El concepto de convexidad es fundamental en el análisis y resolución de los problemas de optimización.
Sea S ⊆ Rn, un conjunto convexo y no vacío, y sea f: S → R f es una función convexa
en S, si y solo si:
f [ λ x1 + (1 – λ) x2 ] ≤ λ f (x1) + (1 – λ) f (x2)
Sea S ⊆ Rn, un conjunto convexo y no vacío, y sea f: S → R, f es una función
estrictamente convexa en S, si:
f[λx1 + (1 – λ) x2 ] < λ f(x1) + (1 – λ) f(x2)
∀ λ ∈ ] 0,1 [ y ∀ x1, x2 ∈ S. con x1 ≠ x2
Sea S ⊆ Rn, un conjunto convexo y no vacío, y sea f: S → R f es una función cóncava en S, si y solo si:
f [ λ x1 + (1-λ) x2 ] ≥ λ f(x1) + (1-λ) f(x2)
∀ λ ∈[0,1] y ∀ x1,x2 ∈ S.
Una función es estrictamente cóncava si la desigualdad se verifica en sentido estricto, es decir:
f [ λ x1 + (1-λ) x2 ] > λ f(x1) + (1-λ) f(x2)
∀ λ ∈(0,1) y ∀ x1,x2 ∈ S. con x1 ≠ x2
Es importante hacer notar que las definiciones que hemos dado con anterioridad no exigen ni la continuidad ni la diferenciabilidad de la función.
Si f(x) es una función convexa en S (convexo y no vacío), entonces la función [-f(x)] es una función cóncava en S.
Prueba:
Si f(x) es una función convexa verifica que:
∀ λ ∈[0,1] y ∀ x1,x2 ∈ S.
f [ λ x1 + (1-λ) x2 ] ≤ λ f(x1) + (1-λ) f(x2)
si multiplicamos esta expresión por (-1), tenemos
- f [ λ x1 + (1-λ) x2 ] ≥ - λ f(x1) - (1-λ) f(x2)
o lo que es lo mismo:
(-f) [ λ x1 + (1-λ) x2 ] ≥ λ (-f)(x1) + (1-λ) (-f)(x2)
con lo cual (-f) es una función cóncava.
Así por ejemplo, las funciones lineales son cóncavas y convexas a la vez, dado que cumplen la definición de función cóncava y convexa como una igualdad entre los dos miembros de la definición, pero precisamente por este motivo no pueden ser ni estrictamente cóncavas ni convexas.
Por el contrario, la función coseno ( cos(x) ) no es cóncava ni convexa sobre todo su dominio ( R ), pero sin embargo, sobre ciertos subdominios si tiene algunas de estas propiedades. Así, en el dominio [ π/2, 3π/2 ] es un función convexa, mientras que en el dominio [ 3π/2, 5π/2 ] se trata de una función cóncava, y además lo es estrictamente en ambos casos.
PROPIEDADES DE LAS FUNCIONES CONVEXAS.
Toda combinación lineal con coeficientes positivos de funciones convexas es una función convexa.
Sea S ⊆ Rn un conjunto convexo y no vacío, y sea f: S → R una función convexa. Entonces el conjunto de nivel inferior Sα = { x ∈ S / f(x) ≤ α }, es un conjunto convexo.
Prueba:
Sean x1 , x2 ∈ Sα , lo que significa que:
f(x1) ≤ α
f(x2) ≤ α
lo que tenemos que probar es que: ∀ λ ∈ [0,1] se verifica que: λ x1 + (1-λ) x2 ∈ Sα , o lo que es lo mismo que : f[λ x1 + (1-λ) x2] ≤ α.
Como ayuda para hacer más compresible esta prueba, definimos:
x° = λ x1 + (1-λ) x2
por lo que
f( x° ) = f[ λ x1 + (1-λ) x2]
entonces:
f[ λ x1 + (1-λ) x2] ≤λ f(x1) + (1-λ) f(x2) ≤ λ α + (1-λ) α = α
lo que significa que
λ x1 + (1-λ) x2 ∈ Sα
que es lo que queríamos probar, que el conjunto Sα es un conjunto convexo.
De igual manera tenemos la siguiente propiedad:
Si f es un función cóncava el conjunto de nivel superior Sα ={x ∈ S/f(x)≥ α}, es un conjunto convexo.
El reciproco de estas dos propiedades no es cierto, es decir, que el conjunto de nivel sea sea convexo, no implica que la función sea convexa (cóncava), aunque esta propiedad se cumple para las funciones cuasiconcavas y cuasiconvexas.
CARACTERIZACIONES DE LAS FUNCIONES CONVEXAS.
La aplicación de la definición de convexidad o concavidad a una función puede, en muchas ocasiones, resultar complicado, por lo que se recurre a las caracterizaciones, es decir, a ciertas condiciones que pueden verificar las funciones y que nos permiten clasificar a las funciones en convexas o cóncavas.
Caracterización de funciones de clase C2. Para las funciones que admiten derivadas continuas hasta el segundo orden, podemos utilizar una caracterización basada en el hessiano de la función. En este caso podemos acudir a la siguiente proposición.
Dada una función f: S ⊂ Rn → R, donde S es un conjunto convexo y no vacío, y f’ ∈ C2(S)-función con segunda derivada continua en S-, entonces se cumple que:
a) f es convexa en S sii se cumple Hf(x) es semidefinida positiva en S.
b) f es cóncava en S sii se cumple que Hf(x) es semidefinida negativa en S.
c) f es estrictamente convexa solamente si Hf(x) es definida positiva en S.
d) f es estrictamente cóncava solamente si Hf(x) es definida negativa en S.
Ejemplo:
F(x) = x2
En primer lugar, y por representación gráfica de la función (una parábola con centro el origen) podremos aplicarle la definición de función convexa:
f [ λ x1 + (1-λ) x2 ] ≤ λ f(x1) + (1-λ) f(x2)
∀ λ ∈[0,1] y ∀ x1,x2 ∈ S
Para probar desigualdades recurrimos a probar su diferencia respecto de cero, es decir, poner todos los componentes en un único miembro de la desigualdad, es decir:
0≤ λ f(x1) + (1-λ) f(x2) -f [ λ x1 + (1-λ) x2 ]
Sustituyendo se tiene:
λ x21 + (1-λ) x22 - (λx1 + (1-λ) x2)2
operando
λ x21 + (1-λ) x22 - 2 λ(1- λ) x1 x2 =
x21[λ – λ2] + x22 [(1 – λ)2] – 2 λ (1 – λ) x1 x2 =
λ (1 – λ) x12 + (1 – λ) λ x22 - 2 λ (1 – λ) x1 x2 =
λ (1 – λ) [x12 + x22 – 2 x1x2] = λ(1- λ) (x1 – x2)2 ≥ 0
También recurriendo a la segunda derivada:
F'(x) = 2 x
F''(x) = 2 > 0 Definida positiva, por tanto F(x) es convexa.
Incluso se podría decir que es estrictamente convexa.
