Función convexa. Función estrictamente convexa
Definición intuitiva:
Una función es convexa si y sólo si al unir dos puntos cualesquiera de la gráfica de la función, el segmento que los une queda por encima (o coincide) con la gráfica.
Ejemplos:
En el ejemplo a) la función se llama estrictamente convexa porque el segmento queda siempre estrictamente por encima de la gráfica.
En el ejemplo b) la función es convexa pero no estrictamente, porque si se toman dos puntos sobre la zona roja de la gráfica, el segmento coincide con ella.
Definición:
Caracterización:
ƒ convexa ⇔ Hƒ(x) semidefinida positiva 
ƒ estrictamente convexa ⇐ Hƒ(x) definida positiva 
ƒ estrictamente convexa ⇒ Hƒ(x) semidefinida positiva 
Ejemplos:
- Consideramos su matriz hessiana:Observamos que es semidefinida positiva
.
Por tanto, deducimos quees convexa.
- Consideramos su matriz hessiana:Observamos que es definida positiva
.
Por tanto, deducimos quees estrictamente convexa.
Propiedades:
convexa
cóncava
- Una función lineal es cóncava y convexa simultáneamente.
convexas
convexa
Función creciente
Definición: f es creciente en

Gráfica de funciones crecientes:
Propiedad:
Las pendientes de las rectas tangentes a la gráfica de una función creciente son siempre positivas.
En otras palabras, la derivada de una función creciente es positiva.
Más aún:
Proposición: f creciente en

Función decreciente
Definición: f es decreciente en

Gráfica de funciones decrecientes:
Propiedad:
Las pendientes de las rectas tangentes a la gráfica de una función decreciente son siempre negativas.
En otras palabras, la derivada de una función decreciente es negativa.
Más aún:
Proposición: f decreciente en

Función diferenciable
ƒ diferenciable en
⇔ existe en
un único hiperplano tangente que aproxima el valor de la función alrededor de este punto.
Ver caso n = 1
Proposición:
f tiene derivadas parciales continuas en
⇒ f diferenciable en
⇒ f continua en
.
Ejemplo:
Se obtienen las siguientes funciones como derivadas parciales:
y puesto que
son continuas en
, podemos asegurar que la función f es diferenciable en
.
Función exponencial
La función exponencial es una función real de variable real definida como
donde a se llama base de la función exponencial.
Frecuentemente, la base de la función exponencial es el número irracional e cuyo valor es e= 2,718282…
Entonces, la representación gráfica de la función
es:
Función lineal
Definición:
Es una función del tipo
Una función lineal es un polinomio de 1º grado con n variables.
Propiedad:
Función objetivo
Definición:
Es la función que se pretende minimizar o maximizar en un programa matemático.
Ejemplo:
La función objetivo es 
Gradiente de una función
Sea ƒ: ℜn→ℜ
Se llama gradiente de ƒ y se escribe ∇ƒ al vector formado por las derivadas parciales de ƒ
Ejemplo:
El vector gradiente calculado en un punto es un vector numérico.
Ejemplo:
Hessiana de una función
Definición:
Sea ƒ: ℜn→ℜ
Se llama matriz hessiana de ƒ y se escribe Hƒ a la matriz formada por las derivadas parciales segundas de ƒ
Por ejemplo, para ƒ: ℜ3→ℜ
donde ƒxz indica la derivada respecto de z de la derivada parcial respecto de x
La matriz hessiana de ƒ calculada en un punto es una matriz numérica.
La matriz hessiana de ƒ resulta ser una matriz simétrica (Teorema de Schwarz)
Ejemplo:
Calculemos las derivadas parciales primeras que forman el gradiente de ƒ
Calculemos la matriz hessiana
Hiperplano en ℜn
Definición:
Sea a ∈ ℜn, k ∈ ℜ
Un conjunto H tal que H=
x= k
se llama hiperplano.
Ejemplos:
- Si n=2 y a =(1,3) y k=5H =
(x,y) = 5
H es una recta : x +3y =5 - Si n=3 y a =(2, -1, 3) y k=12H =
(x,y,z) = 12
H es un plano: 2x – y + 3z = 12 - Si n>3, H es un hiperplano.
Propiedad:
Un hiperplano es un conjunto convexo.
Teorema local-global o teorema fundamental de la programación convexa
A)
Entonces,
b) El conjunto de mínimos locales de
en
es un conjunto convexo.
Nota: Este teorema se puede “entender” fácilmente razonando sobre la gráfica de una función convexa.
B)
Sea
siendo
un conjunto convexo no vacío y
una función cóncava.
Entonces,
b) El conjunto de máximos locales de
en
es un conjunto convexo.
Máximo local, mínimo local, máximo global, mínimo global
Sea
y sea 
Consideramos que D es la intersección entre el dominio de la función
y el conjunto de soluciones factibles.
Definiciones:
(
es un máximo global o absoluto de
en D si su imagen es mayor o igual que la de cualquier otro punto del dominio)
(
es un máximo local o relativo de
en D si existe una bola centrada en
, un entorno de
, donde la imagen de
sea mayor o igual que la de los otros puntos)
Cuando las desigualdades se satisfacen de forma estricta, se dice que los óptimos son estrictos.
Gráficamente (caso n = 1):
Propiedades:
1. Todo máximo/mínimo global es local.
2. Todo máximo/mínimo global estricto es único.
Genéricamente se denomina extremo relativo a un máximo o mínimo local
Punto de inflexión
Es decir, los puntos de inflexión son aquellos en los que la función pasa de cóncava aconvexa o viceversa. En ellos, la tangente a la gráfica, corta la gráfica.
Proposición:
Punto de silla
Definición:
Se llaman puntos de silla a aquellos puntos
que anulan el gradiente de la función objetivo, pero que no son máximos ni mínimos.
Un ejemplo de punto de silla (al que se tiende a reducir el concepto de punto de silla, por abuso de lenguaje) es:
Obsérvese que en
se anula el gradiente de
y que, en cambio,
es máximo respecto de una variable y mínimo respecto de la otra.
Restricción saturada
Definición:
Se dice que en un punto se satura una restricción o que dicha restricción está saturada oactiva en ese punto, cuando en ese punto se satisface la restricción con igualdad.
Ejemplo:
El punto (3,1) satisface la restricción
, pero no la satura.
En cambio, el punto (3,1) satura la restricción 
Semiespacios en ℜn
Definición:
Un semiespacio es cada una de las partes en que un hiperplano divide un espacio.
Ejemplos:
- Semiespacio positivo cerrado { x ∈ ℜn | at x ≥ k }
- Semiespacio positivo abierto { x ∈ ℜn | at x > k }
- Semiespacio negativo cerrado { x ∈ ℜn | at x ≤ k }
- Semiespacio negativo abierto { x ∈ ℜn | at x < k }
Propiedades:
Un semiespacio es un conjunto convexo.
Teorema de separación de conjuntos convexos
Teorema:
Sean A y B dos conjuntos convexos disjuntos (A
B= O), entonces se cumple que existe un hiperplano H que los separa (de manera que A pertenece a uno de los semiespacios y B al otro).
Ejemplo:
Observemos que separar dos conjuntos no es, en general, posible si A y B no son disjuntos (1) o si uno de los dos no es convexo (2).
Teorema de Weierstrass
Enunciado:
Intuitivamente:
Observemos que aún siendo continua no tiene máximos ni mínimos:
No obstante, si la definimos sobre un intervalo cerrado (y acotado) automáticamente alcanza máximo y mínimo globales.
Sea, por ejemplo,
Observemos también que el intervalo debe ser cerrado, porque si uno de los extremos es abierto, ya no alcanzará el óptimo.
Es decir,
Notemos que
ya no es máximo global, puesto que ya no pertenece al dominio de la función, ni hay otro máximo (Podríamos pensar que el nuevo máximo fuese 3’,999999, pero es fácil caer en la cuenta de que podríamos añadir un “9” y obtener un “máximo” mejor:3’,9999999 ).
Nota:
- El teorema se refiere sólo a óptimos GLOBALES, no dice nada de óptimos locales.
- El teorema se refiere a la existencia, no dice si hay uno o varios.
No hay comentarios:
Publicar un comentario