análise convexa e hiperplanos

28
An´ alise Convexa 1. Conjuntos convexos 1.1. Casca convexa, ponto extremo, cone 2. Hiperplanos: suporte, separador, teorema da separa¸c˜ ao 3. Fun¸c˜oesconvexas 4. Teoremasdefun¸c˜oesconvexas 5. Conjunto poliedral e politopo 6. Exerc´ ıcios c Reinaldo M. Palhares pag.1 Fund. Controle Robusto via Otimiza¸c˜ ao – Bloco 2

Upload: mrmprotegido

Post on 08-Nov-2015

60 views

Category:

Documents


2 download

DESCRIPTION

Curso de Análise convexa para economistas.

TRANSCRIPT

  • Analise Convexa

    1. Conjuntos convexos

    1.1. Casca convexa, ponto extremo, cone

    2. Hiperplanos: suporte, separador, teorema da separacao

    3. Funcoes convexas

    4. Teoremas de funcoes convexas

    5. Conjunto poliedral e politopo

    6. Exerccios

    cReinaldo M. Palharespag.1 Fund. Controle Robusto via Otimizacao Bloco 2

  • Analise Convexa

    Definicao Um conjunto C e dito ser afim se a reta que passa por dois pontos distintos

    quaisquer em C esta em C

    Definicao Dados dois pontos quaisquer p1, p2 C, e um escalar real , denomina-se

    p1 + (1 )p2 C

    uma combinacao afim de p1 e p2

    Nota C e um conjunto afim se contem a combinacao afim de quaisquer dois pontos

    em C

    cReinaldo M. Palharespag.2 Fund. Controle Robusto via Otimizacao Bloco 2

  • Analise Convexa

    Generalizacao Se C e um conjunto afim, p1, p2, . . . , pj C, e

    jXk=1

    k = 1, entao

    1p1 + 2p2 + + jpj C

    Lema Se C e um conjunto afim e p0 C , entao o conjunto

    G = C p0 =

    p p0

    p C

    ffe um subespaco

    Dem. Se G e um subespaco entao, G 6= e fechado sob as operacoes de soma e

    multiplicacao por escalar. Suponha que g1, g2 G e , R, entao g1 + p0 C e

    g2 + p0 C de modo que

    g1 + g2 + p0 = (g1 + p0) + (g2 + p0) + (1 ) p0 C

    como C e afim, e + + (1 ) = 1, conclui-se que g1 + g2 G pois

    g1 + g2 + p0 C

    cReinaldo M. Palharespag.3 Fund. Controle Robusto via Otimizacao Bloco 2

  • Analise Convexa

    Nota O conjunto afim C pode ser escrito como um subespaco mais uma constante da

    forma

    C = G + p0 =

    g + p0

    g G

    ff

    Definicao A dimensao de um conjunto afim C e a dimensao do subespaco

    G = C p0, sendo p0 um elemento qualquer de C

    Exemplo C =x Rn | Ax = y, A Rmn , y Rm

    e um conjunto afim?

    Considere x1, x2 C, entao para qualquer ,

    A (x1 + (1 )x2) = A(x1) + (1 )Ax2

    = y + (1 )y

    = y

    o que mostra que a combinacao afim x1 + (1 )x2 C.

    cReinaldo M. Palharespag.4 Fund. Controle Robusto via Otimizacao Bloco 2

  • Conjunto Convexo

    Definicao Um conjunto C e convexo se para qualquer par de pontos p1 e p2 em C, e

    um escalar [0, 1], a combinacao convexa dada por p1 + (1 )p2 C

    Nota Todo conjunto afim e convexo...

    Generalizacao Qualquer ponto da forma

    1p1 + 2p2 + + jpj , sendo que

    jXk=1

    = 1 e j 0

    e uma combinacao convexa dos pontos p1, , pj

    Nota Convexidade pode ser definida para qualquer subconjunto de um espaco vetorial

    real ou complexo, inclusive o conjunto vazio

    Exemplo Uma reta e afim

    Exemplo Um segmento de reta (fechado) e convexo, mas nao afim (a nao ser que se

    reduz a um ponto)...

    cReinaldo M. Palharespag.5 Fund. Controle Robusto via Otimizacao Bloco 2

  • Conjuntos Convexos

    Exemplo Um conjunto elipsoidal da forma

    C =

    p

    (p pc)T P1 (p pc) 1, p Rn , P = P T 0

    ff

    e convexo. pc e o centro do elipsoide ep(P ) fornecem o tamanho dos semi eixos

    Teorema

    1. Se C e D sao conjuntos convexos entao C +D e convexo

    2. Se C e um conjunto convexo entao

    C , {p2 | p2 = p1; R; p1 C} e convexo

    3. A interseccao de uma colecao de conjuntos convexos e convexo

    Dem. 3) Se p1, p2 TnCn entao p1, p2 Cn , n. Como Cn e convexo, entao

    para qualquer [0, 1], p1 + (1 )p2 Cn , n. Portanto, [0, 1],

    p1 + (1 )p2 TnCn

    cReinaldo M. Palharespag.6 Fund. Controle Robusto via Otimizacao Bloco 2

  • Casca Convexa

    Definicao Dado um conjunto C qualquer, o menor conjunto convexo que contem C e

    denominado casca convexa (e denotado por co{C})

    C

    Em outras palavras, a casca convexa de C e interseccao de todos os conjuntos convexos

    contendo C. Ou a combinacao convexa de todos os pontos em C

    Definicao C 6= , C X , co{C} (sendo X um espaco vetorial)

    cReinaldo M. Palharespag.7 Fund. Controle Robusto via Otimizacao Bloco 2

  • Vertices

    Fato A combinacao convexa pode ser generalizada para n pontos em C

    p =nXi=1

    ipi, i 0 enXi=1

    i = 1

    p1

    p2

    p3

    p4

    Definicao Todo ponto p C X tal que @p1, p2 C, p1 6= p2, que satisfaca

    p = p1 + (1 )p2, (0, 1) e denominado ponto extremo ou vertice

    Teorema Qualquer conjunto convexo e compacto e a casca convexa de seus vertices

    cReinaldo M. Palharespag.8 Fund. Controle Robusto via Otimizacao Bloco 2

  • Cones

    Definicao Um conjunto C e um cone se p C e 0 implica p C

    Definicao Um cone convexo e um cone + conjunto convexo, ie para qualquer

    p1, p2 C e 1, 2 0, 1p1 + 2p2 C

    Nota O cone acima tem vertice em 0 e arestas cruzando os pontos p1 e p2

    Exemplos

    1. Cone:

    2. Cone convexo?

    cReinaldo M. Palharespag.9 Fund. Controle Robusto via Otimizacao Bloco 2

  • Cones

    3. Conjunto das matrizes simetricas semidefinidas positivas

    Sn = {A Rnn | A = AT , A 0}

    e um cone convexo: se 1, 2 0 e B,C Sn , entao 1B + 2C S

    n

    Veja que isto e um consequencia direta da caracterizacao de uma forma quadratica

    semidefinida positiva. Por exemplo, para qualquer x Rn , entao

    xT (1B + 2C)x = xT1Bx + x

    T2Cx 0

    se B 0, C 0, 1, 2 0

    cReinaldo M. Palharespag.10 Fund. Controle Robusto via Otimizacao Bloco 2

  • Hiperplanos ou Funcoes Afins

    Definicao Denomina-se um hiperplano em X um conjunto

    H =nx X | pT x = b, 0 6= p X , b R

    oe p H . Naturalmente a funcao afim pT x b e nula em X

    Para X = R2 e b = 1, se pT =h1 1

    ie H e o conjunto dos x R2 tal que gera-se

    a reta na figura abaixo

    p, x = 1p

    x

    x

    x

    1

    1

    cReinaldo M. Palharespag.11 Fund. Controle Robusto via Otimizacao Bloco 2

  • Hiperplanos

    Um hiperplano e um subespaco linear onde dim(H) =dim(X ) 1. Exemplo: a

    reta e um subespaco linear do R2...

    Para x1, x2 H e 0 x3 = x1 + (1 )x2 H ?

    pT x3 = pT x1 + (1 )p

    T x2 = b + (1 )b = b

    Um hiperplano divide o espaco em dois semi-espacos fechados:

    H =nx X | pT x b

    oe H =

    nx X | pT x b

    oH e o semi-espaco na direcao de p e H na direcao de p. Estes semi-espacos sao

    convexos, porem nao-afins

    cReinaldo M. Palharespag.12 Fund. Controle Robusto via Otimizacao Bloco 2

  • Hiperplanos Suporte

    Definicao Um hiperplano H e denominado hiperplano suporte de um conjunto

    convexo C, se C H (ou C H) e H tem pontos em comum com B{C}

    Em outras palavras, H e um hiperplano suporte de C se

    1. inf{pT x | x C} = b (entao C H)

    2. ou sup{pT x | x C} = b (entao C H)

    x

    C H

    x B{C}

    cReinaldo M. Palharespag.13 Fund. Controle Robusto via Otimizacao Bloco 2

  • Hiperplanos Suporte

    Teorema Considere um conjunto convexo C X . Se x 6 int{C} e int{C} 6=

    H : x H e C H ou C H

    C

    x

    xi

    p

    H

    1. pT (xi x) 0, xi C C H

    2. pT (xi x) 0, xi C C H

    cReinaldo M. Palharespag.14 Fund. Controle Robusto via Otimizacao Bloco 2

  • Cone Dual

    Definicao Considere um cone C. O conjunto

    C , {y | xT y 0, x C}

    e chamado cone dual de C

    Interpretacao y C sse y e normal a um hiperplano que suporta C na origem

    Cy

    Note que o semi-espaco com o y normal e interno contem o cone C, entao y C

    cReinaldo M. Palharespag.15 Fund. Controle Robusto via Otimizacao Bloco 2

  • Hiperplanos Separadores

    Definicao Um hiperplano H e denominado hiperplano separador se para dois

    conjuntos convexos C1 e C2 H : C1 H e C2 H

    Os conjuntos sao estritamente separaveis se C1 H< e/ou C2 H>

    C1C1C1

    C2C2

    C2H

    H

    H

    + Exemplo Se C1 = C2 = {0} R, entao o hiperplano x = 0 separa C1 e C2

    cReinaldo M. Palharespag.16 Fund. Controle Robusto via Otimizacao Bloco 2

  • Funcoes Convexas

    Definicao Considere um conjunto convexo C. f : C 7 R e denominada uma funcao

    convexa se x1, x2 C e [0, 1]

    f(x1 + (1 )x2) f(x1) + (1 )f(x2)

    Considerando desigualdade estrita, entao f e estritamente convexa

    f e concava se f e convexa

    f(x1)

    f(x2)

    x1 x2

    f(x1) + (1 )f(x2)

    cReinaldo M. Palharespag.17 Fund. Controle Robusto via Otimizacao Bloco 2

  • Funcoes Convexas

    Definicao Considere um conjunto convexo C. f : C 7 R e denominada uma funcao

    quasi-convexa se x1, x2 C e (0, 1)

    f(x1 + (1 )x2) max{f(x1), f(x2)}

    Teorema Se f : C1 7 R e g : C2 7 R sao convexas sobre os conjuntos convexos C1

    e C2 entao

    1. f e convexa em C1, 0

    2. f + g e convexa em C1TC2

    Teorema C e f : C 7 R convexos.

    f

    Xk

    kxk

    !Xk

    kf(xk), xk C, k 0,Xk

    k = 1

    cReinaldo M. Palharespag.18 Fund. Controle Robusto via Otimizacao Bloco 2

  • Mnimo de Funcao Convexa

    Teorema Considere um conjunto convexo nao-vazio C X e f : C 7 R uma funcao

    convexa. Entao

    1. f e contnua no int{C}

    2. O conjunto C C no qual f atinge seu mnimo e convexo

    3. Qualquer mnimo local e tambem mnimo global de f

    Dem. 3) Suponha que x C e um mnimo local de f e que x C tal que

    f(x) < f(x). Sobre o seguimento x + (1 )x , 0 < < 1, obtem-se

    f (x + (1 )x) = f (x + (x x)) f(x)+ (f(x) f(x))| {z }

  • Teoremas de Funcoes Convexas

    Teorema Considere f C1. Entao f e convexa sobre um conjunto convexo C sse

    f(x) f(y) +f(y)T (x y), x, y C

    onde f(y) = {f/yi}, i = 1, . . . , n e o vetor gradiente

    f

    f(y)f(y) +f(y)T (x y)

    xy

    Teorema Considere f C2. Entao f e convexa sobre um conjunto convexo C sse

    2f(x) < 0, em C. Onde 2f(x) =

    2f

    xixj

    ff, i, j = 1, . . . , n e a matriz

    Hessiana

    cReinaldo M. Palharespag.20 Fund. Controle Robusto via Otimizacao Bloco 2

  • Teoremas de Funcoes Convexas

    Teorema Considere f C1, uma funcao convexa sobre o conjunto convexo

    nao-vazio C. Se existe um ponto x C tal que

    f(x)T (x x) 0, x C

    entao x e um mnimo global de f em C

    Se f for estritamente convexa, ie

    f(x) > f(y) +f(y)T (x y), x, y C, x 6= y

    entao x C, tal que f(x)T (x x) > 0 e um mnimo global estrito de f em C

    cReinaldo M. Palharespag.21 Fund. Controle Robusto via Otimizacao Bloco 2

  • Conjunto Poliedral

    Definicao A interseccao de um numero finito de subespacos fechados e denominado

    conjunto poliedral

    Exemplo C ,x | Ax y, x Rn , y Rm , A Rmn

    Nota Conjuntos poliedrais sao convexos e fechados, mas podem nao ser limitados

    Definicao Um conjunto poliedral limitado e denominado politopo

    Em outras palavras, um politopo e a casca convexa de um conjunto finito de vertices

    Portanto todo elemento no politopo pode ser gerado pela combinacao convexa dos seus

    vertices

    cReinaldo M. Palharespag.22 Fund. Controle Robusto via Otimizacao Bloco 2

  • Desigualdades Matriciais Lineares LMIs

    Denomina-se uma desigualdade matricial linear (LMI) em x a descricao:

    A(x) = x1A1 + x2A2 + + xnAn B

    onde B,Ai Sn =

    X Rnn | X = XT

    , i = 1, . . . , n

    Note a grande similaridade com uma desigualdade linear,

    aT x = x1a1 + x2a2 + + xpap b, b, ai R

    Nota O conjunto solucao de uma LMI, ie {x Rn | A(x) B} e convexo

    Por que? Definindo-se uma funcao afim f : Rn 7 Sn , da forma

    f(x) = B A(x), entao {x | f(x) C Sn} = {x Rn | B A(x) Sn} e

    a imagem inversa do cone das matrizes semi-definidas positivas, que e convexo...

    Nota A imagem e {f(x) | x C Rn}...

    cReinaldo M. Palharespag.23 Fund. Controle Robusto via Otimizacao Bloco 2

  • Politopo

    Exemplo Politopo: P = co{v1, v2, . . . , v5}

    v1

    v2

    v3

    v4

    v5

    p1

    p2

    Todo p P e escrito da forma: p =P5

    i=1ivi, i 0,

    P5i=1

    i = 1

    Da figura,

    p1 =1

    2v1 +

    1

    2v2 + 0v3 + 0v4 + 0v5

    p2 =1

    3v1 +

    1

    3v2 + 0v3 +

    1

    3v4 + 0v5

    p2 =1

    3v4 +

    2

    3p1

    cReinaldo M. Palharespag.24 Fund. Controle Robusto via Otimizacao Bloco 2

  • Um problema de otimizacao padrao

    minx

    x2 =h0 1

    i 24x1x2

    35 = cT x

    s.a

    8>>>: 1

    2x1 + x2 6

    x1 + 0x2 4 ,

    0x1 + x2 1

    8