Conjuntos convexos

Ejemplos de conjuntos convexos en R2

CONVEXIDAD
DEFINICION: Un conjunto A es convexo

Conjuntos convexos
Convexidad de funciones

x + (1 ) y

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

Conjunto convexo:

R2
y

=0
= 1/ 2
x

=1

Conjuntos no convexos:

Cualquier segmento que una puntos que pertenezcan al

conjunto, est completamente contenido dentro del
propio conjunto

Combinacin lineal convexa de

m puntos
x1 , x 2 ,K, x m R n

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

Combinaciones
lineales convexas

Combinaciones
lineales convexas

Poliedro convexo generado por

un conjunto de puntos
Conjunto formado por todas las

combinaciones lineales convexas (CLC) de los

puntos generadores

Propiedades de los conjuntos

convexos
En general, ni la unin ni la diferencia de

conjuntos convexos produce un conjunto

convexo

Propiedades de los conjuntos

convexos
Un conjunto es convexo si y solo si toda

CLC de puntos del propio conjunto

pertenece al conjunto
La interseccin de conjuntos convexos
sigue siendo un conjunto convexo

Envoltura convexa de un
conjunto
Es el menor conjunto convexo que lo

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

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

}
< b}

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

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

Convexidad de funciones

a1 x1 + am x2 + K + am xm

Poltopos: conjuntos que se expresan

como interseccin de un nmero finito

de semiespacios cerrados

Caso de funciones de una variable

f(x)

Una funcin definida sobre un dominio

convexo D, es estrictamente convexa

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

f(y)

Si el segmento queda siempre estrictamente

por encima (salvo en los extremos),
entonces la convexidad es adems estricta

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

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

Toda funcin estrictamente convexa es

tambin convexa
x

x+(1-)y

Diferencia entre convexidad y

convexidad estricta

Funcin convexa
(no estrictamente)

Funcin f(x,y)=x2+y2

Funcin estrictamente
convexa

Funciones cncavas

Funciones cncavas de una sola variable

Una funcin definida sobre un dominio

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

Funcin cncava
(no estrictamente)

Funcin estrictamente
cncava

f (x + (1 ) y ) > f ( x) + (1 ) f ( y )

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

funcin opuesta f(x) es cncava, y viceversa

Las funciones lineales son a la vez

cncavas y convexas, pero no

estrictamente

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

una funcin cncava

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

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

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

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

convexa) entonces los siguientes

conjuntos son siempre convexos
S k = {x h( x) k }

Semiespacio

Tk = {x h( x ) k }

Semiespacio

H k = {x h( x ) = k }

Hiperplano

Relacin entre conjuntos y

funciones convexas
Si una funcin f(x) es convexa entonces

S k = {x f ( x) k }

es un conjunto convexo para cualquier

valor de k
Si una funcin g(x) es cncava entonces

Tk = {x g ( x) k }

es un conjunto convexo para cualquier

valor de k

EJEMPLO:
Para estudiar si el siguiente conjunto es convexo

x12 + 3 x2 10

A = ( x1 , x2 ) x1 2 x12 x22 7

5 x1 + 2 x2 = 15

bastara comprobar que:

f ( x1 , x2 ) = x12 + 3 x2

es una funcin convexa

g ( x1 , x2 ) = x1 2 x x22 es una funcin cncava

2
1

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

es una funcin lineal

Estudio de la convexidad de
funciones diferenciables

Clasificacin de matrices
simtricas

Se puede estudiar la convexidad a partir del

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
x22
L
2 f
xn x2

2 f

x1 xn
2
f
L

x2 xn
L
L
2 f
L
xn2
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

races del polinomio caracterstico:

a11

det( A I ) =

a21
L
an1

a12

a22 L
L
L
an 2

a1n
a2 n
L

= 0 1 , 2 ,..., n

L ann

Los autovalores de una matriz simtrica

son siempre nmeros reales

Clasificacin a partir de los

menores principales
Los menores principales de la matriz A son n

nmeros reales obtenidos de la siguiente

forma:

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

Una vez calculados los autovalores de una

matriz simtrica, se tiene:

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.

A es definida positiva si y solo si todos los menores

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

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.