Conjuntos convexos

Ejemplos de conjuntos convexos en R2

CONVEXIDAD
Conjuntos convexos Convexidad de funciones

DEFINICION: Un conjunto A es convexo

cuando
x, y A y [0,1] se cumple x + (1 ) y A

x + (1 ) y
R2
y

Conjunto convexo:

=0 = 1/ 2
x

=1

Cualquier segmento que una puntos que pertenezcan al conjunto, est completamente contenido dentro del propio conjunto

Conjuntos no convexos:

Combinacin lineal convexa de m puntos

x = 1x1 + 2 x 2 + K + m x m siendo 1 0, 2 0,..., m 0 1 + 2 + K + m = 1 x1 , x 2 ,K, x m R n

Combinaciones lineales convexas

Combinaciones lineales convexas

Poliedro convexo generado por un conjunto de puntos

Conjunto formado por todas las

Propiedades de los conjuntos convexos

Un conjunto es convexo si y solo si toda

combinaciones lineales convexas (CLC) de los puntos generadores

CLC de puntos del propio conjunto pertenece al conjunto La interseccin de conjuntos convexos sigue siendo un conjunto convexo

Propiedades de los conjuntos convexos

En general, ni la unin ni la diferencia de

Envoltura convexa de un conjunto

Es el menor conjunto convexo que lo

conjuntos convexos produce un conjunto convexo

contiene Interseccin de todos los conjuntos convexos que lo contienen

Vrtices de un conjunto convexo

Un vrtice es un punto del conjunto que no puede ser expresado como CLC de otros dos puntos diferentes del propio conjunto

Tipos especiales de conjuntos convexos

Hiperplanos
H = x = ( x1 ,..., xn ) R n a1 x1 + am x2 + K + am xm = b

Convexidad de funciones
Una funcin definida sobre un dominio

convexo D, es convexa cuando

x, y D y [0,1] se cumple f (x + (1 ) y ) f ( x) + (1 ) f ( y )

Semiespacios

{ S = {x = ( x ,..., x ) R
1 n

S = x = ( x1 ,..., xn ) R a1 x1 + am x2 + K + am xm b
n n

a1 x1 + am x2 + K + am xm

} < b}

Una funcin definida sobre un dominio

Poltopos: conjuntos que se expresan

convexo D, es estrictamente convexa cuando

x, y D y (0,1) se cumple f (x + (1 ) y ) < f ( x ) + (1 ) f ( y )

como interseccin de un nmero finito de semiespacios cerrados

Caso de funciones de una variable f(x)

f(y)

Una funcin es convexa cuando el segmento que une dos puntos cualesquiera de la grfica de la funcin queda siempre por encima de la grfica. Si el segmento queda siempre estrictamente por encima (salvo en los extremos), entonces la convexidad es adems estricta Toda funcin estrictamente convexa es tambin convexa

f( x)+(1-) f( y)

f(x)
f(x+(1-)y)

x+(1-)y

Diferencia entre convexidad y convexidad estricta

Funcin f(x,y)=x2+y2

Funcin convexa (no estrictamente)

Funcin estrictamente convexa

Funciones cncavas
Una funcin definida sobre un dominio

Funciones cncavas de una sola variable

convexo D, es cncava cuando

x, y D y [0,1] se cumple f (x + (1 ) y ) f ( x ) + (1 ) f ( y )
Una funcin definida sobre un dominio

convexo D, es estrictamente cncava cuando

x, y D y (0,1) se cumple f (x + (1 ) y ) > f ( x) + (1 ) f ( y )

Funcin cncava (no estrictamente)

Funcin estrictamente cncava

Funcin cncava de dos variables

Funciones que no son cncavas ni convexas

Funcin f(x,y)=1-2x2-3y2

Propiedades de las funciones convexas

Si f(x) es una funcin convexa entonces la

Las funciones lineales son a la vez

cncavas y convexas, pero no estrictamente

funcin opuesta f(x) es cncava, y viceversa

f ( x1 , x2 , L , xn ) = c1 x1 + c2 x2 + L + cn xn + d
Caso de funciones de una variable: f(x) = cx+d

f(x) f(x)
f(x+(1-)y) = f(x)+(1-)f(y)

 La suma de funciones convexas sigue siendo

una funcin convexa

La suma de funciones cncavas sigue siendo

Relacin entre conjuntos y funciones convexas

Si una funcin f(x) es convexa entonces

una funcin cncava Cualquier combinacin lineal con coeficientes positivos de funciones convexas es tambin una funcin convexa

S k = {x f ( x) k }

es un conjunto convexo para cualquier valor de k

Si una funcin g(x) es cncava entonces

1 0, 2 0, K , k 0 1 f1 ( x) + 2 f 2 (x) + L + k f k ( x) es convexa

f1 ( x), f 2 ( x), K , f k ( x) funciones convexas

Tk = {x g ( x) k }

es un conjunto convexo para cualquier valor de k

Si una funcin h(x) es lineal (cncava y

convexa) entonces los siguientes conjuntos son siempre convexos

S k = {x h( x) k } Tk = {x h( x ) k }
H k = {x h( x ) = k }
Semiespacio

EJEMPLO: Para estudiar si el siguiente conjunto es convexo

x12 + 3 x2 10 2 A = ( x1 , x2 ) x1 2 x12 x2 7 5 x1 + 2 x2 = 15
bastara comprobar que:

Semiespacio

Hiperplano

f ( x1 , x2 ) = x12 + 3 x2
2 1

es una funcin convexa

2 g ( x1 , x2 ) = x1 2 x x2 es una funcin cncava

h( x1 , x2 ) = 5 x1 + 2 x2

es una funcin lineal

Estudio de la convexidad de funciones diferenciables

Se puede estudiar la convexidad a partir del

Clasificacin de matrices simtricas

Una matriz cuadrada simtrica A se dice... Semidefinida positiva cuando xTAx 0 para cualquier vector x Semidefinida negativa cuando xTAx 0 para cualquier vector x Definida positiva cuando xTAx > 0 para cualquier vector x no nulo Definida negativa cuando xTAx < 0 para cualquier vector x no nulo Indefinida cuando la expresin xTAx toma valores positivos o negativos dependiendo del vector x

estudio de la matriz hessiana

2 f 2 x1 2 f Hf ( x1 , x2 ) = x x 2 1 L 2 f x x n 1 2 f x1 x2 2 f 2 x2 L 2 f xn x2 2 f x1 xn 2 f L x2 xn L L 2 f L 2 xn L

Bajo ciertas condiciones de regularidad, la matriz hessiana de una funcin es una matriz simtrica

Clasificacin a partir de los autovalores

Los autovalores de la matriz A son las

Una vez calculados los autovalores de una

matriz simtrica, se tiene:

races del polinomio caracterstico:

a11 a12 a21 L an1 a22 L L L an 2 L a1n a2 n L

det( A I ) =

= 0 1 , 2 ,..., n

L ann

Los autovalores de una matriz simtrica son siempre nmeros reales

A es definida positiva si y solo si los autovalores son todos estrictamente positivos. A es definida negativa si y solo si los autovalores son todos estrictamente negativos. A es semidefinida positiva si y solo si los autovalores son todos mayores o iguales a cero. A es semidefinida negativa si y solo si los autovalores son todos menores o iguales a cero. A es indefinida si existen dos autovalores de diferentes signos.

Clasificacin a partir de los menores principales

Los menores principales de la matriz A son n

A es definida positiva si y solo si todos los menores

nmeros reales obtenidos de la siguiente forma:

principales son estrictamente positivos: 1 > 0, 2 > 0, 3 > 0,..., n > 0 A es definida negativa si y solo si los menores son todos ellos no nulos y de signo alterno, siendo siempre el primero negativo: 1 < 0, 2 > 0, 3 < 0, 4 > 0,... Si todos los menores son estrictamente positivos salvo el ltimo que es nulo, entonces la matriz A es semidefinida positiva. 1 > 0, 2 > 0, 3 > 0,..., n = 0 Si los menores son todos de no nulos, salvo el ltimo, y adems de signo alterno, siendo el primero negativo, entonces A es semidefinida negativa. 1 < 0, 2 > 0, 3 < 0, 4 > 0,..., n = 0

Si todos los menores son diferentes de cero, salvo

posiblemente el ltimo, pero ni son todos positivos ni se alternan en el signo, entonces la matriz es indefinida. Cuando existe un menor nulo que no es el ltimo el criterio de los menores principales no permite clasificar la matriz Ejemplo: 1 = 12 >0 2 = 0 3 = 5 > 0 4 = 0

Estudio de la convexidad de la funcin a partir de la clasificacin de su matriz hessiana

f(x) es convexa si y solo si Hf(x) es

semidefinida positiva para cualquier x en el dominio de la funcin. f(x) es cncava si y solo si Hf(x) es semidefinida negativa para cualquier x. Si Hf(x) es definida positiva para cualquier x entonces f(x) es estrictamente convexa. Si Hf(x) es definida negativa para cualquier x entonces f(x) es estrictamente cncava.