Professional Documents
Culture Documents
Indice general
1. Presentaci on 1
1.1. Conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2. Fundamentos de Analisis Convexo 5
2.1. Funciones convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Conjuda de Fenchel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Subdiferencial convexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3. Dualidad va perturbaciones 19
3.1. Problemas perturbados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Teoremas de dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4. Aplicaciones 25
4.1. Programaci on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Problema de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
iv
CAP
ITULO 1
Presentaci on
El presente documento ha sido elaborado con el objetivo de ser un apoyo a las charlas
realizadas en la XXXIII Semana de la Matem atica. El tema abordado es el An alisis
Convexo, teora que permite estudiar de manera unicada problemas de optimizaci on y
c alculo de variaciones en el contexto convexo. En estas p aginas se podr an encontrar los
primeros conceptos, resultados y ejemplos relacionados con esta disciplina, en particular,
lo que concierne a la Dualidad en optimizaci on convexa. La mayor parte de los contenidos
de este apunte son presentados de manera similar (orden y demostraciones) al curso
An alisis Convexo y Dualidad dictado el a no 1999 por el profesor Roberto Cominetti en
la Facultad de Ingeniera de la Universidad de Chile. Otros resultados y demostraciones
han sido obtenidos principalmente del apunte An alisis Convexo y Dualidad del Profesor
Felipe Alvarez [1] quien dicta regularmente el curso de mismo nombre en la Facultad de
Ingeniera de la Universidad de Chile, y del libro, recientemente publicado, Variational
Analysis in Sobolev and BV spaces de los autores Heddy Attouch, Giuseppe Buttazzo
y Gerard Michaille [2]. Como bibliografa complementaria se recomienda el fundacional
texto Convex Analysis de Tyrell Rockafellar [6] asi como el libro Convex analysis and
minimization algorithms de Jean B. Hiriart-Urruty y Claude Lemarechal [4, 5].
Este cursillo est a orientado a estudiantes con un cierto bagaje en an alisis funcional
(como referencia ver [3]) aunque en su mayora intenta ser autocontenido.
1
1.1. CONJUNTOS CONVEXOS
1.1 Conjuntos convexos
Durante el curso se trabajar a en un espacio vectorial normado real (evn) (X, | |) en
dualidad con su espacio dual topol ogico X
:= sup
xX
x1
'x, x
` x
: X IR y
escribiremos
'x, x
` = x
(x) x X. (1.1.1)
Recordemos que la topologa m as peque na en X que hace continua a los elementos en X
es la topologa debil. Por otro lado, dado x X se tiene que el operador evaluaci on (que
notaremos de igual manera) x : X
IR denido por
x(x
) = x
(x) = 'x, x
`
es lineal continuo (para la topologa inducida por | |
en X
), por lo tanto X X
. La
topologa m as peque na en X
) en X
es compacto para
la topologa -debil. Un espacio de Banach se dice reexivo si X puede ser identicado
con X
. En este caso se tiene que los conjuntos acotados y cerrados (para la topologa
de la norma) en X son compactos para la topologa debil. Por ultimo, recordamos que
los evn de Hilbert (dotados de producto interno, norma denida por el producto interno
y completo para la topologa inducida) pueden ser identicados con su espacio dual, en
tal situaci on, el producto de dualidad entre el espacio y su dual es el producto interno
que le da el car acter de Hilbert al espacio. Como los espacios de Hilbert son reexivos se
tendr a tambien que todo conjunto acotado y cerrado (para la topologa de la norma) es
compacto para la topologa debil.
Se tendr a que un espacio vectorial normado X dotado de la topologa debil y su dual
topol ogico X
` =
para alg un x
`
para alg un x
y IR.
A continuaci on mostraremos que un conjunto convexo cerrado es descrito utilizando
s olo formas lineales continuas (i.e. elementos en X
, z
` > y 'x, z
` x C.
Demostraci on. La demostraci on es dada cuando el evn X es un espacio de Hilbert.
Para el caso general, se utiliza la versi on analtica del Teorema de Hahn-Banach el cual
es una consecuencia del Lema de Zorn.
Recordemos que si X es un espacio de Hilbert entonces X
se identica con X y se
tiene que |x|
2
= 'x, x` (producto interno =producto de dualidad).
Denotemos por P
C
(u) la proyecci on de u X sobre el conjunto C (esta existe y es
unica, ver [3]). P
C
(u) est a caracterizada por
'u P
C
(u), x P
C
(u)` 0 x C
P
C
(u) C.
Sea z
:= u P
C
(u). Como u / C se tiene z
= 0 y de la caracterizaci on de P
C
(u) se
deduce
sup
xC
'x, z
` 'P
C
(u), z
`. (1.1.2)
Por otro lado,
0 < |z
|
2
= 'z
, z
` = 'u, z
` 'P
C
(u), z
`,
lo que implica
'u, z
` > 'P
C
(u), z
`. (1.1.3)
3
1.1. CONJUNTOS CONVEXOS
Tomemos := 'z, P
C
(u)`. Combinando (1.1.2) y (1.1.3) se obtiene
sup
xC
'x, z
` < 'u, z
`,
lo cual demuestra el resultado.
Corolario 1.1.1. Sea C X un conjunto convexo cerrado no vaco del evn X. Entonces,
C es la intersecci on de todos los semiespacios cerrados que lo contienen, es decir,
C =
CH
z
,
H
z
,
,
donde H
z
,
:= x X : 'x, z
` para z
y IR.
Demostraci on. Notemos T el conjunto de X
, ) X
IR : C H
z
,
.
Claramente
C
(z
,)F
H
z
,
.
Para probar la inclusi on inversa tomemos u
(z
,)F
H
z
,
. Si u / C, utilizando el teore-
ma de separaci on de Hahn-Banach 1.1.1 se obtiene una contradicci on.
Observaci on 1.1.1. Los conjuntos cerrados H
z
,
de la proposici on anterior tambien re-
sultan ser cerrados para la topologa debil y por lo tanto el conjunto convexo cerrado C
es cerrado para la topologa debil (intersecci on de cerrados debiles). As, una conclusi on
importante, y que ser a utilizada m as adelante, del Corolario 1.1.1, es que todo conjunto
convexo cerrado es tambien cerrado para la topologa debil.
Proposici on 1.1.1. Sea C
ITULO 2
Fundamentos de Analisis Convexo
En el an alisis de problemas de minimizaci on y maximizaci on es conveniente considerar
funciones que toman valores en la recta real extendida (mayores detalles ver en [1]) IR :=
IR, + = [, +] en lugar de s olo IR =], +[. Por ejemplo, en un espacio
vectorial normado (evn) X, consideremos un problema de minimizaci on del tipo
inf
xC
f
0
(x) = inff
0
(x) : x C (2.0.1)
donde f
0
: X IR es la funci on objetivo a minimizar y C X es un conjunto de
restricciones. Con la topologa apropiada, IR es un intervalo compacto. En particular,
todo subconjunto A IR admite un nmo inf A (y un supremo sup A). As, tomando
A = f
0
(x) : x C tenemos que inff
0
(x) : x C est a bien denido en IR. En este
contexto resulta muy util introducir la funci on indicatriz del conjunto C,
C
: X IR,
denida por
C
(x) :=
0 si x C,
+ si x / C.
Con la convenci on
+ (+) = (+) + = + IR,
es posible denir la funci on f
0
+
C
mediante (f
0
+
C
)(x) := f
0
(x) +
C
(x), y es directo
verifcar que
inf
xC
f
0
(x) = inf
xX
(f
0
+
C
).
De esta forma, el problema de minimizaci on (2.0.1) puede formularse de manera equi-
valente como
inf
xX
f(x),
5
2.1. FUNCIONES CONVEXAS
donde f : X IR + est a defnida por f = f
0
+
C
. Esto permite considerar las
restricciones de manera implcita en la defnici on de f y dar as un tratamiento unicado
a este tipo de problemas.
2.1 Funciones convexas
Denici on 2.1.1. Una funci on f : X IR denida sobre un evn X es convexa si
f(x + (1 )y) f(x) + (1 )f(y) x, y X, [0, 1],
y estrictamente convexa si
f(x + (1 )y) < f(x) + (1 )f(y) x, y X, ]0, 1[.
La funci on es semicontinua inferior (sci) para una cierta topologa en x domf :=
x X : f(x) < + si para toda sucesi on x
k
(x) (2.1.1)
tambien es convexa y sci.
Demostraci on. Basta notar que el epigrafo de la funci on f denida por (2.1.1) es la
intersecci on de los epigrafos, es decir,
epi f =
epi f
X IR.
Aplicando las proposiciones 1.1.1 y 2.1.1 se deduce el resultado.
El resultado anterior puede ser presentado de forma m as general, de hecho, veremos a
continuaci on que toda funci on convexa, sci y propia puede ser expresada como el supremo
de funciones lineales anes. Esto ultimo es una consecuencia directa del Teorema de
separaci on de Hahn-Banach 1.1.1.
Teorema 2.1.2. Sea f : X IR+ una funci on convexa, sci y propia (f
0
(X)),
entonces existe un conjunto X
IR tal que
f(x) = sup
(z
,)M
'x, z
` x X. (2.1.2)
Demostraci on. Sea el conjunto del espacio producto X
, ) 'x, z
` f(x) x X.
Notemos que = , de hecho, como epi f X IR es un conjunto convexo cerrado no
vaco (pues f
0
(X)) se tiene que (ver Corolario 1.1.1)
epi f =
(z
,s,)F
H
(z
,s),
,
donde H
(z
,s),
es el semiespacio cerrado en el espacio producto X IR denido por
H
(z
,s),
= (x, r) X IR : 'x, z
` +rs ,
y T X
, s, ) T epi f H
(z
,s),
.
9
2.1. FUNCIONES CONVEXAS
Primero veamos que si (z
, s, ) T entonces s 0, de hecho
(z
, s, ) T 'x, z
, s, ) en T se tiene s = 0, entonces
epi f =
(z
,s,)F
(x, r) X IR : 'x, z
` ,
lo que implica que si (x, r) epi f se tendr a (x, r n) epi f para todo n N lo cual
induce a una contradicci on, por lo tanto debe existir (z
,1),
lo que implica
'x, z
` r (x, r) epi f
y por lo tanto
'x, z
` f(x) x X
mostrando asi que = ((z
, ) ).
Mostremos ahora la igualdad (2.1.2). Claramente
f(x) sup
(z
,)M
'x, z
` x X.
Para probar la desigualdad contraria, utilicemos el Teorema de separaci on de Hahn-
Banach 1.1.1. Sea x
0
X y r R tal que r
0
< f(x
0
), es decir, (x
0
, r
0
) / epi f.
Como el epigrafo de f es un conjunto convexo, cerrado, no vaco se tiene que existe
(z
, s, ) X
` +r
0
s > . (2.1.3)
Por un argumento utilizado anteriormente, se deduce s 0.
Veamos el caso f(x
0
) < +. En esta situaci on se tendr a que s < 0, pues si s = 0
tomamos (x
0
, f(x
0
)) epi f y por (2.1.3) se deduce
'x
0
, z
` < 'x
0
, z
`
lo que es absurdo. Sin perdida de generalidad (otra vez) suponemos s = 1. De la relaci on
(2.1.3) deducimos (notar que (x, f(x)) epi f)
'x, z
` f(x) x X
10
2.2. CONJUDA DE FENCHEL
y por lo tanto (z
,)M
'x
0
, z
` 'x
0
, z
` > r
0
para todo r
0
< f(x
0
) demostrando as
sup
(z
,)M
'x
0
, z
` f(x
0
).
El caso f(x
0
) = + es dejado como ejercicio.
2.2 Conjuda de Fenchel
En esta secci on veremos un concepto muy importante en An alisis Convexo, opti-
mizaci on y otras areas de las matem aticas aplicadas (tratamiento de im agenes por ejem-
plo).
Denici on 2.2.1. Sea la funci on f : X IR +. La conjuda de Fenchel de la
funci on f es la funci on f
: X
IR + denida por
f
(x
) := sup
xX
'x, x
` f(x).
Recordemos que los espacios X y X
IR+ es g
(x) := sup
x
'x
, x` g(x
).
Observe que la funci on f
: X
0
(X
(x) = sup
x
'x
, x` f
(x
) = f(x).
Demostraci on. Es directo mostrar que la funci on f
f. La igualdad
11
2.2. CONJUDA DE FENCHEL
proviene del hecho que f, por pertenecer a
0
(X), es el supremo de todas las minorantes
anes (Teorema 2.1.2), es decir,
f(x) = sup'x, x
` : 'y, x
` f(y) y X. (2.2.1)
Si se ja un elemento x
` f(y) = f
(x
),
pudiendo ser eventualmente + (depender a de x
(x
) =
+ si x
< 0
0 si x
= 0
x
(ln x
1) si x
> 0.
Ejemplo 2.2.2. Sea X un espacio de Hilbert y f(x) =
1
2
|x|
2
. Mostremos que
f
(x
) =
1
2
|x
|
2
= f(x
).
Demostraci on. Dado x
`
1
2
|x|
2
.
El elemento x donde se maximiza la funci on g satisface
g( x) = x
x = 0.
Por lo tanto f
(x
) = g( x) =
1
2
|x
|
2
.
Ejemplo 2.2.3 (Se requiere de conocimientos en espacios de Sobolev, ver [3]). Sea un
conjunto abierto acotado y no vaco de IR
n
. Considere el espacio de Hilbert X = L
2
()
de las funci on a cuadrado integrable, es decir,
L
2
() =
u : IR [
u
2
(x)dx < +
.
Como X es un Hilbert su dual topol ogico X
`
L
2
(),L
2
()
=
u(x)u
(x)dx u, u
L
2
()
12
2.2. CONJUDA DE FENCHEL
induciendo la norma
|u|
L
2
()
=
u
2
(x)dx
1
2
.
Sea la funci on f : X IR + denida por
f(u) =
1
2
|u(x)|
2
dx si u H
1
()
+ si u / H
1
()
donde H
1
() es el conjunto de las funciones en X con derivada (en el sentido de las
distribuciones) a cuadrado integrable. Es directo ver que f es una funci on convexa y
propia. Probemos primero que f es sci. Sea u H
1
() = domf y tomemos u
k
u (con
la topologia de la norma en X = L
2
(). Debemos demostrar que
f( u) lminf
k
f(u
k
).
El caso no trivial es cuando lminf
k
f(u
k
) < +. En este caso se tendr a que existe M > 0
tal que
f(u
k
) =
1
2
|u
k
(x)|
2
dx M k 0. (2.2.2)
Como u
k
es una suseci on acotada en X (es convergente) se tiene por (2.2.2) que ser a aco-
tada en H
1
() y por lo tanto existe una subsucesi on convergente que converge debil a
un elemento w H
1
() (este espacio es reexivo) como u
k
converge fuerte a u en X se
deduce w = u.
Por otro lado, si consideramos la funci on J : H
1
() IR denida por
J(u) =
1
2
|u(x)|
2
dx
se observa que J es convexa y continua (para la topologa fuerte en H
1
()). De la Ob-
servaci on 2.1.1 se deduce que el funcional J es sci para la topologa debil y como f = J
sobre H
1
() se obtiene
f( u) = J( u) lminf
k
J(u
k
) = lminf
k
f(u
k
),
debido a que una subsucesi on de u
k
converge debil a u en H
1
().
Calculemos ahora f
. De la denici on escribimos
f
(v) = sup
uL
2
()
v(x)u(x)dx f(u) =
13
2.3. SUBDIFERENCIAL CONVEXO
sup
uH
1
()
v(x)u(x)dx
1
2
|u(x)|
2
dx = inf
uH
1
()
1
2
|u(x)|
2
dx
v(x)u(x)dx.
Observamos que la expresi on anterior es la formulaci on variacional de la siguiente EDP
u = v en
u
n
= 0 en
Por lo tanto, si u
v
es la soluci on en H
1
() de dicha EDP, entonces
f
(v) =
v(x)u
v
(x)dx
1
2
|u
v
(x)|
2
dx.
2.3 Subdiferencial convexo
Sea f : X IR+ una funci on convexa y x domf = z X : f(z) < +.
Diremos que x
es un subgradiente de f en x si
f(x) +'y x, x
` f(y) y X.
Denotaremos por f(x) X
: f(x) +'y x, x
` f(y) y X,
es llamado el subdiferencial de f en x domf.
Proposici on 2.3.1. Un elemento x X es un mnimo global de f (i.e. f( x) f(x) x
X) s y solamente si 0 f( x).
Demostraci on. Es directo de la denici on del subdiferencial f.
Proposici on 2.3.2. Si la funci on convexa f : X IR + es diferenciable en
x X entonces f(x) = f(x).
Demostraci on. Es f acil mostrar que si f es diferenciable entonces f(x) f(x). De
hecho, una propiedad de las funciones convexas diferenciables es
f(x) +'y x, f(x)` f(y) y X, (2.3.1)
pues
f(ty + (1 t)x) = f(x +t(y x)) tf(y) + (1 t)f(x)
14
2.3. SUBDIFERENCIAL CONVEXO
para t peque no. Esto implica
f(x) +t
1
[f(x +t(y x)) f(x)] f(y)
y haciendo tender t 0 se obtiene la expresi on (2.3.1). Sea ahora x
f(x). De la
denici on de subgradiente se tiene
g(x) := f(x) +'x, x
` f(y) +'y, x
` = g(y) y X,
es decir, la funci on diferenciable g se minimiza en x, por lo tanto
g(x) = f(x) x
= 0
obteniendo as el resultado.
Proposici on 2.3.3. Para todo elemento en x X el conjunto f(x) X
es convexo y
cerrado para la topologa -debil.
Demostraci on. Observamos que el subdiferencial f(x) es una intersecci on de semies-
pacios cerrados para la topologa -debil, de hecho
f(x) = x
: f(x) +'y x, x
` f(y) y X
=
yX
x
: 'y x, x
` f(y) f(x),
donde un elemento en X es entendido como un funcional lineal continuo (para la topologa
-debil) denido sobre X
.
Proposici on 2.3.4. Para una funci on convexa f : X IR + se tiene que
x
f(x) s y solamente si
f(x) +f
(x
) = 'x, x
`.
Demostraci on. La desigualdad
f(x) +f
(x
) 'x, x
`
siempre es cierta para cualquier elemento en X
debido a la denici on de f
. Esta es
conocida como la desigualdad de Fenchel. Por otro lado, si x
f(x) entonces
f(x) +'y x, x
` f(y) y X f
(x
) = sup
yX
'y, x
` f(y) 'x, x
` f(x).
15
2.3. SUBDIFERENCIAL CONVEXO
Ejemplo 2.3.1. Sea X un espacio de Hilbert y f la funci on denida por f(x) = |x|,
entonces
f(x) =
x/|x| si x = 0
B
X
si x = 0
donde B
X
= z X : |z| 1 es la bola unitaria en X.
Demostraci on. El caso x = 0 se obtiene mediante la Proposici on 2.3.2 ya que f() = ||
es diferenciable en X ` 0 (esto es cierto en todo evn reexivo). Sea x
f(0), de la
denici on de subgradiente observamos que
'y, x
` |y| y X |x
= sup
yX
y1
'y, x
` 1.
La siguiente proposici on permite calcular el operador inverso del subdiferencial de una
funci on convexa.
Proposici on 2.3.5. Para una funci on f : X IR + en
0
(X) (convexa, sci y
propia) se tiene que
x
f(x) x f
(x
).
Demostraci on. De la Proposici on 2.3.4 y recordando que f = f
obtenemos
x
f(x) f(x) +f
(x
) = 'x, x
`
f
(x) +f
(x
) = 'x, x
` x f
(x
).
La proposici on anterior es una extensi on de un resultado obtenido por Legendre. El
ya se haba percatado que el operador inverso del gradiente de una funci on convexa cor-
responda al gradiente de otra funci on convexa.
Proposici on 2.3.6. Para una funci on f : X IR + convexa se cumplen las
siguientes dos propiedades:
(a) f(x) = f(x) = f
(x)
(b) f(x) = f
(x) f(x) = f
(x).
16
2.3. SUBDIFERENCIAL CONVEXO
Demostraci on. Siempre se tiene f f
` es una
funci on lineal an de f
y como f
obtenemos
f
() f(x) +' x, x
`.
Evaluando en x se concluye f
(x) y x
(x
) = 'x, x
` f
(x) +f
(x
) = 'x, x
`.
Debido a que f
= (f
.
Asi,
f
(x) + (f
(x
) = 'x, x
`
lo que es equivalente a decir (por la Proposici on 2.3.4) x
(x).
Observando los pasos seguidos en la demostraci on anterior se deduce que siempre
f(x) f
(x).
17
2.3. SUBDIFERENCIAL CONVEXO
18
CAP
ITULO 3
Dualidad va perturbaciones
3.1 Problemas perturbados
Sea X un espacio vectorial normado (evn) y f : X IR + una funci on
convexa semicontinua inferior (sci) y propia (f
0
(X)). Consideremos el problema de
optimizaci on siguiente:
(P) mn
xX
f(x).
Al problema (P) lo llamaremos problema primal.
Supongamos que el problema (P) esta inmerso en una familia de problemas de opti-
mizaci on
(P
y
) v(y) = mn
xX
(x, y), (3.1.1)
donde y Y (evn llamado espacio de perturbaciones) y : X Y IR+ es una
funci on convexa, sci y propia (
0
(X Y )) tal que
(, 0) = f().
Ahora, consideremos la funci on conjugada de
: X
IR +
a la cual le asociamos la familia de problemas
w(x
) = mn
y
(x
, y
).
19
3.2. TEOREMAS DE DUALIDAD
Llamaremos problema dual asociado al problema primal (P) a
w(0) = mn
y
(0, y
).
Observe que al problema (D) podemos a su vez asociarle su problema dual utilizando la
conjugada de
(y
) = sup
yY
'y, y
`
Y,Y
v(y) = sup
yY
'y, y
`
Y,Y
inf
xX
(x, y)
= sup
yY
'y, y
`
Y,Y
+ sup
xX
(x, y) = sup
yY
sup
xX
'y, y
`
Y,Y
+'x, 0`
X,X
(x, y) =
(0, y
),
donde ', `
X,X
y ', `
Y,Y
son los pares de dualidad entre los espacios (X, X
) e (Y, Y
).
Durante el resto del apunte notaremos simplemente ', ` siempre y cuando no exista
confusi on.
3.2 Teoremas de dualidad
Consideremos y los valores de los problemas primal y dual respectivamente, es
decir,
(P) := mn
xX
(x, 0) (3.2.1)
y
(D) := mn
y
(0, y
), (3.2.2)
donde
0
(X Y ) con (, 0) = f()
0
(X). Recordemos que las funciones valor
est an dadas por
v(y) = mn
xX
(x, y) y w(x
) = mn
y
(x
, y
),
que pueden tomar valores en IR. Vimos que v() es una funci on convexa y que
v
() =
(0, ).
20
3.2. TEOREMAS DE DUALIDAD
Lo mismo se puede demostrar para la funci on valor w, es decir, w tambien es una funci on
convexa y w
(x) = (x, 0) = f(x). As los problemas primal y dual pueden ser escritos de
la siguiente forma
(P) mn
xX
w
(x) (3.2.3)
y
(D) mn
y
(y
). (3.2.4)
A continuaci on veremos dos resultados que relacionan los valores de los problemas
primal y dual. El primero de ellos es conocido como el Teorema de dualidad abstracta.
Para ello notaremos por S(P) y S(D) los conjunto soluciones de los problemas primal y
dual respectivamente, es decir, si x S(P) entonces f( x) f(x) para todo x X.
Teorema 3.2.1. Si v(0) = entonces
1. =
2. S(D) = v(0).
Equivalentemente, se obtiene que si w(0) = , entonces
1. =
2. S(P) = w(0).
Demostraci on. De la primera parte de la Proposici on 2.3.6 se tiene que si v(0) =
entonces = v(0) = v
(0) = sup
y
'0, y
` v
(y
) = inf
y
(y
) = .
Por otro lado, dado que v(0) = v
(0). Si y
(y
) y dado que v
0
(Y
(0) = v(0).
La demostraci on de la segunda parte del teorema es an aloga a la anterior.
El teorema anterior nos da una caracterizaci on del conjunto de soluciones del problema
dual S(D) adem as de una relaci on entre los valores de los problemas primal y dual. Ahora
veremos un resultado similar, conocido como el Teorema de dualidad pr actico, con una
21
3.2. TEOREMAS DE DUALIDAD
hip otesis, a priori, m as f acil de vericar. Para esto necesitaremos los teoremas que damos
a continuaci on y cuyas demostraciones pueden ser vistas en [1].
Antes, recordemos que una funci on f : X IR + es localmente acotada en
x domf si existe una vecindad V
x
de x y R IR tal que
f(y) R y V
x
.
Por otro lado, la funci on f ser a localmente Lipschitz en x domf (y por lo tanto
continua en x) si existe una vecindad V
x
de x y una constante L > 0 (que depende de x)
tal que
[f(y) f(y
)[ L|y y
| y, y
V
x
.
Teorema 3.2.2. Si f : X IR+ es un funci on convexa, entonces f es localmente
acotada en x domf s y s olo si f es localmente Lipschitz en x.
Demostraci on. Ver [1] Teorema 2.1.1.
Teorema 3.2.3. Si f : X IR+ es convexa, nita y continua en x X entonces
f(x) = .
Demostraci on. Ver [1] Teorema 2.4.1.
Teorema 3.2.4. Consideremos el esquema de dualidad (3.2.1) y (3.2.2) asociado a la
funci on
0
(XY ). Supongamos que existe x
0
X tal que la funci on (x
0
, ) es nita
y continua en y = 0. Entonces, v(0) = = , o se tiene
1. + = 0
2. S(D) = v(0) =
Demostraci on. Sea V un vecindad de y = 0 en el evn Y tal que
(x
0
, y) (x
0
, 0) + 1 y V.
Dado que v(y) (x
0
, y) se tendr a que la funci on convexa v es acotada en V (vecindad
de cero en Y ) y por el Teorema 3.2.2, v() es continua en y = 0. Si v(0) > , entonces
por el Teorema 3.2.3 se tiene que v(0) = y gracias al Teorema de la dualidad abstracto
3.2.1 conclumos ya que si v(0) es nito entonces + = 0.
22
3.2. TEOREMAS DE DUALIDAD
La hip otesis del teorema de dualidad 3.2.4 se conoce como condici on de calicaci on
primal. Observe que siguiendo una demostraci on an aloga a este teorema y utilizando la
segunda parte del Teorema 3.2.1 se puede obtener un resultado con condiciones sobre la
funci on
0
(X
ITULO 4
Aplicaciones
En este ultimo captulo son presentados dos ejemplos donde se aplican los resultados de
la dualidad vistos en las unidades precedentes. El primero es el problema de programaci on
lineal en dimensi on nita y el segundo es el problema de Dirichlet.
4.1 Programaci on lineal
Sea IR
n
y IR
m
dotados del producto interno habitual (que notaremos de la misma
manera)
'x, x
` =
n
i=1
x
i
x
i
x = (x
1
, . . . , x
n
), x
= (x
1
, . . . , x
n
) IR
n
,
'y, y
` =
m
i=1
y
i
y
i
y = (y
1
, . . . , y
m
), y
= (y
1
, . . . , y
m
) IR
m
,
y la norma Euclidiana inducida
|x|
2
n
= 'x, x` =
n
i=1
x
2
i
x = (x
1
, . . . , x
n
) IR
n
,
|y|
2
m
= 'y, y` =
m
i=1
y
2
i
y = (y
1
, . . . , y
m
) IR
m
.
25
4.1. PROGRAMACI
ON LINEAL
Dado los vectores c IR
n
, b IR
m
y la matriz A M
mn
(matrices de m las y n
columnas) se desea estudiar el problema de optimizaci on
(P) inf
xIR
n
Axb
'c, x`
donde la desigualdad Ax b es componente a componente. El problema (P) es conocido
como programaci on lineal.
Sea X = IR
n
e Y = IR
m
. Consideremos la funci on : X Y IR + denida
por
(x, y) =
'c, x` si Ax b y
+ si no.
Observe que si Ax b, entonces (0, x) = 'c, x`.
Es directo mostrar que es convexa y semicontinua inferior (sci). Calculemos la con-
jugada de Fenchel de la funci on :
(x
, y
) = sup
(x,y)XY
'x, x
` +'y, y
` (x, y) = sup
(x,y)XY
Axby
'x, x
` +'y, y
` 'c, x`.
Si existe una cordenada i de y
= IR
m
negativa (i.e. y
i
< 0), entonces tomando
x = 0 y haciendo tender y
i
se obtiene que el supremo anterior es +.
Supongamos y
0 (i.e. y
i
0 para todo i). En este caso se tiene que el mayor valor
de 'y, y
(x
, y
) = sup
xX
'x, x
` +'b Ax, y
` 'c, x` = sup
xX
'x, x
c` +'b, y
`,
con A
c es distinta
de cero, el supremo anterior es + y por lo tanto
(x
, y
) =
'b, y
` si y
0 y A
+c = x
+ si no.
Por lo anterior, el problema dual (D) asociado al problema primal (P) se escribe
(D) inf
y
IR
m
(0, y
) = inf
y
IR
m
A
+c=0
y
0
'b, y
`.
Veamos ahora c omo se traduce la condici on de calicaci on primal, es decir, que signica
que exista x
0
X = IR
n
tal que (x
0
, ) sea nita y continua en y = 0 Y = IR
m
.
26
4.2. PROBLEMA DE DIRICHLET
Directamente se observa que (x
0
, ) es nita y continua en cero s y s olo si (ssi) Ax
0
< b.
De hecho, el que (x
0
, ) sea nita en y = 0 es equivalente a Ax
0
b. Si Ax
0
= b, restando
una peque na perturbaci on y al lado derecho tal que Ax
0
> by se tendra (x
0
, y) = +.
Esto implica que (x
0
, ) no es continua en y = 0 (pasa de 'c, x
0
` a +). Por lo tanto,
el caso Ax
0
< b nos asegura que para peque nas perturbaciones se mantenga la condici on
Ax
0
b y y as (x
0
, y) = 'c, x
0
` en una vecindad de cero (funci on continua). Esta
condici on ( x
0
IR
n
tal que Ax
0
< b) es conocida como la condici on de Slater.
Aplicando el Teorema de la dualidad 3.2.4 deducimos que bajo la condici on de Slater
y si el problema primal (P) satisface
inf
xIR
n
Axb
'c, x` > ,
entonces
inf
xIR
n
Axb
'c, x` + inf
y
IR
m
A
+c=0
y
0
'b, y
` = 0 (4.1.1)
y se tiene que el conjunto de soluciones del problema dual S(D) = v(0) es no vaco.
Por otro lado, observamos que la funci on valor del problema dual es dada por
w(x
) := inf
y
IR
m
A
+c=x
0
'b, y
`.
Se puede probar, gracias al Teorema 3.2.3 que, dada la particular estructura de w(), se
tiene w(0) IR w(0) = . As, debido a (4.1.1) y al Teorema de dualidad 3.2.1
probamos que el conjunto de soluciones del problema primal S(P) = w(0) es no vaco.
4.2 Problema de Dirichlet
Para estudiar el presente problema se recomienda revisar la literartura en Teora de
distribuciones y espacios de Sobolev [3].
Sea IR
n
un conjunto abierto y acotado. Consideraremos los siguientes espacios:
L
2
() =
u : IR [
u
2
(x)dx < +
L
2
()
n
= w = (w
1
, . . . , w
n
) : IR
n
[ w
i
L
2
()
H
1
0
() =
u L
2
() [
u
x
i
existe (sentido debil) y est a en L
2
(), u = 0 en
.
27
4.2. PROBLEMA DE DIRICHLET
Observe que si u H
1
0
() entonces el gradiente debil u =
u
x
1
, . . . ,
u
x
n
est a en
L
2
()
n
.
Las normas a utilizar son:
|u|
L
2
()
=
u
2
(x)dx
1
2
|w|
L
2
()
n =
i=1
|w
i
|
2
L
2
()
1
2
|u|
H
1
0
()
=
|u(x)|
2
2
dx
1
2
= |u|
L
2
()
n,
donde | |
2
es la norma Euclidiana en IR
n
.
Dado que el evn (L
2
(), ||
L
2
()
) es un espacio de Hilbert, identicamos su dual con el
mismo. Lo mismo para el evn (L
2
()
n
, ||
L
2
()
n). El espacio dual del evn (H
1
0
(), ||
H
1
0
()
)
se denota por H
1
().
Los productos de dualidad entre los diferentes espacios y sus duales los notaremos
', `
L
2
(),L
2
()
, ', `
L
2
()
n
,L
2
()
n y ', `
H
1
0
(),H
1
()
donde
'u, u
`
L
2
(),L
2
()
=
u(x)u
(x)dx u, u
L
2
()
'w, w
`
L
2
()
n
,L
2
()
n =
n
i=1
w
i
(x)w
i
(x)dx =
n
i=1
'w
i
, w
i
`
L
2
(),L
2
()
w, w
L
2
()
n
'u, u
`
H
1
0
(),H
1
()
=
u(x)u
(x)dx u H
1
0
(), u
H
1
().
Recordemos que dados dos espacios vectoriales normados (evn) X e Y y un operador
lineal continuo A : X Y , su operador adjunto (que resulta ser lineal continuo)
A
: Y
`
X,X
= 'Ax, y
`
Y,Y
x X, y
.
De esta forma, dado un operador continuo A = (A
1
, . . . , A
n
) : H
1
0
() L
2
()
n
se
dene su operador adjunto A
: L
2
()
n
H
1
() mediante la relaci on
'u
, A
`
H
1
0
(),H
1
()
= 'Au
, w
`
L
2
()
n
,L
2
()
n =
n
i=1
A
i
u
(x)w
(x)dx
28
4.2. PROBLEMA DE DIRICHLET
para todo w
L
2
()
n
, u
H
1
0
().
Para el estudio de nuestro problema, supongamos A : H
1
0
() L
2
()
n
dado por
Au = u (operador lineal y continuo). El operador adjunto A
: L
2
()
n
H
1
()
estar a dado por
'u
, A
`
H
1
0
(),H
1
()
= 'Au
, w
`
L
2
()
n
,L
2
()
n =
n
i=1
x
i
(x)w
(x)dx
para todo w
L
2
()
n
, u
H
1
0
().
Integrando por partes, y recordando que si u
H
1
0
() entonces u
= 0 en , se
obtiene
n
i=1
x
i
(x)w
(x)dx =
n
i=1
x
i
(x)u
(x)dx = 'u
, div w
`
H
1
0
(),H
1
()
,
donde el funcional div : L
2
()
n
H
1
() est a denido por
div w
:=
n
i=1
w
x
i
H
1
() w
L
2
()
n
.
Por todo lo anterior se tendr a que A
= div .
Antes de pasar al problema propiamente tal calculemos una conjugada de Fenchel que
nos ser a util. Sean X e Y dos evn. Considere las funciones F
0
(X) y G
0
(Y ). Para
un operador lineal continuo A : X Y se dene la funci on : X Y IR +
dada por
(x, y) = F(x) +G(Ax +y).
Es directo probar que
0
(X Y ). Calculemos ahora su conjugada
(x
, y
) = sup
xX
yY
'x, x
`
X,X
+'y, y
`
Y,Y
F(x) G(Ax +y).
Si hacemos el cambio de variable z = Ax +y se tiene
(x
, y
) = sup
xX
zY
'x, x
`
X,X
+'z Ax, y
`
Y,Y
F(x) G(z)
= sup
xX
zY
'x, x
`
X,X
+'z, y
`
Y,Y
'x, A
`
X,X
F(x) G(z)
= sup
xX
'x, x
`
X,X
F(x) + sup
zY
'z, y
`
Y,Y
G(z) = F
(x
) +G(y
),
29
4.2. PROBLEMA DE DIRICHLET
donde A
: Y
es el operador adjunto de A.
Ahora consideremos los espacios X = H
1
0
() e Y = L
2
()
n
con sus respectivos duales
topol ogicos X
= H
1
() e Y
= L
2
()
n
. Dada una funci on v : IR en L
2
(), el
problema a estudiar es
(P) inf
uH
1
0
()
1
2
|u(x)|
2
2
dx
u(x)v(x)dx = inf
uH
1
0
()
1
2
|u|
2
L
2
()
n'u, v`
H
1
0
(),H
1
()
.
Si tomamos los funcionales F : H
1
0
() IR, G : L
2
()
n
IR y A : H
1
0
() L
2
()
n
denidos por
F(u) =
u(x)v(x)dx = 'u, v`
H
1
0
(),H
1
()
u H
1
0
()
G(u
) =
1
2
|u
(x)|
2
2
dx =
1
2
|u
|
2
L
2
()
n u
L
2
()
n
Au = u u H
1
0
(),
es directo probar que F
0
(X) (es lineal y continuo) y G
0
(Y ) (es continuo y
estrictamente convexo). Si denimos la funci on : X Y IR por
(u, w) = F(u) +G(Au +w)
se tiene que el problema (P) puede ser escrito como
(P) inf
uH
1
0
()
F(u) +G(Au) = inf
uH
1
0
()
(u, 0).
Observe tambien que
0
(X Y ).
Por el c alculo hecho anteriormente se tiene
(u
, w
) = F
(u
) +G
(w
),
donde
G
(w
) = G(w
= div w
.
Calculemos F
:
F
(u
) = sup
uH
1
0
()
'u, u
`
H
1
0
(),H
1
()
+'u, v`
H
1
0
(),H
1
()
= sup
uH
1
0
()
'u, u
+v`
H
1
0
(),H
1
()
,
30
4.2. PROBLEMA DE DIRICHLET
por lo tanto
F
(u
) =
0 si u
= v
+ si no,
y entonces
F
(A
) =
0 si div w
= v
+ si no.
De esta forma el problema dual (D) est a dado por
(D) inf
w
(0, w
) = inf
w
L
2
()
n
F
(A
) +G
(w
)
= inf
w
L
2
()
n
div w
= v
1
2
|w
|
2
L
2
()
n.
La calicaci on primal se tendr a ya que para u
0
= 0 se tiene que (0, ) = G() es una
funci on nita y continua en w = 0 L
2
()
n
. Por otro lado, es f acil probar que la funci on
F(u) + G(Au) es estrictamente convexa y coerciva, al igual que la funci on G
= G. Del
Teorema 2.1.1 se deduce
(P) < inf
uH
1
0
()
F(u) +G(Au),
por lo tanto el conjunto de soluciones S(D) del problema dual (D) es no vaco. De hecho
existe una unica soluci on por ser G
(, w
0
)) no se tiene. De la teora general de espacios de
Sobolev recordamos que X = H
1
0
() es un espacio reexivo y aplicando el Teorema 2.1.1
conclumos que existe un unico u soluci on del problema primal (P).
Para terminar, sea u la soluci on de (P) y w
L
2
()
n
div w
= v
1
2
|w
|
2
L
2
()
n
=
1
2
| u|
2
L
2
()
n ' u, v`
H
1
0
(),H
1
()
+
1
2
| w
|
2
L
2
()
n.
Dado que div w
= v, remplazando se tiene
0 =
1
2
| u|
2
L
2
()
n +' u, div w
`
H
1
0
(),H
1
()
+
1
2
| w
|
2
L
2
()
n.
Dado que A = y A
= div se observa
0 =
1
2
| u|
2
L
2
()
n +' u, div w
`
H
1
0
(),H
1
()
+
1
2
| w
|
2
L
2
()
n
31
4.2. PROBLEMA DE DIRICHLET
=
1
2
| u|
2
L
2
()
n ' u, w
`
L
2
()
n
,L
2
()
n +
1
2
| w
|
2
L
2
()
n =
1
2
| u w
|
2
L
2
()
n.
La ultima igualdad es debida a que en un espacio de Hilbert (H, ', `) se tiene que la
norma est a denida por |x|
2
= 'x, x` y por lo tanto
|x y|
2
= |x|
2
2'x, y` +|y|
2
.
Finalmente, hemos demostrado que si u es la soluci on de (P) y w
la soluci on de (D)
entonces
u = w
div w
= v
lo que implica
div u = u =
n
i=1
2
u
x
2
i
= v,
y como u est a en H
1
0
() se concluye
u(x) = v(x) x
u(x) = 0 x .
Un an alisis similar al anterior para otros problemas variacionales como el problema de
Stokes o el de la torsi on elasto-pl astica se encuentra en [1]. Para mayor profundidad en el
estudio de problemas variacionales en espacios de Sobolev se recomienda revisar [2].
32
Bibliografa
[1] F. Alvarez, An alisis Convexo y Dualidad, Apunte del Departamento de Ingeniera
Matem atica, Universidad de Chile (2005).
Disponible en http://www.dim.uchile.cl/~pgajardo/apunteFAlvarez.pdf
[2] H. Attouch, G. Buttazzo y G. Michaille, Variational Analysis in Sobolev and BV
spaces, MPS-SIAM Series on Optimization (2005).
[3] H. Brezis, Analyse fonctionnelle Masson, Paris, (1983).
[4] J.-B. Hiriart-Urruty y C. Lemarechal, Convex analysis and minimization algorithms.
I. Fundamentals, Grundlehren der Mathematischen Wissenschaften [Fundamental
Principles of Mathematical Sciences], 305. Springer-Verlag, Berlin, (1993).
[5] J.-B. Hiriart-Urruty y C. Lemarechal, Convex analysis and minimization algorithms.
II. Advanced theory and bundle methods, Grundlehren der Mathematischen Wis-
senschaften [Fundamental Principles of Mathematical Sciences], 306. Springer-Verlag,
Berlin, (1993).
[6] T.R. Rockafellar, Convex Analysis, Princeton Mathematical Series, No. 28 Princeton
University Press, Princeton, N.J. (1970).
33