las condiciones de extremalidad y en consecuencia p
S(D). El problema es que (D) no admite necesariamente una solucin. (Notar que (D) es coercivo
en L1 ()N pero este espacio no es reexivo).
4.4. Problemas
Problema 23 (Problema de visco-plasticidad). Consideremos el problema de visco-plasticidad
denido por
Z Z Z
2
(P ) min |u(x)| d(x) + |u(x)|d(x) f (x)u(x)d(x) ,
uH01 () 2
donde es un abierto acotado de RN , , > 0 y f L2 (). Este problema se puede escribir en

el formato de la dualidad de Fenchel-Rockafellar minuH01 () (u) + (Au) tomando : H01 ()
R
R,R : L2 ()N R R y A : H01 () L2 ()N denidos mediante (u) = f u d, (p) =
2
2 kpk d + kpk d, y Au = u.
(a) Pruebe que el dual correspondiente est dado por

Z
1
(D) min [|p (x)| ]2+ d(x) div(p ) = f .
p L2 ()N 2
(b) Pruebe que v(P ) + v(D) = 0, que (P ) admite una nica solucin y que (D) admite soluciones.
(c) Pruebe que u S(P ) y p S(D) si, y slo si, div(p ) = f (en el sentido de distribuciones)
y adems se tiene que u(x) = 1 [|p (x)| ]+ p (x)/|p (x)| c.t.p. en .
Problema 24. Sea RN un abierto acotado de frontera regular. Consideremos f L2 () y

: R R una funcin continua no-decreciente tal que |(u)| a + b|u| para todo u R con a y b
constantes positivas. Para cada condicin inicial u0 L2 () consideremos la ecuacin de evolucin
u
t = u (u) + f
u(0) = u0
(a) Pruebe que esta ecuacin admite una nica solucin u L (0, ; L2 ()) tal que u(t) H01 ()
para t > 0.
(b) Pruebe que cuando t , la trayectoria t 7 u(t) converge dbilmente en L2 () hacia la

nica solucin de
Z Z Z
1 2
(P ) min |u(x)| dx + g(u(x))dx f (x)u(x)dx ,
uH01 () 2
Ru
donde g(u) = 0 ()d .
Captulo 5
Penalizacin en Optimizacin Convexa
5.1. Preliminares.
Dado un conjunto nito I consideremos un programa convexo de la forma
(P) v = min{f0 (x) | fi (x) 0, i I},
y un problema sin restricciones

( )
X fi (x)

(Pr ) vr = min f0 (x) + r x Rn
r
iI
denido para cada r > 0. La idea es que (Pr ) penaliza la violacin de las restricciones de (P)
mediante la funcin (ms adelante mostraremos hiptesis adecuadas que formalizan esta idea). El
objetivo de este captulo es analizar cun bien (Pr ) aproxima a (P). Ms especcamente, estudiamos
la convergencia de los valores de los problemas aproximados (Pr ) al valor del problema (P) (esto
es, estudiamos la convergencia de vr a v ) y, adems, nos preguntamos por la convergencia de las
soluciones generadas a partir de (Pr ). Terminamos el captulo con el estudio de problemas duales
generados a partir de este esquema.
Presentaremos ahora una clase de funciones que ser especialmente importante en nuestro anli-
sis.
Denicin 5.1.1. Diremos que una funcin f : Rn R pertenece a la clase Q si es convexa y
satisface la siguiente propiedad:
Si f es constante en el segmento de recta [x, y],

()
entonces es constante en toda la recta que pasa por x e y .
Ejercicio 5.1.1. Suponga que f Q y que el convexo C Rn es tal que f es constante en C .

Muestre que f es constante en a(C).
Ejemplo 5.1.1. Algunas funciones relevantes:
Las funciones lineales, las cuadrticas, y las reales-analticas tienen la propiedad (*).
Si f Q, A es lineal, y : R R es estrictamente convexa y creciente, entonces f A Q.
83
84 CAPTULO 5. PENALIZACIN EN OPTIMIZACIN CONVEXA
Si f es estrictamente convexa, entonces f Q.
Si f, g Q, entonces no necesariamente max{f, g}, f + g Q.

A lo largo del captulo supondremos que
(a) f0 , fi : Rn R son funciones convexas, I es un conjunto nito;
(b) El conjunto de soluciones S(P) es no-vaco y acotado;
(c) f0 , fi Q;
(d) : (, ) R, con [0, +], es una funcin estrictamente convexa diferenciable tal que
0 (u) > 0, con 0 (u) 0 cuando u , y 0 (u) + cuando u ;
(e) Si = 0 supondremos la condicin de Slater: x tal que fi (x) < 0 i I .
Diremos que es una funcin de penalizacin si satisface (d) y la extendemos a todo R mediante
(
limu (u) si u = ;
(u) =
+ si u > .
En este contexto, el conjunto de hiptesis (a) . . . (e) lo denotaremos (H0 ).

Ejemplo 5.1.2 (Funciones de Penalizacin). Penalizacin Logartmica
(
ln(u) si u < 0,
(u) =
+ si no.
Penalizacin Inversa (
u1 si u < 0,
(u) =
+ si no.
Penalizacin Exponencial
(u) = eu .
Penalizacin Logartmica Desplazada

(
ln(1 u) si u < 1,
(u) =
+ si no.
Penalizacin Hiperblica (
1
1u si u < 1,
(u) =
+ si no.
Penalizacin Raz (
(u)1/2 si u 0,
(u) =
+ si no.
5.2. ALGUNOS RESULTADOS DE CONVERGENCIA 85
5.2. Algunos Resultados de Convergencia

Lema 5.2.1. Sea C Rn un convexo no-vaco tal que f0 , fi son constantes en C . Entonces C tiene
un solo elemento.
Demostracin: Supongamos que existen x, y C , con x 6= y . Las funciones fi , i I {0}, son
constantes en [x, y] y luego son tambin constantes en a({x, y}). Sea d = y x. Para t R se
sigue que fi (x + td) = fi (x). Luego1 fi (d) = 0 y d es direccin de constancia para fi , i I {0}.
Consideremos ahora x S(P). Luego f0 (x + td) = f0 (x ) = v y fi (x + td) = fi (x ) 0
t > 0. Se sigue que S(P) es no acotado, lo cual es una contradiccin.
Proposicin 5.2.1. Para cada r > 0 existe un nico mnimo x(r) S(Pr ). Adems vr v y
dist(x(r), S(P)) 0 cuando r 0+ .
P
Demostracin: Fijemos r > 0 y sea fr (x) = f0 (x) + r iI ( fi (x)r ). Probaremos que fr es inf-

compacta o, de manera equivalente, que fr (d) > 0 para todo d 6= 0.
No es difcil mostrar que
(
+ si para algn i, fi (d) > 0,
fr (d) =
f0 (d) si no.
Si d 6= 0 es tal que fr (d) 0, entonces d satisface que fi (d) 0 para todo i I {0}.
Tomando x S(P) se sigue que x + td S(P) para todo t > 0 contradiciendo as el acotamiento
de S(P). En consecuencia, S(Pr ) es convexo, no-vaco y acotado.
Veamos ahora que S(Pr ) tiene un solo elemento. Si no, existen x, y S(Pr ), con x 6= y . Luego
[x, y] S(Pr ). Se tiene que fi (x) = fi (y) i I . De lo contrario, tomando z = (x + y)/2,
1 X (fi (x) + fi (y))/2

fr (z) f0 (x) + f0 (y) + r
2 r
iI
X1
1 fi (x) fi (y)
< f0 (x) + f0 (y) + r +
2 2 r r
iI
= vr
donde la segunda desigualad es estricta ya que estamos suponiendo que existe i I tal que fi (x) 6=
fi (y). Pero lo anterior no puede ser ya que vr es el nmo de (Pr ). Se sigue que fi (x) = fi (y) i I
y luego f0 (x) = f0 (y).
De este modo las funciones fi son constantes en S(Pr ) para i I {0} y, en virtud del lema
anterior, S(Pr ) = {x(r)}.
Estudiemos la convergencia. Consideremos x S(P) y x = (1 )x + x, con x = x si > 0,
y x un punto de Slater si = 0. Ya que vr fr (x ), se tiene que
lim sup vr lim sup fr (x ) f0 (x ) (1 )f0 (x ) + f0 (x).

r0+ r0+
Como v = f0 (x ), se sigue que lim supr0+ vr v .

1
Para simplicar la notaci, en este captulo denotaremos la funcin de recesin mediante el smbolo como
superndice, a diferencia de lo que hicimos en la Denicin 1.2.5.
Veamos ahora que x(r) es acotada. De lo contrario, existe rk 0+ tal que kx(rk )k + y
x(rk )
kx(rk )k d 6= 0. Se tiene que frk (x(rk )) frk (x ) y luego
P
f0 (x(rk )) + rk iI ( fi (x(r
rk
k ))
) frk (x )
.
kx(rk )k kx(rk )k
Esto equivale a
fi (x(rk )) kx(rk )k
f0 (x(rk )) X ( kx(rk )k rk ) frk (x )
+ kx(rk )k
,
kx(rk )k kx(rk )k
iI rk
P
de donde se sigue que f0 (d) + iI (fi (d)) 0. En consecuencia, fi (d) 0 i I {0}
contradiciendo de este modo el acotamiento de S(P).
Consideremos x0 = limk x(rk ) un punto dePacumulacin de (x(r))r>0 . Se tiene que frk (x(rk )) =
vrk y, tomando lmite, deducimos que f0 (x0 ) + iI (fi (x0 )) v . Se sigue que fi (x0 ) 0 i I
y f0 (x0 ) v lo que equivale a x0 S(P).
Finalmente mostremos que vr v . Tomemos rk tal que vrk lim inf r0+ vr . Sin prdida de
generalidad, podemos suponer que x(rk ) x0 . Del argumento anterior
X
vrk f0 (x0 ) + (fi (x0 )) = v,
iI
y luego lim inf r0+ vr = v .
Hemos probado que vr v y que cualquier punto de acumulacin de la sucesin x(r) es solucin
del problema (P). Sin embargo, es de especial inters analizar la convergencia de x(r) (obviamente,
esto no es trivial slo si S(P) tiene ms de un elemento).
Ejemplo 5.2.1. Esquema de Penalizacin de Tikhonov. Sea el programa convexo
(P) v = min{(x) | x Rn },
donde 0 (Rn ), y consideremos x() la nica solucin del problema

n o
v = min (x) + kxk2 | x Rn ,
2
con > 0. Supongamos que S(P) 6= y consideremos x S(P). Es fcil ver que

(x()) + kx()k2 (x) + kxk2 (x()) + kxk2 .
2 2 2
Luego kx()k kxk y x() es una sucesin acotada y converge (va subsucesin) a x . Del mismo
modo (x()) (x) + 2 kxk2 . Tomando lmite cuando 0+ , deducimos que (x ) (x) = v .
As dist(x(), S(P)) 0. Ms aun, ya que kx k kxk x S(P), se sigue que x() converge al
elemento de norma mnima de S(P):
x() ProyS(P) (0), 0+ .

5.3. MEDIAS ASINTTICAS 87
Volvamos al anlisis de la convergencia de las soluciones primales en nuestro esquema de penali-

zacin. Sea x = limk+ x(rk ) un punto de acumulacin de x(r). Luego x S(P). Sea x S(P)
ek = x(rk ) x + x x cuando k +. Se tiene que f0 es constante en [x , x] y luego es
y x
tambin constante en a([x , x]). Se sigue que d = x x es direccin de constancia para f0 y en
consecuencia f0 (e xk ) se sigue
xk ) = f0 (x(rk ) + d) = f0 (x(rk )). De la desigualdad frk (x(rk )) frk (e
que
X fi (x(rk )) X fi (e xk )

.
rk rk
iI iI
Del mismo modo podemos denir I0 = {i I | fi es constante en S(P)} y deducir que para i I0
la direccin d es de constancia para fi . De este modo se tiene que
X fi (x(rk )) X fi (e xk )

.
rk rk
iI
/ 0 iI
/ 0
Motivados por el Ejemplo 5.2.1, quisiramos ahora, mediante un proceso lmite, obtener informacin
del tipo (x0 ) (x ), donde es algn criterio que tendremos que denir. En la prxima seccin
presentaremos las herramientas que nos permitirn abordar esta pregunta ms adelante.
5.3. Medias Asintticas

En lo que resta del captulo, suponemos que es tal que para y ] , 0[k la funcin
!
1 X yi
k
A (y) = lim r1
r0+ k r
i=1
est bien denida.

1/k
Ejemplo 5.3.1. Para (y) = ln(y), A (y) = ki=1 (yi ) es la media geomtrica.
Para (y) = y1 , A (y) = 1

1
Pk 1 es la media armnica.
k i=1 yi
Para (y) = ey , A (y) = maxj=1,...,k yj .
Ejercicio 5.3.1. Pruebe las armaciones del ejemplo anterior.

P
Observacin 5.3.1. Si z 7 M (z) = 1 1 k
k i=1 (zi ) es convexa, entonces A M y en
particular, A est bien denida.
Proposicin 5.3.1. La funcin A : ] , 0[k R es simtrica, positivamente homognea, no-

decreciente por componentes, convexa y satisface
k
1X
yi A (y) max yi .
k i=1,...,k
i=1
Demostracin: Todas las propiedades son fciles de demostrar salvo la convexidad. Veamos primero
que A es cuasi-cnvexa (tiene conjuntos de nivel convexos). Para esto basta probar que la funcin
!
1 X yi
k
r 1
A (y) = r
k r
i=1
es cuasi-convexa (pues la cuasi-convexidad se preserva bajo lmite). Es directo ver que dados y
] , 0[k y R se tiene que
( )
1X k y
r i
{y | A (y) } = y
k r r
i=1
de donde la propiedad se sigue en virtud de la convexidad de la funcin de penalizacin . Finalmente,

la convexidad de A se sigue del lema de ms abajo.
Lema 5.3.1 (Crouzeix). Sea : P R una funcin positivamente homognea y cuasi-convexa, con
P un cono convexo. Si (y) < 0 y P (o bien (y) > 0 y P ), entonces es convexa.
Extendamos continuamente ahora la funcin A a todo ] , 0]k y notemos que tal extensin
es nica y la denotamos tambin A . En efecto, tal extensin est dada por la frmula
A (y) = lim A (y 1),

0+
donde 1 es un vector que contiene 1 en todas sus componentes. Es directo ver que A es simtrica,
positivamente homognea, convexa, continua, no-decreciente por componentes, y satisface
k
1X
yi A (y) max yj .
k j=1,...,k
i=1
Ejercicio 5.3.2. Muestre que efectivamente A es continua en ] , 0]k .

La siguiente propiedad muestra que es posible denir clases de equivalencias para funciones de
penalizacin que comparten funcin de media asinttica.
Proposicin 5.3.2. Sean 1 , 2 : R R {+} convexas, estrictamente crecientes y nitas en

] , 0]. Si se tienen las siguientes condiciones
(a) inf 1 = inf 2 ;

21 (1 (u))
(b) limu u = > 0;
entonces A1 y A2 coinciden (o ninguna de las dos existe).
Demostracin: Para cada > 1, existe r() > 0 tal que
1 (1 (yi /r))
< 2 < r ]0, r()[.
yi /r
5.3. MEDIAS ASINTTICAS 89
Suponiendo que A2 (y) existe, de lo anterior se sigue que
A2 (y) = A2 (y)
lim inf r
r0+
lim sup r
r0+

A2 ( y)

= A2 (y),

P
con r = r21 ( k1 ki=1 1 ( yri )).
P
Por otro lado, se tiene que k1 ki=1 1 ( yri ) inf 1 = cuando r 0+ . Adems, de (b) se sigue
que
21 (x)

11 (x)
cuando x . De estas dos observaciones deducimos que
P
r21 ( k1 ki=1 1 ( yri ))
P
r11 ( k1 ki=1 1 ( yri ))
cuando r 0+ . En consecuencia,
!
1 X yi
k
lim inf r = lim inf r11 1
r0+ r0+ k r
i=1
y !
1 X yi
k
lim sup r = lim sup r11 1 .
r0+ r0+ k r
i=1
De esto se deduce que
!
1 Xk y
i
A2 (y) lim inf r11 1
r0+ k r
i=1
k !
1 1 X yi
lim sup r1 1
r0+ k r
i=1

A2 (y).

Tomando 1 se concluye que A1 (y) existe y coincide con A2 (y).
Finalmente, para probar la recproca basta notar que
11 (2 (u)) v 1
lim = lim 1 =
u u v (1 (v))
2

e intercambiar los roles de A2 (y) y A1 (y)

Corolario 5.3.1. Sea como en la proposicin anterior. Entonces
(i) Si limu u(u) < 0, entonces

"k
#1
1X 1
A (y) = .
k yi
i=1
(ii) Si limu ue(u) < 0, entonces

h i1/k
k
A (y) = i=1 (yi ) .
ln((u))
(iii) Si limu u < 0, entonces
A (y) = max yi .
i=1,...,k
00
Ejercicio 5.3.3. Pruebe que si es adems de clase C 2 en R , con limu 0 (u)
(u)
> 0, entonces
A (y) = maxi=1,...,k yi .
5.4. Convergencia Primal del Mtodo de Penalizacin

Adicionalmente en el resto del anlisis consideramos la hiptesis
(H1 ) u, v [, 0]k , max ui 6= max vj inf A (w) < max{A (u), A (v)}.
i=1,...,k i=1,...,k w[u,v]
Denicin 5.4.1. Para cada convexo cerrado no-vaco C S(P) denimos
IC = {i I | fi no es constante en C}.
Cuando IC 6= denimos C : a(C) R {+} mediante

(
A ((fi (x) | i IC )) si x C,
C (x) =
+ si no.
Del mismo modo denimos vC = inf C y SC = arg min C .
Lema 5.4.1. Consideremos C S(P) convexo cerrado no-vaco tal que SC 6= . Entonces
(i) x C tal que fi (x) < 0 i IC .
/ IC se tiene que fi (x y) = 0.
(ii) x, y C, i
(iii) IC = si, y slo si, C tiene un solo elemento.

5.4. CONVERGENCIA PRIMAL DEL MTODO DE PENALIZACIN 91
(iv) Si v j v, rj 0+ , v ] , 0]k , entonces
k
1 X vj
A (v) lim inf rk 1 ( i ) .
k+ k rk
i=1
Si v ] , 0[k , entonces el lmite existe y
k
1
1 X vij
A (v) = lim rk ( ) .
k+ k rk
i=1
(v) Si IC 6= , entonces SC C y i IC < 0 tales que fi (x) = x SC .
Demostracin: (i) Dado x C , fi (x) 0 i IC . Como para cada i IC , fi noP es constante en

C , existe xi C tal que fi (x) < 0 y fj (xi ) 0 j IC \ {i}. Tomando x = |I1C | iIC xi C se
tiene que fi (x) < 0 i IC .
(ii) Para i / IC y x, y C se tiene que fi es constante en [x, y]. Luego fi es tambin constante
en a({x, y}) de donde se sigue que fi (x y) = 0.
(iii) Supongamos que IC = y que C no es un sngleton. Luego existen x, y C, x 6= y . De (ii)
se sigue que x y es direccin de constancia para fi , i I {0}, y luego S(P) es no acotado, lo
cual es una contradiccin. La otra implicancia es evidente.
(iv) Sean > 0 y j sucientemente grande de modo tal que v 1 v j . Se tiene que
k ! k !!
1 1X vi 1 1X vij
rj rj
k rj k rj
i=1 i=1
de donde deducimos que

k
!!
1X vij
A (v 1) lim inf rj 1 .
j+ k rj
i=1
La primera parte de la propiedad se sigue entonces de la arbitariedad de > 0.

De la misma forma se tiene que v + 1 < 0 y v j < v + 1, para y j adecuadamente escogidos.
Luego, si v < 0,
k !!
1 1X vij
lim sup rj A (v + 1)
j+ k rj
i=1
de donde se sigue la igualdad deseada.

(v) Para probar que SC 6= C basta mostrar la existencia de i IC \ ISC , es decir, basta ver que
para algn i IC , fi es constante sobre SC .
Se tiene que maxiIC fi es constante en SC . De lo contrario existiran x, y SC tales que
maxiIC fi (x) 6= maxiIC fi (y). Tomando z = y + (1 )x se tiene que f (z) f (y) + (1 )f (x)
de modo que
A (C (z)) = A ((fi (z) | i IC )) A ((fi (y) | i IC ) + (1 )(fi (x) | i IC )).

Notemos que el argumento de A en el trmino de la izquierda pertenece a [f (y), f (x)]. Por otro
lado, en virtud de (H1 ), se tiene que
inf A (u) < max{C (x), C (y)} = inf C ,

w[u,v]
lo que entra en contradiccin con lo anterior.

Denamos como el valor de maxiIC fi sobre SC . Probemos que existe i IC tal que fi (x) =
x SC . Supongamos que no. Luego para cada P i IC existe xi SC tal que fi (x) <
y fj (xi ) j IC \ {i}. Tomando x = |I1C | iIC xi se tiene que fi (x) < i IC y en
consecuencia maxiIC fi (x) < .
Corolario 5.4.1. Sea la sucesin S 0 = S(P) y S k+1 = arg min S k . Entonces S 0 S 1 S 2 . . . .

Adems, deniendo I k = IS k , se tiene que I 0 I 1 I 2 . . . . En particular, existe k tal que
IS k = y por lo tanto S k = {x }.
A continuacin mostramos el principal resultado concerniente a la convergencia primal del mto-

do de penalizacin.
Teorema 5.4.1. Supongamos (H0 ), (H1 ). Entonces (Pr ) admite una nica solucin x(r) y se tiene
que vr v y x(r) x cuando r 0+ .
Demostracin: Sea x = limj+ x(rj ) un punto de acumulacin de x(r). Luego x S 0 . Probemos

inductivamente que x S k+1 con lo cual obtendremos que x = x .
Supongamos que x S k . Luego xj = xj x + x x . Notemos que x, x S k de modo que
[x, x ] S k . Adems, para i
/ I k , fi es constante en S k y, en consecuencia, es tambin constante en
a({x, x }). De esto se sigue que xx es direccin de constancia para fi con i / I k . En consecuencia,
/ I . Por otro lado, de la optimalidad de x(rj ), frj (x(rj )) frj (xj ). As
fi (x(rj )) = fi (xj ) i k
!

1 1 1 X fi (x(rj )) 1 1 1 X fi (xj )
.

rj |I k | k rj rj |I k | k rj
iI iI
Consideramos separadamente dos casos. Primero, si fi (x ) < 0 i I k . De la desigualdad

anterior y del Lema 5.4.1 deducimos que

1 1 1 X fi (x(rj ))
S k (x) lim inf
j+ rj |I k | k rj
iI
!
1 1 X
fi (xj )
lim 1 k
j rj |I | k rj
iI
S k (x )
= inf S k .
De este modo x S k+1 .

5.5. CONVERGENCIA DUAL DEL MTODO DE PENALIZACIN 93
Consideremos ahora el caso en que fi (x ) 0 para algn i I k . Podemos reemplazar x por

(1 )x + x, donde x S k es tal que fi (x) < 0, i S k (vase el lema anterior parte (i)).
Reproduciendo el anlisis previo,
S k (x) (1 )S k (x ) + S k (x).
Tomando 0+ , se concluye que x S k+1 .
Ejercicio 5.4.1. Pruebe que si A es estrictamente convexa, entonces S 1 = {x }.
5.5. Convergencia Dual del Mtodo de Penalizacin

Consideremos la funcin : Rn Rm R {+} denida mediante
(
f0 (x) si fi (x) + yi 0 i I,
(x, y) =
+ si no,
la cual es una funcin de perturbacin para (P). Es fcil probar (vase Ejemplo 3.1.1 y Ejercicio
3.1.2) que en este caso el dual esta dado por
(D) min p(),

0
P
con p() = inf xRn f0 (x) + iI i fi (x). Denimos adems
X fi (x) + yi
r (x, y) = f0 (x) + r
r
iI
que resulta ser una funcin de perturbacin para (Pr ). No es difcil mostrar que
X
r (0, ) = p() + r (i )
iI
y, en consecuencia, el dual generado a partir de esta perturbacin es

X
(Dr ) minm p() + r (i ).
R
iI
El problema (Dr ) puede tambin entenderse como un mtodo de barrera para el problema (D) ya que
() = para < 0. Notemos adems que (0) puede ser nito o innito. Ms especcamente,
(0) es nito si, y slo si, es acotada inferiormente. Aun en este caso, actua como una barrera
pues 0 () = (0 )1 () cuando 0+ .
Ejercicio 5.5.1. Pruebe que de la convexidad estricta de se sigue la diferenciabilidad de en

]0, +[. Muestre adems que de la diferenciabilidad de en ] , [ se sigue la convexidad estricta
de en ]0, +[.
De todo lo anterior se deduce el siguiente resultado.

Proposicin 5.5.1. (Dr ) admite a lo ms una solucin. Si (r) es tal solucin, entonces i (r) >
0 i I .
Ejercicio 5.5.2. Pruebe que r (x, ) es nita y continua en 0 para algn x Rn . Deduzca la
existencia de solucin para (Dr )
Proposicin 5.5.2. (Dr ) admite una nica solucin (r). Adems, (r) > 0 y

0 fi (x(r))
i (r) = ,
r
donde x(r) es la nica solucin de (Pr ).

r
Demostracin: Basta probar la frmula, que se obtiene de la relacin S(Dr ) = { | i = yi (x(r), 0)}.
Estudiemos ahora la convergencia de los problemas duales. Para ello haremos uso del siguiente
resultado.
Teorema 5.5.1. Sean f, g 0 (Rn ) tales que

1. arg min f dom(g) 6= ;
2. al menos una de ellas tiene conjuntos de nivel acotados;
3. g es estrictamente convexa en su dominio;
4. g (d) 0 d Rn .
Supongamos que z(r) es solucin de
min f (z) + rg(z).

zRn
Entonces z(r) permanece acotada y converge a z = arg min{g(z) | z arg min f }.
Demostracin: Es directo vericar que (f +rg) (d) > 0 y luego f +rg es una funcin inf-compacta.
En consecuencia, z(r) existe.
Adems, se tiene que el problema
min{g(z) | z arg min f }
admite una nica solucin z .

Probemos que z(r) es acotada. De lo contrario, existira rk 0+ tal que kz(rk )k +. Sin
z(rk )
prdida de generalidad supongamos que dk := kz(r k )k
d 6= 0. Notemos que f (z(rk ))+rk g(z(rk ))
f (z ) + rk g(z ) f (z(rk )) + rk g(z ). Luego g(z(rk )) g(z ) y en consecuencia g (d) 0. Adems
f (z(rk )) g(z(rk )) f (z ) + rk g(z )

+ rk ,
z(rk ) z(rk ) kz(rk )k
lo cual, pasando al lmite, entra en contradiccin con 2. De este modo z(r) es acotada.
5.5. CONVERGENCIA DUAL DEL MTODO DE PENALIZACIN 95
Veamos que todos los puntos de acumulacin de z(r) coinciden con z (que es la nica solucin
del problema de ms arriba). Sea z = limk+ z(rk ) para algn rk 0+ . De la desigualdad
f (z(rk )) + rk g(z(rk )) f (z ) + rk g(z ) deducimos que
lim inf f (z(rk )) + rk g(z(rk )) f (z )

k+
Adems, es fcil ver que g(z(rk )) est acotada y luego rk g(z(rk )) 0. En consecuencia, f (z) f (z )
y z arg min f . Como adems se tiene que
g(z) lim inf g(z(rk )) g(z ),

k+
deducimos nalmente que z arg min{g(z) | z arg min f }.
A continuacin presentamos el principal resultado de esta seccin.

Teorema 5.5.2. Bajo (H0 ), (H1 ), supongamos que (0) es nito y S(D) 6= . Entonves (Dr )
admite una nica solucin (r) que converge a S(D) cuando r 0+ , siendo la nica
solucin de X
min (i ).
S(D)
iI
Demostracin:
P Veriquemos las hiptesis del teorema anterior con f () = p() + Rm +
() y g() =
( ).
iI i
La primera condicin es satisfecha pues arg min f dom(g) = S(D){ | (i ) < } = S(D) 6=
.
Para ver la segunda hiptesis distiguimos dos casos. Primero, si = 0, entonces existe un punto
de Slater para (P) y luego S(D) 6= es acotado. En consecuencia, p() + Rm +
() tiene conjuntos
de nivel acotados. Por otro lado, si > 0, entonces
() y (y),
con y > 0, (y) < +. Luego () si . Adems, () = si < 0. En consecuencia,

g() tiene conjuntos de nivel acotados.
Por otro lado, como es estrictamente convexa, g() es estrictamente convexa enP]0, [m .
Finalmente veriquemos la cuarta condicin del teorema anterior. Ya que g (d) = iI ( ) (di ),
basta probar que ( ) (1) 0. Pero esto ltimo es evidente pues
(t)
( ) (1) = lim ,
t+ t
y
(0 t) (0)
( ) (1) = lim = +.
t+ t
Cuando (0) = + falla la primera condicin del teorema salvo que (D) admita solucin
> 0. Pero esto raramente ocurre. De hecho es usual que exista i I tal que i = 0 para todo
S(D). En el caso de la programacin lineal
(P) min cT x
ai xbi ,iI
con dual
(D) min bT
c+AT =0,0
y esquema de penalizacin
X ai x bi
(Pr ) min cT x + r ,
r
iI
X
(Dr ) min bT + r (i )
c+AT =0
iI
se tiene el siguiente resultado que presentamos sin demostracin (vase la seccin de problemas).
Teorema 5.5.3. Bajo (H0 ), (H1 ), supongamos que (0) = y S(D) 6= . Entonces (Dr ) admite
una nica solucin (r) que converge a S(D) cuando r 0+ , siendo la nica solucin de
X
min (i ),
S(D)
iI0
donde I0 = {i I | S(D), i > 0}.
5.6. Problemas
Problema 25. Sea I nito y para i I sean fi : Rn R funciones convexas. Considere el siguiente
problema de minimizacin
(P) inf max{fi (x)}.
xRn iI
(a) Pruebe que x S(P) si, y slo si, ( , x ) R Rn , con = maxiI {fi (x )}, es solucin
de
inf { | i I, fi (x) }.
(,x)RRn
(b) Denamos : Rn+1 Rm R {+} mediante

m
X
(, x, y) = + ],0] (fi (x) + yi ).
i=1
Verique que es una funcin de perturbacin para (P) y que el problema dual correspon-
diente est dado por
(D) inf n p(),
R
donde ( P
inf xRn { iI i fi (x)} si m ,
p() =
+ si no,
P
donde, recordamos, m = { Rm
+ | iI i = 1}.
(c) Suponga que inf(P) R. Pruebe que S(D) 6= y que no hay salto de dualidad. Pruebe que
x S(P) y S(D) si, y slo si, m y i (fi (x ) maxiI {fi (x )}) = 0.
5.6. PROBLEMAS 97
(d) Dado r > 0, considere la funcin de penalizacin exponencial r : Rn+1 Rm R denida

por
X fi (x) + yi
r (, x, y) = + r exp
r
iI
y denamos r (x, y) = minR r (, x, y) r. Verique que r 0 (Rn Rm ) y que ms
aun !
X fi (x) + yi
r (x, y) = r ln exp .
r
iI
Sea Fr (x) := r (x, 0) para r > 0 y F0 (x) := F (x) := maxiI {fi (x)}. Pruebe que para r > 0
se tiene que
F (x) < Fr (x) F (x) + r ln(m), x Rn .
Considere la familia parametrizada de problemas

(Pr ) inf Fr (x)
xRn
y en lo que sigue suponga que S(P) = arg min F es no-vaco y compacto.
(e) Pruebe que r > 0, min(P) inf(Pr ) min(P) + r ln(m) y que, ms an, el conjunto
S(Pr ) = arg min Fr es no-vaco y compacto.
1
(f) Sea > min(P). Pruebe que si 0 < r < ln(m) ( min(P)), entonces
min(P)+r ln(m) (Fr ) (F ).

Deduzca que toda seleccin r 7 x(r) S(Pr ) permanece acotada cuando r 0+ y demuestre
que todo punto de acumulacin de x(r) pertenece a S(P).
En lo que resta suponga que fi Q, para todo i I .
(g) Pruebe que el problema (Pr ) admite solucin nica. Para ello demuestre que para todo i I ,
fi es constante sobre S(Pr ).
(h) Verique que el problema dual asociado a la perturbacin r de (Pr ) es
( )
X
(Dr ) infm p() + r i ln(i )
R
iI
con la convencin 0 ln(0) = 0 y ln() = + para < 0. Pruebe que inf(Pr ) + inf(Dr ) = 0
y que (Dr ) admite solucin nica (r).
Para simplicar, supongamos adems que fi C 1 (R).
(i) Pruebe que

exp(fi (x(r))/r)
i (r) = P .
iI exp(fi (x(r))/r)
Muestre que, cuando r 0+ , min(Dr ) min(D) y todo punto de acumulacin de (r)
pertenece a S(D). (Es posible demostrar que (x(r), (r)) en realidad convergen a (x , )
S(P) S(D).)
Problema 26. Sea f Q 0 (Rn ) (ver Denicin 5.1.1). Suponemos que existe x0 dom(f ) con
kx0 k 1, y consideramos el problema de optimizacin
(P ) min {f (x) : kxk 1}

xRn
junto con el esquema de aproximacin (sin restricciones)

1 p
(Pp ) min f (x) + kxkp
xRn p
donde kxkp = (|x1 |p + + |xn |p )1/p .
(a) Pruebe que para cada p > 1 el problema (Pp ) admite una solucin nica x(p), y que la
trayectoria p x(p) permanece acotada cuando p .
(b) Sea u un punto de acumulacin de x(p). Pruebe que u es solucin de (P ) y adems es

solucin de
1 )
(P min kxk .
xS(P )
1 ). Pruebe que existe un ndice i tal que |x | = para todo

(c) Sea 1 el valor ptimo de (P 1 i1 1
1
x S(P ). Deduzca que, o bien xi0 = 1 para todo x S(P 1 ), o x
i0 = 1 para todo
x S(P1 ). Denotemos por I el conjunto de tales ndices i y (x) = (x : i 6 I ). Pruebe
1 1 1 i 1
que todo punto de acumulacin u es solucin de
2 )
(P min k1 (x)k .
1 )
xS(P
(d) Inspirndose en la parte (c) probar que x(p) converge cuando p hacia un punto
x S(P ) caracterizado como la solucin de una jerarqua de problemas de optimizacin
encajonados.
Consideremos ahora un sistema lineal sobre-determinado Ay = b donde b Rm y A M mn

con rg(A) = n m. Sin prdida de generalidad suponemos kbk 1. Este sistema no admite
necesariamente una solucin por lo cual consideramos el problema
(Q ) min kAy bk
yRn
el cual aproximamos mediante el esquema
(Qp ) min kAy bkp .

yRn
Mostrar que este ltimo admite una nica solucin y(p) la cual converge hacia una solucin y
S(Q ). Indicacin: Considere el conjunto L = {Ay b : y Rn } y la funcin

0 si x L
f (x) :=
+ si no.
5.6. PROBLEMAS 99
Problema 27. Sean f0 , . . . , fm : Rn R convexas y consideremos el esquema de aproximacin

(P ) min f (x) := f0 (x) + f1 (x) + + m fm (x)
xRn
denido para > 0, junto con la jerarqua de problemas de optimizacin
(P0 ) min{f0 (x) : x Rn }

(P1 ) min{f1 (x) : x S0 }
..
.
(Pm ) min{fm (x) : x Sm1 }
donde Si denota el conjunto de soluciones ptimas del problema (Pi ). Suponemos Sm 6= y fi

convexas de clase C 2 tales que maxi dT 2 fi (x)d kdk2 para una cierta constante > 0 y todos
x, d Rn .
(a) Muestre que f () es fuertemente convexa y (P ) admite una solucin nica x().
(b) Pruebe que x() permanece acotada cuando 0. Indicacin: razone por contradiccin
suponiendo que existe k 0 con kx(k )k y dk := x(k )/kx(k )k d. Muestre que
f0 (d) 0 y f1 (d) 0. Luego, utilice la desigualdad f (x()) f (x() kx()kd) para
probar recursivamente que fi (d) 0 para i = 2, . . . , m. Concluya.
(c) Muestre que todo punto de acumulacin de x() pertenece a S0 y a S1 .
(d) Muestre que Sm contiene un nico elemento, que denotamos x .
(e) Suponiendo que f0 , . . . , fm Q pruebe que lim0 x() = x .
Problema 28. El objetivo de este problema es demostrar el Teorema 5.5.3 en el caso = 0.

(a) Muestre que (r) est acotada. Para ello argumente por contradiccin deduciendo la existencia
de Rm tal que
0, AT = 0, bT 0.
(b) Pruebe que todo punto de acumulacin de (r) pertenece a S(D).
(c) Concluya.
ndice alfabtico
-convergencia, 25 ecuacin de Euler-Lagrange, 40
-regularizada, 39 envoltura convexa, 48
arg min, 9 epi-convergencia, 25
epigrafo, 8, 9
biconjugada, 38 espacio
dual, 17
clausura inferior, 22
vectorial topolgico, 17
condicin
localmente convexo, 17
de calicacin
esquema de Penalizacin de Tikhonov, 86
de Fromovitz-Mangasarian, 76
exceso de Hausdor, 72
dual, 62
primal, 62 frmula de Lax-Oleinik, 73
de extremalidad, 55 funcin
de Fritz-John, 76 acotada inferiormente, 10
de Karush-Kuhn-Tucker, 76 cncava, 30
de Palais-Smale, 74 convexa, 18, 29
conjugada de Fenchel, 35 estrictamente, 21
conjunto cuasi-convexa, 88
convexo, 18 de entropa de Boltzmann-Shannon, 36
de nivel, 8 de penalizacin, 84
cono de perturbacin, 51
convexo, 29 de recesin, 14, 48, 85
de recesin, 13 indicatriz, 7
normal, 46 inf-compacta, 11
polar, 37 lagrangeana, 56
convergencia variacional, 28 marginal, 51
minorante, 35
derivada direccional generalizada, 50
objetivo, 7
desigualdad
propia, 10
de Young-Fenchel, 35
semicontinua inferior, 10
variacional, 46
soporte, 37
dominio efectivo, 8
subdiferenciable, 40
dualidad
valor, 51
de Clarke-Ekeland, 72
funcional
de Toland-Singer, 71
de evaluacin, 17
espacios, 33
lineal, 17
producto, 17, 33
salto, 53 grafo, 27
100
NDICE ALFABTICO 101
hiperplano, 18 restricciones, 7
hipo/epi-convergencia, 28
semiespacio, 18
inf-adicin, 8 subdiferencial, 40
inf-convolucin, 49 subespacio ortogonal, 37
subgradiente, 40
lagrangeano, 56 aproximado, 74
lema generalizado, 50
de Cruzeix, 88
de Robinson, 60 teorema
de Attouch-Brezis, 62
mtodo directo, 12, 20
de Banach, 19
media asinttica, 87
de Brezis-Stampacchia, 80
monotona, 16
de Carathodory, 48
multiaplicacin, 45
de dualidad, 54
montona, 45
de Fenchel-Rockafellar, 62
multiplicador de Lagrange, 57
de Fritz-John
penalizacin dbil, 64
exponencial, 84 fuerte, 68
hiperblica, 84 de Hahn-Banach, 18
logartmica, 84 analtico, 65
desplazada, 84 de Karush-Kuhn-Tucker, 75
raz, 84 de Kuhn-Tucker
principio variacional de Ekeland, 17 dbil, 67
problema fuerte, 69
bidual, 52 de la alternativa de Gordan, 76
de Dirichlet, 77 de Moreau, 49
de la torsin elasto-plstica, 80 de Moreau-Rockafellar, 45
de Stokes, 78 de separacin, 64
de visco-plasticidad, 81 de Weierstrass-Hilbert-Tonelli, 12
dual, 52 del Punto Fijo de Caristi, 27
primal, 51 topologa
relajado, 24 compatible con la dualidad, 34
programa dbil, 19
convexo, 52, 83 transformada de Legendre, 41
lineal, 51, 55
punto
factible, 9
jo, 27
regla de Fermat, 40
regularizada
de Moreau-Yoshida, 75
de Yoshida, 75
regularizada s.c.i., 22
resolvente, 75
102 NDICE ALFABTICO
Bibliografa
[Aub98] J.P. Aubin, Optima and Equilibria, Springer, 1998.
[AuT03] A. Auslander, M. Teboulle, Asymptotic Cones and Functions in Optimization and Varia-
tional Inequalities, Springer, 2003.
[Att84] H. Attouch, Variational Convergence for Functions and Operators, Applicable Mathematics
Series, Pitman, London, 1984.
[Bre83] H. Brezis, Analyse fonctionnelle, Masson Editeur, Pars, 1983.
[BoL00] J. M. Borwein, A. S. Lewis, Convex Analysis and Nonlinear Optimization. Theory and
Examples, CMS Books in Mathematics, Springer-Verlag, New York, 2000.
[Cal83] F. H. Clarke, Optimization and Nonsmooth Analysis, Wiley, New York, 1983.
[EkT74] I. Ekeland, R. Temam, Analyse Convexe et Problmes Variationnels, Dunod, Paris, 1974.
[HiL93] J.-B. Hiriart-Urruty, C. Lemarchal, Convex Analysis and Minimization Algorithms,

Springer-Verlag, Berlin, 1993.
[Roc70] R.T. Rockafellar, Convex Analysis, Princeton University Press, Princeton, New Jersey,
1970.
[Roc74] R.T. Rockafellar, Conjugate Duality and Optimization, Conference Board of Mathematical
Sciences Series 16, SIAM Publications, Philadelphia, 1974.
[RoW98] R.T. Rockafellar, R. J-B. Wets, Variational Analysis, Grundlehren der matematischen
Wissenschaften 317, Springer-Verlag, Berlin, 1998.
103

Análisis Convexo y Dualidad 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

Análisis Convexo y Dualidad PDF

Cargado por

Copyright:

Formatos disponibles

departamento de ingeniera matemtica

facultad de ciencas fsicas y matemticas

Anlisis Convexo y Dualidad

f (x) + f (x) = hx, xi x f (x)

Apuntes para el curso del programa de

1. Introduccin al Anlisis Variacional 7

2. Fundamentos de Anlisis Convexo 29

3. Dualidad en Optimizacin Convexa 51

4. Aplicaciones al Clculo de Variaciones 77

5. Penalizacin en Optimizacin Convexa 83

Introduccin al Anlisis Variacional

1.1. Funciones a valores en R = R {, +}.

(1.1) inf{f0 (x) | x C}

donde f0 : X R es la funcin objetivo a minimizar y C X es un conjunto de restricciones. Con

inf f0 := inf{f0 (x) | x C}.

inf f0 {f0 (x) | x C} inf (f0 + C ) {f0 (x) + C (x) | x X}.

inf{f (x) | x X},

3. (+) = +, si > 0, (+) = , si < 0 (anlogo para ).

5. + + () = () + (+) = +, que se llama inf-adicin pues est orientada a la

(f + g)(x) := f (x) + g(x) y (f g)(x) := f (x)g(x), x X,

mientras que el conjunto de nivel inferior (o subnivel) de parmetro R es el subconjunto de X

La condicin arg min f = si f + se interpreta diciendo que en ese caso la minimizacin

Notemos tambin que se tienen las siguientes propiedades:

(b) (f ) {} = epi f (X {}).

Ejercicio 1.1.1. Demuestre estas propiedades.

(sup fi )(x) := sup{fi (x) | i I}

estn bien denidas como funciones a valores en R. Ms aun,

con igualdad en la ltima inclusin si |I| < +.

epi(sup fi ) = {(x, ) X R | sup fi (x) }

Del mismo modo,

Denicin 1.1.2. Una funcin f : X R se dice propia si:

(ii) dom f 6= . Es decir, x0 X tal que f (x0 ) < +.

1.2. Semicontinuidad inferior y minimizacin

1.2.1. Semicontinuidad Inferior

Denicin 1.2.1. Una funcin f : X R {+} se dice -semicontinua inferior ( -s.c.i.) en x

Proposicin 1.2.1. Dada f : X R {+}, las siguientes armaciones son equivalentes:

(ii) epi(f ) es cerrado en X R dotado de la topologa R , donde R es la topologa usual de

(iii) R, (f ) es cerrado en (X, ).

(ii) (iii) Como (f ) {} = epi(f ) (X {}), deducimos que (f ) {} es cerrado

(iii) (iv) Trivial.

Ejercicio 1.2.1. Pruebe que cuando (X, ) es metrizable, f es s.c.i. x X xn x, f (x)

La clase de funciones s.c.i. satisface varias propiedades de estabilidad, como lo establece el

1.2.2. Inf-compacidad y existencia de minimizadores

Demostracin: Veremos dos demostraciones distintas de este teorema.

Queremos demostrar que arg min f 6= . Sabemos que

Observacin 1.2.3. El Teorema 1.2.1, de Weierstrass-Hilbert-Tonelli se conoce tambin co-

Notemos que en la demostracin va el Mtodo Directo hemos supuesto que es metrizable

Ejercicio 1.2.2. Sea f : X R {+} una funcin -s.c.i. y K X un compacto para .

1.2.3. Funciones de recesin e inf-compacidad.

Denicin 1.2.4. Sea C X un conjunto no vaco. El cono de recesin, denotado por C , es el

3. Cuando el conjunto C es convexo, tambin lo es C . Adems

cualquiera que sea el x C .

Ejemplo 1.2.1. Conos de recesin de algunos conjuntos relevantes:

2. Si C es acotado, entonces C = {0}. Si la dimensin de X es nita, el recproco tambin es

3. Si C es un hiperplano cerrado, entonces C es el subespacio vectorial paralelo a C .

4. Suponga que C es un poliedro convexo denido mediante C = { x Rn | Ax b }, donde A

Ejercicio 1.2.3. Consideremos subconjuntos (Ci )iI de X . Pruebe que

Ejemplo 1.2.2. Si C es un conjunto no vaco, entonces (C ) = C

2. Sea d X tal que f (d) y g (d) no son, respectivamente, + y . Pruebe que

h (d) f (d) + g (d).

Proposicin 1.2.3. Si f es propia, entonces epi(f ) = (epi f ) .

Recprocamente, sea (d, ) epi(f ). Por denicin, existen sucesiones tk y dk d

Demuestre tambin que si I es nito, la segunda desigualdad es una igualdad.

estn bien denidas como funciones a valores en R. Ms aun,

Denicin 1.1.2. Una funcin f : X R se dice propia si:

Denicin 1.2.1. Una funcin f : X R {+} se dice -semicontinua inferior ( -s.c.i.) en x

Proposicin 1.2.1. Dada f : X R {+}, las siguientes armaciones son equivalentes:

Denicin 1.2.4. Sea C X un conjunto no vaco. El cono de recesin, denotado por C , es el

2. Si C es acotado, entonces C = {0}. Si la dimensin de X es nita, el recproco tambin es

4. Suponga que C es un poliedro convexo denido mediante C = { x Rn | Ax b }, donde A

Recprocamente, sea (d, ) epi(f ). Por denicin, existen sucesiones tk y dk d

Demuestre tambin que si I es nito, la segunda desigualdad es una igualdad.

Observacin 1.3.2. Si (V, ) es un e.v.t.l.c. separado (de Hausdor) entonces el Teorema de

Denamos la funcin lineal F : V Rn mediante

Similarmente, es posible dotar a V de la topologa dbil (V, V ) denida como la topologa

Denicin 1.5.1. La -regularizada s.c.i. o -clausura inferior de f : X R {+} es la funcin

As, es fcil vericar que A = cl(epi(f )) es un epgrafo, es decir, existe g : X R {+}

W 1,p () yR en particular vn * v dbilmente en Lp ()N . Pero : Lp ()N R denida por

Luego, si denimos J(v) := F (v) + G(v), del Ejercicio 1.5.1