Professional Documents
Culture Documents
[3]Funciones c
oncavas y funciones
convexas. Generalizaciones
1.1.
1.1.1.
Funciones c
oncavas y convexas.
Introduction
1.1.2.
Definiciones b
asicas
Definici
on 1. Sea =
6 C E un conjunto convexo y f : C R una funci
on. Se dice
que:
1
2CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
(a) f es c
oncava en C, si x, y C, t [0, 1], se cumple
f (tx + (1 t)y) tf (x) + (1 t)f (y)
(1.1)
(b) f es estrictamente c
oncava en C, si x, y C,con x 6= y , t ]0, 1[, se cumple
f (tx + (1 t)y) > tf (x) + (1 t)f (y)
(1.2)
(1.3)
(1.4)
En las siguientes lneas, en forma particular nos ocuparemos de las funciones definidas
en una variable, para explotar las implicancias geometricas que envuelven las definiciones
previas y hacer uso de nuestra intuici
on.
En lo que sigue, C denotar
a un conjunto convexo no vaco.
1.1.3.
Funciones c
oncavas\ convexas en una variable
1.1. FUNCIONES CONCAVAS
Y CONVEXAS.
lo que manifiesta que f es acotada inferiormente por m en [a, b]. Por otro lado, cada
ab ba
elemento de [a, b] puede escribirse en la forma a+b
2 + s donde s toma valores en [ 2 , 2 ].
De la concavidad de f , se tiene
f(
a+b
1 a+b
1 a+b
) = f( (
+ s) + (
s))
2
2 2
2 2
1 a+b
1
a+b
f(
+ s) + f ((
s)
2
2
2
2
de donde
f(
a+b
a+b
a+b
+ s) 2f (
) f(
s)
2
2
2
a+b
) m =: M.
2f (
2
(x y),
|y x|
|x y|
+ |x y|
Tomando K := Mm
, se concluye que |f (x)f (y)| K|xy|, x, y [a, b]. De inmediato,
f es continua en intC.
Sean A1 (x1 , f (x1 )), A2 (x2 , f (x2 )) y A3 (x3 , f (x3 )) puntos de la gr
afica de la funci
on c
oncava
f tales que x1 < x3 < x2 , entonces a partir de (1.1), es f
acil deducir que
f (x3 ) f (x1 )
f (x2 ) f (x1 )
f (x2 ) f (x3 )
x3 x1
x2 x1
x2 x3
Esta cadena de desigualdades, nos indica c
omo se van moviendo las pendientes de segmentos formados por puntos de la gr
afica de f . Lo concreto es que si f es c
oncava, entonces
f tiene derivadas laterales en cada punto del interior de C.
Ahora, exponemos un resultado que caracteriza a funciones c
oncavas diferenciables:
4CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
Teorema 1. Sea f difernciable en un intervalo abierto C R. Entonces, f es c
oncava si
y solamente si
x, y C, f (y) f (x) + f (x)(y x)
(1.5)
1.1.4.
Funciones c
oncavas/convexas de variable vectorial
(1.6)
i=1
i=1
Observaci
on 1. Una propiedad importante de las funciones c
oncavas/ convexas en variable vectorial, es su caracterizaci
on va funciones de una variable real. El hecho es que las
funciones de una variable vectorial restringidas a lo largo de cada segmento dentro de C
preservan la concavidad o convexidad, seg
un sea el caso.
Proposici
on 3. La funci
on f es c
oncava [respectivamente, convexa] en C si y solamente
si, fijados x, y C, arbitrarios; la funci
on Fx,y definida en [0, 1] R, por
Fx,y (t) := f (x + t(y x))
t [0, 1]
(1.8)
es c
oncava [respectivamente, convexa.] en [0, 1].
Demostraci
on. Se expondr
a la demostraci
on para el caso f c
oncava. Sean t1 , t2 , [0, 1],
entonces de la concavidad de f , resulta:
F (t1 + (1 )t2 )
f (x + (1 )x + t1 (y x) + (1 )t2 (y x))
1 f (x + t1 (y x)) + (1 )f (x + t2 (y x))
=
F (t1 ) + (1 )F (t2 ).
1.1. FUNCIONES CONCAVAS
Y CONVEXAS.
(1.9)
(1.10)
Proposici
on 4. Sea =
6 C un conjunto convexo de E, entonces la funci
on f : C R es
c
oncava [respect. convexa] si y s
olo si hip(f ) [respectiv. epi(f )] es un conjunto convexo de
E R.
Demostraci
on. La demostraci
on se expondr
a para el caso f c
oncava.
Necesidad: Sean (x, ), (y, ) hip(f ) y t [0, 1]. Entonces,
f (tx + (1 t)y) tf (x) + (1 t)f (y)
t + (1 t)
esto nos dice que (tx + (1 t)y, t + (1 t)) hip(f ). Es decir,
t(x, ) + (1 t)(y, ) hip(f )
Por tanto, hip(f ) es un conjunto convexo de E R.
Suficiencia: Para x, y C, particularmente se tiene que (x, f (x)) hip(f ), (y, f (y))
hip(f ), y para cada t [0, 1]
t(x, f (x)) + (1 t)(y, f (y)) = (tx + (1 t)y, tf (x) + (1 t)f (y)) hip(f )
De la definici
on de hip(f ), se concluye que
f (tx + (1 t)y) tf (x) + (1 t)f (y)
Por tanto, f es c
oncava en C.
6CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
1.1.5.
La siguiente proposici
on hace uso de la caracterizaci
on conjuntista de las funciones c
oncavas(convexas.)
Proposici
on 6. Sea {fj }jI una familia arbitraria de funciones de valor real, cuyos
dominios contienen a C.
(a) Si para cada j I, fj es c
oncava en C y existe una funci
on g : C R tal que
on
fj (x) g(x), x C. Entonces, la funci
G(x) := nf fj (x),
jI
para cada x C
es c
oncava en C.
(b) Si para cada j I, fj es convexa en C y existe una funci
on h : C R tal que
on
fj (x) h(x), x C. Entonces, la funci
H(x) := sup fj (x),
para cada x C
jI
es convexa en C.
Cuando la familia de funciones es finita, empleamos min( respectivamente , max) en lugar
de inf ( respectivamente , sup.). Antes de proceder a la prueba, es necesario aclarar que
la presencia de las funciones g y h se justifica para garantizar que F y H tomen valores
reales. Cuando se trabaja con funciones de valores reales extendidos, no se requiere de las
acotaciones donde intervienen g y h.
Demostraci
on. Procedemos para el caso convexo. Concretamente, se probara que
\
epi(h) =
epi(fj )
(1.11)
jI
fj (x) h(x)
1.1. FUNCIONES CONCAVAS
Y CONVEXAS.
T
De esto, (x, ) epi(fj ), para cada j I. Es decir, (x, ) jI epi(fj ).
T
Recprocamente, si (x, ) jI epi(fj ), entonces fj (x) , para cada j I. Consecuentemente, supjI fj (x) y as h(x) o (x, ) epi(h). Por tanto (1.10) se
cumple.
Finalmente, aplicando la Proposici
on 4 en (1.10), resulta que h es convexa.
En la siguiente proposici
on, se ver
a un caso de preservaci
on de la concavidad (convexidad)
va una precomposici
on con una aplicaci
on lineal afn. Para ello, F denotar
a un espacio
vectorial real.
Proposici
on 7. Sean f c
oncava[convexa] en C y T : F E una aplicaci
on lineal afn,
tal que T (F ) C. Entonces, la funci
on
f T :F R
es c
oncava[convexa.]
Demostraci
on. Para x, y F y t [0, 1], se tiene
T (tx + (1 t)y) = tT (x) + (1 t)T (y) C
Por tanto,
(f T )(tx + (1 t)y) = f (T (tx + (1 t)y)) = f (tT (x) + (1 t)T (y))
tf (T (x)) + (1 t)f (T (y))
= t(f T )(x) + (1 t)(f T )(y).
Lo que muestra que (f T ) es c
oncava.
Demostraci
on. Ejercicio.
x C
8CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
Definici
on 3. Sea f : E R una funci
on. Para R, se definen los conjuntos
S (f ) := {x E : f (x) }
(1.12)
S (f ) := {x E : f (x) }
(1.13)
1.2.
Funciones cuasic
oncavas y funciones cuasiconvexas
Las definiciones que siguen, se dan para funciones definidas en todo E, pero bien pueden
presentarse para funciones en C un conjunto convexo, no vaco de E.
Definici
on 4. Una funci
on f : E R , se llama:
(a) cuasic
oncava, si
x, y E, t [0, 1] f (tx + (1 t)y) mn{f (x), f (y)}
(1.14)
(b) cuasiconvexa, si
x, y E, t [0, 1] f (tx + (1 t)y) m
ax{f (x), f (y)}
(1.15)
(1.16)
1.2. FUNCIONES CUASICONCAVAS
Y FUNCIONES CUASICONVEXAS
(1.17)
Observaci
on 4. En an
alisis convexo, la suma de funciones convexas, resulta ser una
funci
on convexa, lo equivalente para funciones cuasiconvexas(o cuasic
oncavs) no ocurre.
Por ejemplo, dadas las funciones cuasiconvexas
si x 0
x,
f (x) =
0,
si 0 < x < 1
x 1, si x 1.
y g(x) = x
on f + g no es cuasiconvexa, pues S1/2 (f + g) =
2 , x R, resulta que la funci
] , 1[[0, 1] no es un conjunto convexo.
10CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
Captulo 2
Programaci
on convexa Programaci
on c
oncava
Este captulo constituye la parte central del curso y siguiendo el estilo previo, desarrollaremos aspectos tanto para la programaci
on convexa como para la programaci
on c
oncava.
Bajo el criterio de diferenciabilidad, se exponen las condiciones necesarias en problemas
de optimizaci
on, as como las condiciones de suficiencia. Tambien se presentan algunos
ejemplos.
El termino programaci
on, se refiere a todo problema que demande la optimizaci
on de una
funci
on objetivo dentro de un conjunto dado, desde su planteamiento, el an
alisis de su
consistencia y los mecanismos de su soluci
on.
2.1.
Programaci
on convexa
xC
(P )
12
CONVEXA - PROGRAMACION
CONCAVA
CAPITULO 2. PROGRAMACION
x C
(2.1)
Si adem
as, f es convexa en C, entonces (2,1) es condici
on suficiente para que x resuelva
(P ).
Ejemplos.
xi
(xi xi ) 0,
xi 0, i = 1, . . . , n.
(2.2)
Fijando i, sea x
e un vector de C, definido por, x
ej = xj para j 6= i, y x
ei = xi + 1.
Aplicando (2.2) se tiene
f (x)
0,
xi
para cada i = 1, . . . , n.
si xi > 0.
n
X
xi = r}
i=1
xi
(xi
xi )
0,
xi 0, con
n
X
i=1
xi = r.
CONVEXA
2.1. PROGRAMACION
13
f (x)
f (x)
(x1 ) +
(x1 ) 0
x1
x2
x1
x2
(x)
(x)
Si x2 > 0, se concluye que fx
fx
?
2
1
2
2
Hagamos cuentas con f (x1 , x2 ) = 2x1 + x2 y tambien con f (x1 , x2 ) = (x1 2)2 +
(x2 + 1)2 para el mismo C = {(x1 , x2 ) 0 : x1 + x2 = 2}.
Ahora veamos el caso general, sea i un ndice para el cual xi > 0,y j otro ndice fijo.
Entonces definimos x
e un elemento de C, por x
ei = 0, x
ej = xj + xi y x
em = xm para
los otros ndices. Aplicando (2.2) a x
e, se tiene
f (x)
xj
f (x)
(xi ) 0
xi
por lo que
xi > 0 =
f (x)
f (x)
,
xi
xj
(2.3)
Esto significa que, todas las coordenadas que son positivas en el optimo, deben tener
su correspondiente derivada parcial mnima en comparaci
on con las otras derivadas
parciales en el optimo.
(C).- Considere el problema de programaci
on cuadr
atica
1
mn f (x) = kxk2 + c x
xC
2
()
()
la equivalencia se se
nala en el sentido que tienen el mismo optimizante, bajo el mismo conjunto C.
14
CONVEXA - PROGRAMACION
CONCAVA
CAPITULO 2. PROGRAMACION
( )
x tal que Ax = 0.
()
de donde
x C c
Verifique que x = (I A (AA )1 A)c satisface ().
Ejercicio 1. Si
C = {x = (x1 , , xn ) 0 :
n
X
pi xi = r}
i=1