Conjuntos convexos

Ejemplos de conjuntos convexos en R2

CONVEXIDAD
DEFINICION: Un conjunto A es convexo
Conjuntos convexos
cuando
Convexidad de funciones
x, y A y [0,1] se cumple
x + (1 ) y A

x + (1 ) y Conjunto convexo:

R2
y
=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
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
Combinaciones lineales convexas
lineales convexas

1
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
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

Propiedades de los conjuntos Envoltura convexa de un

convexos conjunto
En general, ni la unin ni la diferencia de
Es el menor conjunto convexo que lo
conjuntos convexos produce un conjunto
contiene
convexo
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

2
 Tipos especiales de conjuntos
Convexidad de funciones
convexos
Una funcin definida sobre un dominio
Hiperplanos
convexo D, es convexa cuando
{
H = x = ( x1 ,..., xn ) R n a1 x1 + am x2 + K + am xm = b }
x, y D y [0,1] se cumple
Semiespacios f (x + (1 ) y ) f ( x) + (1 ) f ( y )
{
S = x = ( x1 ,..., xn ) R a1 x1 + am x2 + K + am xm b
n
}
S = {x = ( x ,..., x ) R n
a1 x1 + am x2 + K + am xm < b}
Una funcin definida sobre un dominio
1 n
convexo D, es estrictamente convexa
Poltopos: conjuntos que se expresan cuando
como interseccin de un nmero finito
x, y D y (0,1) se cumple
de semiespacios cerrados
f (x + (1 ) y ) < f ( x ) + (1 ) f ( y )

Caso de funciones de una variable

f(x) Una funcin es convexa cuando el
segmento que une dos puntos cualesquiera
de la grfica de la funcin queda siempre
f(y)
por encima de la grfica.

f( x)+(1-) f( y)
Si el segmento queda siempre estrictamente
por encima (salvo en los extremos),
f(x) entonces la convexidad es adems estricta
f(x+(1-)y)
Toda funcin estrictamente convexa es
tambin convexa
x x+(1-)y y

Diferencia entre convexidad y

convexidad estricta Funcin f(x,y)=x2+y2

Funcin convexa Funcin estrictamente

(no estrictamente) convexa

3
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
Funcin cncava Funcin estrictamente
x, y D y (0,1) se cumple (no 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

Las funciones lineales son a la vez
convexas
cncavas y convexas, pero no
Si f(x) es una funcin convexa entonces la 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)

4
 La suma de funciones convexas sigue siendo
Relacin entre conjuntos y
una funcin convexa funciones convexas
La suma de funciones cncavas sigue siendo Si una funcin f(x) es convexa entonces
S k = {x f ( x) k }
una funcin cncava
Cualquier combinacin lineal con coeficientes
positivos de funciones convexas es tambin es un conjunto convexo para cualquier
una funcin convexa valor de k

f1 ( x), f 2 ( x), K , f k ( x) funciones convexas Si una funcin g(x) es cncava entonces

1 0, 2 0, K , k 0 Tk = {x g ( x) k }
1 f1 ( x) + 2 f 2 (x) + L + k f k ( x) es convexa
es un conjunto convexo para cualquier
valor de k

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

convexa) entonces los siguientes Para estudiar si el siguiente conjunto es convexo
conjuntos son siempre convexos x12 + 3 x2 10

S k = {x h( x) k } Semiespacio A = ( x1 , x2 ) x1 2 x12 x22 7
5 x1 + 2 x2 = 15

Tk = {x h( x ) k } Semiespacio
bastara comprobar que:

H k = {x h( x ) = k } Hiperplano 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 Clasificacin de matrices

funciones diferenciables simtricas
Se puede estudiar la convexidad a partir del Una matriz cuadrada simtrica A se dice...
estudio de la matriz hessiana Semidefinida positiva cuando xTAx 0 para
cualquier vector x
2 f 2 f 2 f
L Semidefinida negativa cuando xTAx 0 para
x1 x1 x2 x1 xn
2
cualquier vector x
2 f 2 f f
2
Definida positiva cuando xTAx > 0 para cualquier
Hf ( x1 , x2 ) = x x x22
L
x2 xn vector x no nulo
2 1
L L L L Definida negativa cuando xTAx < 0 para cualquier
2 f 2 f 2 f
x x L vector x no nulo
n 1 xn x2 xn2 Indefinida cuando la expresin xTAx toma valores
Bajo ciertas condiciones de regularidad, la matriz positivos o negativos dependiendo del vector x
hessiana de una funcin es una matriz simtrica

5
Clasificacin a partir de los
Una vez calculados los autovalores de una
autovalores matriz simtrica, se tiene:
Los autovalores de la matriz A son las A es definida positiva si y solo si los autovalores
races del polinomio caracterstico: son todos estrictamente positivos.
A es definida negativa si y solo si los autovalores
a11 a12 L a1n son todos estrictamente negativos.
a21 a22 L a2 n A es semidefinida positiva si y solo si los
det( A I ) = = 0 1 , 2 ,..., n autovalores son todos mayores o iguales a cero.
L L L L
A es semidefinida negativa si y solo si los
an1 an 2 L ann
autovalores son todos menores o iguales a cero.
A es indefinida si existen dos autovalores de
Los autovalores de una matriz simtrica
diferentes signos.
son siempre nmeros reales

Clasificacin a partir de los A es definida positiva si y solo si todos los menores

menores principales principales son estrictamente positivos:
1 > 0, 2 > 0, 3 > 0,..., n > 0
Los menores principales de la matriz A son n A es definida negativa si y solo si los menores son
nmeros reales obtenidos de la siguiente todos ellos no nulos y de signo alterno, siendo
forma: 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

Si todos los menores son diferentes de cero, salvo a partir de la clasificacin de su matriz
posiblemente el ltimo, pero ni son todos positivos ni
se alternan en el signo, entonces la matriz es
hessiana
indefinida. f(x) es convexa si y solo si Hf(x) es
semidefinida positiva para cualquier x en el
Cuando existe un menor nulo que no es el dominio de la funcin.
ltimo el criterio de los menores principales
no permite clasificar la matriz f(x) es cncava si y solo si Hf(x) es
semidefinida negativa para cualquier x.
Ejemplo: Si Hf(x) es definida positiva para cualquier x
1 = 12 >0 2 = 0 3 = 5 > 0 4 = 0 entonces f(x) es estrictamente convexa.
Si Hf(x) es definida negativa para cualquier x
entonces f(x) es estrictamente cncava.