Hernandez Sarmiento Carlos

Aproximacion de Puntos Extremos de
Conjuntos Convexos en R
Carlos Hernandez Sarmiento

Julio del 2008
Agradecimientos
Agradezco de manera muy especial, sincera y profundamente a mi padre
Jah, por su constante amor, bondad y misericordia.
Al Dr. Jose Rigoberto Gabriel Arg uelles por dirigirme en la elaboracion
de este trabajo, por todo el apoyo brindado el cual fue vital para la
realizacion de este trabajo.
A la comision revisora integrada por Dr. Josue Ramrez Ortega, Dr.
Raquiel Runo Lopez Martinez y Dr. Khalivllin Samingulla, por el
tiempo dedicado a la revision de este trabajo.
A todos y cada uno de mis profesores de la facultad de Matematicas
de la Universidad Veracruzana por su labor docente.
2
Contenido
Agradecimientos 2
Agradecimientos 2
1 Introduccion 1
2 Conjuntos convexos 4
2.1 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Conjuntos convexos en R
n
. . . . . . . . . . . . . . . . . . . . 15
2.3 Propiedades de conjuntos convexos en R
n
. . . . . . . . . . . . 17
2.4 Teoremas de separacion y puntos extremos. . . . . . . . . . . . 27
2.5 Conjuntos convexos en espacios vectoriales arbitrarios. . . . . 36
3 El espacio R
41
3.1 Conceptos topologicos . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Producto de espacios topologicos . . . . . . . . . . . . . . . . 49
3.3 Espacios compactos . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Convergencia de conjuntos. . . . . . . . . . . . . . . . . . . . . 54
3.5 Denicion y construccion de un espacio de Hilbert. . . . . . . 58
4 Principio del maximo de Bauer 64
4.1 Funciones Convexas . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2 Funciones convexas en espacios vectoriales arbitrarios. . . . . . 74
4.3 Principio del Maximo de Bauer. . . . . . . . . . . . . . . . . . 76
5 Aproximaci on de puntos extremos en R
82
5.1 Esquemas de aproximaci on . . . . . . . . . . . . . . . . . . . 82
Apendices 91
3
4 CONTENIDO
A 91
A.1 Resultados en R
n
. . . . . . . . . . . . . . . . . . . . . . . . . 91
B 95
B.1 Separacion en espacios localmente convexos . . . . . . . . . . 95
Referencias 96
Captulo 1
Introduccion
El estudio sistematico de los conjuntos convexos se inicio a nales del siglo
XIX, sin embargo es a mediados del siglo XX cuando la convexidad es re-
conocida como una rama bien establecida de las matematicas. De hecho, a
nales del siglo XX, el estudio de los conjuntos convexos y de los problemas
geometricos relacionados ocupo el lugar 52 en la relacion de 95 grandes temas
de que se compone la clasicacion de Mathematical Reviews. La convexidad
utiliza herramientas conceptuales de la geometra, del analisis, del algebra
lineal y de la topologa, y juega un papel relevante en optimizacion, en la
teora de juegos, en la teora de n umeros, en la teora de desigualdades y
en la geometra combinatoria. Puede entonces decirse que la convexidad
(estudio de los conjuntos convexos) es una rama de la geometra, analisis,
algebra lineal y topologa que tiene numerosas relaciones con otras areas de
las matematicas y sirve para unir muchos fenomenos matematicos aparente-
mente diferentes; y es tambien relevante en varias areas de la ciencia y la
tecnologa.
Uno de los objetivos de este trabajo es, debido a que este es un tema
ajeno al plan de estudios de la Facultad de Matematicas de la universidad
Veracruzana, introducir al lector en el estudio de los conjuntos convexos y
de las funciones convexas, con la mirada puesta de manera particular en los
puntos extremos de dichos conjuntos convexos, esto se debe a que pretende-
mos trabajar con un subconjunto S del ortante no negativo de R
con ciertas
caracteristcas especiales y encontrar condiciones bajo las cuales los puntos
extremos de las proyecciones de S sobre los R
n
convergen a los puntos ex-
tremos de S.
El inicio del estudio de los puntos extremos se remonta a H. Minkowiski
1
2 Captulo 1. Introduccion
(1911), quien denio un punto x C, donde C es un subconjunto convexo
contenido un espacio vectorial X, como un punto extremo de dicho subcon-
junto, si C`x segua teniendo la cualidad de ser un subconjunto convexo.
Demostro ademas que si C es un subconjunto convexo compacto de R
3
, en-
tonces cada punto de C se puede expresar como una combinacion convexa
de puntos extremos de C, esto es, que para cada x C,
x =
m
i=1
i
x
i
,
i
0,
m
i=1
i
= 1, x
i
C
e
,
donde C
e
denota al conjunto de puntos extremos de C. El lector puede darse
cuenta inmediatamente que la combinaci on convexa es un tipo particular
de combinaci on lineal, el cual es un concepto muy conocido en un curso de
algebra lineal, de hecho, algunos autores preeren utilizar el termino com-
binacion lineal convexa. Este resultado, conocido en R
n
como el Teorema
de Minkowski, fue renado por Caratheodory, quien mostro que si C es un
subconjunto convexo compacto de R
n
, entonces cada punto de C se puede
expresar como una combinacion convexa de a lo mas n + 1 puntos extremos
de C.
En 1940, M. Krein y D. Milman extendieron el Teorema de Minkowski
a espacios de dimension innita, demostrando que si C es un subconjunto
compacto de un espacio vectorial Hausdor localmente convexo, entonces C
es la cerradura del conjunto de todas las combinaciones convexas de puntos
extremos de C. El Teorema de Krein-Milman sirvio como punto de partida
para practicamente toda la investigaci on moderna a la extructura externa de
conjuntos convexos en espacios de dimension innita. Este resultado fue mas
tarde extendido a subconjuntos localmente compactos por Klee (1957).
Anderson y Nash (1987) revisaron la caracterizacion de puntos extremos
para sistemas lineales de dimension innita. Su motivaci on fue extender el
Metodo Simplex a programacion lineal innito dimensional; tarea que fue
demasiado complicada y con limitado exito.
Para algunos investigadores de la convexidad, la razon fundamental de
la importancia de los puntos extremos son el Teorema de Krein-Milman y el
principio del Maximo de Bauer. El pricipio del Maximo de Bauer garantiza
que cada funcion convexa f, semicontinua superiormente y cuyo dominio de
denicion es un subconjunto convexo compacto C de un espacio Hausdor
localmente convexo X, alcanza su valor maximo en un punto extremo de C.
Como ejemplo de este ultimo resultado, tomese una region rectangular C en
3
R
2
, p un punto de R
2
y f es una funcion denida sobre C por f(x) = d(x, p)
para todo x C con d como la distancia Euclidiana, entonces f alcanza
su valor maximo en uno de los cuatro vertices de C, donde cada uno de los
cuatro vertices son precisamente puntos extremos de C.
En este trabajo, en cada captulo se tratataron de abordar los aspectos
mas importantes y basicos de cada tema, con el n de facilitar la comprension
del contenido y la continuacion del estudio de otros temas que no se consid-
eran en este material.
El material de esta tesis puede resumirse como sigue: En el Captulo 2
empezamos estudiando los espacios vectoriales prestando particular interes
a los espacios vectoriales R
n
y R
, debido a que estos seran nuestros prin-

cipales campos de estudio. Desarrollamos la teora necesaria de conjuntos
convexos, primero en R
n
y posteriormente generalizamos el estudio de estos
conjuntos a espacios vectoriales arbitrarios.
Un estudio sobre espacios topologicos se hace en el Captulo 3, donde
hacemos enfasis en R
n
y R
en virtud de que para nes de nuestro estu-

dio son de principal interes. Estudiamos aqu el concepto de compacidad
y sus principales propiedades. Se expone tambien en una seccion la teora
correspondiente a la convergencia de conjuntos, la cual en el desarrollo de
nuestro trabajo la llamaremos convergencia en el sentido de Kuratowski. Este
captulo se concluye con la denicion y construccion de un espacio de Hilbert,
teora que nos garantizara que nuestro objeto de estudio es un espacio metriz-
able.
La teora sobre funciones convexas en R
n
y espacios vectoriales arbitrarios
se desarrolla en el Captulo 4, y es precisamente en este captulo en donde
se demuestra el Teorema del maximo de Bauer, resultado que para muchos
investigadores, es el principal objetivo de estudiar los puntos extremos de los
conjuntos convexos, y que para nes de esta tesis tiene primordial inuencia
al momento de trabajar con sucesiones de conjuntos relacionados con alg un
funcional lineal continuo.
En el Captulo 5, se expone el tema principal de este trabajo, y con-
siste en dar un subconjunto S no vaco, convexo y compacto en el ortante
no negativo de R
, con el objetivo de aproximar y de caracterizar los pun-

tos extremos de ese conjunto. Aproximaremos S por sus correspondientes
proyecciones S
N
sobre R
n
y daremos las condiciones que garanticen que los
puntos extremos E
N
de S
N
convergen a los puntos extremos E de S, en el
sentido de Kuratowski.
Captulo 2
Conjuntos convexos
Los conjuntos sobre los cuales se desarrolla esta tesis son R
n
y R
, por lo
tanto, en el presente captulo los estudiaremos dando la denicion de cada
uno y enunciando algunas de sus caractersticas y propiedades que satisfacen,
las cuales utilizaremos en captulos posteriores. Para un estudio mas amplio
de cada una de las secciones de este captulo podemos consultar: para la
parte de espacios vectoriales [11, Homan], conjuntos convexos en R
n
y teo-
remas de separacion [9, Florenzano] o [5, Berkovitz], y para la ultima seccion
correspondiente a conjuntos convexos en espacios vectoriales arbitrarios [1,
Aliprantis] o [4, Berge], por mencionar algunos.
2.1 Espacios vectoriales
Una de las caractersticas que poseen R
n
y R
, es la de ser espacios vectori-

ales, empecemos entonces por denir un espacio vectorial, y posteriormente
vericaremos que efectivamente R
n
y R
satisfacen la denicion.
Denicion 2.1.1 Un espacio vectorial (o espacio lineal) sobre un campo K
es un conjunto V , no vaco, de elementos x, y, z, ... (llamados vectores) junto
con dos operaciones algebraicas, donde la primera llamada adicion, asocia a
cada par de vectores u, v de V un vector u + v de V , que se llama suma de
u y v. La adicion tiene las siguientes propiedades:
(i) Conmutatividad.
u + v = v + u u, v V.
4
2.1 Espacios vectoriales 5
(ii) Asociatividad.
(u + v) + w = u + (v + w) u, v, w V.
(iii) Identidad aditiva ( o neutro aditivo). Existe el elemento 0 V tal que
v + 0 = v para todo v V .
(iv) Inverso aditivo. Para cada v V , existe w V tal que v + w = 0.
La segunda operacion algebraica, llamada multiplicacion escalar, asocia
a cada escalar K y cada vector v V a un vector v en V , llamada
producto de y v, de tal manera que
(v) 1v=v para todo v V .
(vi) ()v = (v), v V, , K.
(vii) (v + u) = v + u, u, v V, K.
(viii) ( + )v = v + v, , K, v V .
De la denicion para espacio vectorial, vemos que la adicion vectorial es
una funcion que va de X X en X, mientras que la multiplicacion escalar
es una funcion que va de K X en X.
Sea V un espacio vectorial sobre un campo K. Si K = R, se dice
que V es un espacio vectorial real, y si K = C, se dice entonces que V es
un espacio vectorial complejo. En este trabajo solo consideraremos espacios
vectoriales reales.
Aunque ya sabemos cuando un conjunto es un espacio vectorial, no
sabemos con certeza cuantos inversos aditivos o cuantos neutros aditivos es
posible encontrar en un espacio vectorial, debido a que la denicion solo nos
garantiza la existencia de dichos elementos. Por lo tanto, vamos a estudiar
estas y otras propiedades de espacios vectoriales.
Proposicion 2.1.2 En un espacio vectorial, el neutro aditivo es unico.
Demostracion. Supongamos que 0 y 0
son ambos neutros aditivos, en-

tonces
0
= 0
+ 0 = 0,
donde la primera igualdad es valida porque 0 es un neutro aditivo y la segunda
igualdad se da porque 0
es tambien un neutro aditivo. As 0
= 0, probando
que V tiene un unico neutro aditivo.
6 Captulo 2. Conjuntos convexos
Proposicion 2.1.3 Cada vector en un espacio vectorial tiene un unico in-
verso aditivo.
Demostracion. Supongamos que V es un espacio vectorial. Sea v V ,
supongamos que w y w
son inversos aditivos de v, entonces

w = w + 0 = w + (v + w
) = (w + v) + w
= 0 + w
= w
,
de donde tenemos que w = w
. Queda demostrado entonces que cada ele-

mento en V tiene un unico inverso aditivo.
Proposicion 2.1.4 Para cada v V , 0v = 0.
Demostracion. Observese que en la igualdad 0v = 0; el 0 del lado izquierdo
esta en K, mientras que el 0 del lado derecho esta en V .
Sea v V , tenemos que
0v = (0 + 0)v = 0v + 0v,
sumando el inverso aditivo de 0v en ambos lados de esta ecuacion tenemos
que 0 = 0v, como deseabamos.
Proposicion 2.1.5 Para cada K, 0 = 0.
Demostracion. Sea K, tenemos entonces que
0 = (0 + 0) = 0 + 0;
y sumando el inverso aditivo de 0 en ambos lados de esta ecuacion nos da
0 = 0, como esperabamos.
La Proposicion 2.1.4 arma que el producto del escalar 0 y cualquier
vector es igual al vector 0, mientras que la Proposicion 2.1.5 arma que el
producto de cualquier escalar y el vector 0 es igual al vector 0.
Proposicion 2.1.6 Para cada v V , (1)v = v.
Demostracion. Sea v V , donde V es un espacio vectorial, entonces
v + (1)v = 1v + (1)v = (1 + (1))v = 0v = 0.
Esta ecuacion dice que (1)v, cuando se lo sumamos a v, da 0. As (1)v
debe de ser el inverso aditivo de v.
Denicion 2.1.7 Sea V un espacio vectorial sobre un campo K. Un sube-
spacio de V es un subconjunto W de V tal que, con las operaciones de adicion
vectorial y multiplicacion escalar sobre V , es el mismo un espacio vectorial
sobre K.
La denicion anterior se puede enunciar de manera equivalente diciendo
que un subconjunto W de X distinto del vaco es un subespacio vectorial del
espacio vectorial X, si para cada par de vectores x, y W y cualquier escalar
K, el vector x + y W.
Vamos ahora a dar algunos ejemplos de espacios vectoriales, de manera
intencional aquellos que para nes de nuestro estudio nos interesan.
Ejemplo 2.1.8 Sea V = R
n
el conjunto de todos las n-adas de n umeros
reales de la forma x = (x
1
, x
2
, ..., x
n
), con n un entero arbitrario y jo, y en
donde si x y y son dos elementos de R
n
,
x = y x
i
= y
i
i 1, 2, ..., n.
Denamos la adicion vectorial y la multiplicacion de un vector con un escalar
de la siguiente manera; sean x, y R
n
y R, entonces
x + y = (x
1
, x
2
, ..., x
n
) + (y
1
, y
2
, ..., y
n
) := (x
1
+ y
1
, x
2
+ y
2
, ..., x
n
+ y
n
),
x = (x
1
, x
2
, ..., x
n
) := (x
1
, x
2
, ..., x
n
).
Se puede demostrar que en este conjunto se satisfacen todos los axiomas
para un espacio vectorial.
Sea R
n
como en el ejemplo anterior. Al subconjunto R
n
+
de R
n
denido
como
R
n
+
:= (x
1
, x
2
, ..., x
n
) R
n
: x
i
0, i = 1, 2, ..., n
se le conoce con el nombre de ortante no negativo de R
n
.
Denicion 2.1.9 Sean X y Y dos conjuntos no vacos y supongamos que
a cada elemento x en X se asocia, de alg un modo, un elemento de Y que
representamos por f(x), se dice entonces que f es una funcion de X en Y
y la denotaremos por f : X Y.
Sea f : X Y , el conjunto X se llama dominio de denicion de f y los
elementos de f(x) se llaman valores de f. El conjunto de todos los valores
de f se llama rango de f. Al conjunto de todas las funciones de X en Y lo
denotaremos por Y
X
, esto es,
Y
X
= f : X Y : f es una funcion.
Dos funciones f, g Y
X
son iguales si para cada x en X, f y g tienen los
mismos valores. Si existe al menos un x en X para el cual los valores de f y
g dieren, diremos entonces que f es diferente de g. En smbolos
f = g f(x) = g(x) x X,
f = g x X f(x) = g(x).
Denicion 2.1.10 Una sucesion es una funcion f denida en el conjunto
N de todos los n umeros naturales. Si f(n) = x
n
, para n N, se acostumbra
representar la sucesion f por el smbolo x
n
, o a veces por x
1
, x
2
, x
3
, .... Los
valores de f, esto es, los elementos x
n
, se llaman terminos de la sucesion. Si
X es un conjunto y x
n
X para todo n N, se dice que x
n
es una sucesion
en X, o una sucesion de elementos de X.
Proposicion 2.1.11 Sea X un conjunto no vaco y K un campo. Entonces
K
X
es un espacio vectorial con la adicion vectorial denida en K
X
por
(f + g)(x) := f(x) + g(x), f, g K
X
, x X,
y la multiplicacion escalar como
(f)(x) := f(x), K, f K
X
.
Demostracion. Vericaremos que se cumplen todos los axiomas para un
espacio vectorial.
(i) Como la adicion en K es conmutativa,
f(x) + g(x) = g(x) + f(x) x X, f, g K
X
,
luego,
f + g = g + f, f, g K
X
.
(ii) Debido a que la adicion en K es asociativa,
[f(x) + g(x)] + h(x) = f(x) + [g(x) + h(x)], x X, f, g, h K
X
,
entonces
(f + g) + h = f + (g + h), f, g, h K
X
.
(iii) Existe la funcion 0 en K
X
tal que asigna a cada elemento de X el escalar
cero de K, entonces,
f(x) + 0 = f(x), x X, f K
X
,
de donde
f + 0 = f f K
X
.
(iv) Para todo f X, (f) es la funcion dada por
(f)(x) = f(x), x X,
as, para cada f K
X
, existe g = (f) K
X
tal que f + g = 0.
Tomando en cuenta que f(x), g(x) K x X; , K y K es un
campo, entonces
(v) 1 f(x) = f(x) x X, lo cual implica que 1 f = f f K
X
.
(vi) ()f(x) = (f(x)), x X, de donde ()f = (f) f K
X
.
(vii) (f(x) + g(x)) = f(x) + f(x) x X y por lo tanto
(f + g) = f + g f, g K
X
.
(viii) ( + )f(x) = f(x) + g(x) x X,
de esta manera
( + )f = f + f f K
X
.
As, de (i) (viii), K
X
es un espacio vectorial.
Sean N el conjunto de los n umeros naturales y R el conjunto de los
n umeros reales. Al conjunto R
N
se le denota convencionalmente por R
,
de este modo
R
= f : N R : f es una funcion,
y por la Proposicion 2.1.11, R
es un espacio vectorial.
Hasta el momento hemos hablado de funciones denidas en un con-
junto cualquiera y en N, pero ahora vamos a restringir esa variedad de con-
juntos y unicamente vamos a considerar como dominios de denicion espacios
vectoriales, en los cuales se pueden denir tambien solo algunas funciones con
nombres especiales y que los hacen distinguibles de todos los demas espacios
vectoriales.
Denicion 2.1.12 Un operador lineal es una funcion f entre dos espacios
vectoriales X e Y que satisface
f(x + z) = f(x) + f(z)
para todo x, z X y , R.
Denicion 2.1.13 Una funcional lineal es un operador lineal de un es-
pacio vectorial X en R.
Como ejemplo de estas deniciones, podemos mencionar a la funcion
proyeccion P
n
: R
R
n
, con n N, denida por P
n
(x) = (x
1
, x
2
, ..., x
n
).
Se puede vericar que para n = 1, P
n
es una funcional lineal, y para n 1,
P
n
es un operador lineal.
A continuacion daremos la denicion de espacio metrico y espacio nor-
mado, y veremos como a partir de una norma se puede generar una metrica.
Denicion 2.1.14 Un espacio metrico (X, d) es un conjunto no vaco X,
equipado con una funcion d : X X R
0
denominada metrica que sat-
isface:
(i) d(x, y) 0 x, y X, dandose la igualdad si y solo si x = y.
(ii) d(x, y) = d(y, x) x, y X.
(iii) d(x, y) d(x, z) + d(z, y) x, y, z X (desigualdad triangular).
Si d en la denicion satisface (ii) y (iii) y en (i) solo satisface que
d(x, y) 0 y d(x, x) = 0 x, y X,
decimos entonces que d es una semimetrica sobre X. Luego, toda metrica
es una semimetrica.
Al valor de la metrica en el punto (x, y) le llamaremos la distancia del
punto x al punto y.
Sea A
n
nN
una sucesion de conjuntos no vacos. El producto de los A
n
lo denotaremos por
n=1
A
n
y lo deniremos como
n=1
A
n
:=
x
n
: x
n
A
n
para todo n N
.
Proposicion 2.1.15 Sea (X
n
, d
n
) una sucesion de espacios metricos y
X =
n=1
X
n
. Para cada x = x
n
y y = y
n
en X denamos
d(x, y) =
n=1
1
2
n

d
n
(x
n
, y
n
)
1 + d
n
(x
n
, y
n
)
.
Entonces (X, d) es un espacio metrico.
Demostracion. Ver Aliprantis[2, p.56].
Denicion 2.1.16 Un espacio normado (X, [[ [[) es un espacio vectorial
real X, equipado con una funcion [[ [[ : X R
0
, denominada norma, que
cumple:
(i) [[x[[ 0 x X, dandose la igualdad si y solo si x = 0.
(ii) [[x[[ = [[[[x[[ x X, R.
(iii) [[x + y[[ [[x[[ +[[y[[ x, y X.
Veremos en seguida como a partir de una norma podemos generar una
metrica. Para ello, sea (X, [[ [[) un espacio normado y denamos la funcion
d : X X R
(x, y) [[x y[[.
La funcion d es una metrica. En efecto, de la Denicion 2.1.16 tenemos:
(i) d(x, y) = [[x y[[ 0.
(ii) d(x, y) = [[x y[[ = 0 x y = 0 x = y.
(iii) d(x, y) = [[x y[[ = [ 1[[[y x[[ = [[y x[[ = d(y, x)
(iv) d(x, y) = [[xy[[ = [[xz+zy[[ [[xz[[+[[zy[[ = d(x, z)+d(z, y).
Hemos probado entonces que d(x, y) = [[x y[[ es una metrica, y se
puede deducir entonces que todo espacio normado es un espacio metrico.
Denicion 2.1.17 Un vector u de un espacio vectorial V se dice que es una
combinacion lineal de los vectores v
1
, v
2
, ..., v
n
de V , si existen escalares
1
,
2
, ...,
n
de K tales que
u =
n
i=1
i
v
i
.
Denicion 2.1.18 Un subconjunto S de un espacio vectorial X es lineal-
mente dependiente si existen vectores distintos x
1
, x
2
, ..., x
n
en S y n umeros
reales
1
,
2
, ...,
n
, no todos nulos, tales que
n
i=1
i
x
i
= 0.
Un subconjunto S de X que no es linealmente dependiente se dice que es
linealmente independiente.
Denicion 2.1.19 Sea S un subconjunto linealmente independiente del es-
pacio vectorial X. S es una base para X si para cada x en X existen
e
1
, e
2
, ..., e
n
S e igual n umero de reales
1
,
2
, ...,
n
tales que
x =
n
i=1
i
e
i
.
Vimos como a partir de una norma podemos obtener una metrica. Ahora
vamos a denir lo que es un producto interno y demostraremos que un pro-
ducto interno induce una norma.
Denicion 2.1.20 Sea X un espacio vectorial sobre R. Un producto interno
es una funcion ', ` de X X en R tal que, para todo x, y, z X y , R
satisface:
(i) 'x, x` 0.
(ii) 'x, x` = 0 x = 0.
(iii) 'x, y` = 'y, x`.
(iv) 'x + y, z` = 'x, z` + 'z, y`.
Si un espacio vectorial X posee una funcion producto interno, lo llamare-
mos espacio vectorial con producto interno y lo denotaremos por (X, ', `).
Proposicion 2.1.21 Desigualdad de Cauchy-Schwarz. Sea X un es-
pacio vectorial real con producto interno ', ` y sean x, y X cualesquiera,
entonces
['x, y`[ [[x[[[[y[[.
Demostracion. Fijemos un par de vectores x y y en X. Para cualquier
R,
0 'x + y, x + y`
= 'x, x + y` +'y, x + y`
= 'x, x` +'x, y` +'y, x` +'y, y`
= [[x[[
2
+ 'x, y` + 'x, y` +
2
[[y[[
2
= [[x[[
2
+ 2'x, y` +
2
[[y[[
2
.
As,
0 = [[x[[
2
+ 2'x, y` +
2
[[y[[
2
es una funcion cuadratica en que tiene una raz doble o no tiene raices
reales. Por lo tanto, por la formula cuadratica, el discriminante debe de
satisfacer
4['x, y`[
2
4[[x[[
2
[[y[[
2
0,
de donde es posible concluir que
['x, y`[ [[x[[[[y[[.
Proposicion 2.1.22 Todo espacio con producto interno es un espacio nor-

mado.
Demostracion. Sea (X, ', `) un espacio con producto interno y denamos
una funcion [[ [[ : X R por [[x[[ = ('x, x`)
1
2
. Entonces, para todo x, y X
y R:
(i) Por denicion [[ [[ 0, y [[x[[ = 0 'x, x` = 0 x = 0.
(ii) [[x[[ = 'x, x`
1
2
= (
2
'x, x`)
1
2
= [[[[x[[.
(iii) [[x + y[[
2
= 'x + y, x + y` = 'x, x` + 2'x, y` +'y, y`
'x, x` + 2'x, x`'y, y` +'y, y` = ('x, x`
1
2
+'y, y`
1
2
)
2
= ([[x[[ +[[y[[)
2
.
Proposicion 2.1.23 Una norma en un espacio con producto interno satis-
face la ley del paralelogramo
[[x + y[[
2
+[[x y[[
2
= 2
[[x[[
2
+[[y[[
2
.
Demostracion. Por las propiedades del producto interno tenemos
[[x + y[[
2
+[[x y[[
2
= 'x + y, x + y` +'x y, x y`
= 2'x, x` + 2'y, y`
= 2
[[x[[
2
+[[y[[
2
Denicion 2.1.24 Se dice que una sucesion x

n
en un espacio normado
X converge si hay un punto x X con las siguientes propiedades; para
cada > 0, existe un n umero entero N tal que para todo n N implica que
[[x
n
x[[ < . ([[ [[ representa la norma en X).
Denicion 2.1.25 Una sucesion x
n
contenida en un espacio metrico X es
una sucesion de Cauchy si, dado > 0, existe N N tal que d(x
n
, x
m
) <
para toda n, m N.
Denicion 2.1.26 Un espacio metrico X es un espacio metrico com-
pleto si toda sucesion de Cauchy en X es convergente.
Denicion 2.1.27 Un espacio de Banach es un espacio en donde la
metrica inducida por la norma es completa.
Denicion 2.1.28 Un espacio de Hilbert es un espacio con producto in-
terno, donde la norma inducida por el producto genera un espacio de Banach.
Ejemplo 2.1.29 El espacio vectorial R
n
denido en el Ejemplo 2.1.8 es un
espacio:
(1) Producto interno, en donde el producto interno esta denido por
'x, y` =
n
i=1
x
i
y
i
, x, y R
n
.
(2) Normado, con la norma euclidiana denida como
[[x[[ = 'x, x`
1
2
=
i=1
x
2
i
1
2
, x R
n
.
n
15
(3) Metrico con
d(x, y) = [[x y[[ =
i=1
(x
i
y
i
)
2
1
2
, x, y R
n
.
(4) De banach (esto se deduce por (2) y debido al Teorema 3.11 en Rudin[20,
p.57] el cual garantiza que en R
n
toda sucesion de Cauchy converge).
(5) De Hilbert ( deducible de (1) y (4)).
n
En esta seccion damos las deniciones para lnea, segmento de lnea e hiper-
plano en R
n
, conceptos que posteriormente nos serviran para denir un con-
junto convexo. Es importante aclarar que la norma con la cual estaremos
trabajando sera la norma euclidiana de R
n
. Tambien haremos uso de algunos
resultados que se cumplen en R
n
los cuales el lector podra consultar en el
Apendice A.
Denicion 2.2.1 Sean x
1
, x
2
R
n
. La lnea en R
n
que pasa por x
1
y x
2
se
dene como
x R
n
: x = x
1
+ t(x
2
x
1
), < t < . (2.1)
El conjunto en (2.1) es equivalente a
x R
n
: x = (1 t)x
1
+ tx
2
, < t < , (2.2)
y haciendo = (1 t) y = t, (2.2) es equivalente a
x R
n
: x = x
1
+ x
2
, + = 1. (2.3)
Por lo tanto (2.1), (2.2) y (2.3) son equivalentes.
Denicion 2.2.2 El segmento de lnea cerrado que une a los puntos x
1
y x
2
se denota por [x
1
, x
2
] y se dene como
[x
1
, x
2
] := x : x = x
1
+ x
2
, 0, 0, + = 1.
Denicion 2.2.3 El segmento de lnea abierto que une a los puntos x
1
y x
2
se denota por (x
1
, x
2
) y se dene como
(x
1
, x
2
) := x : x = x
1
+ x
2
, > 0, > 0, + = 1.
Observacion 2.2.4 Cuando tengamos [x
1
, x
2
) o (x
1
, x
2
] nos referiremos al
segmento de lnea semiabierto por la derecha o por la izquierda respectiva-
mente.
Proposicion 2.2.5 Sean C R
n
y x
1
, x
2
dos puntos distintos de C. Si
y (x
1
, x
2
), entonces existen , > 0 con + = 1 tales que
[[y x
1
[[
[[y x
2
[[
=

.
Demostracion. Sea y un punto en el segmento de lnea abierto (x
1
, x
2
),
existen entonces > 0 y > 0 con + = 1 tal que y = x
1
+x
2
. Ahora,
observemos que
y x
1
= x
1
+ x
2
x
1
= x
2
(1 )x
1
= x
2
x
1
= (x
2
x
1
),
y de manera similar, y x
2
= (x
1
x
2
). Entonces
[[y x
1
[[
[[y x
2
[[
=
[[(x
2
x
1
)[[
[[(x
1
x
2
)[[
=
[[
[[
[[x
2
x
1
[[
[[x
1
x
2
[[
=
[[
[[
,
pero como > 0 y > 0,
[[y x
1
[[
[[y x
2
[[
=

En R
3
el plano que pasa por el punto x
0
con normal N consiste de todos
los puntos x tales que x x
0
es ortogonal a N, esto es x : 'N, x x
0
` = 0.
Si 'N, x x
0
` = 0, entonces 'N, x` = 'N, x
0
`, de esta manera,
x : 'N, x x
0
` = 0 = x : 'N, x` = , = 'N, x
0
`.
Denicion 2.2.6 Un hiperplano H
N
en R
n
se dene como el conjunto de
puntos x R
n
que satisfacen la ecuacion 'N, x` = , esto es, H
N
= x :
'N, x` = . Se dice que el vector N es una normal para el hiperplano H
N
.
n
17
La ecuacion del hiperplano en R
n
que pasa por x
0
con normal N es
'N, x x
0
` = 0. Si = 0 y N = 0, entonces el hiperplano H
0
N
pasa por el
origen y es un subespacio n 1 dimensional de R
n
.
Sea A cualquier subconjunto de R
n
y sea x
0
cualquier vector en R
n
. El
conjunto A + x
0
se dene como A + x
0
= y : y = a + x
0
, a A.
Lema 2.2.7 Para cualquier vector N en R
n
y escalar , el hiperplano H
N
es la traslacion de H
0
N
por cualquier vector x
0
en H
N
, esto es, H
N
= H
0
N
+x
0
para alg un x
0
H
N
.
Demostracion: Fijemos un x
0
H
N
. Sea x un punto arbitrario en H
N
y
sea u = x x
0
. Entonces
= 'N, x` = 'N, u + x
0
` = 'N, u` +'N, x
0
` = 'N, u` + ,
de donde 'N, u` = 0 y por lo tanto u H
0
N
. Como x = u + x
0
, hemos
mostrado que H
N
H
0
N
+ x
0
.
Ahora, sea u un vector arbitrario en H
0
N
. Entonces u + x
0
H
0
N
+ x
0
y
'N, u + x
0
` = 'N, u` +'N, x
0
` = 'N, x
0
` = ,
luego u + x
0
H
N
. Por lo tanto H
0
N
+ x
0
H
N
.
Dos hiperplanos H
1
N
1
y H
2
N
2
se dice que son paralelos si sus normales son
multiplos escalares una de la otra. As, dos hiperplanos son paralelos si,
y solo si son traslaciones del mismo hiperplano que pasa por el origen. El
subespacio que pasa por el origen es llamado el subespacio paralelo.
n
Denicion 2.3.1 Un subconjunto C de R
n
es convexo si para cualesquiera
par de puntos x
1
, x
2
en C el segmento de lnea
[x
1
, x
2
] = x : x = x
1
+ x
2
, 0, 0, + = 1
esta contenido en C.
En R
3
un plano determina dos conjuntos, uno en cada lado del plano.
Extendamos esta nocion en R
n
. Sea H
N
un hiperplano en R
n
, entonces H
N
determina un semiespacio positivo denotado por H
+
N
que se dene como
H
+
N
:= x : 'N, x` >
y un semiespacio negativo H
N
que se dene como
H
N
:= x : 'N, x` < .
El semiespacio positivo cerrado de H
N
se denota por H
+
N
y se dene como
H
+
N
:= x : 'N, x` ,
y el semiespacio negativo cerrado de H
N
se denota por H
N
y se dene como
H
N
:= x : 'N, x` .
Observemos que si x
1
y x
2
son dos puntos en H
+
N
, entonces para x
[x
1
, x
2
] existen escalares 0, 0, con + = 1, tales que x = x
1
+x
2
.
Por lo tanto,
'N, x` = 'N, x
1
+ x
2
` = 'N, x
1
` + 'N, x
2
` > ( + ) = ,
de donde x H
+
N
y en consecuencia H
+
N
es un conjunto convexo. Los con-
juntos H
N
, H
N
, H
+
N
, H
N
son tambien conjuntos convexos.
Sea x un punto en R
n
y r un n umero real positivo. Denotemos por B(x, r)
y B(x, r) a las bolas abierta y cerrada, respectivamente, con centro en x y
de radio r, las cuales se denen como
B(x, r) = y R
n
: [[x y[[ < r
y
B(x, r) = y R
n
: [[x y[[ r.
Los conjuntos B(x, r) y B(x, r) son convexos. En efecto, sean u, v B(x, r)
y w [u, v], entonces existen 0 y 0, con + = 1, tal que
n
19
w = u + v. Observemos que,
[[w x[[ = [[w 1 x[[ = [[w ( + )x[[ = [[u + v ( + )x[[
= [[(u x) + (v x)[[ < [[u x[[ + [[v x[[
< r + r = ( + )r = r,
por lo tanto w B(x, r) y entonces B(x, r) es convexo. De manera analoga
se verica que B(x, r) es convexo.
Lema 2.3.2 Sea C
una coleccion de conjuntos convexos tales que C =
es no vaco. Entonces C es convexo.

Demostracion: Sean x
1
y x
2
pertenecientes a C. Entonces para cada
los puntos x
1
y x
2
pertenecen a C
. Como para cada el conjunto C
es
convexo, entonces el segmento de lnea [x
1
, x
2
] pertenece a C
para cada .
Por lo tanto [x
1
, x
2
] C, as C es convexo.
Sean A y B dos conjuntos en R
n
y un escalar. La suma de los conjuntos
A y B se denota por A + B y se dene como
A + B := x : x = a + b, a A, b B,
y la multiplicaci on del escalar con el conjunto A se denota por A y se
dene como
A := y : y = a, a A.
Lema 2.3.3 Sean A y B dos conjuntos convexos en R
n
, entonces para y
en R se tiene que A + B es convexo.
Demostracion: Sean x
1
, x
2
A + B. Debemos probar que [x
1
, x
2
]
A+B. Como x
1
, x
2
A+B, x
1
= a
1
+b
1
para alg un a
1
A y para
alg un b
1
B, y x
2
= a
2
+ b
2
para alg un a
2
A y para alg un b
2
B. Sea
x [x
1
, x
2
], de esta manera existen escalares 0 y 0, con + = 1,
tales que x = x
1
+ x
2
. Entonces
x = x
1
+x
2
= (a
1
+b
1
) +(a
2
+b
2
) = (a
1
+a
2
) +(b
1
+b
2
).
Sean a
3
= a
1
+a
2
y b
3
= b
1
+b
2
. Como A y B son convexos, a
1
, a
2
A
y b
1
, b
2
B, entonces a
3
A y b
3
B. Por lo tanto x = a
3
+ b
3
con
a
3
A y b
3
B, y as x A + B. Como x [x
1
, x
2
] fue un punto que se
tomo de manera arbitraria, [x
1
, x
2
] A+B. Con esto queda demostrado
que A + B es convexo.
Lema 2.3.4 Sean A
1
R
n
1
, A
2
R
n
2
,...,A
k
R
n
k
y A
1
,A
2
,...,A
k
con-
vexos. Extonces A
1
A
2
... A
k
es un conjunto convexo en R
n
1
+n
2
+...+n
k
.
Demostracion: Denamos A := A
1
A
2
... A
k
. Sean x
1
, x
2
A,
entonces
x
1
= (a
1
, a
2
, ..., a
k
), a
i
A
i
, 1 i k
y
x
2
= (b
1
, b
2
, ..., b
k
), b
i
A
i
, 1 i k.
Sea x [x
1
, x
2
], entonces existen escalares 0 y 0, con + = 1,
tales que x = x
1
+ x
2
, de esta manera,
x = (a
1
, a
2
, ..., a
k
) + (b
1
, b
2
, ..., b
k
) = (a
1
+ b
1
, a
2
+ b
2
, ..., a
k
+ b
k
).
Sea y
i
= a
i
+ b
i
, 1 i k. Para cada i = 1, 2, ..., k, a
i
, b
i
A
i
y A
i
es
convexo, entonces y
i
A
i
. De esta manera x = (y
1
, y
2
, ..., y
k
) A, por lo
tanto [x
1
, x
2
] A, y consecuentemente A
1
A
2
... A
k
es convexo.
Lema 2.3.5 Si A es convexo, entonces A es convexo.
Demostracion: Sean x y y dos puntos de A y sea z [x, y], entonces
z = x+y para algunos escalares 0, 0 y + = 1. Como x, y A,
existen sucesiones x
k
y y
k
en A tales que lmx
k
= x y lmy
k
= y. Debido
a que A es convexo, z
k
= x
k
+ y
k
A para cada k. Haciendo tender k
a , obtenemos que lmz
k
= z, de esta manera z A y por consiguiente
[x, y] A, lo cual prueba que A es convexo.
Lema 2.3.6 Sea C un conjunto convexo con interior no vaco. Sean x
1
y
x
2
dos puntos, con x
1
C
y x
2
C. Entonces el segmento de lnea [x
1
, x
2
)
esta contenido en C
.
Demostracion: (a) Supongamos primero que x
2
C. Nuestro objetivo en
este caso es vericar que todo punto x de [x
1
, x
2
) = x
1
(x
1
, x
2
) es un
punto de C
. Sea x un punto cualquiera en [x

1
, x
2
), si x = x
1
, el resultado
se cumple debido a que por hipotesis x
1
C
. Ahora, si x = x
1
, x (x
1
, x
2
)
y consecuentemente existen escalares > 0 y > 0, cuya suma es 1, y tal
que x = x
1
+ x
2
.
Como x
1
C
, existe r > 0 para el cual B(x

1
, r) C, y puesto que
n
21
> 0 , r > 0. Armamos que B(x, r) C. En efecto, sea y B(x, r),
entonces [[y x[[ < r, lo cual implica que
r > [[
y x
[[ = [[x
1
(x
1
+
y x
)[[.
Haciendo z = (x
1
+
yx
) en la desigualdad anterior podemos observar que

z B(x
1
, r) C y ademas
y = (z x
1
) + x = (z x
1
) + x
1
+ x
2
= z + x
2
,
de donde y (z, x
2
). Como z, x
2
C y C es convexo, (z, x
2
) C , por
consiguiente y C, y entonces B(x, r) C. Hemos vericado que x C
.
Debido a que x en [x
1
, x
2
) era cualquiera, entonces [x
1
, x
2
) C
.
La prueba del inciso (a) de este lema se baso fundamentalmente en
demostrar que si x
1
C
, x
2
C y x (x
1
, x
2
), entonces x C
. Es
importante mencionar que si w C
, existe r > 0 tal que B(w, r) C,

y entonces para todo w
B(w, r), w
, debido a que B(w, r) es un

conjunto abierto que esta contenido en C.
(b) Supongamos que x
2

C y x
2
/ C. Sea x [x
1
, x
2
) = x
1
(x
1
, x
2
)
un punto cualquiera, entonces el lema se cumple si probamos que x C
.
Si x = x
1
, entonces x C
debido a que por hipotesis x

1
C
. Si x = x
1
,
entonces x (x
1
, x
2
) y en consecuencia existen > 0 y > 0 con + = 1
tal que x = x
1
+ x
2
, pero ademas por la Proposicion 2.2.5,
||xx
1
||
||xx
2
||
=

.
Ahora, debido a que x
1
C
, existe > 0 tal que B(x

1
, ) C. Por
otra parte, como x
2

C, entonces existe una sucesion z
k
C tal que
z
k
x
2
, de esta manera dado > 0, existe n N tal que para k n,
z
k
B(x
2
, ). En particular para = (
) > 0 es posible encontrar un

z
k
0
C con k
0
> n N tal que [[x
2
z
k
0
[[ < (
), de donde
> [[
(x
2
z
k
0
)[[ = [[x
1
(x
1
(z
k
0
x
2
))[[.
Haciendo z
1
= x
1
(z
k
0
x
2
) tenemos:
i) x
1
= z
1
+

(z
k
0
x
2
), y debido a que x = x
1
+x
2
, podemos expresar
a x como
x = (z
1
+

(z
k
0
x
2
)) + x
2
= z
1
+ z
k
0
,
de donde tenemos que x (z
1
, z
k
0
).
ii) [[x
1
z
1
[[ < , por consiguiente z
1
B(x
1
, ), pero como B(x
1
, ) C es
abierta, entonces z
1
C
.
Ahora, como z
1
C
, z
k
0
C y x (z
1
, z
k
0
), se sigue que x C
por
(a). No perdamos de vista que x era un elemento de (x
1
, x
2
) , por lo tanto
(x
1
, x
2
) C
. Hemos as mostrado que efectivamente [x

1
, x
2
) C
y con
ello queda demostrado el lema.
Corolario 2.3.7 Si C es convexo, entonces C
es convexo.
Demostracion: Si C
= , entonces es convexo. Supongamos que C
= .
Si C
consta de un solo punto x, es obvio que C
es convexo. Supongamos
que C
consta de mas de un punto. Sean x, y C
, entonces x, y C.
As, tenemos por el Lema 2.3.6 que [x, y) C
y [y, x) C
, de donde
[x, y] C
, y por consiguiente C
es convexo.
Corolario 2.3.8 Sea C un conjunto convexo tal que C
= . Entonces
C
= C y C
= (C)
.
Demostracion: Como para cualquier conjunto C se tiene que C
C,
entonces C
C. Ahora, sea x C y y C
, por el Corolario 2.3.6 el

segmento de lnea [y, x) esta contenido en C
, se sigue entonces que [y, x)

C
, de esta manera x C
y en consecuencia C C
.
Por otra parte, para cualquier conjunto C se tiene que C C, entonces
C
(C)
. Sea x (C)
, entonces existe un r > 0 tal que B(x, r) C. Sea

y C
y l la lnea que pasa por x y y. Para cualquier punto z sobre l tal que
d(x, z) < r y x [y, z), se tiene que z C y, debido a que y C
, entonces
[y, z) C
, por lo tanto x C
y as (C)
.
En la Denicion 2.1.17 vimos el concepto de combinaci on lineal de manera
general sobre espacios vectoriales, sin embargo ahora vamos a denir un tipo
particular de combinaci on lineal, la cual recibe el nombre de combinacion
(lineal) convexa. Para un entero positivo n,
P
n
:= p = (p
1
, p
2
, ...p
n
) : p
i
0,
n
i=1
p
i
= 1.
Armamos que P
n
es convexo. En efecto, sean x, y P
n
y s [x, y], entonces
existen escalares 0 y 0, con + = 1, tal que s = x + y. Como
x, y P
n
,
n
23
x = (x
1
, x
2
, ..., x
n
) con x
i
0 y
n
i=1
x
i
= 1
y
y = (y
1
, y
2
, ..., y
n
) con y
i
0 y
n
i=1
y
i
= 1.
De esta manera,
s = x + y = (x
1
+ y
1
, x
2
+ y
2
, ..., x
n
+ y
n
).
Sea s
i
= x
i
+ y
i
con 1 i n. Como 0, 0, x
i
0 y y
i
0,
tenemos que s
i
0, ademas,
n
i=1
s
i
=
n
i=1
(x
i
+ y
i
) =
n
i=1
x
i
+
n
i=1
y
i
= .1 + .1 = + = 1.
Debido a que s = (s
1
, s
2
, ..., s
n
) con s
i
0 y
n
i=1
s
i
= 1; s P
n
. Como s
en [x, y] era cualquiera, concluimos que [x, y] P
n
, as P
n
es convexo.
Denicion 2.3.9 Un punto x en R
n
es una combinacion convexa de puntos
x
1
, x
2
, ..., x
k
si existe un p = (p
1
, p
2
, ..., p
k
) en P
k
tal que
x = p
1
x
1
+ p
2
x
2
+ ... + p
k
x
k
.
Lema 2.3.10 Un conjunto C en R
n
es convexo si y solo si cada combinacion
convexa de puntos en C esta tambien en C.
Demostracion: Supongamos que cada combinaci on convexa de puntos en
C esta tambien en C, entonces cada combinaci on convexa de dos puntos
en C esta en C, pero para cualquier par de puntos jos x
1
y x
2
en C, el
conjunto de combinaciones convexas de x
1
y x
2
es precisamente [x
1
, x
2
]. En
otras palabras, para cada par de puntos x
1
y x
2
en C, el segmento de lnea
[x
1
, x
2
] esta contenido en C, y as C es convexo.
Ahora supongamos que C es convexo. Para probar que cada combinacion
convexa de puntos en C esta en C, procederemos por induccion sobre k, el
n umero de puntos en la combinacion convexa. Si C es convexo, por denicion
de convexidad, cada combinaci on convexa de dos puntos en C esta en C.
Supongamos que cada combinaci on convexa de k puntos en C esta en C.
Mostraremos que que cada combinacion convexa de k + 1 puntos en C esta
en C. Sea x = p
1
x
1
+ p
2
x
2
+ ... + p
k
x
k
+ p
k+1
x
k+1
, p P
k
. Si p
k+1
= 1,
no hay nada que probar, pues en tal caso tendriamos que x = x
k+1
C. Si
p
k+1
< 1, entonces
k
i=1
p
i
> 0. Por lo tanto,
x = p
1
x
1
+ p
2
x
2
+ ... + p
k
x
k
+ p
k+1
x
k+1
= (
k
i=1
p
i
)[
p
1
k
i=1
p
i
x
1
+ ... +
p
k
k
i=1
p
i
x
k
] + p
k+1
x
k+1
.
Sea q =
k
i=1
p
i
, as q > 0 y p
k+1
> 0 con q + p
k+1
= 1 y, entonces x =
q[
p
1
q
x
1
+ ... +
p
k
q
x
k
] + p
k+1
x
k+1
. Observemos que si 1 i k,
p
i
q
0
y ademas
k
i=1
p
i
q
= 1. Por lo tanto, el termino que esta entre conchetes
cuadrados, es una combinaci on convexa de k puntos en C y por la hipotesis
de induccion esta en C. Por lo tanto x es una combinaci on convexa de dos
puntos
p
1
q
x
1
+... +
p
k
q
x
k
y x
k+1
en C, y puesto que C es convexo, x pertenece
a C.
Para un conjunto dado A, denotemos por K(A) el conjunto de todas las
combinaciones convexas de puntos en A. Puesto que K(A) es el conjunto
de todas las combinaciones convexas de puntos en A, en particular K(A)
contiene al conjunto de todas las combinaciones convexas de dos puntos x
y y de A, en otras palabras K(A) [x, y], por lo tanto K(A) es convexo.
Observemos tambien que A K(A).
Denicion 2.3.11 La envolvente convexa de un subconjunto A de R
n
, de-
notado por Co(A), es la interseccion de todos los conjuntos convexos que
contienen a A.
Con esta denicion y debido a que R
n
es convexo, para cualquier
A R
n
no vaco, Co(A) es no vaco, y puesto que la intersecci on de con-
juntos convexos es un conjunto convexo, Co(A) es convexa. Tambien, como
Co(A) C para cualquier conjunto convexo C que contenga a A, se sigue
que Co(A) es el conjunto convexo mas peque no que contiene a A.
Teorema 2.3.12 La envolvente convexa de un conjunto A es el conjunto de
todas las combinaciones convexas de puntos en A; esto es, Co(A) = K(A).
Demostracion: Denotemos por C
la familia de conjuntos convexos que

contienen a A. Como Co(A) = C
, entonces, Co(A) C
para cada .
n
25
Puesto que K(A) es un conjunto convexo que contiene a A, K(A) = C
para alg un en particular, por lo tanto Co(A) K(A). Observemos ahora

que A C
para cada . Como para cada , C
es convexo, para cada

toda combinaci on convexa de puntos en C
esta en C
, en particular, toda
combinacion convexa de puntos en A esta en C
para cada , esto es, para

cada , K(A) C
. Por lo tanto K(A) C
= Co(A).
Corolario 2.3.13 Un conjunto C es convexo si y solo si C = Co(C).
Demostracion. El Lema 2.3.10 arma que un conjunto C es convexo si y
solo si K(C) C. Como C K(C) para cualquier conjunto C, el Lema
2.3.10 se puede enunciar de manera equivalente como: Un conjunto C es
convexo si y solo si C = K(C). Ahora, como para cualquier conjunto B,
K(B) = Co(B), tendriamos entonces que C = Co(C), con lo cual queda
mostrado el corolario.
Teorema 2.3.14 (CARATH
EODORY): Sea A un subconjunto de R

n
y
x Co(A). Entonces existen n+1 puntos x
1
, x
2
, ..., x
n
, x
n+1
en A y un punto
p en P
n+1
tal que x = p
1
x
1
+ ... + p
n
x
n
+ p
n+1
x
n+1
.
Demostracion. Sea x Co(A). Por el Teorema 2.3.12 tenemos que
Co(A) = K(A), entonces,
x =
m
i=1
q
i
x
i
, x
i
A, i = 1, 2, ..., m, q = (q
1
, q
2
, ..., q
m
) P
m
(2.4)
para alg un entero positivo m y alg un q en P
m
. Si m n + 1, entonces no
hay nada que probar.
Si m > n+1, expresaremos a x como una combinacion convexa de a lo mas
m 1 puntos. Repitiendo este argumento, un n umero nito de veces da el
resultado deseado. Supongamos entonces que en la ecuacion (2.4), m n+1.
Considere los siguientes m1 > n vectores de R
n
,
x
1
x
m
, x
2
x
m
, ..., x
m1
x
m
.
Como m 1 > n, esos vectores son linealmente dependientes. Entonces
existen escalares
1
, ...,
m1
no todos cero y al menos uno positivo tales que
1
(x
1
x
m
) +
2
(x
2
x
m
) + ... +
m1
(x
m1
x
m
) = 0,
luego
[
1
x
1
+
2
x
2
+ ... +
m1
x
m1
] + [(
1
+
2
+ ... +
m1
)x
m
] = 0.
Sea
m
= (
1
+
2
+ ... +
m1
). Tenemos que
1
x
1
+
2
x
2
+ ... +
m1
x
m1
+
m
x
m
= 0 (2.5)
y
m
i=1
i
= 0. (2.6)
La ecuacion (2.5) la podemos escribir como
m
i=1
i
x
i
= 0. Ahora, para
cualquier n umero t, t
m
i=1
i
x
i
=
m
i=1
t
i
x
i
= 0. Observamos que de (2.4)
y (2.5)
x =
m
i=1
(q
i
t
i
)x
i
(2.7)
para cualquier t. Demostraremos que existe un valor para t, tal que los co-
ecientes de x
i
son no negativos, su suma es igual a 1 y al menos uno de
ellos es cero. Esto probara el teorema. Sea I = i : i = 1, ..., m,
i
> 0.
Como
1
, ...,
m
no son todos cero, se sigue de (2.6) que I = . Denotemos
por i
0
un ndice en I tal que
q
i
0
i
0
= mini I :
q
i
i
. Tomemos ahora t =
q
i
0
i
0
.
Entonces t 0, y para i I
(q
i
t
i
) = (q
i
i
q
i
0
i
0
) =
i
(
q
i
q
i
0
i
0
) 0,
donde se da la igualdad si i = i
0
. Si i I , entonces
i
0, as q
i
t
i
0.
Como t =
q
i
0
i
0
, entonces q
i
t
i
0, i = 1, ..., m con q
i
0
t
i
0
= 0. Al
comparar esta expresion con la ecuacion (2.7), vemos que hemos expresado
a x como una combinaci on lineal no negativa de a lo mas m 1 puntos.
Esta combinaci on es tambien una combinaci on convexa ya que, usando (2.6),
tenemos
m
i=1
(q
i
t
i
) =
m
i=1
q
i
t
m
i=1
i
=
m
i=1
q
i
t.0 =
m
i=1
q
i
= 1.
En muchos textos, el Teorema anterior es nombrado Teorema de Con-

vexidad de Caratheodory, y cabe mencionar que tambien es valido en
espacios vectoriales arbitrarios n-dimencionales.
2.4 Teoremas de separacion y puntos extremos. 27
Lema 2.3.15 Si A es un subconjunto compacto de R
n
, entonces Co(A) es
compacto.
Demostracion. Por el Teorema de Caratheodory,
Co(A) = x : x =
n+1
i=1
p
i
x
i
, x
i
A, p = (p
1
, ..., p
n
, p
n+1
) P
n+1
.
Sea = P
n+1
A A ... A
. .. .
(n+1)veces
. Como A y P
n+1
son compactos, entonces
es compacto en R
m
, donde m = (n + 1) + n(n + 1) = (n + 1)
2
. El
mapeo : R
m
R
n
denido por (p, x
1
, ..., x
n
) =
m
i=1
p
i
x
i
es continuo.
Como es compacto, () es compacto. Por el Teorema de Caratheodory,
() = Co(A), y as Co(A) es compacto.
Lema 2.3.16 Si O = es un subconjunto abierto de R
n
, entonces Co(O) es
abierto.
Demostracion. Como O Co(O), el conjunto Co(O) tiene interior no
vaco. Por lo tanto, por el Corolario 2.3.7 (Co(O))
es convexo, y puesto que

O es abierto, O = O
y ademas como O Co(O) tenemos que O (Co(O))
.
Ahora, puesto que Co(O) es la intersecci on de todos los conjuntos convexos
que contienen a O, tenemos Co(O) (Co(O))
. Como siempre se cumple

que (Co(O))
Co(O), tenemos que Co(O) = (Co(O))
, por lo tanto Co(O)

es abierto.
2.4 Teoremas de separacion y puntos extremos.
Hemos visto que un hiperplano H
N
divide a R
n
en dos semiespacios, uno
de cada lado de H
N
, por lo tanto es natural decir que dos conjuntos X e
Y son separados por un hiperplano H
N
si estan contenidos en diferentes
semiespacios determinados por H
N
. Existen varios tipos de separacion, las
cuales deniremos y discutiremos a continuacion.
Denicion 2.4.1 Dos conjuntos X e Y son separados por un hiperplano
H
N
si, 'N, x` para cada x X y 'N, y` para cada y Y .
Denicion 2.4.2 Dos conjuntos X e Y estan propiamente separados
por un hiperplano H
N
si,
'N, x` para cada x X, 'N, y` para cada y Y,
y al menos uno de los conjuntos no esta contenido en H
N
.
Denicion 2.4.3 Dos conjuntos X e Y estan estrictamente separados
por un hiperplano H
N
si, 'N, x` > para cada x X y 'N, y` < para
cada y Y .
Denicion 2.4.4 Dos conjuntos X e Y estan fuertemente separados
por un hiperplano H
N
si existe un > 0 tal que los conjuntos X +B(0, 1) y
Y + B(0, 1) estan estrictamente separados por H
N
.
Lema 2.4.5 Las siguientes armaciones son equivalentes:
(i) Dos conjuntos X e Y estan fuertemente separados por un hiperplano H
N
.
(ii) Existe un > 0 tal que 'N, x` > + para todo x X y 'N, y` <
para todo y Y .
(iii) Existe un
> 0 tal que inf'N, x` : x X +
y sup'N, y` :
y Y
.
Demostracion. (ii) = (iii). Como para todo x X,
'N, x` inf'N, x` : x X y 'N, x` > + ,
entonces
inf'N, x` : x X + .
Debido a que para todo y Y ,
'N, y` sup'N, y` : y Y y 'N, y` < ;
se sigue que
sup'N, y` : y Y .
Haciendo =
se tiene (iii).
(iii) = (ii) Tenemos que para todo x X,
'N, x` inf'N, x` : x X +
> +

2
y para todo y Y ,
'N, y` sup'N, y` : y Y
<

2
.
Haciendo =

2
se obtiene (ii).
(i) = (ii) Supongamos que X y Y estan fuertemente separados por
H
N
. Entonces existe un > 0 tal que, para todo x X y todo z B(0, 1),
'N, x z` > . As para todo x X y todo z B(0, 1),
'N, z` > 'N, x`.
Si tomamos z =
N
||N||
con 0 < < 1 y hacemos tender a 1 obtenemos
[[N[[ 'N, x` o 'N, x` + [[N[[
para todo x X. De manera similar se prueba que 'N, y` [[N[[ para
todo y Y . Por lo tanto (ii) se cumple para cualquier n umero positivo
estrictactamente menor que [[N[[.
(ii) = (i) Supongamos que existe un > 0 tal que 'N, x` > + para
todo x X. Sea z un elemento arbitrario de B(0, 1). Como [[z[[ < 1, de la
desigualdad de Cauchy-Scharz tenemos que
'N, z` [[N[[[[z[[ < [[N[[,
en consecuencia
'N, x z` = 'N, x` 'N, z` > + [[N[[.
De manera similar, para todo y Y y z B(0, 1) se obtiene que
'N, y + z` < + [[N[[.
Por lo tanto, si tomamos <

||N||
, tenemos que 'N, u` > para todo u en
X B(0, 1) = X +B(0, 1) y 'N, v` < para todo v en Y +B(0, 1). Con
esto se prueba (i).
Si X es un conjunto y y es un vector, denotemos la distancia de y a X
por d(y, X) y la denimos como d(y, X) = inf[[y x[[ : x X. Un punto
x
en X se dice que alcanza la distancia de y a X, o es el mas cercano a y,

si d(y, X) = [[y x
[[.
Lema 2.4.6 Sea C un subconjunto convexo de R
n
y y C. Si existe un
punto en C que es el mas cercano a y, entonces este es unico.
Demostracion. Supongamos que existen dos puntos x
1
y x
2
en C que son
los mas cercanos a y. Como C es convexo,
1
2
(x
1
+x
2
) pertenece a C; entonces
d(y, C) [[
x
1
+ x
2
2
y[[ =
1
2
[[(x
1
y) + (x
2
y)[[
1
2
([[x
1
y[[ +[[x
2
y[[) = d(y, C),
por lo tanto, la igualdad es valida en la desigualdad del triangulo; y en
consecuencia, existe un k 0 tal que (x
1
y) = k(x
2
y). Supongamos que
k > 0. Puesto que [[x
1
y[[ = [[x
2
y[[ = d(y, C), tenemos que k = 1, y as
x
1
= x
2
.
Si k = 0, entonces x
1
= y, contradiciendo la suposicion de que y C.
Lema 2.4.7 Sea C un subconjunto cerrado de R
n
y y C. Entonces existe
un punto x
en C que es el mas cercano a y.

Demostracion. Sean x
0
en C y r > [[x
0
y[[. Entonces C
1
= B(y, r) C
es no vaco, cerrado y acotado; y por lo tanto, compacto. La funcion x
[[x y[[ es continua sobre C
1
y alcanza su mnimo en alg un punto x
C
1
.
As, para todo x C
1
, [[x y[[ [[x
y[[. Para x C tal que x C

1
tenemos
[[x y[[ > r > [[x
0
y[[ [[x
y[[,
debido a que x
0
B(y, r).
Sean a y b dos n umeros reales y I = x : a x b. Una funcion de
valores reales f se dice que tiene un lmite por la derecha en un punto x
0
,
donde a x
0
b, si para cada > 0 existe un () tal que siempre que
0 < x x
0
< () la desigualdad [f(x) [ < se satisface. En smbolos
escribiremos esto como
f(x
0
+) = lm
xx
+
0
f(x) = .
Lema 2.4.8 Sean C un conjunto convexo y y C. Entonces x
C es el
punto de C mas cercano a y si y solo si 'y x
, xx
` 0 para todo x C.
Demostracion. Sea x
un punto mas cercano a y y x cualquier otro punto

en C. Como C es convexo, el segmento de lnea
[x
, x] = z(t) : z(t) = x
+ t(x x
), 0 t 1
pertenece a C. Sea
(t) = [[z(t) y[[
2
= 'x
+ t(x x
) y, x
+ t(x x
) y`. (2.8)
Para 0 t 1, es el cuadrado de la distancia entre el punto z(t) [x
, x]
y y. Si t = 0, entonces z = x
. Ya que es continuamente diferenciable

sobre (0, 1] y x
es un punto en C el mas cercano a y, tenemos
(0+) 0.
Calculando
(t) de (2.8) da
(t) = 2['y x
, x x
` + t[[x x
[[
2
]. (2.9)
Ahora, si t 0+ y
(0+) 0, obtenemos 'y x
, xx
` 0 para todo
x en C.
Supongamos ahora que 'y x
, x x
` 0, x C. Sea x cualquier
otro punto en C. Se sigue de (2.9) que
(t) > 0 para 0 < t 1. Luego, la

funcion es estrictamente creciente sobre [0, 1], y en consecuencia lo es para
cualquier punto z(t) en (x
, x]. Como [[z(t) y[[ > [[x
y[[, en particular
se cumple para z = x; por lo tanto, x
es el punto mas cercano a y.

Sea x
el punto de C mas cercano a y y sea N = y x
. Entonces para
todo x C, 'N, x x
` 0, de donde 'N, x` 'N, x
` con la igualdad
si x = x
. Por lo tanto sup'N, x` : x C = 'N, x
`. De otra manera
'N, y x
` = [[N[[
2
> 0, as 'N, y` = 'N, x
` +[[N[[
2
> sup'N, x` : x C.
El Lema 2.4.5 arma que una condicion necesaria y suciente para que dos
conjuntos X e Y sean fuertemente separados es que exista un vector N tal
que inf'N, x` : x X > sup'N, y` : y Y . Si hacemos X = y y
Y = C obtenemos el siguiente teorema.
Teorema 2.4.9 Sea C un conjunto convexo cerrado y y un vector tal que
y C. Entonces existe un hiperplano H
N
que separa fuertemente y y C.
Teorema 2.4.10 Sea C un conjunto convexo y y C. Entonces existe un
hiperplano H
N
tal que para todo x C,
'N, x` , 'N, y` = . (2.10)
Si C
= , entonces para todo x C
,
'N, x` < . (2.11)
Demostracion. Supongamos primero que y = 0. Entonces para establecer
(2.10), debemos encontrar un N = 0 tal que
'N, x` 0, x C. (2.12)
Para cada x C denamos N
x
= z : [[z[[ = 1, 'z, x` 0. El conjunto
N
x
es no vaco ya que contiene al elemento
x
||x||
. Para establecer (2.12), es
suciente probar que
xC
N
x
= . Cada N
x
es cerrado y esta contenido en
S(0, 1) = u : [[u[[ = 1. As podemos escribir la ultima ecuacion como
xC
N
x
= (
xC
N
x
)
S(0, 1) = . (2.13)
Como S(0, 1) es compacto, tiene la propiedad de la interseccion nita.
Ahora, si la intersecci on en (2.13) fuera vaca, existiria una subcoleccion nita
N
x
1
, ..., N
x
r
que es vaca. Por lo tanto, podemos establecer (2.13) mostrando
que cada subcoleccion nita N
x
1
, ..., N
x
k
tiene interseccion no vaca. Ahora
consideremos cualquier coleccion nita de conjuntos N
x
1
, ..., N
x
k
y los corre-
spondientes k puntos x
1
, ..., x
k
en C. Sea Co[x
1
, ..., x
k
] la envolvente convexa
de x
1
, ..., x
k
. Entonces Co[x
1
, ..., x
k
] es compacta y convexa. De la convex-
idad de C, se sigue que Co[x
1
, ..., x
k
] C. Como 0 C, tenemos que
0 Co[x
1
, ..., x
k
]. Entonces, por el Teorema 2.4.9, existe un vector w = 0 tal
que
0 = 'w, 0` > 'w, x`, x Co[x
1
, ..., x
k
]. (2.14)
Podemos dividir ambos lados por [[w[[ = 0 en (2.14) y asumir que [[w[[ =
1. De (2.14) w (
k
i=1
N
x
i
)
S(0, 1), mostrando que la interseccion de

cualquier subcoleccion N
x
1
, ..., N
x
k
de los conjuntos cerrados N
x
xC
tiene
interseccion no vaca con S(0, 1). Por lo tanto (2.13) es valida.
Ahora, quitamos la restriccion que y = 0, y obtenemos que y C si y solo
si 0 Cy = x
: x
= xy, x C. Por lo tanto, existe un N = 0 tal que

'N, x` 0 para todo x
C y. Entonces para todo x C, 'N, x y` 0,

y as 'N, x` 'N, y` para todo x C.
Si ahora tomamos = 'N, y`, obtenemos la primera conclusion del teo-
rema. La segunda conclusion se sigue, observando que si C es un conjunto
contenido en el semiespacio negativo cerrado determinado por el hiperplano
H
N
y x C
entonces 'N, x` < .

Un punto z se dice que es un punto frontera de un conjunto S si para
cada > 0 la bola B(z, ) contiene un punto x S y un punto y S. Deno-
taremos por S al conjunto de puntos frontera de S.
La denicion permite tener z = x o z = y. Por ejemplo, en R
2
sea
S = x = (x
1
, x
2
) : 0 < [[x[[ < 1.
El cero es un punto frontera de S , y para cada 0 < < 1 el unico punto
en B(0, 1) que no esta en S es cero. Los otros puntos frontera de S son los
puntos x R
2
tales que [[x[[ = 1.
Denicion 2.4.11 Un hiperplano H
N
se dice que es un hiperplano de so-
porte para un conjunto S si para cada x S, 'N, x` o 'N, x` y
existe al menos un punto x
0
S tal que 'N, x
0
` = . A H
N
se le conoce
como un hiperplano de soporte para S en x
0
. El hiperplano H
N
es un hiper-
plano de soporte no trivial si existe un punto x
1
en S tal que 'N, x
1
` < o
'N, x
1
` > .
Sea K un conjunto compacto en R
n
. Entonces para cada N R
n
existe
un tal que el hiperplano H
N
con ecuacion 'N, x` = es un hiperplano
soporte para K. Para ver esto, notemos que el funcional lineal L denido
por L(x) = 'N, x` es continuo sobre K y de esta manera alcanza su maximo
en un punto x
en K. Luego 'N, x` 'N, x
` para todo x K. El hiperplano

deseado se obtiene tomando = 'N, x
`.
Teorema 2.4.12 Sea C un conjunto convexo y sea z un punto frontera de
C. Entonces existe un hiperplano soporte H
N
para C tal que z H
N
. Si
C
= , el hiperplano soporte es no trivial.

Demostracion. (a) Sea z un punto que no pertenece a C y hagamos y = z
en el Teorema 2.4.10. Entonces, existe un hiperplano H
N
, tal que para todo
x C,
'N, x` y 'N, z` = .
Como z C y z es un punto frontera de C, se sigue que z C. Por lo tanto,
H
N
es un hiperplano soporte para C con z H
N
.
(b) Si z C, de la denicion de punto de frontera se sigue que existe una
sucesion de puntos y
k
con y
k
C tal que y
k
z. Se sigue del Teorema
2.4.10 que para cada entero positivo k existe un vector N
k
= 0 tal que
'N
k
, x` 'N
k
, y
k
`, x C. (2.15)
Si dividimos todo por [[N
k
[[ = 0 en (2.15), vemos que podemos asumir que
[[N
k
[[ = 1. Como S(0, 1) es compacto, existe una subsucesion de N
k
que otra vez etiquetamos como N

k
y un vector N con [[N[[ = 1 tal que
N
k
N. Si ahora k en (2.15) obtenemos que 'N, x` 'N, z`, x C.
Si tomamos = 'N, z`, vemos que el hiperplano H
N
contiene a z y es un
hiperplano soporte para C. Recordemos que si C es un conjunto contenido
en el semiespacio cerrado negativo determinado por H
N
y x C
donde
C
= , entonces 'N, x` < . De esta manera, si C
= , el hiperplano
soporte H
N
para C es no trivial.
Denicion 2.4.13 Un punto x
0
perteneciente a un conjunto convexo C es
un punto extremo de C si, para ning un par de puntos distintos x
1
, x
2
en C
y para ning un > 0, > 0 con + = 1 se cumple que x
0
= x
1
+ x
2
.
En otras palabras, un punto x
0
en un conjunto convexo C es un punto
extremo de C, si x
0
(x
1
, x
2
) para cualquier par de puntos distintos x
1
y x
2
de C.
Al conjunto de puntos extremos de C lo denotaremos por C
e
. Armamos
que si z C
e
entonces z C. En efecto, supongamos que z C, entonces
existe un r > 0 tal que B(z, r) C o B(z, r) C
c
. Como z B(z, r) y
z C, entonces B(z, r) C
c
, es decir que B(z, r) C. Observemos que
para cualquier lnea l que pasa por z, es posible encontrar dos puntos x y
w en B(z, r) l C, donde (x, w) B(z, r) debido a la convexiedad de
B(z, r), y mediante los cuales podemos expresar a x como x =
1
2
(x+w), por
lo tanto z C
e
, lo cual es una contradiccion, de esta manera z C.
Lema 2.4.14 Sea C un conjunto convexo y sea H un hiperplano soporte
para C. Un punto x
0
en H C es un punto extremo de C si y solo si x
0
es
un punto extremo de H C.
Demostracion. Sea x
0
en H C un punto extremo de C. Si x
0
no fuera
un punto extremo de H C, entonces x
0
sera un punto interior de alg un
intervalo cerrado [x
1
, x
2
] contenido en H C. Pero entonces [x
1
, x
2
] estara
contenido en C, y entonces x
0
no sera un punto extremo de C. As, si x
0
es
un punto extremo de C, entonces es tambien un punto extremo de H C.
Sea x
0
un punto extremo de H C. Si x
0
no fuera un punto extremo de
C, entonces existirian dos puntos x
1
y x
2
en C con al menos un punto ya
sea x
1
o x
2
que no estara en H, tales que x
0
= tx
1
+ (1 t)x
2
para alg un
0 < t < 1 . Supongamos que H = H
N
, 'N, x` para x C, y que
x
1
H
N
. Entonces 'N, x
1
` < y
= 'N, x
0
` = t'N, x
1
` + (1 t)'N, x
2
` < t + (1 t) = .
Esta contradicci on muestra que x
0
debe de ser un punto extremo de C.
Lema 2.4.15 El cunjunto de puntos extremos de un conjunto convexo y
compacto es no vaco.
Demostracion. Si C es el conjunto singular, entonces no hay nada que
probar. Supongamos entonces que C no es el conjunto singular. Como C es
compacto y la norma es una funcion continua, existe un punto x
en C de
norma maxima. Por lo tanto, [[x[[ [[x
[[ para todo x C y [[x
[[ > 0.
Armamos que x
es un punto extremo de C. Si x
no fuera un punto
extremo, existirian puntos distintos x
1
y x
2
en C diferentes de x
y escalares
> 0, > 0 con + = 1 tal que x
= x
1
+ x
2
. Como
[[x
[[ = [[x
1
+ x
2
[[ [[x
1
[[ + [[x
2
[[,
vemos que si [[x
1
[[ o [[x
2
[[ son estrictamente menores que [[x
[[, tendriamos
que [[x
[[ < ( + )[[x
[[ = [[x
[[. Esta contradicci on implica que [[x

1
[[ =
[[x
2
[[ = [[x
[[. Pero entonces,

[[x
[[
2
= [[x
1
+ x
2
[[
2
=
2
[[x
1
[[
2
+ 2'x
1
, x
2
` +
2
[[x
2
[[

2
[[x
1
[[
2
+ 2[[x
1
[[[[x
2
[[ +
2
[[x
2
[[
= ( + )
2
[[x
[[
2
= [[x
[[
2
.
Por lo tanto, debemos tener 2[[x
1
[[[[x
2
[[ = 2'x
1
, x
2
`. Puesto que > 0,
> 0, tenemos que 'x
1
, x
2
` = [[x
1
[[[[x
2
[[. Por lo tanto x
2
= kx
1
para alg un
k 0. Como [[x
1
[[ = [[x
2
[[ = [[x
[[, entonces k = 1, y as x
2
= x
1
. Esto
contradice nuestra suposicion de que x
1
y x
2
eran distintos. As x
es un
punto extremo de C.
Teorema 2.4.16 Sea C un conjunto convexo compacto. Entonces el con-
junto de puntos extremos de C es no vaco, y cada hiperplano soporte de C
contiene al menos un punto extremo de C.
Demostracion. El Lema 2.4.15 arma la primera conclusion del teorema.
Para la segunda conclusion del teorema, sea H
N
un hiperplano soporte para
C. Como C es compacto, el punto x
0
en C tal que 'N, x
0
` = esta tambien
en C. Por lo tanto H
N
C es no vaco, compacto y convexo. Por el Lema
2.4.15, H
N
C contiene un punto extremo x
e
. Por el Lema 2.4.14, x
e
es
tambien un punto extremo de C.
Teorema 2.4.17 Sea C un conjunto convexo y compacto. Denotemos por
C
e
el conjunto de puntos extremos de C. Entonces C = Co(C
e
).
Demostracion. Por el Teorema 2.4.16, el conjunto C
e
es no vaco. Como
C
e
C y C es convexo, entonces Co(C
e
) Co(C) = C. De la compacidad
de C se sigue que Co(C
e
) C = C.
Armamos ahora que C Co(C
e
). Si no fuera as, entonces existira un
x
0
C tal que x
0
Co(C
e
). Como Co(C
e
) es cerrado y convexo, se sigue del
Teorema 2.4.9 que existe un hiperplano H
N
tal que para todo x Co(C
e
),
'N, x` < < 'N, x
0
`. (2.16)
Sea
= max'N, x` : x C. (2.17)
Como C es compacto, el maximo se alcanza en alg un punto x
en C, y as H
N
es un hiperplano soporte para C en x
. Por el Teorema 2.4.16, H
N
contiene
un punto extremo x
1
de C. As, x
1
H
N
Co(C
e
), y por la ecuacion (2.16)
= 'N, x
1
` < . (2.18)
Como x
0
esta en C, se sigue de (2.16) y de (2.17) que
< 'N, x
0
` . (2.19)
Combinando las ecuaciones (2.18) y (2.19), obtenemos que < , lo cual es
imposible. Por lo tanto, C Co(C
e
).
2.5 Conjuntos convexos en espacios vectori-
ales arbitrarios.
Hasta ahora hemos dado la denicion de conjunto convexo y algunas de las
propiedades que cumplen estos conjuntos en R
n
, sin embargo en esta seccion
2.5 Conjuntos convexos en espacios vectoriales arbitrarios. 37
generalizaremos la denicion de conjunto convexo a espacios vectoriales ar-
birarios y estudiaremos algunas de sus propiedades. Cabe mencionar que ex-
iste un gran n umero de propiedades de conjuntos convexos que se cumplen en
los espacios vectoriales, sin embargo, nos limitaremos unicamente al estudio
de aquellas propiedades y deniciones que en captulos posteriores utilizare-
mos.
En un espacio vectorial arbitrario X, las deniciones para segmento de
lnea, conjunto convexo, punto extremo, envolvente convexa y combinacion
convexa, son esencialmente las mismas deniciones que se dieron para R
n
.
En el siguiente lema enlistamos algunas propiedades que ya fueron
enunciadas y demostradas en R
n
y que se siguen cumpliendo en espacios
vectoriales arbitrarios. La demostracion se omite, debido a que en esencia es
la misma que se hizo para R
n
.
Lema 2.5.1 En cualquier espacio vectorial:
i) La suma de dos conjuntos convexos es convexa.
ii) Multiplos escalares de conjuntos convexos son convexos .
iii) Un conjunto C es convexo si y solo si C + C = ( + )C para cua-
lesquiera escalares no negativos y .
iv) La interseccion de una familia arbitraria de conjuntos convexos es con-
vexa.
Proposicion 2.5.2 Sea C un conjunto convexo. Un punto a en C es punto
extremo de C si y solo si C a es un conjunto convexo.
Demostracion. Sea a C. Supongamos que Ca no es convexo, existen
entonces dos puntos distintos x, y C a tal que [x, y] C a, esto
es, existe 0 < < 1 tal que
s = x + (1 )y C a.
Como x, y C con x = a, a = y, x = y y ademas C es convexo, [x, y] C;
de donde se sigue que s C. De esta manera, si s C a y s C,
entonces s = a, es decir,
a = x + (1 )y con x = y, x = a y y = a,
luego, a no es un punto extremo de C. De esta contradiccion se sigue que
C a es convexo.
Ahora, supongamos que C a es un conjunto convexo y que a C
e
.
Como a C y C es convexo, existen dos puntos distintos x, y C para los
cuales a = x, a = y y a [x, y] C. Al no estar a en C a, entonces
[x, y] C a, de donde se sigue que C a no es convexo, lo cual es
una contradicci on. Por lo tanto si C a convexo entonces a es un punto
extremo de C.
Lema 2.5.3 Sea C un subconjunto convexo de un espacio vectorial X y x
un punto de C. Entonces x es un punto extremo de C si, y solo si, las
condiciones x + y C y x y C implican que y = 0.
Demostracion. Observemos que cada x C lo podemos expresar como
x =
1
2
[(x+y) +(xy)]. Supongamos que x es un punto extremo de C y que
x+y, xy C, entonces, por denicion de punto extremo, x = x+y = xy,
lo cual implica que y = 0. Inversamente, sean x + y, x y C con y = 0,
entonces x+y = xy, lo cual implica que x no es un punto extremo de C.
Denicion 2.5.4 Sean (X, [[ [[
X
) y (Y, [[ [[
Y
) dos espacios normados, E
X, x
0
E y f : E Y . Se dice que f es continua en x
0
si para cada
> 0 existe un > 0, tal que [[f(x) f(x
0
)[[
Y
< para todos los puntos
x E, para los cuales [[x x
0
[[
X
< . Si f es continua en todo punto de E,
se dice que f es continua en E.
Denicion 2.5.5 Un espacio vectorial X se dice que es un espacio vecto-
rial topologico, si la adicion vectorial y la multiplicacion de escalares por
vectores son contnuas.
Teorema 2.5.6 Si X es un espacio vectorial normado, entonces X es un
espacio vectorial topologico.
Demostracion. Sea X un espacio vectorial sobre el campo K. Denamos
f : X X K por f(x, y) = x + y y g : K X K como g(, x) = x.
Sea (x
0
, y
0
) X X, entonces para > 0 tal que
max[[x x
0
[[, [[y y
0
[[
se tiene que
[[(x + y) (x
0
+ y
0
)[[ = [[(x x
0
) + (y y
0
)[[
2.5 Conjuntos convexos en espacios vectoriales arbitrarios. 39
[[x x
0
[[ +[[y y
0
[[ 2.
Por lo tanto f es continua en (x
0
, y
0
) y debido a que este punto se tomo de
manera arbitraria, f es continua en X X.
Ahora, si (
0
, x
0
) R X y > 0, entonces
max[
0
[, [[x x
0
[[
implica que
[[x
0
x
0
[[ = [[x x
0
0
x
0
+ x
0
[[ [[(x x
0
)[[ +[
0
[ [[x
0
[[
[[ + [[x
0
[[ ([
0
[ + +[[x
0
[[).
Por lo tanto, g es continua en (
0
, x
0
) y debido a que este punto era cualquiera,
g es contnua en K X.
Lema 2.5.7 sea X un espacio vectorial topologico y C un subconjunto con-
vexo de X. Entonces:
i) C
es convexo.
ii)

C es convexo.
Demostracion.
Para i) ver Lema 2.3.7, y para ii) ver Lema 2.3.5.
Concluiremos esta seccion dando a conocer el concepto de hiperplano en
un espacio vectorial arbitrario, el cual se basa en el concepto de funcional
lineal denida en la primera seccion de este captulo.
Denicion 2.5.8 Un hiperplano en un espacio vectorial X, es un subcon-
junto H
f
de X, el cual se dene como
H
f
= x X : f(x) =
en donde f es una funcional lineal distinta de cero denida en X y un
n umero real.
Al igual que en R
n
, un hiperplano en un espacio vectorial arbitrario X
dene dos semiespacios abiertos (estrictos) H
+
f
y H
f
, los cuales se denen
como,
H
+
f
= x X : f(x) > y H
f
= x X : f(x) < ,
y dos semiespacios cerrados (debiles)

H
+
f
y

H
f
, en donde
+
f
= x X : f(x) y

H
f
= x X : f(x) .
El hiperplano H
f
y los semiespacios abiertos y cerrados que este deter-
mina, son ejemplos de conjuntos convexos. El hiperplano H
f
separa dos
conjuntos A y B si A

H
+
f
y B

H
f
o A

H
f
y B

H
+
f
. Se dice
tambien que el hiperplano H
f
separa propiamente A y B si los separa y
A B H
f
. Un hiperplano separa estrictamente A y B si los separa y
ademas, A H
f
y B H
+
f
o viceversa. Decimos que un hiperplano H
f
separa fuertemente A y B si existe > 0 con A

H
f
y B

H
(+)
f
o
viceversa. Tambien es costumbre decir que una funcional lineal f separa los
conjuntos A y B cuando alg un hiperplano H
f
los separa.
Denicion 2.5.9 Un hiperplano de soporte para un subconjunto C de
un espacio vectorial X, es un hiperplano H
f
tal que f(x) para todo
x C y f(x) = para al menos un x en C.
Captulo 3
El espacio R
En este captulo presentamos los conceptos topologicos necesarios para el

desarrollo de nuestro trabajo. Para un estudio mas amplio de cada una de
las secciones de este captulo podemos consultar: para la parte de espacios
topologicos [8, Dugundji] o [16, Kuratowski], espacios vectotiales topologicos
[4, Berge], [9, Florenzano], por mencionar algunos.
3.1 Conceptos topologicos
Sean x y z dos puntos de un conjunto X. Si x esta en relacion con z, lo
denotaremos por xRz.
Denicion 3.1.1 Una relacion R en un conjunto X es:
Reexiva si para cada x en X, xRx.
Simetrica si para cada x, y X, xRy implica que yRx.
Antisimetrica si para cada x y cada y en X, la validez simultanea xRy
y yRx implica que x = y.
Transitiva si para cada x, y y z en X, la simultaneidad de xRy y yRz
implica que xRz.
Denicion 3.1.2 Un orden parcial en un conjunto X es una relacion R en
X que es reexiva, antisimetrica y transitiva.
41
42 Captulo 3. El espacio R
Denicion 3.1.3 Sea R una relacion en un conjunto X. Si para todo x y y

en X se tiene que xRy o yRx, entonces R es un orden total.
Denicion 3.1.4 Un conjunto totalmente ordenado, es un conjunto junto
con un orden total denido en el.
Denicion 3.1.5 Un conjunto parcialmente ordenado, es una pareja orde-
nada (X, R) , donde X es un conjunto y R es un orden parcial en X.
Denicion 3.1.6 Si X es un conjunto totalmente ordenado, lo llamaremos
una cadena.
Denicion 3.1.7 Si X es un conjunto parcialmente ordenado, un elemento
y de X es elemento minimal de X si x y implica que x = y.
Denicion 3.1.8 Un elemento maximal de X es un elemento y de X tal
que si y x entonces x = y.
Sea X un conjunto parcialmente ordenado, E X y y un elemento de
X. Vamos a decir que y es una cota inferior de E si y x para todo x E;
de manera analoga diremos que y es una cota superior de E si x y para
todo x E.
Lema 3.1.9 (Lema de Zorn.) Si toda cadena en un conjunto X parcialmente
ordenado tiene cota superior, entonces X contiene un elemento maximal.
Demostracion. Ver Dugundji[8, p.34].
Denicion 3.1.10 Una topologa sobre un conjunto X es una coleccion
de subconjuntos de X que satisface:
1. , X .
2. es cerrado bajo intersecciones nitas.
3. es cerrado bajo uniones arbitrarias.
Un conjunto no vaco X equipado con una topologa se llama un espacio
topologico y se denota por (X, ). Cuando no exista confusion escribiremos
X en lugar de (X, ). Llamamos a un elemento de un conjunto abierto en
X. Si A con A = , a los elementos de A los llamamos puntos.
3.1 Conceptos topologicos 43
Denicion 3.1.11 Sea x un punto de un espacio topologico (X, ), un con-
junto U X, es llamado una vecindad de x, si existe V tal que
x V U. A la familia de vecindades de x la denotaremos por ^
x
.
De esta denicion se sigue que si V y x V entonces V es una
vecindad de x para todo x en V .
Ejemplo 3.1.12 (X, = , X) es un espacio topologico, debido a que
cualquier union (respectivamente intersecci on nita) que consiste de o X
es o X, y as es una topologa en X. A esta topologa se le conoce con el
nombre de topologa indiscreta.
Ejemplo 3.1.13 (X, = Pot(X)) es un espacio topologico, pues cualquier
union (respectivamente intersecci on nita) de subconjuntos de X es de nuevo
un subconjunto de X; ademas, , X por denicion de Pot(X), lo cual
implica que es una topologa. A = Pot(X) se le conoce como la topologa
discreta.
Ejemplo 3.1.14 Sea X = R el conjunto de los n umeros reales. Si denimos
= A R : para cada x A, > 0 (x , x + ) A
se puede probar que es una topologa para R a la que llamaremos la
topologa usual.
Denicion 3.1.15 Sean
1
y
2
topologas sobre X. Decimos que
1
es mas
gruesa que
2
(o que
2
es mas na que
1
) si
1

2
.
Proposicion 3.1.16 Sea
[ / una familia de topologas en X. En-

tonces T =
= U : U
/ es tambien una topologa en

X.
Demostracion: Basta demostrar que T satisface las condiciones de la Denicion
3.1.10.
a) Como , X
para todo / entonces , X T.

b) Sean U
1
, U
2
, ..., U
n
T, veamos que
U
i
=
n
i=1
U
i
T.
Ahora, para todo i = 1, 2, 3, .., n, tenemos que U

i

para todo / y
como
es una topologa para X, entonces
U
i

para todo /. Esto

implica que
U
i
T.
c) Sea I un conjunto de ndices y U
i
T[i I. Debemos mostrar que
U
i
=
iI
U
i
T.
Ahora, para toda i I, U
i

para toda / y como
es una topologa
de X ( /) tenemos que
U
i

( /), pero esto implica que
U
i
T.
Decimos que un conjunto F X es -cerrado, o simplemente cerrado, si
existe A con F = A
c
. As por ejemplo, tanto el como X son cerrados.
De la denicion de topologa se sigue que tanto la union nita de conjuntos
cerrados como la intersecci on arbitraria de conjuntos cerrados son conjuntos
cerrados.
Si (X, ) es un espacio topologico y A X, el interior de A en (X, )
denotado por IntA o simplemente A
, es la union de todos los abiertos de

(X, ) contenidos en A. Ahora denamos la cerradura de A en (X, ) como
el conjunto

A :=
F X[F es cerrado y A F, se dice que un conjunto

A es cerrado si, y solo si A =

A.
Denicion 3.1.17 Sea A un subconjunto de un espacio topologico X, un
punto x X es un punto interior de A si x A
.
Explicitamente, por la denicion de Int(A), x es un punto interior de A
si existe un conjunto abierto U, con x U A. La frontera de A se dene
como el conjunto A :=

A (X A).
Denicion 3.1.18 Sea X un espacio topologico y A X. Decimos que
x X es un punto de acumulacion (o lmite) de A si, para toda vecindad N
de x, (N x) A = .
Denicion 3.1.19 Un subconjunto A de un espacio topologico X es denso
en X si

A = X.
Sea X un espacio topologico y A X. Entonces podemos dotar a A de
una topologa a partir de la topologa existente en X.
Denicion 3.1.20 Sea (X, ) un espacio topologico. Entonces para cada
A X la topologa relativa de A es
A
= U A[U .
Denicion 3.1.21 Una funcion f de un espacio topologico (X,
X
) a otro
espacio topologico (Y,
Y
) es contnua si f
1
(B)
X
para cada B
Y
.
Con esta denicion, si , R, f es una funcion continua denida en un
espacio topologico X y contradominio R, entonces los conjuntos
x : f(x) , x : f(x) , x : f(x)
son cerrados debido a que son conjuntos de la imagen inversa de los conjuntos
cerrados
y : y , y : y , y : y
respectivamente; y los conjuntos
x : f(x) < , x : f(x) > , x : < f(x) <
son abiertos debido a que son conjuntos de la imagen inversa de los conjuntos
abiertos
y : y < , y : y > , y : < y <
respectivamente. Observese tambien que el conjunto x : f(x) = es
cerrado debido a que
x : f(x) = = x : f(x) x : f(x) .
Denicion 3.1.22 Sea (X, ) un espacio topologico. Una familia B de es
llamada una base para , si para cada A tenemos que A =
donde
B
B.
Como consecuencia inmediata tenemos que todo conjunto abierto basico
es un conjunto abierto. A los miembros de B los llamaremos conjuntos abier-
tos basicos de la topologa .
Teorema 3.1.23 Sea (X, ) un espacio topologico y B . Entonces B es
una base para si y solo si para cada G y cada x G existe B B tal
que x B G.
Demostracion: Sea B una base para , G y x G. Entonces

G =
donde B
B. Pero esto implica que existe , tal que x B
y as existe
B B tal que
x B = B
= G.
Ahora, sea G y supongamos que para toda x G existe B
x
B tal que
x B
x
G. Entonces
G =
B
x
B[x G
y as B es una base.
Teorema 3.1.24 Sea (X, ) un espacio topologico y B una base para . En-
tonces A es abierto si y solo si existe B B tal que x B A. (En otras
palabras A es abierto si A es vecindad de x para todo x A).
Demostracion: Si A es abierto por el teorema anterior la condicion se
sigue.
Ahora supongamos que para cualquier x A existe B
x
B tal que
x B
x
A. Entonces
A =
B
x
B : x A,
y como la union de abiertos es abierto tenemos que A es abierto. Como los
B
x
A son abiertos se sigue que A es vecindad de x.
Lema 3.1.25 Una familia de conjuntos B es base de alguna topologa del
conjunto X =
B : B B si y solo si para cada U, V B y x U V

existe W B tal que x W U V .
Demostracion. Sean B una base para alguna topologa , U y V miembros
de B y x U V . Como U V es abierto, entonces por el Teorema 3.1.24
existe W
B tal que x W
U V .
Ahora, sea B una familia con la propiedad especicada y la familia de
todas las uniones de miembros de B. Como la union de miembros de es
una union de miembros de B y por lo tanto un miembro de , es suciente
mostrar que la interseccion de dos miembros U y V de es un miembro de
. Si x U V , entonces podemos escoger U
y V
en B tal que x U
U
y x V
V , y entonces un miembro W de B tal que x W U
U V . Consecuentemente U V es la union de miembros de B, y por lo

tanto es una topologa.
Denicion 3.1.26 Sea (X, ) un espacio topologico. Una familia B
se
llama una subbase para si la familia B formada por intersecciones ni-
tas de elementos en B
es una base para .

A la base B se le llama la base generada por la subbase B
y a los elementos
de B
conjuntos abiertos subbasicos. Como consecuencia de la denicion

tenemos que todo conjunto abierto subbasico es un abierto.
Teorema 3.1.27 Dada cualquier familia = A
[ / de subconjuntos
de X, siempre existe una unica topologa mnima
0
. Mas a un,
0
consiste de , X , todas las intersecciones nitas de elementos en y todas las
uniones arbitrarias de estas intersecciones nitas (esto es, es una subbase
de
0
).
Demostracion: Sea T = : es topologia de X. Entonces T = ya
que Pot(X) es una topologa para X. Denamos
0
=
T
, entonces
0
es una topologa en X y obviamente contiene a . Es evidente que
0
es
unica y mnima.
Sea
= , X, B =
n
i=1
A
i
, C =
donde A
i
. Tenemos que probar que
0
= . Ahora,
0
ya que
0
es una topologa para X y por ser
0
, esta contiene a , X, a todos los
elementos de , a todas las intersecciones nitas de elementos de y a todas
las uniones arbitrarias de estas intersecciones nitas. Se puede vericar que
es una topologa en X, ademas contiene a . Esto implica que T y as
0
=
T
.
Denicion 3.1.28 Un subconjunto de un espacio topologico es:
(
, si es la intersecci on numerable de conjuntos abiertos.

T
, si es la union numerable de conjuntos cerrados.

Existen conjuntos que tienen las dos caractersticas a la vez, por ejemplo,
(0, 1] =
n=1
[
1
n
, 1] =
n=1
(0, 1 +
1
n
);
y por lo tanto (0, 1] es (
y T
.
Denicion 3.1.29 Sea (X, ) un espacio topologico. Se dice que |
x
es
un sistema de vecindades de x si toda vecindad del punto x en el espacio
topologico pertenece a |
x
.
Denicion 3.1.30 Una familia 1
x
|
x
es una base de vecindades de x si
dado | |
x
existe V 1
x
tal que V U.
De esta denicion se tiene que los conjuntos abiertos que contienen a un
x X forman una base de vecindades para x. Mas a un, si 1
x
es una base de
vecindades para x entonces un sistema de vecindades |
x
para x, esta dado
por todos los U X tal que existe V U y V 1
x
.
Teorema 3.1.31 Si |
x
es un sistema de vecindades de x en el espacio
topologico (X, ). Entonces |
x
satisface las siguientes propiedades:
1. x U para todo U |
x
.
2. Si U |
x
y V |
x
entonces U V |
x
.
3. Si U |
x
y U V entonces V |
x
.
4. Si U |
x
entonces existe V |
x
tal que V U y U |
y
para todo
y V .
Demostracion: Sea (X, ) un espacio topologico, para x X, sea |
x
un
sistema de vecindades de x. Sea U |
x
, entonces U es vecindad de x, por
lo tanto existe A tal que x A U y as se cumple 1. Sean U, V |
x
entonces existen A, B tales que x A U y x B V , esto implica
que x A B U y x A B V , as x A B U V . Supongamos
que U |
x
y U V entonces existe A tal que x A U V , por
lo tanto V |
x
. Para probar 4 tomemos U |
x
, entonces existe A tal
que x A U. Para y A denamos V = A entonces y A V y A
lo cual implica que V |
y
para todo y A.
3.2 Producto de espacios topologicos 49
Denicion 3.1.32 Sea X un espacio vectorial sobre el campo de los n umeros
reales. Una topologa sobre X se dice que es compatible con la estructura
algebraica de X, si las operaciones de suma vectorial y multiplicacion de un
vector con un escalar en X son contnuas con respecto a la topologa .
Denicion 3.1.33 Un espacio vectorial topologico X sobre R, es un espa
cio vectorial X sobre el campo R con una topologa compatible.
No es dicil vericar que todos los espacios normados son espacios vecto-
riales topologicos. De las propiedades de la norma se deduce que las opera-
ciones de adicion vectorial y multiplicacion de un vector con un escalar son
en un espacio normado, contnuas con respecto a la topologa que induce la
norma.
Denicion 3.1.34 Si un espacio vectorial topologico tiene una base de vecin-
dades convexas del origen, el espacio es llamado localmente convexo.
Un ejemplo de espacio vectorial localmente convexo es R
n
, debido a que
las bolas (abiertas o cerradas) en R
n
son convexas.
3.2 Producto de espacios topologicos
Consideremos (X,
X
) y (Y,
Y
) dos espacios topologicos. Construyamos
la siguiente familia de conjuntos
= U
1
U
2
: U
1

X
, U
2

Y
.
Por el Teorema 3.1.27 dene una topologa en X Y de la cual
es subbase. Mas a un, dado z = (x, y) X Y cualquiera, existen U
X
y
V
Y
en
X
y
Y
, respectivamente, tales que x U
X
y y V
Y
; es decir, existe
W = U
X
V
Y
tal que z W. Ademas, si W
1
= U
1
V
1
, W
2
= U
2
V
2
,
podemos encontrar z
1
:= (x
1
, y
1
) W
1
W
2
, a saber x
1
U
1
U
2
= U
y y
1
V
1
V
2
= V . Por lo tanto z
1
U V = W , ademas
z
1
W W
1
W
2
. De lo anterior, y por el Lema 3.1.25, es base de
una topologa . A esta topologa la llamaremos la topologa producto.
Ejemplo 3.2.1 Sean X = Y = R, con la topologa usual.

= U
1
U
2
: U
1
, U
2
R abiertos.
Sea W un abierto cualquiera en R
2
, con la topologa usual de R
2
. Tomemos
z = (x, y) W, como W es abierto, existe r R
+
tal que
B
r
(z) = z
1
R
2
: [[z
1
z[[ < r W.
Sean U
z
:= x
1
R : [x
1
x[ <
r
2
, V
z
:= y
1
R : [y
1
y[ <
r
2
R
conjuntos abiertos. Denamos W
z
:= U
z
V
z
, si z
1
W
1
entonces
[[z
1
z[[ = [[(x
1
x, y
1
y)[[ [x
1
x[ +[y
1
y[ < r,
luego entonces z
1
W. Concluimos que, para cada z W existe W
z
con
z W
z
W, es decir W =
zW
W
z
. Por lo tanto es base de la topologa
usual en R
2
.
De igual manera, podemos denir una topologa producto para una fa-
milia cualquiera de espacios topologicos. Sea (X
)
A
una familia de
espacios topologicos. Denamos, para cada , la funcion
A
X
tal que, para cada x

X
(x) es la coordenada esima de x. Esta

funcion es llamada la proyeccion canonica de
en X
. Denamos la
topologa sobre
como la topologa generada por conjuntos de la forma
(U
) =
donde U
= X
para todo = con U
, es decir,
=
1
(U
)[U
y A
es subbase de la topologa
0
=nf[ es topologia sobre
y ,
tal como lo garantiza el Teorema 3.1.27. De la Denicion 3.1.21, la proyecci on
canonica es una funcion continua en
A
X
sobre los X
.
Sean X, X
1
, X
2
,...,X
n
espacios topologicos y h : X

n
i=1
X
i
una
funcion denida por h(x) := (h
1
(x), h
2
(x), ..., h
n
(x)) donde h
i
(x) X
i
con
1 i n. Se puede vericar entonces que h es continua si, y solo si
h
1
, h
2
, ..., h
n
son continuas. Para mas detalles consultar Kuratowski[16, p.138].
3.2 Producto de espacios topologicos 51
Ejemplo 3.2.2 Tomemos A = N, X
= R con la topologa usual. (R
, )
es un espacio topologico, donde
R
:=
i=1
R, y :=
1
i
(U
i
)[U
i
R abierto; i = 1, 2, ....
Denamos la funcion P
n
: R
R
n
por P
n
(x) = (x
1
, x
2
, ..., x
n
). Entonces,
P
n
es continua debido a que
P
n
(x) = (
1
(x),
2
(x), ...,
n
(x)),
donde
i
con 1 i n son las proyecciones canonicas en R
sobre R.
Denicion 3.2.3 Sea (X, ) un espacio topologico, decimos que este es:
a) Un espacio T
1
, si dados x, y X, existe U tal que x U y y / U.
b) Un espacio T
2
, si dados dos puntos distintos x, y X, existe U, V ,
con U V = tales que x U y y V .
A un espacio topologico T
2
tambien se le conoce con el nombre de Espacio
de Hausdor.
Proposicion 3.2.4 Sea
X
i
iN
una familia de espacios topologicos no va-
cios. Si X
i
es un espacio de Hausdor para cada i N, entonces X =
iN
X
i
es un espacio de Hausdor. En particular, R
con la topologia
producto es un espacio de Hausdor.
Demostracion. Sean
x = (x
1
, x
2
, ..., x
n
, x
n+1
, ...), y = (y
1
, y
2
, ..., y
n
, y
n+1
, ...)
dos puntos distintos en X. Es posible encontrar entonces dos puntos x
n
, y
n

X
n
para alg un n N, tales que x
n
= y
n
. Debido a que X
n
es un espacio
Hausdor, existen G
x
n
, G
y
n
X
n
abiertos tales que x
n
G
x
n
, y
n
G
y
n
y
que ademas G
x
n
G
y
n
= . Se sigue entonces que
x
n1
i=1
X
i
G
x
n

i=n+1
X
i
, y
n1
i=1
X
i
G
y
n

i=n+1
X
i
y que
n1
i=1
X
i
G
x
n
i=n+1
X
i
y
n1
i=1
X
i
G
y
n
i=n+1
X
i
son abiertos
y ajenos.
Un espacio topologico es llamado primero numerable si cada punto tiene
una base de vecindades numerable. Cada espacio semimetrico es primero nu-
merable. Las bolas de radio
1
n
alrededor de x forman una base de vecindades
numerable de x.
3.3 Espacios compactos

Denicion 3.3.1 Una familia G
de conjuntos abiertos de un espacio

topologico X, es una cubierta abierta para un conjunto A si A G
.
Denicion 3.3.2 Un espacio topologico X es compacto si cada cubierta
abierta de X tiene una subcubierta nita, es decir, X es compacto si dada
cualquier cubierta abierta de X, G
, existe una coleccion nita G
1
, G
2
,
..., G
n
tal que X
n
i=1
G
i
.
Denicion 3.3.3 Una familia T de conjuntos cerrados tiene la propiedad
de la interseccion nita si cada subfamilia nita de T tiene interseccion
no vaca.
Teorema 3.3.4 Un espacio topologico X es compacto si y solo si cada fa-
milia T de cerrados, contenida en X, con la propiedad de la interseccion
nita tiene interseccion no vaca.
Demostracion: Sea X un espacio topologico. Supongamos que X es com-
pacto y que F
es una familia de subconjuntos cerrados de X con la

propiedad de la intersecci on nita. Si
= , entonces
X =
c
= [
]
c
=
F
c
;
por lo tanto F
c
es una cubierta abierta de X. Debido a la compacidad de

X existen F
c
1
, F
c
2
, ..., F
c
n
tales que X

n
i=1
F
c
i
. Esto implica que
= X
c
[
n
i=1
F
c
i
]
c
=
n
i=1
F
i
y por lo tanto
n
i=1
F
i
= . As F
no tiene la propiedad de la intersecci on

nita, lo cual es una contradicci on. Por lo tanto, si F
posee la propiedad
de la interseccion nita, entonces
= .
Supongamos ahora que cada familia de subconjuntos cerrados de X con la
propiedad de la intersecion nita tiene interseccion no vaca. Sea G
una
cubierta abierta de X, entonces X

G
. De esta manera
= X
c
c
=
G
c
,
esto es,
G
c
= . As la propiedad de la interseccion nita no se cumple, esto

es, existen G
1
, G
2
, ..., G
n
en G
tales que
n
i=1
G
c
i
= , o
n
i=1
G
i
= X,
lo cual prueba que X es compacto.
3.3 Espacios compactos 53
Proposicion 3.3.5 Un subconjunto cerrado A de un espacio compacto X es
compacto.
Demostracion. Sea G
una cubierta abierta de A. Debido a que A

es cerrado, G
A
c
es una cubierta abierta para X. Como X es un
espacio compacto, existen G
1
, G
2
, ..., G
n
tal que X (
n
i=1
G
i
) A
c
. En
consecuencia A

n
i=1
G
i
. Por lo tanto A es compacto.
Proposicion 3.3.6 Un subconjunto compacto de un espacio Hausdor es
cerrado.
Demostracion. Sea X un espacio Hausdor y B un subconjunto propio
y compacto de X . Sea x B
c
jo. Para cada y B existen U
y
y V
y
abiertos ajenos con x U
y
y y V
y
. Tenemos que V
y
yB
es una cubierta
abierta de B, como B es compacto, existen V
y
1
, V
y
2
, ..., V
y
n
tales que B
n
i=1
V
y
i
. Sea U =
n
i=1
U
y
i
, tenemos que x U y ademas U es abierto.
Como (
n
i=1
V
y
i
) U = se sigue que U B
c
. Por lo tanto B
c
es abierto y
en consecuecia B es cerrado.
Proposicion 3.3.7 Sean A y B dos conjuntos en un espacio Hausdor tales
que AB = . Si A es compacto y B es cerrado, entonces AB es compacto.
Demostracion. Por la Proposicion 3.3.6 A es cerrado, y en virtud de que la
interseccion de cerrados es un cerrado, A B es cerrado. Como A B A
y A es compacto, entonces por la Proposicion 3.3.5, A B es compacto.
Denicion 3.3.8 Un espacio topologico (X, ) es localmente compacto si
cada punto de X tiene una vecindad cuya cerradura es un conjunto compacto.
Obviamente, todo espacio topologico compacto es localmente compacto,
sin embargo, no todo espacio que es localmente compacto es compacto.
Proposicion 3.3.9 Sean X y Y espacios topologicos y f : X Y una
funcion continua. Si K es un subconjunto compacto de X entonces f(K) es
un subconjunto compacto en Y .
Demostracion. Sea G
una cubierta abierta de f(K). Por la continuidad

de f, f
1
(G
) es una cubierta abierta de K. Debido a la compacidad

de K existen f
1
(G
1
), f
1
(G
2
), ..., f
1
(G
n
) tal que K

n
i=1
f
1
(G
i
).
Entonces
f(K) f
i=1
f
1
(G
i
)
=
n
i=1
f(f
1
(G
i
))
n
i=1
G
i
,
lo cual muestra que f(K) es un subconjunto compacto de Y .
Teorema 3.3.10 (Teorema de Tychono). Sea (X
)
I
una fa-
milia de espacios topologicos compactos, entonces X =
es un espacio
compacto con la topologa producto.
Demostracion. Ver Munkres[18, p.267].
3.4 Convergencia de conjuntos.
Vamos a denir en esta seccion el concepto de convergencia en el sentido de
Kuratowski para una sucesion A
n
de conjuntos de un espacio metrico X,
y enunciaremos solo algunas de sus propiedades, para ser mas precisos, uni-
camente aquellas propiedades que en un determinado momento nos seran de
utilidad, sobre todo en el ultimo captulo. Si el lector desea hacer un profundo
y detallado estudio de este tema, le sugerimos consultar [16, Kuratowski].
Denicion 3.4.1 Sea A
n
una sucesion de conjuntos contenida en un espa-
cio metrico X. Diremos que un punto p pertenece al lmite inferior en el sen-
tido de Kuratowski de la sucesion de conjuntos A
n
, en smbolos p lminf
n
A
n
,
si cada vecindad de p intersecta a todos los conjuntos A
n
a partir de un cierto
ndice k N sucientemente grande en adelante.
El termino vecindad se puede reemplazar por vecindad abierta o por bola
abierta con centro en p.
Teorema 3.4.2 Sea X un espacio metrico y A
n
una sucesion de conjuntos
contenida en X. Entonces, p lminf
n
A
n
si, y solo si existe una sucesion
p
n
tal que
p = lm
n
p
n
con p
n
A
n
.
3.4 Convergencia de conjuntos. 55
Observese que la sucesion p
n
se dene a partir de un cierto ndice en
adelante el cual no es necesariamente igual a 1.
Demostracion. Sea p lminf
n
A
n
y si S
m
es la bola con centro en p y radio
1
m
, entonces existe un ndice k
m
tal que S
m
A
n
= para n k
m
. Tambien
podemos suponer que k
m
> k
m1
. La sucesion p
n
, donde p
n
S
m
A
n
para k
m
n < k
m+1
, converge a p, de esta manera [p
n
p[ <
1
m
para n k
m
.
La implicacion inversa es obvia.
Ejemplo 3.4.3 Si A
n
consta de un punto p
n
para cada n y lm
n
p
n
= p,
entonces lminf
n
A
n
= lm
n
p
n
= p.
Ejemplo 3.4.4 En R
2
, una sucesion de rectangulos con una base en com un
y con alturas tendiendo a cero tienen a la base como su lmite inferior.
Teorema 3.4.5 Para una sucesion de conjuntos A
n
en un espacio metrico
X se cumple que lminf A
n
= lminf A
n
= lminf A
n
.
Demostracion. Si q lminf A
n
y si G es una vecindad abierta de q,
entonces existe un punto p G lminf A
n
, por lo tanto, para un valor de
n y todos los siguientes, G A
n
= y q lminf A
n
. Tambien, si H es
abierto, la condicion H A
n
= es equivalente a H A
n
= . Por lo tanto
lminf A
n
= lminf A
n
.
Teorema 3.4.6 Sean A
n
y B
n
dos sucesiones de conjuntos en un espa-
cio metrico X. Si para cada n, A
n
B
n
, entonces lminf A
n
lminf B
n
.
Demostracion. Sea k un n umero natural muy grande. Sea q lminf A
n
,
entonces toda vecindad de q intersecta a los A
n
para n k, como A
n
B
n
,
se sigue que toda vecindad de q intersecta a los B
n
para n k. De esta
manera q lminf B
n
.
Observacion 3.4.7 Para una sucesion de conjuntos A
n
en un espacio
metrico X,
n
A
n
lminf A
n
.
Denicion 3.4.8 Sea A
n
una sucesion de conjuntos contenida en un es-
pacio metrico X. Diremos que un punto p pertenece al lmite superior en
el sentido de Kuratowski de la sucesion de conjuntos A
n
, en smbolos p
lmsup
n
A
n
, si cada vecindad de p intersecta un n umero innito de conjuntos
A
n
.
Una manera equivalente de enunciar esta denicion es la siguiente: Para

una sucesion de conjuntos A
n
de un espacio metrico X, p lmsup
n
A
n
si
existe una sucesion de puntos p
n
k
tal que
k
1
< k
2
< k
3
< ... y p = lm
n
p
k
n
con p
k
n
A
k
n
.
Ejemplo 3.4.9 Sea r
n
la sucesion de todos los puntos racionales y sea
A
n
el conjunto compuesto del punto r
n
unicamente, entonces lmsup A
n
es
el conjunto de todos los n umeros reales.
Ejemplo 3.4.10 Sea A
n
una sucesion de rectangulos con una base en com un
y con alturas tendiendo a cero, entonces lmsup A
n
= lminf A
n
.
n
una sucesion de conjun-
tos contenida en X, entonces lmsup A
n
= lmsup A
n
= lmsup A
n
.
Demostracion. Sea x lmsup A
n
, entonces toda vecindad abierta V de x
intersecta a lmsup A
n
, esto es, para cada vecindad abierta V de x, existe un
punto y V lmsup A
n
el cual posee una vecindad W contenioda en V y la
cual intersecta a un conjunto innito de terminos A
n
, de donde concluimos
que x lmsup A
n
.
Ahora, si H es abierto, entonces la condicion H A
n
= es equivalente a
H A
n
= , por lo tanto lmsup A
n
= lmsup A
n
.
Teorema 3.4.12 Sean A
n
y B
n
dos sucesiones de conjuntos en un es-
pacio metrico X, tal que A
n
B
n
para cada n, entonces lmsup A
n

lmsup B
n
.
Demostracion. Sea x un punto en lmsup A
n
, entonces cada vecindad V
de x intersecta a un conjunto innito de terminos A
n
, sin embargo, debido
a que A
n
B
n
para cada n, se sigue que cada vecindad V de x intersecta a
un conjunto innito de terminos B
n
, esto es, x lmsup B
n
.
n
una sucesion de conjun-
tos en X. Entonces
lmsup A
n
=
n
A
n
A
n+1
A
n+2
....
n
A
n
.
3.4 Convergencia de conjuntos. 57
Demostracion. Sea p lmsup A
n
, entonces p = lmp
k
n
y p
k
n
A
k
n
.
Como k
n
n, tenemos p
k
n

A
i
A
i+1
...
para n > i. Consecuentemente

p
A
i
A
i+1
A
i+2
...
para cada i. Inversamente, si p lmsup A

n
,
entonces existe una vecindad G de p y un ndice m tal que GA
m
= para
n m, por lo tanto p A
m
A
m+1
....
Denicion 3.4.14 La sucesion de conjuntos A
n
se dice que converge al
conjunto A en el sentido de Kuratowski, si lminf A
n
= A = lmsup A
n
. En
este caso escribimos lmA
n
= A.
Teorema 3.4.15 Sea A
n
una sucesion de conjuntos en un espacio metrico
X que converge en el sentido de Kuratowski a un conjunto A, entonces
lmA
n
= lmA
n
.
Demostracion. Como A
n
es una sucesion de conjuntos que converge en
el sentido de Kuratowski a A, lminf A
n
= A = lmsup A
n
, de esta manera
lminf A
n
= A = lmsup A
n
, pero
lminf A
n
= lminf A
n
= lmA
n
y lmsup A
n
= lmsup A
n
= lmA
n
,
de donde lmA
n
= A = lmA
n
.
Teorema 3.4.16 Si A
1
A
2
... A
n
A
n+1
..., entonces lmA
n
=
n
A
n
.
Demostracion. Como A
1
A
2
... A
n
A
n+1
..., entonces
A
n
= A
n
A
n+1
A
n+2
....
Sabemos que para cualquier sucesion de conjuntos A
1
, A
2
, A
3
, ...
n
A
n
lminf A
n
y lmsup A
n
=
n
A
n
A
n+1
...,
por lo tanto
n
A
n
lminf A
n
y lmsup A
n
=
n
A
n
,
ademas
n
A
n
lminf A
n
= lminf A
n
lmsup A
n
=
n
A
n
,
de donde limA
n
=
n
A
n
.
3.5 Denicion y construccion de un espacio

de Hilbert.
En la Seccion 2.1 vimos las propiedades que debe satisfacer un espacio X para
ser espacio de Hilbert, en relacion al concepto de espacio de Hilbert vamos
ahora a denir lo que sera una suma de Hilbert y ademas construiremos un
espacio de Hilbert Y en la cual la topologa producto y la topologa inducida
por la metrica que se genera a partir del producto interno de Y , coinciden.
Denicion 3.5.1 Decimos que el subconjunto V del producto
n=1
V
n
de
espacios de Hilbert V
n
s denido por
V =
x
n

n=1
V
n
:
n=1
[[x
n
[[
2
V
n
1
2
< +
es la suma de Hilbert de los V

n
s.
Proposicion 3.5.2 La suma de Hilbert es un espacio de Hilbert con respecto
al producto escalar
'x, y` =
n=1
'x
n
, y
n
`
V
n
.
Demostracion. Sean x = x
n
y y = y
n
dos elementos de la suma de
Hilbert V , y denamos
[[x[[ =
n=1
[[x
n
[[
2
V
n
1
2
y [[y[[ =
n=1
[[y
n
[[
2
V
n
1
2
.
Para cualquier escalar y x X, se satisface que [[x[[ = [[[[x[[ < +,
por lo tanto x V . De la igualdad del paralelogramo tenemos que
[[x
n
+ y
n
[[
2
V
n
2([[x
n
[[
2
V
n
+[[y
n
[[
2
V
n
),
entonces
[[x + y[[
2([[x[[
2
+[[y[[
2
) < +,
de donde x + y V y en consecuencia V es un espacio vectorial. Ahora,
debido a la desigualdad de Cauchy-Schwarz,
['x
n
, y
n
`
V
n
[ [[x
n
[[
V
n
[[y
n
[[
V
n
([[x
n
[[
2
V
n
+[[y
n
[[
2
V
n
).
3.5 Denicion y construccion de un espacio de Hilbert. 59
En consecuencia, se puede vericar de manera sencilla que ', ` es un pro-
ducto escalar sobre V .
Veriquemos ahora que V es completo. Para ello, demos una sucesion
de Cauchy x
p
= x
(p)
n
en V ; podemos entonces asociar a cada > 0 un
entero p() tal que
n=1
[[x
(p)
n
x
(q)
n
[[
2
donde p, q p(), (3.1)
de donde se sigue que para cada n, [[x
(p)
n
x
(q)
n
[[

, y por lo tanto x
(p)
n

es una sucesion de Cauchy en V
n
, la cual converge a un elemento y
n
V
n
debido a que V
n
es completo. De (3.1), para cada k,
k
n=1
[[x
(p)
n
x
(q)
n
[[
2
donde p, q p(),
y haciendo tender q a innito, se tiene que
k,
k
n=1
[[x
(p)
n
y
n
[[
2
V
n
donde p , (3.2)
pero, debido a la validez de (3.2) para todo k, podemos hacer tender k a
innito y deducir que
n=1
[[x
(p)
n
y
n
[[
2
donde p . (3.3)
La sucesion x
(p)
n
y
n
esta contenida en V , se sigue entonces que y = y
n

V . Mas a un, (3.3) tambien implica que la sucesion x
(p)
n
converge a y con
respecto a la norma de V , de donde concluimos que la suma de Hilber es
completo.
Si en la Denicion 3.5.1 hacemos para todo n N, V
n
= R y ademas
consideramos a [[ [[ como el valor absoluto en R, entonces
V =
x
n
R
n=1
[[x
n
[[
2
1
2
< +
es la suma de Hilbert de los R.

Sea S = un subconjunto compacto de R
y para cada j N denamos

la funcion proyeccion canonica
j
: R
R
por
j
(x) = x
j
.
Tambien denamos
Y
j
:=
j
(S) j N,
entonces, debido a la continuidad de la proyeccion canonica, Y
j
es un sub-
conjunto compacto de R para cada j N, de esta manera, existe para cada
j N un r
j
> 2 tal que [y
j
[ r
j
para todo y
j
Y
j
, en donde [ [ es la norma
en R.
Cada R es un espacio de Hilbert con el producto interno, norma y metrica
usuales, denotados respectivamente por ', `, [ [ y d.
Si denimos Y :=
j=1
Y
j
, entonces, debido al Teorema de Tychono, Y
es un subconjunto compacto no vaco de R
relativo al producto topologico.

Tomemos para cada j N, un
j
en el intervalo abierto (0, 1) tal que
j=1
2
j
r
2
j
< + (por ejemplo,
j
=
1
jr
j
). Denamos en el espacio de
Hilbert R el producto interno, norma y metrica siguientes
(x
j
, y
j
) =
2
j
'x
j
, y
j
`,
[[x
j
[[ =
j
[x
j
[,
(x
j
, y
j
) =
j
d(x
j
, y
j
).
Sea H la suma de Hilbert de los R, esto es
H =
x
j
R
j=1
2
j
[x
j
[
2
1
2
< +
con producto interno dado por

(x, y) =
j=1
(x
j
, y
j
) =
j=1
2
j
'x
j
, y
j
`,
de donde, la correspondiente norma y metrica estan dadas por
[[x[[ =
j=1
[[x
j
[[
2
1
2
=
j=1
2
j
[x
j
[
2
1
2
y
(x, y) =
j=1
[(x
j
, y
j
)]
2
1
2
=
j=1
2
j
[d(x
j
, y
j
)]
2
1
2
.
De la eleccion de los
j
se sigue que Y es un subconjunto de H y como
S Y entonces S H. Por denicion, H es un espacio de Hilbert y, en
consecuencia, un espacio de Banach.
Lema 3.5.3 La topologa inducida por la metrica y la topologa producto
sobre Y son la misma.
Demostracion. Sean
y la topologa inducida por y la topologa

producto respectivamente. Armamos que
en H. En efecto, sea U un
-abierto en H, para demostrar que
bastara mostrar que para todo

x U existe un
- abierto que contiene a x y esta contenido a su vez en U.

Sea x := (x
i
) U jo. Como U es un -abierto, existen U
1
, U
2
, ..., U
k
abiertos
en R, tales que
U = U
1
U
2
... U
k

i=k+1
R.
Entonces x
i
U
i
para cada i = 1, 2, ..., k. Como U
i
es abierto, se sigue que
existe
i
> 0 tal que y R : (y, x
i
) <
i
U
i
. Sea := min
i
: 1 i
n, tenemos que el conjunto A := y H : (x, y) < es un
-abierto.
Tomemos y = (y
i
) A cualquiera, entonces
(x
i
, y
i
) < para cada i = 1, 2, ..., k,
es decir y
i
U
i
, para cada i = 1, 2, ..., k; por lo tanto y U y, en consecuen-
cia, A U, lo cual prueba que
.
Ahora armamos que
en Y . En efecto, sea U un
-abierto en
Y . Tomemos x U cualquiera, entonces existe un > 0 tal que y Y :
(x, y) < U. Puesto que
i=1
2
i
r
2
i
< , existe n N tal que
i=n+1
2
j
r
2
i
<

2
16
.
Para cada i 1, 2, ..., n, denamos U
i
:= y Y
i
: (x
i
, y) <

2n
. El
conjunto
A := U
1
U
2
... U
n
i=n+1
Y
i
es un -abierto en Y . Sea y = (y
i
) A cualquiera, tenemos entonces que
(x, y) =
i=1
[(x
i
, y
i
)]
2
1
2
i=1
[(x
i
, y
i
)]
2
1
2
+
i=n+1
[(x
i
, y
i
)]
2
1
2
i=1
(x
i
, y
i
)
i=n+1
[[[x
i
[[ +[y
i
[[]
2
1
2
i=1
(x
i
, y
i
)
i=n+1
(
i
r
i
+
i
r
i
)
2
1
2
=
i=1
(x
i
, y
i
)
i=n+1
(
2
i
r
2
i
)
1
2
<
i=1
(x
i
, y
i
)
2
16
1
2
=
i=1
(x
i
, y
i
)
2
4
1
2
=
i=1
(x
i
, y
i
)
+

2
<
i=1
2n
+

2
=

2
+

2
= ,
es decir, y U. Por lo tanto x A U, explicitamente
en Y . Con
lo anterior, queda demostrado el lema.
Captulo 4
Principio del maximo de Bauer
El objetivo principal de este captulo es demostrar el Principio del Maximo de
Bauer, y con este n hemos desarrollado antes dos secciones cuyo proposito es
proveer los conceptos y deniciones que utilizaremos en dicha demostracion.
4.1 Funciones Convexas
Esta seccion tiene la nalidad de dar a conocer la denicion de funcion con-
vexa en el espacio R
n
y enunciar algunas de sus propiedades basicas.
Denicion 4.1.1 Una funcion f de valores reales denida sobre un conjunto
convexo C en R
n
se dice que es convexa si para cada x
1
y x
2
en C y para
cada 0, 0 con + = 1,
f(x
1
+ x
2
) f(x
1
) + f(x
2
). (4.1)
La funcion f se dice que es estrictamente convexa si se da la desigualdad
estricta en (4.1).
La interpretaci on geometrica de esta denicion es que una funcion con-
vexa es una funcion tal que si z
1
y z
2
son cualesquiera dos puntos en R
n+1
sobre la graca de f, entonces los puntos del segmento de linea [z
1
, z
2
] que
une a z
1
con z
2
estan sobre o por encima de la graca de f.
Observemos que si el dominio de f no es convexo, el lado izquierdo en
(4.1) no necesariamente esta bien denido, por lo tanto, cuando se denan
64
4.1 Funciones Convexas 65
funciones convexas, tiene sentido solo considerar funciones denidas sobre
conjuntos convexos.
Denicion 4.1.2 Sea f una funcion denida sobre un conjunto convexo C,
diremos que f es concava si f es convexa.
Denicion 4.1.3 Sea f una funcion de valores reales denida sobre un con-
junto A. La epigraca de f, denotada por epi(f), se dene como
epi(f) = (x, y) : x A, y R, y f(x).
La epigraca de una funcion es el conjunto de puntos (x, y) R
n+1
que
estan sobre o por encima de la graca de f.
En los resultados que veremos a continuaci on haremos referencia en repeti-
das ocaciones al conjunto P
n
(n N), el cual denimos en el Captulo 2 como
P
n
:= p = (p
1
, p
2
, ..., p
n
) : p
i
0 1 i n,
n
i=1
p
i
= 1.
Lema 4.1.4 Una funcion f denida sobre un conjunto convexo C es convexa
si y solo si epi(f) es convexa.
Demostracion. Supongamos que epi(f) es convexa. Sean x
1
y x
2
dos
puntos que pertenecen a C. Entonces (x
1
, f(x
1
)) y (x
2
, f(x
2
)) pertenecen a
epi(f). Como epi(f) es convexa, se sigue que para cualquier (, ) P
2
(x
1
, f(x
1
)) + (x
2
, f(x
2
)) = (x
1
+ x
2
, f(x
1
) + f(x
2
))
pertenece a epi(f). Luego, por la denicion de epi(f),
(f(x
1
)) + (f(x
2
)) f(x
1
+ x
2
),
esto es, f es convexa.
Ahora, supongamos que f es convexa. Sean (x
1
, y
1
) y (x
2
, y
2
) dos puntos
cualesquiera en epi(f), entonces y
1
f(x
1
) y y
2
f(x
2
). Para cualquier
(, ) en P
2
, sea
(x
3
, y) = (x
1
, y
1
) + (x
2
, y
2
) = (x
1
+ x
2
, y
1
+ y
2
).
Como (x
1
, y
1
) y (x
2
, y
2
) estan en epi(f) y f es convexa, se sigue que
y = y
1
+ y
2
f(x
1
) + f(x
2
) f(x
1
+ x
2
) = f(x
3
),
por lo tanto, (x
3
, y) epi(f). As, epi(f) es convexo.
66 Captulo 4. Principio del maximo de Bauer
Lema 4.1.5 Si f es una funcion convexa denida sobre un conjunto convexo
C en R
n
, entonces para cualquier real el conjunto x : f(x) es o vaco
o convexo.
Demostracion. Sea A = x C : f(x) para cualquier R.
i) Si R es tal que para todo x C, f(x) ; entonces A = .
ii) Sea R tal que A = y s, t A. Consideremos cualquier w [s, t],
entonces existen 0, 0 con + = 1 tal que w = s + t. Como
s, t C y C es convexo; w C. Ademas, en vista de que f es convexa en C,
f(w) = f(s + t) f(s) + f(t).
Debido a que s, t A, se sigue que f(s) y f(t) , lo cual implica que
f(s) + f(t) < + = ( + ) = ,
esto es, f(w) , por lo tanto w A; y por ende, [s, t] A. Esto demuestra
que A es convexo.
Lema 4.1.6 Sea f
una familia de funciones convexas denidas sobre un

conjunto convexo C en R
n
y supongase que existe una funcion M de valores
reales con dominio C tal que, para cada , f
(x) M(x) para todo x C.

Entonces la funcion f denida por f(x) = supf
(x) : Z
+
es convexa.
Demostracion. Puesto que para todo x C y para todo , f
(x)
M(x), se sigue que f(x) M(x), y por lo tanto f toma valores reales. Como
f
es convexa para cada , por el Lema 4.1.4 epi(f
) es convexa para cada

, por lo tanto
epi(f
) es convexo. Observemos que epi(f) =
epi(f
),
por lo tanto epi(f) es convexo y as por el Lema 4.1.4, f es convexa.
Teorema 4.1.7 (Desigualdad de Jensen.) Sea f una funcion que toma val-
ores reales denida sobre un conjunto convexo C en R
n
. Entonces f es
convexa si, y solo si para cada conjunto nito de puntos x
1
, ..., x
k
en C y
cada = (
1
, ...,
k
) en P
k
f(
1
x
1
+ ... +
k
x
k
)
1
f(x
1
) + ... +
k
f(x
k
). (4.2)
Demostracion. Supongamos que para cada conjunto nito de puntos x
1
, ..., x
k

C y cada = (
1
, ...,
k
) P
k
se cumple que
f(
1
x
1
+ ... +
k
x
k
)
1
f(x
1
) + ... +
k
f(x
k
),
entonces para k = 2
f(
1
x
1
+
2
x
2
)
1
f(x
1
) +
2
f(x
2
);
que es la denicion de funcion convexa.
Supongamos ahora que f es convexa. Probaremos (4.2) por induccion
sobre k. Para k = 1 la relacion es trivial. Para k = 2 la relacion se sigue de la
denicion de funcion convexa. Supongamos que k > 2 y que (4.2) es valida
para k 1. Mostraremos que (4.2) es valida para k. Si
k
= 1, entonces no
hay nada que probar. Si
k
= 1; tomemos =
k1
i=1

i
. Entonces
> 0, +
k
= 1 y
k1
i=1
= 1,
y entonces podemos escribir
f(
k
i=1
i
x
i
) = f
k1
i=1
x
i
+
k
x
k
k1
i=1
x
i
+
k
f(x
k
)

1
f(x
1
) + ... +
k1
f(x
k1
) +
k
f(x
k
),
donde la primera desigualdad se da por la convexidad de f y la segunda
desigualdad se da por la hipotesis de induccion.
Lema 4.1.8 Sea f una funcion convexa denida sobre un conjunto convexo
C en R
n
, g una funcion convexa no decreciente denida sobre un intervalo
I en R y f(C) I. Entonces, la funcion compuesta g f denida por
(g f) = g(f(x)), es convexa sobre C.
Demostracion. Sean x
1
y x
2
dos puntos en C y , [0, 1] tales que
+ = 1. Como f es una funcion convexa denida sobre el conjunto convexo
C, f(x
1
+ x
2
) f(x
1
) + f(x
2
). Ambos miembros de esta desigualdad
estan en I que es un intervalo de R. Como g es no decreciente y convexa en
I, entonces
g(f(x
1
+ x
2
)) g(f(x
1
) + f(x
2
)) g(f(x
1
)) + g(f(x
2
)),
esto es
(g f)(x
1
+ x
2
) (g f)(x
1
) + (g f)(x
2
),
por lo tanto (g f) es convexa sobre C.
Sea C R
n
convexo. Elijamos un punto x en C y un vector v en R
n
, y
ademas denotemos por al conjunto denido como
:= : R, x + v C.
Sean l
2
= sup : y l
1
= inf : . Entonces l
1
0 l
2
.
Si l
1
= l
2
, entonces, en virtud de la convexidad de C; x + v C para todo
en el intervalo abierto (l
1
, l
2
). Notemos que, dependiendo de la estructura
del conjunto C, x + v puede pertenecer a C para todo en [l
1
, l
2
) o [l
1
, l
2
]
o (l
1
, l
2
].
Sea f una funcion convexa denida sobre un conjunto convexo C. De la
discusion del parrafo anterior se sigue que para cada x en C y cada v en R
n
existe un intervalo I en R que depende de x y v tal que la funcion (, x, v)
denida por
(, x, v) = f(x + v) (4.3)
tiene a I como su dominio de denicion. El intervalo I siempre incluye el
origen y se puede degenerar a el punto singular 0; este intervalo puede ser
abierto, semiabierto o cerrado. La funcion (, x, v) da la seccion unidimen-
sional de la funcion f a traves del punto x en la direccion de v. El siguiente
lema arma que f es convexa si, y solo si todas las funciones unidimensionales
no degeneradas (, x, v) son convexas.
Lema 4.1.9 Una funcion f denida sobre un conjunto convexo C, es con-
vexa si, y solo si para cada x en C y v en R
n
tal que (, x, v) es denida
sobre un intervalo no degenerado I; la funcion (, x, v) es convexa sobre I.
Demostracion. Supongamos que f es convexa. Entonces para cualesquiera
1
,
2
I y (, ) P
2
,
(
1
+
2
, x, v) = f(x + (
1
+
2
)v)
= f(( + )x + (
1
+
2
)v)
= f((x +
1
v) + (x +
2
v))
f(x +
1
v) + f(x +
2
v)
= (
1
, x, v) + (
2
, x, v),
por lo tanto, (, x, v) es convexa.
Ahora, supongamos que para cada x en C y v en R
n
tal que I = 0,
( , x, v) es convexa. Sean x
1
y x
2
pertenecientes a C y sea (, ) en P
2
,
entonces
f(x
1
+ x
2
) = f((1 )x
1
+ x
2
)
= f(x
1
+ (x
2
x
1
)) = (; x
1
, x
2
x
1
)
= (.0 + .1, x
1
, x
2
x
1
).
Como
(, x
1
, x
2
x
1
) = f(x
1
+ (x
2
x
1
))
y C es convexo, (, x
1
, x
2
x
1
) esta denido para 0 1; ademas,
(0, x
1
, x
2
x
1
) = f(x
1
) y (1, x
1
, x
2
x
1
) = f(x
2
). (4.4)
De la convexidad de (, x
1
, x
2
x
1
) y (4.4) tenemos que
(.0 + .1, x
1
, x
2
x
1
) (0, x
1
, x
2
x
1
) + (1, x
1
, x
2
x
1
)
= f(x
1
) + f(x
2
),
por lo tanto
f(x
1
+ x
2
) f(x
1
) + f(x
2
),
es decir, f es convexa.
Un estudio detallado de la prueba muestra que f es estrictamente
convexa si, y solo si para cada x C y v R
n
, la funcion (, x, v); es
estrictamente convexa.
Teorema 4.1.10 Sea g una funcion convexa denida sobre un intervalo I
R. Entonces si x < y < z son tres puntos en I,
g(y) g(x)
y x

g(z) g(x)
z x

g(z) g(y)
z y
. (4.5)
Si g es estrictamente convexa, entonces se da la desigualdad estricta.
Demostracion. Como x < y < z, existe un 0 < t < 1 tal que y = x+t(zx).
Como g es convexa,
g(y)g(x) = g((1t)x+tz)g(x) (1t)g(x)+tg(z)g(x) = t(g(z)g(x)),
esto es,
g(y) g(x) = t(g(z) g(x)). (4.6)
Si en (4.6) dividimos ambos lados por t(z x) > 0 y observamos ademas que
y x = t(z x), obtenemos
g(y) g(x)
y x

g(z) g(x)
z x
. (4.7)
Para obtener la segunda desigualdad, escribimos
g(z) g(y) = g(z) g(x + t(z x))
g(z) (1 t)g(x) tg(z)
= (1 t)[g(z) g(x)],
esto es,
g(z) g(y) (1 t)[g(z) g(x)].
Dividiendo en ambos lados de esta desigualdad por z y > 0 y observando
que z y = (1 t)(z x), tenemos que
g(z) g(x)
z x

g(z) g(y)
z y
. (4.8)
Luego, de (4.7) y (4.8) concluimos (4.5).
Observando detalladamente la prueba, podemos observar que si g es es-
trictamente convexa, obtenemos la desigualdad estricta.
Corolario 4.1.11 Para cada c en I, la funcion pendiente s(, c) denida por
s(w, c) =
g(w) g(c)
w c
, w = c, w I;
es una funcion creciente. Si g es estrictamente convexa, entonces s(, c) es
estrictamente convexa.
Demostracion. Debemos demostrar que si w
1
< w
2
, entonces
s(w
1
, c) s(w
2
, c). (4.9)
Para dos puntos w
1
y w
2
tales que c < w
1
< w
2
, la desigualdad (4.9) se sigue
de (4.5) tomando x = c, y = w
1
y z = w
2
. Para dos puntos w
1
y w
2
tales que
w
1
< w
2
< c, la desigualdad (4.9) se sigue de (4.5) tomando x = w
1
, y = w
2
y z = c. Por ultimo, si w
1
< c < w
2
, la desigualdad (4.9) se sigue de (4.5)
tomando y = c, x = w
1
y z = w
2
. Como la desigualdad estricta en (4.5) se
da cuando g es estrictamente convexa, entonces si g es estrictamente convexa
tenemos que s(, c) es estrictamente creciente.
Lema 4.1.12 Sea f una funcion convexa denida sobre un conjunto convexo
C. Para x, y C tal que z = x + t(y x) y 0 < t < 1, se satisface
f(y) f(x)
f(z) f(x)
t
. (4.10)
Demostracion. Sean x e y dos puntos en C y 0 < t < 1. Como C es
convexo,
z = x + t(y x) = (1 t)x + ty
esta en C, y en virtud de que f es una funcion convexa,
f(z) = f
(1 t)x + ty
(1 t)f(x) + tf(y)
= f(x) + t
f(y) f(x)
,
desigualdad de la cual se obtiene (4.10).
El siguiente teorema nos garantiza que una funcion convexa f, que
tiene como dominio de denicion un conjunto convexo C, es continua en C
.
Teorema 4.1.13 Sea f una funcion convexa denida sobre un conjunto con-
vexo C en R
n
. Si x es un punto interior de C, entonces f es contnua en
x.
Demostracion. Sea x un punto interior de C, entonces existe un r > 0 tal
que B(x, r) C, de esta manera es posible encontrar un > 0 tal que < r
y B(x, ) C. Sea =

n
y denotemos por C
al cubo con centro en x y

cuya longitud por lado es igual a 2; esto es
C
= y : [y
i
x
i
[ , i = 1, 2, ..., n.
Como
[[y x[[ =
i=1
[x
i
y
i
[
2
1
2
,
resulta que si [x
i
y
i
[ <

n
para cada i, entonces
[[y x[[
2
=
n
i=1
[x
i
y
i
[
2
= [x
1
y
1
[
2
+[x
2
y
2
[
2
+ ... +[x
n
y
n
[
2
n
2
= n(

n
)
2
=
2
,
esto es, [[y x[[ ; de donde C
B(x, ). De otra manera, si fuera el

caso que [[y x[[ , entonces no sucedera que [y
i
x
i
[ > para cualquier
j 1, 2, 3, ..., n, por lo tanto B(x, ) C
. En sntesis tenemos que

B(x, ) B(x, ) C
B(x, ).
Ahora, probaremos que f esta acotada superiormente sobre B(x, ). De-
notemos con C
e
al conjunto de 2
n
vertices de C
, donde C
e
es precisamente
el conjunto de puntos extremos de C
. El conjunto C
es no vaco, con-
vexo y compacto, por lo tanto C
= Co(C
e
), en donde Co(C
e
) es tambien
compacto debido a la compacidad de C
e
. De esta manera
C
= Co(C
e
) = Co(C
e
) = K(C
e
),
igualdad que nos permite visualizar de manera clara que para cada y C
,
existe un p P
2
n tal que y =
2
n
i=1
p
i
v
i
, donde los v
i
son los vertices de C
.
Sea
M = maxf(v) : v C
e
.
Por la convexidad de f y el Teorema de convexidad de Jensen, para cada y
en C
f(y) = f
2
n
i=1
p
i
v
i

2
n
i=1
p
i
f(v
i
)
2
n
i=1
p
i
M = M
2
n
i=1
p
i
= M.1 = M,
y en virtud de que B(x, ) C
,
f(y) M y B(x, ). (4.11)
Sea z = x un punto arbitrario en B(x, ) y consideremos la lnea determinada
por x y z. Esta lnea intersecara la supercie de B(x, ) en los dos puntos
x + u y x u, donde u = t(z x) para alg un t > 1 y [[u[[ = . Expresemos
a z como una combinacion convexa de x y x + u, esto es,
z = (1 )x + (x + u) = x + u, 0 < < 1, (4.12)
igualdad de la cual obtenemos que [[z x[[ = [[u[[, y en consecuencia
= [[z x[[
1
. Ahora expresemos a x como una combinaci on convexa de z
y x u, esto es,
x = (1 t)(x u) + tz
= x tx u + tu + tz
= x u(1 t) + t(z x), 0 < t < 1,
pero
x = x u(1 t) + t(z x) (1 t)u = t(z x)
(1 t)[[u[[ = t[[z x[[
(1 t) = t[[z x[[
t(1 t)
1
= [[z x[[
1
=
1
t = (1 + )
1
.
Por lo tanto,
x = (1 (1 + )
1
)(x u) + (1 + )
1
z,
o de manera equivalente
x = (

1 +
)(x u) + (
1
1 +
)z. (4.13)
Como f es convexa, usando (4.11), (4.12) y (4.13) tenemos que
f(z) (1 )f(x) + f(x + u)
(1 )f(x) + M = f(x) + [M f(x)],
y en consecuencia
f(z) f(x) [M f(x)]. (4.14)
Luego, como
f(x) (
1
1 +
)f(z) + (

1 +
)f(x u)
(
1
1 +
)f(z) + (

1 +
)M =
1
1 +
(f(z) + M),
entonces
[M f(x)] f(z) f(x). (4.15)
As, de (4.14) y (4.15) obtenemos la desigualdad
[f(z) f(x)[ [M f(x)] =
1
[[z x[[[M f(x)].
Por lo tanto, para z B(x, ),
[f(z) f(x)[
1
[M f(x)][[z x[[,
de donde se sigue la continuidad de f en x.
4.2 Funciones convexas en espacios vectori-
ales arbitrarios.
El proposito aqu es dar el concepto de funcion convexa sobre un espacio
vectorial arbitrario X y enunciar dos resultados que en secciones y captulos
posteriores necesitaremos. Para un estudio mas amplio y detallado sobre fun-
ciones convexas en espacios vectoriales arbitrarios, se recomienda consultar
[4, Berge] y [1, Aliprantis].
Denicion 4.2.1 Una funcion f : C R sobre un subconjunto convexo C
de un espacio vectorial X es:
(i) Convexa si f(x +(1 )y) f(x) +(1 )f(y) para cada x, y C
y para todo 0 1.
(ii) Estrictamente convexa si f(x + (1 )y) < f(x) + (1 )f(y)
para todo x, y C con x = y y cada 0 < < 1.
(iii) Concava si f es una funcion convexa.
(iv) Estrictamente concava si f es estrictamente convexa.
Proposicion 4.2.2 Sea X un espacio vectorial, C X convexo y f : C
R una funcion. Si f es una funcional lineal continua, entonces f es convexa.
Demostracion. Sea C un subconjunto convexo de un espacio vectorial real
X y f : C R una funcional lineal contnua, entonces
f(x + (1 )y) = f(x) + (1 )f(y)
4.2 Funciones convexas en espacios vectoriales arbitrarios. 75
para cada x, y C y cada R. En particular,
f(x + (1 )y) = f(x) + (1 )f(y)
para todo x, y C y cada 0 1, de donde se sigue que
f(x + (1 )y) f(x) + (1 )f(y)
para cada x, y C y todo 0 1, concluyendo as que f es convexa.
Concluiremos esta seccion enunciando un lema, el cual hace referencia
a la relacion existente entre una funcional lineal continua repectiva a un
hiperplano H y la cerradura de H.
Lema 4.2.3 Sea H
f
= x X : f(x) = un hiperplano en un espacio
vectorial topologico X. Entonces, H
f
es cerrado si, y solo si f es continua.
Demostracion. Sea z X tal que f(z) = y H
0
f
= x X : f(x) = 0,
entonces H
f
= z + H
0
f
. Esto muestra que podemos asumir que = 0.
Supongamos que H
0
f
es cerrado y sea x
n
0. Tambien jemos alg un u
con f(u) = 1. Si f(x
n
) 0, entonces podemos admitir que [f(x
n
)[ para
cada n y alg un > 0.
Ahora, sea y
n
= u
f(u)
f(x
n
)
x
n
. Observemos que para cada n, y
n
H
0
f
y
ademas y
n
u; en consecuencia u H
0
f
, lo cual es imposible. Por lo tanto
f(x
n
) 0, y as f es continua.
Inversamente, si f es continua en X, entonces los conjuntos x : f(x)
y x : f(x) son cerrados. Como
x : f(x) = = x : f(x) x : f(x) ,
el hiperplano H
f
es cerrado.
4.3 Principio del Maximo de Bauer.
Es bien sabido que las funciones continuas alcanzan su valor maximo y su
valor mnimo sobre conjuntos compactos no vacos, sin embargo, existe un
resultado que garantiza que si la funcion ademas de continua es lineal y,
el conjunto de denicion ademas de compacto es convexo, entonces el valor
maximo y valor mnimo de la funcion se alcanzan en los puntos extremos
del conjunto. A dicho resultado se le conoce como el Principio del Maximo
de Bauer, principio para el cual presentamos en esta seccion su demostracion.
Denicion 4.3.1 Sea X un espacio topologico. La funcion f : X R se
llama semicontnua inferiormente si para cada c R el conjunto x X :
f(x) > c es abierto (o de manera equivalente, el conjunto x X : f(x)
c es cerrado).
Denicion 4.3.2 Sea f : X R donde X es un espacio topologico. Deci-
mos que f es semicontnua superiormente si para cada c R el conjunto
x X : f(x) < c es abierto (o de manera equivalente, el conjunto
x X : f(x) c es cerrado).
Observacion 4.3.3 Una funcion es semicontnua inferiormente (respecti-
vamente es semicontnua superiormente) si, y solo si f es semicontnua
superiormente (respectivamente semicontnua inferiormente). Una funcion
f es contnua si, y solo si f es semicontnua inferiormente y superiormente.
Teorema 4.3.4 Sea X un conjunto compacto y f : X R una funcion
semicontnua inferiormente (respectivamente semicontnua superiormente)
que alcanza su valor mnimo (respectivamente maximo) en X. Entonces
el conjunto de todos los mnimos (respectivamente maximos) es compacto y
no vaco.
Demostracion. Sea f : X R una funcion semicontnua inferiormente,
donde X es compacto. Hagamos A = f(X) R y denotemos con F
c
al
conjunto denido por
F
c
:= x X : f(x) c para cada c A.
Por la semicontinuidad de f, el conjunto no vaco F
c
es cerrado, y como
F
c
X, F
c
es tambien compacto. Ademas la familia F
c
: c A tiene la
propiedad de la intersecci on nita (ver Denicion 3.3.3), luego
cA
F
c
es no
vaco, compacto y es precisamente el conjunto de mnimos de f.
4.3 Principio del Maximo de Bauer. 77
Denicion 4.3.5 Un subconjunto extremo de un conjunto C es cualquier
subconjuno no vaco F de C con la propiedad que si x = w +(1 )z F
con 0 < < 1 y w, z C, entonces w, z F. Si F consta de un unico
punto c
0
, diremos entonces que c
0
es un punto extremo de C.
Recordemos que C
e
denota al conjunto de puntos extremos de C, y un
punto x C
e
no puede escribirse como una combinaci on convexa estricta de
puntos distintos en C.
En los siguientes incisos damos unos ejemplos de conjuntos extremos
y de puntos extremos, haciendo algunas observaciones al respecto.
a) En R
n
, los puntos extremos de un poliedro convexo son sus vertices. Todas
sus caras y aristas son conjuntos extremos.
b) Los puntos extremos de un disco cerrado son todos sus puntos sobre su
circunferencia.
c) El conjunto de todos los puntos extremos de un conjunto convexo es un
conjunto extremo, siempre que este sea no vaco.
d) El conjunto de puntos extremos de un conjunto convexo C puede ser vaco,
pues para A = (a, b) R, A es convexo y sin embargo C
e
= .
Vamos ahora a enunciar una serie de resultados en relacion a conjuntos
extremos y puntos extremos con la mirada puesta en el Principio del Maximo
de Bauer.
No olvidemos que un espacio topologico (X, ) es metrizable si la topologa
es generada por alguna metrica d en X; concepto que utilizaremos en el
siguiente resultado.
Lema 4.3.6 Si K es un subconjunto convexo compacto metrizable de un
espacio vectorial topologico, entonces el conjunto de puntos extremos de K
es un (
en K.
Demostracion. Denamos f : K K K por f(x, y) =
x+y
2
. Entonces
un punto no es punto extremo si y solo si este es la imagen bajo f de un par
(x, y) con x = y. Sea d la metrica para K y observemos que x = y si y solo si
existe alg un n N para el cual d(x, y)
1
n
. Denotemos con D
n
al conjunto
compacto (x, y) KK : d(x, y)
1
n
, vemos entonces que el conjunto de
puntos v : v K
e
es
n=1
f(D
n
). De esta manera
K
e
= K
n=1
f(D
n
) =
n=1
K f(D
n
)
.
Como imagenes contnuas de conjuntos compactos son compactas, y sub-
conjuntos compactos de espacios metricos son cerrados, cada K f(D
n
) es
abierto en K.
Lema 4.3.7 El conjunto de maximos de una funcion convexa es o un con-
junto extremo o es vaco. Igualmente, el conjuntos de mnimos de una
funcion concava es o un conjunto extremo o es vaco.
Demostracion. Considere una funcion f : C R convexa que alcanza su
valor maximo sobre C. Sean
M = maxf(x) : x C y F = x C : f(x) = M.
Ademas supongamos que x = y + (1 )z F, 0 < < 1 y y, z C. Si
y F, entonces f(y) < M, en consecuencia
M = f(x) = f(y + (1 )z)
f(y) + (1 )f(z)
< M + (1 )M = M,
lo cual es una contradiccion. Entonces y, z F, as F es un subconjunto
extremo.
Lema 4.3.8 En un espacio Hausdor localmente convexo, cada subconjunto
extremo compacto de un conjunto C contiene un punto extremo de C.
Demostracion. Sea C un subconjunto de un espacio Hausdor localmente
convexo X y F un subconjunto extremo compacto de C. Considerese la
coleccion de conjuntos
T = G F : G es subconjunto extremo compacto de C.
Como F T, entonces T = , ademas T esta parcialmente ordenado con la
inclusion. La compacidad de F (expresada en terminos de la propiedad de
la intersecci on nita) garantiza que cada cadena en T tiene una interseccion
no vaca. Claramente, la intersecci on de subconjuntos extremos de C es un
subconjunto extremo de C si esta es no vaca. Por el Lema de Zorn, podemos
garantizar la existencia de un subconjunto extremo compacto minimal de C
incluido en F, llamemosle G. Armamos que G es un conjunto singular.
En efecto: Si fuera el caso de que a, b G con a = b, por el corolario
de separacion Corolario B.1.3 (ver apendice B) existe un funcional lineal
contnuo f sobre X tal que f(a) > f(b). Sea M el valor maximo de f sobre
G. Por el Lema 4.3.7 el conjunto G
0
= c G : f(c) = M es un subconjunto
extremo compacto de C y b G
0
, lo cual es una contradiccion, pues no puede
suceder que G
0
G debido a la minimalidad de G. Entonces G debe ser
un conjunto singular. Este elemento unico es un punto extremo de G que se
encuentra en F.
Corolario 4.3.9 Cada subconjunto compacto no vaco de un espacio Haus-
dorf localmente convexo tiene un punto extremo.
Demostracion. Podemos observar de la denicion para subconjuntos ex-
tremos que cada subconjunto compacto no vaco C de un espacio de Haus-
dor localmente convexo X es un subconjunto extremo de s mismo, as el
resultado se sigue del Lema 4.3.8.
Teorema 4.3.10 Cada subconjunto compacto no vaco de un espacio Haus-
dor localmente convexo esta contenido en la envolvente convexa cerrada de
sus puntos extremos.
Demostracion. Sea C un subconjunto compacto no vaco de un espacio
Hausdor localmente convexo X y denotemos con B a la envolvente convexa
cerrada de sus puntos extremos (B = Co(C
e
)). Armamos que C B. En
efecto, supongamos que existe alg un a C tal que a B. Por el Corolario
4.3.9 C tiene un punto extremo, de donde C
e
= , por lo tanto Co(C
e
) = y
as B = Co(C
e
) = . Del corolario de separacion B.1.2 (ver apendice B) ex-
iste un funcional lineal contnuo f sobre X con f(a) > f(b) para todo b B.
Sea A el conjunto de maximos de f sobre C . A es un subconjunto extremo
compacto no vaco de C, pues al ser f un funcional lineal contnuo sobre X,
f es convexa y semicontnua inferior y superiormente denida en C X.
Ademas A C B, pero entonces A B = , lo cual es una contradiccion,
ya que por el Lema 4.3.8, A contiene un punto extremo de C, esto es, existe
s A tal que s C
e
Co(C
e
) Co(C
e
) = B, a saber s A B. Por lo
tanto C B.
Teorema 4.3.11 (Teorema de Krein-Milman.) En un espacio Hausdor
localmente convexo X, cada subconjunto C convexo compacto no vaco es la
envolvente convexa cerrada de sus puntos extremos, esto es, C = Co(C
e
).
Demostracion. Sea C = un subconjunto convexo y compacto de un es-
pacio Hausdor localmente convexo X. Entonces, Co(C) = C debido a la
convexidad de C y C = C por la compacidad de C. Luego, como siempre
se cumple que C
e
C, entonces Co(C
e
) Co(C) = C y en consecuencia
Co(C
e
) C = C. La otra iclusion, es decir, C Co(C
e
), se sigue directa-
mente del Teorema 4.3.10.
El Teorema de Krein-Milman no garantiza que la cerradura de la envol-
vente convexa de unconjunto compacto es compacto. Mas si dice que si un
conjunto convexo es compacto, entonces este es la cerradura de la envolvente
convexa de sus puntos extremos.
Estamos ahora en condiciones de enunciar y de demostrar el Teorema
del Principio del Maximo de Bauer, objetivo principal de este captulo.
Teorema 4.3.12 (Principio del Maximo de Bauer.) Si C es un subconjunto
no vaco convexo y compacto de un espacio Hausdor localmente convexo X,
entonces cada funcion f : C R convexa y semicontnua superiormente
alcanza su valor maximo en un punto extremo de C.
Demostracion. Sea f : C R una funcion convexa semicontnua superi-
ormente donde C es no vaco, compacto y convexo. Sean
M = maxf(a) : a C y F = x C : f(x) = M.
Por el Teorema 4.3.4 el conjunto F de maximos de f es no vaco y compacto.
Por el Lema 4.3.7 F es un subconjunto extremo, y se sigue del Lema 4.3.8
que F contiene un punto extremo de C.
Una consecuencia del Principio del Maximo de Bauer es el siguiente
resultado.
Corolario 4.3.13 Si C es un subconjunto convexo, compacto y no vaco de
un espacio Hausdor localmente convexo X. Entonces:
(a) Cada funcion concava semicontnua inferiormente sobre C alcanza su
valor mnimo en un punto extremo de C.
(b) Cada funcional lineal contnuo alcanza sus valores maximo y mnimo en
puntos extremos de C.
Demostracion.
(a) Si g : C X es una funcion concava y semicontnua inferiormente, en-
tonces, por la Denicion 4.2.1 g es convexa, y por la Observaci on 4.3.3 g
es semicontnua superiormente. La conclusion de este inciso se sigue haciendo
f = g en el Teorema 4.3.12.
(b)Sea f : C X una funcional lineal continua. Entonces f es por la
Proposicion 4.2.2 convexa y por la Observaci on 4.3.3 semicontnua superi-
ormente. Por lo tanto, f satisface las hipotesis del Teorema 4.3.12 y en
consecuencia alcanza su valor maximo en un punto c
0
de C
e
.
Ahora, de la linealidad de f se sigue que f es convexa y entonces por la
Denicion 4.2.1 f es concava. Luego, como f es contnua, por la Observacion
4.3.3 f es semicontnua inferiormente. As, por el inciso (a) de este corolario,
f alcanza su valor mnimo en un punto extremo de C.
Captulo 5
Aproximacion de puntos
extremos en R
El proposito de este captulo es aproximar y de esta manera caracterizar los

puntos extremos E de un subconjunto S = convexo y compacto del ortante
no negativo del espacio producto R
. Para ello, nos aproximaremos a S

mediante sus correspondientes proyecciones S
N
de R
n
(N = 1, 2, ...) y ademas
daremos las condiciones que nos garanticen que los puntos estremos E
N
de
S
N
convergen en el sentido de Kuratowski a E. Esto tiene aplicaciones en
algunos problemas de optimizacion modelados en el espacio R
, problemas
en los cuales debemos de caracterizar los puntos extremos de un subconjunto
S de R
. Un ejemplo es el problema de la planicacion de la produccion con

horizonte innito, en donde el objetivo es caracterizar los puntos etremos de
S mediante sucesiones de puntos en R
n
.
5.1 Esquemas de aproximacion
En captulos anteriores denimos ya al ortante no negativo R
n
+
de R
n
como
R
n
+
:= (x
1
, x
2
, x
3
, ..., x
n
) R
n
: x
i
0, i = 1, 2, 3, ..., n.
De manera analoga vamos a denotar al ortante no negativo de R
por R
+
y lo deniremos como
R
+
:= (x
1
, x
2
, x
3
, ...) R
: x
i
0, i = 1, 2, 3, ....
82
5.1 Esquemas de aproximacion 83
En todo este captulo, nuestro objeto de estudio sera un subconjunto S con-
tenido en el ortante no negativo de R
con la cualidad de ser distinto del

vaco, convexo y compacto. Recordemos que R
es un espacio producto
equipado con la topologa producto heredada de los espacios euclidianos sub-
yacentes. Diremos que una sucesion x
1
, x
2
, x
3
, ... donde x
n
R
para todo
n N, converge a x R
cuando las componentes x

n
j
convergen a x
j
con la
metrica euclidia sobre R para toda j N.
Denamos para cada N = 1, 2, 3, ... la funcion proyeccion
P
N
: R
R
N
por
P
N
(x) = (x
1
, x
2
, ..., x
N
)
y la proyecci on correspondiente a S sobre R
N
como
S
N
= P
N
(x) : x S.
Algunas veces consideraremos a S
N
como un conjunto encajado en el espacio
lineal de dimension innita R
. Por lo tanto, consideraremos a veces tambien

S
N
= (P
N
(x), ) : x S, = (0, 0, 0, ...)
y diremos que S
N
es un subconjunto de R
por extesiones con ceros.

La funcion proyecci on P
N
tiene la cualidad de ser contnua y lineal,
propiedades que ya han sido analizadas anteriormente en el desarrollo de
este trabajo. Es importante tener en mente que la linealidad y continuidad
de la funcion P
N
dan lugar a otras propiedades como la convexidad, concavi-
dad y semicontinuidad inferior y superiormente. Estas y otras observaciones
ya se hicieron en el captulo anterior, sin embargo, no esta por demas volver-
las a mencionar debido a que P
N
es una funcion de fundamental importancia
en el desarrolo de todo este captulo.
Proposicion 5.1.1 El conjunto S
N
(N N), es un conjunto convexo.
Demostracion. Sean z y w dos puntos en S
N
y t un punto en el segmento
de lnea que une a z con w, entonces existen 0 y 0 con + = 1
tal que t = z + w. Por denicion de S
N
, existen x, y S para los cuales
84 Captulo 5. Aproximacion de puntos extremos en R
P
N
(x) = z y P
N
(y) = w. Por la convexidad de S, x + y es un elemento
de S, y por la linealidad de P
N
,
P
N
(x + y) = P
N
(x) + P
N
(y) = t.
Como P
N
(x + y) S
N
, se sigue que t S
N
. As, S
N
es convexo.
Denotaremos por E
N
al conjunto de puntos extremos de S
N
, de esta man-
era, E
N
puede tambien considerarse como un subconjunto ya sea de R
N
o de
R
.
No perdamos de vista que el objetivo principal de este captulo es encon-
trar condiciones bajo las cuales la sucesion de conjuntos de puntos extremos
E
N
de S
N
, converge en el sentido de Kuratowski al conjunto de puntos ex-
tremos E de S.
En la Seccion 3.4 se hablo de la convergencia de conjuntos en el sentido de
Kuratowski en un espacio metrico X. Recordando esas deniciones, concep-
tos y resultados tenemos que para una sucesion de conjuntos K
N
NN
de R
(i) lminf
N
K
N
= el conjunto de puntos x R
para los cuales existe x

N
K
N
para N sucientemente grande, tal que lmx
N
N
= x.
(ii) lmsup
N
K
N
= el conjunto de puntos x R
para los cuales existe una

subsucesion K
N
k
de K
N
y una correspondiente sucesion x
k
tal que
lm
k
x
k
= x, en donde x
k
K
N
k
para todo k.
(iii) Si K R
es tal que K lminf

N
K
N
y lmsup
N
K
N
K, esto es
lminf
N
K
N
= lmsup
N
K
N
= K, entonces escribimos lim
N
K
N
= K y deci-
mos que K
N
converge en el sentido de Kuratowski a K.
Regresemos ahora al conjunto S, enfatizando que S es un subconjunto
no vaco, compacto y convexo del ortante no negativo de R
. Mostraremos
que la sucesion de proyecciones S
N
vistas como subconjuntos de R
por
extensiones con ceros, converge en el sentido de Kuratowski a S.
Lema 5.1.2 La sucesion de proyecciones S
N
converge en el sentido de Ku-
ratowski a S, esto es, lm
N
S
N
= S.
Demostracion. Necesitamos demostrar que
(i) S lminf
N
S
N
, y
(ii) lmsup
N
S
N
S.
La primera propiedad se sigue directamente observando que
lm
N
P
N
(x), 0
= x, para todo x S.
Para probar la segunda propiedad, introduzcamos, para todo N, el conjunto
S
N
= x R
: x 0, P
N
(x) S
N
,
esto es, S
N
puede obtenerse de S
N
por extensiones arbitrarias de todos los
elementos de S
N
a elementos no negativos de R
. Mostraremos primero que

(1) S =
N=1
S
N
.
Como S S
N
para todo N, es claro que S

N=1
S
N
. Resta probar
que
N=1
S
N
S. Sea x S
N
para cada N y tomemos y
N
S tambien
para todo N de tal manera que P
N
(y
N
) =
x
1
, x
2
, ..., x
N
R
N
. Entonces
y
N
i
= x
i
para i = 1, 2, ..., N y en consecuencia lm
N
y
N
= x. Como S es
cerrado, tenemos que x S, as se cumple (1). Ahora, como S
N+1
S
N
para todo N, por el Teorema 3.4.16,
lm
N
S
N
=
N=1
S
N
.
De la compacidad de S y la continuidad de P
N
, se sigue que los conjuntos
S
N
son cerrados, y de esta manera
lm
N
S
N
=
N=1
S
N
= S.
La propiedad (ii) se sigue ahora observando que
lmsup
N
S
N
lmsup
N
S
N
= lm
N
S
N
= S.
En parrafos anteriores denimos P

N
como las proyecciones de puntos en
R
sobre R
N
. Similarmente, podemos denir una proyecci on de puntos en
R
M
sobre R
N
(para M > N). Denotaremos esas proyacciones tambien por
P
N
, donde la interpretaci on apropiada se aclarara en el contexto.
Los siguientes lemas muestran la relacion entre puntos extremos de las
proyecciones S
N
(considerados como subconjuntos de R
N
) y los puntos ex-
tremos del subconjunto original S de R
+
.
Lema 5.1.3 Para cada punto extremo x de S
N
existe un punto extremo de
S
N+1
el cual es identico a x en sus primeras N componentes.
Demostracion. Sea x un punto extremo de S
N
. Considerese entonces
T = S
N+1
y R
: P
N
(y) = x.
El conjunto T no es vaco, pues contiene a P
N+1
(z), donde z S es tal
que x = P
N
(z). Ademas, por la Proposicion 3.3.7 T es compacto, y por el
Corolario 4.3.9 el conjunto de puntos extremos de T es no vaco. Sea x
un
punto extremo de T. Entonces el resultado deseado se sigue si x
es un punto
extremo de S
N+1
tambien. Sean u, v S
N+1
tal que x
=
1
2
(u + v). Ahora
note que P
N
(u), P
N
(v) S
N
, y x = P
N
1
2
(u+v)
=
1
2
P
N
(u)+
1
2
P
N
(v). Como
x es un punto extremo de S
N
, tenemos que P
N
(u) = P
N
(v) = x, igualdad
de la cual se sigue que u, v T. Pero ahora, como x
es un punto extremo
de T, tenemos que u = v = x
, as x
es un punto extremo de S
N+1
, lo cual
prueba el lema.
Corolario 5.1.4 Para cada punto extremo x de S
N
y para cada M > N
existe un punto extremo de S
M
el cual es identico a x en sus primeras N
componentes.
Demostracion. La conclusion de este resutado se obtiene aplicando el Lema
5.1.3 M N veces al conjunto S
N
.
Lema 5.1.5 Para cada punto extremo x
N
de S
N
existe un punto extremo de
S el cual es identico a x
N
en sus primeras N componentes.
Demostracion. Por el Corolario 5.1.4 , existen puntos extremos x
N+1
, x
N+2
,
x
N+3
, ... de S
N+1
, S
N+2
, S
N+3
, ... respectivamente, tal que, para todo N i <
j, x
j
es identico a x
i
en sus primeras i componentes. As, por el Lema 5.1.2 la
sucesion convergente x
i
i=N
(extendiendo sus elementos y convirtiendolos
en elementos de S) converge a alg un x S. Resta probar que x E. Supong-
amos que x E; existe entonces u, v S (u = v) tales que x =
1
2
u + v
.
Ahora considerese la primera componente en la cual u y v dieren, digamos
M > N. Como x =
1
2
u+v
, P
M
(x) =
1
2
P
M
(u)+
1
2
P
M
(v), donde P
M
(x) = x
M
y P
M
(u), P
M
(v) S
M
. Pero como x
M
es un punto extremo de S
M
, P
M
(u)
debe ser igual a P
M
(v), implicando que las M componentes de u y v son
iguales, lo cual es una contradiccion, por lo tanto x es un punto extremo de
S.
Lema 5.1.6 El lmite superior de la sucesion de conjuntos E
N
esta con-
tenido en le cerradura de E, es decir,
lmsup
N
E
N
E.
Demostracion. Sea x lmsup
N
E
N
, y sea x
k
E
N
k
tal que lm
k
x
k
= x.
Considere el conjunto y S : y
i
= x
k
i
, i = 1, 2, ..., N
k
. Por el Lema
5.1.5, este conjunto contiene un punto extremo de S, digamos y
k
. Tenemos
ahora una sucesion y
k
k=1
en E. Esta sucesion claramente converge a x, as
tenemos x E. Por lo tanto, lmsup
N
E
N
E.
Teorema 5.1.7 La sucesion de conjuntos de puntos extremos E
N
de las
proyecciones S
N
del conjunto convexo compacto no vaco S converge, esto
es, lm
n
E
N
existe. Mas a un, lm
N
E
N
E.
Demostracion. Sea x
N
k
k=1
una subsucesion de puntos en E
N
k
, k =
1, 2, 3, ..., respectivamente, tal que lm
k
x
N
k
= x, esto es, x lmsup
N
E
N
.
Para mostrar que x lminf
N
E
N
, necesitamos construir una sucesion de
puntos x
N
N=1
tal que x
N
E
N
para todo N, y tal que lm
N
x
N
= x. Sea
N
k
< N < N
k+1
. Escojamos ahora x
N
como sigue: Tomemos
x
N
= (x
N
k
1
, x
N
k
2
, ..., x
N
k
N
k
, y
N
k
+1
, ..., y
N
, )
donde los y
j
se escogen de tal manera que x
N
sea un punto extremo de S
N
,
lo cual podemos hacerlo por el Corolario 5.1.4. As, una sucesion de pun-
tos extremos x
N
en E
N
ha sido creada, la cual claramente converge a x en
la topologa producto. De esta manera, hemos probado que lmsup
N
E
N

lminf
N
E
N
. La segunda armacion del teorema se sigue del Lema 5.1.6.
Ahora, vamos a dar la denicion para punto expuesto, la cual sera re-
querida en resutados posteriores.
Denicion 5.1.8 Un punto x S se llama punto expuesto de S si S esta
soportado en x por un hiperplano cerrado el cual intersecta a S unicamente
en x. Al conjunto de puntos expuestos de un conjunto A se le denota por
exp(A).
Lema 5.1.9 Para nuestro conjunto en estudio S se tiene que
exp(S) lminf
N
E
N
.
Demostracion. Sea x
exp(S). Entonces existe un funcional lineal con-

tinuo f tal que mnf(y) : y S se alcanza unicamente en x. Ahora
sea, para todo N, Q
N
que denota el conjunto de puntos para los cuales
mnf(y) : y S
N
se alcanza. Armamos que lmsup Q
N
x
. En
efecto, sea x lmsup Q
N
, existe entonces x
N
k
con x
N
k
Q
N
k
y lm x
N
k
=
x. Como para todo N, Q
N
S
N
, se sigue que lmsup Q
N
lmsup S
N
= S
(Ver Teorema 3.4.12), por lo tanto x S. Como x
S y lmS
N
= S, existe
x
N
con x
N
S
N
tal que lmx
N
= x
. Luego lmx
N
k
= x
para x
N
k
S
N
k
.
Ahora, por la continuidad de f y debido a que x
N
k
Q
N
k
y x
N
k
S
N
k
,
f( x) = lmf( x
N
k
) lmf(x
N
k
) = f(x
),
esto es, f( x) f(x
). Sin embargo, como f alcanza su valor mnimo unica-

mente en x
S y x es tambien un elemento de S, x = x
.
Escojamos ahora x
N
Q
N
tal que x
N
E
N
. Esto es posible hacerlo, pues
por el principio del maximo de Bauer, un funcional lineal contnuo tiene un
punto extremo optimo cuando es minimizado sobre un conjunto convexo com-
pacto. Ahora, por la compacidad de S, cada subsucesion de x
N
tiene una
subsucesion convergente la cual converge a x
, por lo tanto, lm
N
x
N
= x
, y
as x
lminf
N
E
N
.
Teorema 5.1.10 Los conjuntos de puntos extremos E
N
de las proyecciones
S
N
del conjunto convexo compacto no vaco S converge a la cerradura de los
puntos extremos de S, esto es, lm
N
E
N
= E.
Demostracion. Por el lema anterior, exp(S) lminf
N
E
N
. As, por la
primera parte del Teorema 5.1.7, exp(S) lm
N
E
N
.
Por el Teorema 3.4.15, lm
N
E
N
es cerrado, en consecuencia exp(S)
lm
N
E
N
. Como S es compacto, E exp(S) (ver Teorema 2.1 en Klee[4, p.
91]), de esta manera E lm
N
E
N
. Otra vez usando el hecho que lm
N
E
N
es cerrado (ver Teorema 3.4.15), obtenemos que E lm
N
E
N
. Combinando
esto con la segunda parte del Teorema 5.1.7, concluimos que lm
N
E
N
= E.
En el siguiente ejemplo, vamos a mostrar un conjunto convexo B de
R
3
para el cual el conjunto de sus puntos extremos no es cerrado, poniendo
de maniesto que el Teorema 5.1.10 no se puede generalizar a lm
N
E
N
= E
sin hipotesis adicionales.
Ejemplo 5.1.11 Consideremos el conjunto compacto
B = (x, y, z) R
3
: x
2
+ y
2
1, z = 0
(0, 1, 1), (0, 1, 1).

Co(B) es distinto del vaco, convexo y compacto, pero el conjunto de puntos
extremos de Co(B) es
(x, y, z) R
3
: x
2
+ y
2
= 1, z = 0
(0, 1, 1), (0, 1, 1)
(0, 1, 0),
el cual no es cerrado.
El siguiente corolario nos dice bajo que condicion la sucesion de pun-
tos extremos de las proyecciones de S sobre R
n
, converge en el sentido de
Kuratowski a los puntos extremos de S.
Corolario 5.1.12 Si E es cerrado, entonces lm
N
E
N
= E.
Demostracion. Por el Teorema 5.1.10, se tiene que lm

N
E
N
= E. Sin
embargo, como E es cerrado, entonces E = E y por lo tanto lm
N
E
N
= E.
Para nalizar el captulo, vamos a mencionar algunas conclusiones que
se obtuvieron de este trabajo.
(i) La propiedad de que una solucion optima para el problema de minimizar
una funcion concava contnua sobre un conjunto convexo y compacto de R
n
se alcanza en un punto extremo, es generalizado por el Principio del Maximo
de Bauer a un contexto innito dimensional, convirtiendo de este modo en un
problema interesante la aproximacion y caracterizacion de puntos extremos
en espacios de dimension innita.
(ii) Para un subconjunto S = convexo y compacto de R
+
, la sucesion de
puntos extremos E
N
de las proyecciones S
N
de S sobre R
n
+
(N = 1, 2, ...),
convergen en el sentido de Kuratowski a los puntos extremos E de S siempre
y cuando E sea cerrado.
(iii) Existen problemas de optimizacion que pueden modelarse en el ortante
no negativo de R
y para los cuales debemos de carcterizar los puntos ex-

tremos de un subconjunto S de R
+
. Un ejemplo particular es el problema de
la planicacion de la produccion con horizonte innito, problema que para
su solucion se deben de caracterizar los puntos extremos de S mediante una
sucesion de puntos en R
n
+
.
Apendice A
A.1 Resultados en R
n
Proposicion A.1.1 Sea [[ [[ la norma euclidiana en R
n
. Para x, y R
n
se
satisfacen
['x, y`[ [[x[[[[y[[ (A.1)
y
[[x + y[[ [[x[[ +[[y[[. (A.2)
A (A.1) se le conoce como la desigualdad de Cauchy-Schwarz y la igualdad
se da si y solo si x es multiplo escalar de y o viceversa, y (A.2) es conocida
como la desigualdad triangular y en esta se da la igualdad si y solo si x es
un multiplo escalar no negativo de y o viceversa.
La bola abierta (vecindad) con centro en x y radio r > 0, denotada por
B(x, r), se dene como el conjunto de puntos y cuya distancia a x es menor
que r, esto es,
B(x, r) = y : [[y x[[ < r.
La bola cerrada B(x, r) con centro en x y radio r > 0 se dende como
B(x, r) = y : [[y x[[ r.
Sea S R
n
. Un punto x es un punto interior de S si existe un r > 0
tal que B(x, r) S. Si el conjunto de puntos interiores de S es no vaco,
entonces llamaremos al conjunto de puntos interiores el interior de S y lo
denotaremos por S
.
Se dice que un conjunto S es abierto si todos los puntos de S son puntos
interiores. Una denicion equivalente para conjunto abierto es que este sea
igual a su interior. Sin embargo, la manera estandar de caracterizar a los
91
92 Captulo A.
conjunto abiertos es como sigue: Un conjunto S es abierto si para cada punto
x de S existe un r > 0 tal que la bola B(x, r) esta contenida en S. Con esta
ultima denicion se puede vericar que B(x, r) es un conjunto abierto y
B(x, r) es un conjunto cerrado.
Un punto x se dice que es un punto de acumulaci on (punto lmite) de
un conjunto S, si para cada > 0 existe un punto x
= x tal que x
S
y x
B(x, ). Denotaremos al conjunto de puntos de acumulaci on del

conjunto S por S
. La cerradura de un conjunto S, denotada por S, se dene

como el conjunto S S
, esto es, S = S S
. Un conjunto se dice que es

cerrado si contiene a todos sus puntos de acumulaci on, esto es S
S. Un
conjunto es cerrado si y solo si S = S. Por denicion R
n
es abierto y cerrado
y por convencion es abierto y cerrado.
Teorema A.1.2 En R
n
, se verican cada una de las siguientes arma-
ciones:
1. Si S
A
es una coleccion de subconjunos de R
n
, entonces
A
S
A
S
c
c
,
A
S
A
S
c
c
.
2. Complementos de conjuntos cerrados son abiertos y complementos de
conjuntos abiertos son cerrados.
3. La union arbitraria de conjuntos abiertos es un abierto.
4. La interseccion nita de conjuntos abiertos es un abierto.
5. La interseccion arbitraria de conjuntos cerrados es un cerrado.
6. La union nita de conjuntos cerrados es un cerrado.
Demostracion. Ver Berkovitz[5, pp.5-8].
A.1 Resultados en R
n
93
Se dice que una sucesion x
n
en R
n
tiene lmite y o que converge a y
si para cada > 0 existe un entero positivo N() tal que x
n
B(y, ) para
todo n > N(), y escribimos esto en smbolos como
lm
n
x
n
= y o x
n
y.
Las sucesiones que convergen se dice que son convergentes; las sucesiones
que no convergen se les llama divergentes. Una sucesion x
n
se dice que es
acotada si existe un M > 0 tal que [[x
n
[[ < M para todo n.
Teorema A.1.3 Sea x
n
una sucesion en R
n
.
1. x
n
converge hacia x R
n
si, y solo si toda vecindad de x contiene
todos los terminos de x
n
, salvo un n umero nito de ellos.
2. Si x
n
converge hacia x R
n
, x es unico.
3. Si x
n
converge, es acotada.
4. Si E R
n
y x es un punto lmite de E, existe una sucesion x
n
de E
para la cual x = lm
n
x
n
.
Demostracion. Ver Rudin[20, p.51].
Un subconjunto S de R
n
se dice que esacotado si existe un n umero positivo
M tal que [[x[[ < M para todo x S. Otra manera de armar esto es decir
que S B(0, M). Al n umero M se le llama la cota del conjunto S.
Sea S un conjunto en R
n
. Una coleccion de conjuntos abiertos O
a
se dice que es una cubierta abierta de S si cada x S esta contenido en
alg un O
.
Denicion A.1.4 Un conjunto S en R
n
se dice que es compacto si para
cada cubierta abierta O
a
de S existe una coleccion nita de conjuntos
O
1
, ..., O
m
de O
a
tal que la coleccion nita O
1
, ..., O
m
es tambien una
cubierta abierta de S.
Se dice que un conjunto S de R
n
tiene la propiedad de la intersecci on nita
si cada coleccion de conjuntos cerrados F
tales que
S
c
posee una
subcoleccion nita F
1
, ..., F
k
tales que
k
i=1
F
i
S
c
.
94 Captulo A.
Teorema A.1.5 Si un conjuntoS en R
n
es compacto, entonces cada sucesion
x
n
de puntos en S tiene una subsucesion S
n
k
que converge a un punto
en S.
Demostracion. Ver Rudin[20, pp.54-55].
Teorema A.1.6 Teorema de Heine-Borel. En R
n
un conjunto es com-
pacto si y solo si S es cerrado y acotado.
Demostracion. Ver Rudin[20, p.43].
Teorema A.1.7 Un conjunto es compacto si y solo si tiene la propiedad de
la interseccion nita.
Apendice B
B.1 Separacion en espacios localmente con-
vexos
Teorema B.1.1 Teorema de separacion fuerte de hiperplanos. Para
subconjuntos convexos no vacios ajenos de un espacio localmente convexo (no
necesariamente Hausdor), si uno es cerrado y el otro compacto, entonces
existe un funcional lineal continuo distinto de cero que los separa fuertemente.
Corolario B.1.2 Separacion de puntos de conjuntos convexos cer-
rados. En un espacio localmemnte convexo, si K es un conjunto convexo
cerrado no vaco y z K, entonces existe un funcional lineal continuo dis-
tinto de cero que separa fuertemente K y z.
Denicion B.1.3 Denotemos por X
al espacio vectorial de todos los fun-

cionales lineales continuos en un espacio vectorial topologico X. Al espacio
X
se le llama dual topologico .

Corolario B.1.4 El dual topologico de un espacio Hausdor localmente con-
vexo separa puntos.
95
Referencias
[1] C. D. Aliprantis y K. C. Border, Innite Dimensional Analysis. Springer-
Verlang, Berlin, 1999.
[2] C. D. Aliprantis y O. Burkinshaw, Problems in Real Analysis. Academic
Press, San Diego, 1998.
[3] R. G. Bartle, Introduccion al Analisis Matematico. Limusa, Mexico, 1992.
[4] C. Berge, Topological Spaces. Oliverd and Boyd, London, 1963.
[5] L. D. Berkovitz, Convexity and Optimization in R
n
. Jhon Wiley & Sons,
New York, 2002.
[6] B. E. Bravo, Programacion Matematica Doblemente Innita. Tesis de
Licenciatura, Facultad de Matematicas UV, 2006.
[7] W. P. Cross, H. E. Romeijn y R. L. Smith, Aproximating Extreme Points
of Innite Dimensional Convex Sets, Arch. Math., 23 (1998), pp. 433-442.
[8] J. Dugundji, Topology. Allyn and Bacon, Boston, 1978.
[9] M. Florenzano, Finite Dimensional Convexity and Optimization.
Springer-Verlang, Berlin, 2001.
[10] A. M. Garca, Introduccion a la Topologa de Conjuntos. Trillas, Mexico,
1971.
[11] K. Homan y R. Kunze,

Algebra Lineal. Pretince-Hall, Mexico, 1971.
[12] V. L. Klee, Extremal Structure of Convex Sets I, Arch. Math., 8 (1957),
pp. 234-240.
96
REFERENCIAS 97
[13] V. L. Klee, Extremal Structure of Convex Sets II, Math. Zeit, 69 (1958),
pp. 90-104.
[14] E. Kreyszing, Introductory Functional Analysis With Applications. Jhon
Wiley & Sons, London, 1978.
[15] E. Kuratowski, Introduction to Set Theory an Topology. Pergamon
Presws, New York, 1972.
[16] K. Kuratowski, Topology. Academic Press, New York, 1966.
[17] J. L. Lopez, Analisis Funcional para Teora de Optimizacion. Tesis de
Licenciatura, Facultad de Matematicas UV, 2001.
[18] J. R. Munkres, Topologa . Prentice Hall, Madrid, 2002.
[19] R. T. Rockafellar, Convex Analysis. Princeton University Press, Prince-
ton, NJ, 1970.
[20] W. Rudin, Principios de Analisis Matematico. Mc Graw-Hill, Mexico,
1980.

Hernandez Sarmiento Carlos

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Hernandez Sarmiento Carlos

Încărcat de

Drepturi de autor:

Formate disponibile

Aproximacion de Puntos Extremos de

Carlos Hernandez Sarmiento

, debido a que estos seran nuestros prin-

en virtud de que para nes de nuestro estu-

, con el objetivo de aproximar y de caracterizar los pun-

, es la de ser espacios vectori-

son ambos neutros aditivos, en-

es tambien un neutro aditivo. As 0

son inversos aditivos de v, entonces

. Queda demostrado entonces que cada ele-

Proposicion 2.1.22 Todo espacio con producto interno es un espacio nor-

Denicion 2.1.24 Se dice que una sucesion x

una coleccion de conjuntos convexos tales que C =

es no vaco. Entonces C es convexo.

. Como para cada el conjunto C

. Sea x un punto cualquiera en [x

, existe r > 0 para el cual B(x

) en la desigualdad anterior podemos observar que

, existe r > 0 tal que B(w, r) C,

, debido a que B(w, r) es un

debido a que por hipotesis x

, existe > 0 tal que B(x

) > 0 es posible encontrar un

. Hemos as mostrado que efectivamente [x

= , entonces es convexo. Supongamos que C

consta de un solo punto x, es obvio que C

consta de mas de un punto. Sean x, y C

, por el Corolario 2.3.6 el

, se sigue entonces que [y, x)

, entonces existe un r > 0 tal que B(x, r) C. Sea

la familia de conjuntos convexos que

para alg un en particular, por lo tanto Co(A) K(A). Observemos ahora

para cada . Como para cada , C

es convexo, para cada

para cada , esto es, para

. Por lo tanto K(A) C

EODORY): Sea A un subconjunto de R

En muchos textos, el Teorema anterior es nombrado Teorema de Con-

es convexo, y puesto que

y ademas como O Co(O) tenemos que O (Co(O))

. Como siempre se cumple

Co(O), tenemos que Co(O) = (Co(O))

, por lo tanto Co(O)

> 0 tal que inf'N, x` : x X +

en X se dice que alcanza la distancia de y a X, o es el mas cercano a y,

en C que es el mas cercano a y.

y[[. Para x C tal que x C

un punto mas cercano a y y x cualquier otro punto

. Ya que es continuamente diferenciable

es un punto en C el mas cercano a y, tenemos

(0+) 0, obtenemos 'y x

(t) > 0 para 0 < t 1. Luego, la

, x]. Como [[z(t) y[[ > [[x

es el punto mas cercano a y.

el punto de C mas cercano a y y sea N = y x

` 0, de donde 'N, x` 'N, x

. Por lo tanto sup'N, x` : x C = 'N, x

= , entonces para todo x C

S(0, 1), mostrando que la interseccion de

= xy, x C. Por lo tanto, existe un N = 0 tal que

C y. Entonces para todo x C, 'N, x y` 0,

entonces 'N, x` < .

en K. Luego 'N, x` 'N, x

` para todo x K. El hiperplano