Optimización I :

Convexidad

José Manuel Vera

Escuela Superior Politécnica del Litoral (ESPOL)

Guayaquil - Ecuador

José M. Vera (ESPOL) Convexidad 1 / 17

Contenido

1 Introducción

2 Propiedades de regiones y funciones convexas

3 Convexidad para problemas de programación lineal

José M. Vera (ESPOL) Convexidad 2 / 17

Introducción

En problemas de optimización puede surgir las siguientes preguntas:

Para cierta solución ¿Es esta la solución óptima?
¿La solución es óptima local o global?
¿Cuales son las condiciones para que la solución sea óptima global?
El concepto de convexidad ayuda a resolver estas preguntas.

José M. Vera (ESPOL) Convexidad 3 / 17

Definciones

Conjunto convexo
Un conjunto C ⊆ Rn se dice que es convexo si para cualquier x y y en C ,
λx + (1 − λ)y ∈ C para todo λ ∈ [0, 1]

José M. Vera (ESPOL) Convexidad 4 / 17

Definciones

Función convexa
Sea C un subconjunto convexo de Rn (C ⊆ Rn ). Una funcion f : C → R es
convexa ⇔ ∀x, y ∈ C , ∀λ ∈ [0, 1] f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y )

José M. Vera (ESPOL) Convexidad 5 / 17

Definiciones

Epigrafo
El epigrafo de una función es el conjunto que se encuentra por encima de la
función. i.e., si C es un subconjunto de Rn , y una función f : C → R, entonces el
epigrafo de f es:

epi(f ) = {(x, z)|x ∈ Rn , z ∈ R, f (x) ≤ z}

Por lo tanto, una función es convexa si y solo si su epigrafo es convexo.

José M. Vera (ESPOL) Convexidad 6 / 17
Convexidad

Sea C un conjunto convexo de Rn

Función f : C → R es convexa
⇔ f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y ), ∀x, y ∈ C , ∀λ ∈ [0, 1].

Función f : C → R es concava
⇔ f (λx + (1 − λ)y ) ≥ λf (x) + (1 − λ)f (y ), ∀x, y ∈ C , ∀λ ∈ [0, 1].

Función f : C → R es estrictamente convexa

⇔ f (λx + (1 − λ)y ) < λf (x) + (1 − λ)f (y ), ∀x, y ∈ C , ∀λ ∈ (0, 1).

Función f : C → R es estrictamente concava

⇔ f (λx + (1 − λ)y ) > λf (x) + (1 − λ)f (y ), ∀x, y ∈ C , ∀λ ∈ (0, 1)

Observación Función f : C → R es (estrictamente) concava

⇔ función −f : C → R es (estrictamente) convexa

José M. Vera (ESPOL) Convexidad 7 / 17

Convexidad y optimización
Considera el problema:

minimizar f (x)
sujeto a x ∈X

donde X es el conjunto de todas las soluciones factibles y f : X → R es una

función objetivo.
Def. Un vector x̂ es un minimo local de f si
∃ > 0 tal que f (x̂) ≤ f (x), ∀x kx − x̂k < 
Def. Un vector x̂ es un minimo global de f si
f (x̂) ≤ f (x), ∀x ∈ X
Def. Si X es un conjunto convexo y f : X → R es una función convexa, entonces
el problema de minimización se dice que es convexa.

Lema
En problema de minimización convexa un minimo local es minimo global
José M. Vera (ESPOL) Convexidad 8 / 17
Transformaciones lineales y afines

Def. Una aplicación lineal (o transformación) L : Rn → Rm satisface:

(L(x + y )) = L(x) + L(y )
αL(x) = L(αx) para un escalar α

Una aplicación lineal puede ser representada por una matriz m x n, dicho M por
L(x) = Mx
Si m = 1 (L : Rn → R) entonces L es una función y es escrita como L(x) = aT x,
donde a ∈ Rn

Def. Una aplicación o función afı́n es un apliación lineal mas una variación del
origen. Tiene la forma F (x) = d + Mx, donde d ∈ Rm

Lema
Un función afı́n (y por lo tanto también funciones lineales) son convexas y
concavas.

José M. Vera (ESPOL) Convexidad 9 / 17

Propiedades de Conjuntos y Funciones Convexas

1 Para cualquier colección {Ci |i ∈ I} the conjuntos convexos, la intersección

∩i∈I Ci es convexo
2 La suma de vectores {x1 + x2 |x1 ∈ C1 , x2 ∈ C2 } de dos conjuntos convexos
C1 y C2 es convexo.
3 La imagen de un conjunto convexo bajo una aplicación lineal es convexo. i.e.,
si C es un conjunto convexo y L es una aplicación lineal {L(x)|x ∈ C } es
convexo.
4 Para un conjunto convexo C , f : C → R es una función convexa y L : C → R
una función afı́n, los conjuntos de nivel {x ∈ C |f (x) ≤ α} y
{x ∈ C |L(x) = α} son convexas para todos los escalares α

José M. Vera (ESPOL) Convexidad 10 / 17

Propiedades de Conjuntos y Funciones Convexas

5 Para C un conjunto convexo y cualquier colección fi : C → R|i ∈ I de

funcionesPconvexas, una suma ponderada no negativa,
i.e. f = i∈I wi fi , donde wi ≥ 0,
es convexa.
6 Para I un conjunto de indices (finito), C un conjunto convexo, y fi : C → R
una función convexa ∀i ∈ I, la función h : C → R definida por
h(x) = maxi∈I fi (x) es convexa.
7 Para C un conjunto convexo, f : C → R un conjunto covexo, y g : R → R
una función convexa no decreciente, la función h : C → R definida por
h(x) = g (f (x)) es convexa.

José M. Vera (ESPOL) Convexidad 11 / 17

Propiedades de Conjuntos y Funciones Convexas

8 Sea C ⊆ Rn un conjunto convexo y f : C → R sea una función diferenciable sobre

C.
(a) La función f es convexa si y solo si:

f (y ) ≥ f (x) + ∇T f (x)(y − x), ∀x, y ∈ C

(b) Si la desigualdad es estricta ∀x 6= y , entonces f es estrictamente convexa.

9 Sea C ⊆ Rn un conjunto convexo y f : C → R sea dos veces continuamente

diferenciables sobre C .
(a) Si f es convexa en C y C tiene un punto interior, entonces ∇2 f (x) es positivo
semidefinido en todo x ∈ C .
(b) Si ∇2 f (x) es semidefinido positivo para todo x ∈ C , entonces f es convexa en
C.
(c) Si ∇2 f (x) es definido positivo para todo x ∈ C , entonces f es estrictamente
convexa en C .
10 Sea H una matriz simetrica cuadrada y sea f (x) = x T Hx (entonces f es una
función cuadrática).
(a) f es convexa si y solo si H es semidefinida positiva
(b) f es estrictamente convexa si y solo si H es definida positiva.

José M. Vera (ESPOL) Convexidad 12 / 17

Matrices Definidas Positivas

Lema
Las siguientes declaraciones son equivalentes:
(a) H es deifnida positiva, i.e. x T Hx es positiva para todo no nulo x
(b) Todos los valores propios de H son positivos
(c) Todos los elementos diagonales en una factorización Cholesky son positivos.
(d) Todos los valores principales menores en un conjunto anidado son positivos.
(e) Existe una matriz no singular B tal que H = B T B

José M. Vera (ESPOL) Convexidad 13 / 17

Verificación si una matriz es DP o SDP calculando valores
principales menores

Los principales menores Dk , k = 1, 2, ..., n de una matriz A=(aij )[nxn] son definidas
como  
a11 · · · a1k
 .. .. 
Dk = det  . . 
ak1 ··· akk
La matriz cuadrada A es DP ⇔ Dk > 0 para todo k = 1, 2, ..., n
La matriz cuadrada A es SDP ⇔ Dk ≥ 0 para todo k = 1, 2, ..., n
Ejemplo: H1 es definido positivo, H2 no es, H
3 es semidefinido positivo
    4 0 2
2 3 2 3
H1 = , H2 = , H3 = 0 1 1
3 5 3 4
2 1 2

José M. Vera (ESPOL) Convexidad 14 / 17

Verificación si una matriz es DP o SDP calculando valores
propios

Definición Cualquier numero λ, tal que la ecuación Ax = λx tiene un vector

solución no nulo x, es llamado un valor propio de la matriz.

Un matriz simetrica es DP si sus valores propios λi > 0 para todo i = 1, 2, ..., n y

SDP si λi ≥ 0
Para calcular los valores propios de la matriz A se debe encontrar las soluciones de
la ecuación:
det(A − λI ) = 0

Ejemplo: H1 es definido positivo, H2 no es, H

3 es semidefinido positivo
    4 0 2
2 3 2 3
H1 = , H2 = , H3 = 0 1 1
3 5 3 4
2 1 2

José M. Vera (ESPOL) Convexidad 15 / 17

Convexidad para problemas de programación lineal

Teorema
Los semiespacios H = {x ∈ Rn |a1 x1 + · · · + an xn ≤ β} = {x ∈ Rn |aT x ≤ β} son
conjuntos convexos. (Propiedad 4)

Teorema
La intersección de conjuntos convexos es un conjunto convexo. (Propiedad 1)

¿Entonces que es el poliedro?

José M. Vera (ESPOL) Convexidad 16 / 17

Referencias

Slides “Fundamentlas of Optimization”, Jacek Gondzio, Univ. Edingburgh,

2016
Linear Optimization and Extensions with MATLAB, Roy H. Kwon

José M. Vera (ESPOL) Convexidad 17 / 17