Generalización de la transformación de Legendre
En matemáticas y optimización matemática , el conjugado convexo de una función es una generalización de la transformación de Legendre que se aplica a funciones no convexas. También se conoce como transformación de Legendre-Fenchel , transformación de Fenchel o conjugado de Fenchel (en honor a Adrien-Marie Legendre y Werner Fenchel ). En particular, permite una generalización de gran alcance de la dualidad lagrangiana.
Definición
Sea un espacio vectorial topológico real y sea el espacio dual a . Denotamos por
![{\displaystyle X^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \langle \cdot ,\cdot \rangle :X^{*}\times X\to \mathbb {R} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
el emparejamiento dual canónico , que se define por
Para una función que toma valores en la recta numérica real extendida , su conjugada convexa es la función![{\displaystyle f:X\to \mathbb {R} \cup \{-\infty ,+\infty \}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}:X^{*}\to \mathbb {R} \cup \{-\infty ,+\infty \}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
cuyo valor en se define como el supremo :![{\displaystyle x^{*}\en X^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}\left(x^{*}\right):=\sup \left\{\left\langle x^{*},x\right\rangle -f(x)~\colon ~x\en X\right\},}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
o, de manera equivalente, en términos del mínimo :
![{\displaystyle f^{*}\left(x^{*}\right):=-\inf \left\{f(x)-\left\langle x^{*},x\right\rangle ~\ dos puntos ~x\en X\derecha\}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Esta definición puede interpretarse como una codificación del casco convexo del epígrafe de la función en términos de sus hiperplanos de soporte . [1]
Ejemplos
Para obtener más ejemplos, consulte § Tabla de conjugados convexos seleccionados.
- El conjugado convexo de una función afín es
![{\displaystyle f(x)=\left\langle a,x\right\rangle -b}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}\left(x^{*}\right)={\begin{cases}b,&x^{*}=a\\+\infty ,&x^{*}\neq a. \end{casos}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- El conjugado convexo de una función de potencia es
![{\displaystyle f(x)={\frac {1}{p}}|x|^{p},1<p<\infty }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}\left(x^{*}\right)={\frac {1}{q}}|x^{*}|^{q},1<q<\infty,{ \text{dónde}}{\tfrac {1}{p}}+{\tfrac {1}{q}}=1.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- El conjugado convexo de la función de valor absoluto es
![{\displaystyle f(x)=\left|x\right|}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}\left(x^{*}\right)={\begin{cases}0,&\left|x^{*}\right|\leq 1\\\infty,&\ izquierda|x^{*}\derecha|>1.\end{casos}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- El conjugado convexo de la función exponencial es
![{\displaystyle f(x)=e^{x}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}\left(x^{*}\right)={\begin{cases}x^{*}\ln x^{*}-x^{*},&x^{*} >0\\0,&x^{*}=0\\\infty ,&x^{*}<0.\end{casos}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
El conjugado convexo y la transformada de Legendre de la función exponencial coinciden excepto que el dominio del conjugado convexo es estrictamente mayor ya que la transformada de Legendre solo está definida para números reales positivos.
Conexión con el déficit esperado (valor promedio en riesgo)
Vea este artículo, por ejemplo.
Sea F una función de distribución acumulativa de una variable aleatoria X. Luego (integrando por partes),
![{\displaystyle f(x):=\int _{-\infty }^{x}F(u)\,du=\operatorname {E} \left[\max(0,xX)\right]=x- \operatorname {E} \left[\min(x,X)\right]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}(p)=\int _{0}^{p}F^{-1}(q)\,dq=(p-1)F^{-1}(p)+ \operatorname {E} \left[\min(F^{-1}(p),X)\right]=pF^{-1}(p)-\operatorname {E} \left[\max(0, F^{-1}(p)-X)\derecha].}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Realizar pedidos
Una interpretación particular tiene la transformación
![{\displaystyle f^{\text{inc}}(x):=\arg \sup _{t}t\cdot x-\int _{0}^{1}\max\{tf(u),0 \}\,du,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
ff![{\displaystyle f^{\text{inc}}=f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Propiedades
El conjugado convexo de una función convexa cerrada es nuevamente una función convexa cerrada. El conjugado convexo de una función convexa poliédrica (una función convexa con epígrafe poliédrico ) es nuevamente una función convexa poliédrica.
Inversión de orden
Declare que si y solo si para todos Entonces la conjugación convexa invierte el orden , lo que por definición significa que si entonces![{\displaystyle f\leq g}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f(x)\leq g(x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle x.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f\leq g}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Para una familia de funciones se deduce del hecho de que los supremos pueden intercambiarse que![{\displaystyle \left(f_{\alpha }\right)_{\alpha }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left(\inf _{\alpha }f_{\alpha }\right)^{*}(x^{*})=\sup _{\alpha }f_{\alpha }^{*}( x^{*}),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
y de la desigualdad máxima-mínima que
![{\displaystyle \left(\sup _{\alpha }f_{\alpha }\right)^{*}(x^{*})\leq \inf _{\alpha }f_{\alpha }^{*} (x^{*}).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
biconjugado
La conjugada convexa de una función siempre es semicontinua inferior . El biconjugado (el conjugado convexo del conjugado convexo) es también la carcasa convexa cerrada , es decir, la función convexa semicontinua inferior más grande con
Para funciones propias![{\displaystyle f^{**}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
si y solo si es convexo y semicontinuo inferior, según el teorema de Fenchel-Moreau .![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La desigualdad de Fenchel
Para cualquier función f y su conjugado convexo f * , la desigualdad de Fenchel (también conocida como desigualdad de Fenchel-Young ) es válida para todos y :![{\displaystyle x\en X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle p\en X^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left\langle p,x\right\rangle \leq f(x)+f^{*}(p).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Además, la igualdad se cumple sólo cuando . La prueba se desprende de la definición de conjugado convexo:![{\displaystyle p\in \partial f(x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{*}(p)=\sup _{\tilde {x}}\left\{\langle p,{\tilde {x}}\rangle -f({\tilde {x}}) \right\}\geq \langle p,x\rangle -f(x).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Convexidad
Para dos funciones y un número, la relación de convexidad. ![{\ Displaystyle f_ {0}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ Displaystyle f_ {1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 0\leq \lambda \leq 1}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left((1-\lambda )f_{0}+\lambda f_{1}\right)^{*}\leq (1-\lambda )f_{0}^{*}+\lambda f_ {1}^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
sostiene. La operación es en sí misma un mapeo convexo.![{\displaystyle {*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
convolución íntima
La convolución íntima (o epi-suma) de dos funciones y se define como![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle g}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left(f\operatorname {\Box } g\right)(x)=\inf \left\{f(xy)+g(y)\mid y\in \mathbb {R} ^{n} \bien\}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Sean funciones propias , convexas y semicontinuas inferiores en Entonces la convolución mínima es convexa y semicontinua inferior (pero no necesariamente propia), [2] y satisface![{\displaystyle f_{1},\ldots,f_{m}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbb {R} ^{n}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left(f_{1}\operatorname {\Box } \cdots \operatorname {\Box } f_{m}\right)^{*}=f_{1}^{*}+\cdots +f_{ m}^{*}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La convolución mínima de dos funciones tiene una interpretación geométrica: el epígrafe (estricto) de la convolución mínima de dos funciones es la suma de Minkowski de los epígrafes (estrictos) de esas funciones. [3]
Maximizando el argumento
Si la función es diferenciable, entonces su derivada es el argumento maximizador en el cálculo del conjugado convexo:![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
y![{\displaystyle f^{{*}\prime }\left(x^{*}\right)=x\left(x^{*}\right):=\arg \sup _{x}{\langle x ,x^{*}\rangle }-f(x);}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
por eso
![{\displaystyle x=\nabla f^{*}\left(\nabla f(x)\right),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle x^{*}=\nabla f\left(\nabla f^{*}\left(x^{*}\right)\right),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
y además
![{\displaystyle f^{\prime \prime }(x)\cdot f^{{*}\prime \prime }\left(x^{*}(x)\right)=1,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f^{{*}\prime \prime }\left(x^{*}\right)\cdot f^{\prime \prime }\left(x(x^{*})\right)= 1.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Propiedades de escala
Si para algunos , entonces
![{\displaystyle g(x)=\alpha +\beta x+\gamma \cdot f\left(\lambda x+\delta \right)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle g^{*}\left(x^{*}\right)=-\alpha -\delta {\frac {x^{*}-\beta }{\lambda }}+\gamma \cdot f ^{*}\left({\frac {x^{*}-\beta }{\lambda \gamma }}\right).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Comportamiento bajo transformaciones lineales.
Sea un operador lineal acotado . Para cualquier función convexa en![{\displaystyle A:X\a Y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left(Af\right)^{*}=f^{*}A^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
dónde
![{\displaystyle (Af)(y)=\inf\{f(x):x\in X,Ax=y\}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
es la preimagen de con respecto a y es el operador adjunto de [4]![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Una función convexa cerrada es simétrica con respecto a un conjunto dado de transformaciones lineales ortogonales ,![{\displaystyle f}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
para todos y todas![{\displaystyle x}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A\en G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
si y sólo si su conjugado convexo es simétrico con respecto a![{\displaystyle f^{*}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Tabla de conjugados convexos seleccionados
La siguiente tabla proporciona transformaciones de Legendre para muchas funciones comunes, así como algunas propiedades útiles. [5]
Ver también
Referencias
- ^ "Transformación legendaria" . Consultado el 14 de abril de 2019 .
- ^ Phelps, Robert (1993). Funciones convexas, operadores monótonos y diferenciabilidad (2 ed.). Saltador. pag. 42.ISBN 0-387-56715-1.
- ^ Bauschke, Heinz H.; Goebel, Rafal; Lucet, Yves; Wang, Xianfu (2008). "El promedio proximal: teoría básica". Revista SIAM sobre Optimización . 19 (2): 766. CiteSeerX 10.1.1.546.4270 . doi : 10.1137/070687542.
- ^ Ioffe, AD y Tichomirov, VM (1979), Theorie der Extremalaufgaben . Deutscher Verlag der Wissenschaften . Satz 3.4.3
- ^ Borwein, Jonathan ; Lewis, Adrián (2006). Análisis convexo y optimización no lineal: teoría y ejemplos (2 ed.). Saltador. págs. 50–51. ISBN 978-0-387-29570-1.
Otras lecturas
- Touchette, Hugo (16 de octubre de 2014). "Legendre-Fenchel se transforma en pocas palabras" (PDF) . Archivado desde el original (PDF) el 7 de abril de 2017 . Consultado el 9 de enero de 2017 .
- Touchette, Hugo (21 de noviembre de 2006). "Elementos del análisis convexo" (PDF) . Archivado desde el original (PDF) el 26 de mayo de 2015 . Consultado el 26 de marzo de 2008 .
- «Legendre y Legendre-Fenchel se transforma en una explicación paso a paso» . Consultado el 18 de mayo de 2013 .
- Ellerman, David Patterson (21 de marzo de 1995). "Capítulo 12: Suma paralela, dualidad en series paralelas y matemáticas financieras". La invasión intelectual como forma de vida: ensayos sobre filosofía, economía y matemáticas (PDF) . La filosofía mundana: estudios en intersección de filosofía y economía. Rowman & Littlefield Publishers, Inc. págs. 237–268. ISBN 0-8476-7932-2. Archivado (PDF) desde el original el 5 de marzo de 2016 . Consultado el 9 de agosto de 2019 .
Serie G - Serie de Referencia, Información y Temas Interdisciplinarios
[1] (271 páginas)