Está en la página 1de 7

Pontificia Universidad Catlica

Escuela de Ingeniera
Departamento de Ingeniera Industrial y de Sistemas

Clase 8 Nociones B
asicas de Convexidad
ICS 1102 Optimizacion
Profesor : Claudio Seebach

Apuntes de Clases Optimizaci


on Claudio Seebach

Introduccion al Modelamiento 91

Funci
on Cuasi-Convexa

Definici
on 6 (Funci
on cuasi-convexa) Si D es una parte convexa
de Rn, una funci
on f : D R se dice cuasi-convexa sobre D si:
f (z) max{f (x), f (y)}

Apuntes de Clases Optimizaci


on Claudio Seebach

x, y D, x %= y, z ]x, y[.

Introduccion al Modelamiento 92

Funciones Convexas
Las funciones convexas presentan favorables propiedades al optimizar.
Por ejemplo, un punto mnimo local es siempre mnimo global.
!"# $%&'()&*# ')&+*,"# -.*#*&/"& $"+)."01*# -.)-(*2"2*# "1 )-/(3(4".5 6). *7*3-1)8 %& -%&/)
39&(3)
Sin
embargo
no necesariamente este optimo sera unico. Por ejemplo la
1)'"1 *# #(*3-.* 39&(3) :1)0"15 ;(& *30".:) &) &*'*#".("3*&/* *#/* <-/(3) #*.= >&(')5
funci
on f1"(x)
en !la!""figura
tiene@Avarias
soluciones
o<-/(3"#5
ptimas.
6).
*7*3-1)
$%&'(<&
*& 1" ?(:%."
/(*&* +".("#
#)1%'()&*#
"#$%

!
!"#$%#&"'()'*"+%,-"#)*'./&-01*

As, surge la necesidad de definir las funciones estrictamente convexas.


?(:%.* @AB C7*3-1) 2* 3>1/(-1*# #)1%'()&*# <-/(3"#

D#98 #%.:* 1" &*'*#(2"2 2* 2*!&(. 1"# $%&'()&*# *#/.('/"3*&/* ')&+*,"#5


!"!#$%$&# ' !!"#$%&# '()*%$)+,'#)' $-#.'/+" #$% ! !""
# # ! !$ &'( # &'()$*'+ ,(-'(&$./
Introduccion al Modelamiento 93
! !"" $. $.-01&-%2$(-$ &'()$*% .'30$ # .14

Apuntes de Clases Optimizaci


on Claudio Seebach

! !!$ " !""! % !"" "" % !$ " !"! !"! " % !! !"" "

#"! $ "" $ #$ ! $ &'$ $( &

C# 2*'(. /)2" $%&'(<& *#/.('/"3*&/* ')&+*," *# /"30(E& ')&+*,"5 C& $).3" "&=1):" #* 2*!&*&
1"# $%&'()&*# *#/.('/"3*&/* '<&'"+"#5
!" ?(:%." @F" -.*#*&/" %&" &%*+" $%&'(<& ')&+*,"8 -*.) &) *#/.('/"5 G"0* 3*&'()&". H%*
/)2" $%&'(<& 1(&*"1 ! !"" ) '" % ( *# '<&'"+" I ')&+*," " 1" +*48 -*.) &( *#/.('/"3*&/* '<&'"+" &(
*#/.('/"3*&/* ')&+*,"5 6). )/." -"./*8 1" ?(:%." @F0 3%*#/." %&" $%&'(<& H%* &) *# &( '<&'"+" &(
')&+*,"8 -*.) H%* 1)'"13*&/* '*.'" 2* "! *# '<&'"+" I 1)'"13*&/* '*.'" 2* "" *# ')&+*,"5

Funciones Estrictamente Convexas


"#$%

"#$%

Definici
on 7 (Funci
on estrictamente convexa) Sea f (x) : D
R, con D convexo. Entonces, f (x) es estrictamente convexa sobre D
si:
f ((1 )x1 + x2)) < (1 )f (x1)$ + f (x2)
!"#

$&

x1, x2$' D, [0, 1] .


!$#

?(:%.* @FB G"#)# *#-*'("1*# 2* $%&'()&*#


D ')&/(&%"'(<& #* 2*3)#/.".= H%* #( ! !"" *# ')&+*,"8 *&/)&'*# *1 1%:". :*)3E/.(') 2* 1)# -%&/)#
H%* #"/(#$"'* ! !"" ! " 2*0* ')&#/(/%(. %& ')&7&/) ')&+*,) -"." '%"1H%(*. "
()*+*,$%$&# - #1 # # # ! !$ # % !! $ # &'()$*'/ # &'()$*%/ $(-'(&$. 5'. &'(67(-'. 8$ (1)$5
)! !#" ) "" $ #*#!"" ! "# .'( &'()$*'. #" $ ! &
@J

Apuntes de Clases Optimizacion Claudio Seebach

Introduccion al Modelamiento 94

!"!#$%$&# ' !!"#$%&# '()*%$)+,'#)' $-#.'/+" #$% ! !"" # # ! !$ &'( # &'()$*'+ ,(-'(&$./
! !"" $. $.-01&-%2$(-$ &'()$*% .'30$ # .14
! !!$ " !""! % !"" "" % !$ " !"! !"! " % !! !"" "

#"! $ "" $ #$ ! $ &'$ $( &

C# 2*'(. /)2" $%&'(<& *#/.('/"3*&/* ')&+*," *# /"30(E& ')&+*,"5 C& $).3" "&=1):" #* 2*!&*&
1"# $%&'()&*# *#/.('/"3*&/* '<&'"+"#5
!" ?(:%." @F" -.*#*&/" %&" &%*+" $%&'(<& ')&+*,"8 -*.) &) *#/.('/"5 G"0* 3*&'()&". H%*
Casos Especiales
/)2" $%&'(<& 1(&*"1 ! !"" ) '" % ( *# '<&'"+" I ')&+*," " 1" +*48 -*.) &( *#/.('/"3*&/* '<&'"+" &(
*#/.('/"3*&/* ')&+*,"5 6). )/." -"./*8 1" ?(:%." @F0 3%*#/." %&" $%&'(<& H%* &) *# &( '<&'"+" &(
')&+*,"8 -*.) H%* 1)'"13*&/* '*.'" 2* "! *# '<&'"+" I 1)'"13*&/* '*.'" 2* "" *# ')&+*,"5
"#$%

"#$%

$&

$'
!$#

!"#

(a) : Toda funcio?(:%.*


n lineal
(x) =*#-*'("1*#
ax + b 2*
es $%&'()&*#
concava y convexa a la vez,
@FB fG"#)#
pero ni estrictamente concava ni estrictamente convexa.

D ')&/(&%"'(<& #* 2*3)#/.".= H%* #( ! !"" *# ')&+*,"8 *&/)&'*# *1 1%:". :*)3E/.(') 2* 1)# -%&/)#
(b) !: !""
La!funci
on')&#/(/%(.
localmente
cerca ')&+*,)
de x1 es-"."
concava
y localmente
cerca
H%* #"/(#$"'*
" 2*0*
%& ')&7&/)
'%"1H%(*.
"

de x2 es convexa.

()*+*,$%$&# - #1 # # # ! !$ # % !! $ # &'()$*'/ # &'()$*%/ $(-'(&$. 5'. &'(67(-'. 8$ (1)$5


)! !#" ) "" $ #*#!"" ! "# .'( &'()$*'. #" $ ! &
@J

Apuntes de Clases Optimizaci


on Claudio Seebach

Introduccion al Modelamiento 95

Criterios pr
acticos de convexidad de funciones

Sea f (x) = f (x1, x2, ..., xn) continua y dos veces diferenciable.
Su matriz Hessiana sera:

H=

2f
2f
2
x1 x2
x1
2f
2f
x2 x1
x22

..

2f
xn x1

Esta matriz es simetrica. por que?

Apuntes de Clases Optimizaci


on Claudio Seebach

...

2f
x1 xn

...
2f
x2n

Introduccion al Modelamiento 96

Caracterizaci
on de la matriz Hessiana

Matrices menores de una matriz:

Los determinantes de las matrices menores se denominan i.

Apuntes de Clases Optimizaci


on Claudio Seebach

Introduccion al Modelamiento 97

Caracterizaci
on de la matriz Hessiana

Definici
on 8 Caracterizacion de la matriz Hessiana
1. Si i > 0 i H es definida positiva.
# T H d# > 0.
Para cualquier vector d# en Rn se cumple que (d)
2. Si i 0 i H es semidefinida positiva.
# T H d# 0.
Para cualquier vector d# en Rn se cumple que (d)

3. Si i < 0 i impar y i > 0 i par. (i.e. 1 < 0, 2 > 0,


3 < 0, ...,) H es definida negativa.
Para cualquier vector d en Rn se cumple que dT Hd < 0.

4. Si i 0 i impar y i 0 i par. (i.e. 1 0, 2 0,


3 0, ...,) H es semidefinida negativa.
Para cualquier vector d en Rn se cumple que dT Hd 0.

Apuntes de Clases Optimizacion Claudio Seebach

Introduccion al Modelamiento 98

Caracterizaci
on de una Funci
on Convexa

Definici
on 9
Sea f (#x) dos veces diferenciable sobre D, con D Rn y convexo.

Entonces f (#x) es convexa sobre D si y solo si D2f (x) = H es


semidefinida positiva x D.

Equivalentemente: dT D2f (x)d 0, d Rn, x D.

Apuntes de Clases Optimizaci


on Claudio Seebach

Introduccion al Modelamiento 99

Caracterizaci
on de una funci
on convexa
Ejemplo: Sea f (x1, x2) = 2x1 3x2 + x41 + x1x2 + x22. Las derivadas parciales son:
f
= 2 + 4x31 + x2
x1
f
= 3 + x1 + 2x2
x2

y las segundas derivadas seran:


2f
= 12x21
x21

2f
=1
x1x2

De esta forma, la matriz Hessiana es:


H=

'

2f
=1
x2x1

2f
= 2.
x22

(
12x21 1
.
1 2

Los determinantes menores son 1 = 12x21, no negativo para todo )


punto del dominio, y
1
1
2
2
.
2 = 24x1 1. Pero, 2 0? Solo si x1 24 , es decir, si |x1| 24
Apuntes de Clases Optimizacion Claudio Seebach

Introducci
on al Modelamiento 100

!!!
! "#"!"
!"!"

!!!
!"
!"" !"!

!!!
!"
!"! !""

!!!
! ##
!"!!

!
"#"!" "
$!
#
" funci
#
Caracterizaci
on de una
on

convexa

/% %$0# 12*3#4 "# 3#0*+5 6%$$+#(# %$.

72$ )%0%*3+(#(0%$ 3%(2*%$ $2( !" ! "#"!" % (2 (%&#0+,2 8#*#


" 02)2 8'(02 )%" )23+(+24 ! !! !
"
"
!
!
#$"" ! "# 9%*24 :!! " %; <="2 $+ "" " !# % %$ )%>+*4 $+ !"" ! " !#
#?$-4 ! &"' %$ >2(,%@# $2A*% 02)2
f (x) es convexa sobre todo dominio convexo construido en la region achurada:

"!

!
!

#
!"

"#

#
!"

f (x) no es convexa sobre toda la region achurada, ya que esta region no es convexa.

B+&'*% CD. /23+(+2 )% ! &"" % "! '

)23+(+2 >2(,%@2 >2($0*'+)2 %( "# *%&+=( #>E'*#)# )% "# B+&'*# CDF


G$ +382*0#(0% )%$0#>#* H'% ! &"' (2 %$ >2(,%@# $2A*% 02)# "# *%&+=( #>E'*#)# %( "# B+&'*# CD4 !#
H'% %$0# *%&+=( (2 %$ >2(,%@#F ?$+3+$324 A#$0# H'% "# 1'(>+=(
)%!(#
$ $2A*% '( )23+(+2 >2(,%@2
# " $% "

H'% +(>"'!# #"&'(# *%&+=( (2 #>E'*#)# I#"&J( 8'(02 %( !


>2(,%@# 8'%$ %" 6%$$+#(2 (2 $%*-# $%3+)%!(+)2 82$+0+,2KF
Apuntes de Clases Optimizaci
on Claudio Seebach

"
!# %

"
!#

8#*# H'% "# 1'(>+=( (2 $%#

Introducci
on al Modelamiento 101

!"#$#%&'&() *+ !" & #$ %&' (')*# +,&-#.' /# !! 0 &! ! &"' #$ /#!&"/' (,$"*"-'1 #$ /#+")1 '" &! ! &"'' (
%% #' $ !! % ' "! %% #&*,&+#$ ! &"' #$ #$*)"+*'2#&*# +,&-#.' $,3)# &#
G( %" %L%38"2 #(0%*+2*4 ! &' %$ %$0*+>0#3%(0% >2(,%@# $2A*% 02)# *%&+=( >2(,%@# >2(0%(+)# %(
"# *%&+=( "" ) "!"
2 %( "# *%&+=( "" ( ""!# ( "! $ !# G$0#$ *%&+2(%$ %@>"'!%( %@8"->+0#3%(0% # "2$
!#
8'(02$ %( H'% "" !

!"
"
!#

= "" !

""
!#

I,%* B+&'*# CMKF

Caracterizaci
on de una funci
on convexa
"!
!

Proposici
on 9 Si D es una parte convexa de Rn y D2f (x) es definida
"# f (x) es
#
positiva, es decir, dT D2!f (x)d
> 0, d Rn, d# %= 0, entonces
!"
!"
estrictamente convexa sobre D.
Importante, la relacion es causal:
Si el Hessiano es definido positivo la funcion es estrictamente convexa
CM. /23+(+2 (2 >2(,%@2 )% ! &"" % "! '
Si la funcion esB+&'*%
estrictamente
convexa ! el Hessiano es definido positivo
G$ +382*0#(0%
)%$0#>#* "# >#'$#"+)#) )% %$0# 8*282$+>+=(. $+ %" 6%$$+#(2 %$ )%!(+)2 82$+0+,24
Ejemplo:
%(02(>%$ "# 1'(>+=(
>2(,%@#4
8%*2 (2D#"
&"' %$ %$0*+>0#3%(0%
4
2 *%,N$F G$ )%>+*4
f (x) =%$x%$0*+>0#3%(0%
es estrictamente
convexa,
f (x) = 12x2 no $+es! definida

positiva en x = 0.

Apuntes de Clases Optimizacion Claudio Seebach

OP

Introducci
on al Modelamiento 102

Ejercicios resueltos

Considere el siguiente problema de optimizacion:


P)
s.a

min x2 + y 2 + z 2 6000(x + y + z)
x + 2y + 4z 4000
x, y, z 0

Funcion objetivo cuadratica, estrictamente convexa. Su matriz Hessiana:

2 0 0
D2f (x, y, z) = 0 2 0 = H
0 0 2
H es definida positiva f (x, y, z) es estrictamente convexa.

D es un dominio acotado, cerrado y no vaco P ) admite solucion optima.


D es convexo y f () es estrictamente convexa P ) admite solucion optima unica.

Apuntes de Clases Optimizacion Claudio Seebach

Introducci
on al Modelamiento 103