Análise Convexa

1. Conjuntos convexos
1.1. Casca convexa, ponto extremo, cone

2. Hiperplanos: suporte, separador, teorema da separação

3. Funções convexas

4. Teoremas de funções convexas

5. Conjunto poliedral e politopo

6. Exercı́cios

pag.1 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Análise Convexa

Definição Um conjunto C é dito ser afim se a reta que passa por dois pontos distintos
quaisquer em C está em C

Definição Dados dois pontos quaisquer p1 , p2 ∈ C, e um escalar real α, denomina-se

αp1 + (1 − α)p2 ∈ C

uma combinação afim de p1 e p2

Nota C é um conjunto afim se contém a combinação afim de quaisquer dois pontos

em C

pag.2 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Análise Convexa
j
X
Generalização Se C é um conjunto afim, p1 , p2 , . . . , pj ∈ C, e αk = 1, então
k=1

α1 p1 + α2 p2 + · · · + αj pj ∈ C

Lema Se C é um conjunto afim e p0 ∈ C , então o conjunto

 ˛ ff
˛
G = C − p0 = p − p0 ˛p∈C
˛ é um subespaço

Dem. Se G é um subespaço então, G =

6 ∅ e fechado sob as operações de soma e
multiplicação por escalar. Suponha que g1 , g2 ∈ G e µ, ν ∈ R, então g1 + p0 ∈ C e
g2 + p0 ∈ C de modo que

µg1 + νg2 + p0 = µ (g1 + p0 ) + ν (g2 + p0 ) + (1 − µ − ν) p0 ∈ C

como C é afim, e µ + ν + (1 − µ − ν) = 1, conclui-se que µg1 + νg2 ∈ G pois

µg1 + νg2 + p0 ∈ C
pag.3 Fund. Controle Robusto via Otimização – Bloco 2
c Reinaldo M. Palhares

 Análise Convexa

Nota O conjunto afim C pode ser escrito como um subespaço mais uma constante da
forma  ˛ ff
˛
C = G + p0 = g + p0 ˛g∈G
˛

Definição A dimensão de um conjunto afim C é a dimensão do subespaço

G = C − p0 , sendo p0 um elemento qualquer de C
˘ n m×n m
¯
Exemplo C = x ∈ R | Ax = y, A ∈ R , y∈R é um conjunto afim?

Considere x1 , x2 ∈ C, então para qualquer α,

A (αx1 + (1 − α)x2 ) = αA(x1 ) + (1 − α)Ax2

= αy + (1 − α)y
= y

o que mostra que a combinação afim αx1 + (1 − α)x2 ∈ C.

pag.4 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Conjunto Convexo
Definição Um conjunto C é convexo se para qualquer par de pontos p1 e p2 em C, e
um escalar α ∈ [0, 1], a combinação convexa dada por αp1 + (1 − α)p2 ∈ C

Nota Todo conjunto afim é convexo...

Generalização Qualquer ponto da forma

j
X
α1 p1 + α2 p2 + · · · + αj pj , sendo que = 1 e αj ≥ 0
k=1

é uma combinação convexa dos pontos p1 , · · · , pj

Nota Convexidade pode ser definida para qualquer subconjunto de um espaço vetorial
real ou complexo, inclusive o conjunto vazio

Exemplo Uma reta é afim

Exemplo Um segmento de reta (fechado) é convexo, mas não afim (a não ser que se
reduz a um ponto)...
pag.5 Fund. Controle Robusto via Otimização – Bloco 2
c Reinaldo M. Palhares

 Conjuntos Convexos
Exemplo Um conjunto elipsoidal da forma
 ˛ ff
˛
C = p ˛˛ (p − pc )T P −1 (p − pc ) ≤ 1, p ∈ Rn , P = P T  0

p
é convexo. pc é o centro do elipsóide e λ(P ) fornecem o tamanho dos semi eixos

Teorema
1. Se C e D são conjuntos convexos então C + D é convexo
2. Se C é um conjunto convexo então

αC , {p2 | p2 = αp1 ; α ∈ R; p1 ∈ C} é convexo

3. A intersecção de uma coleção de conjuntos convexos é convexo

T
Dem. 3) Se p1 , p2 ∈ n Cn então p1 , p2 ∈ Cn , ∀n. Como Cn é convexo, então
para qualquer α ∈ [0, 1], αp1 + (1 − α)p2 ∈ Cn , ∀n. Portanto, ∀α ∈ [0, 1],
T
αp1 + (1 − α)p2 ∈ n Cn

pag.6 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Casca Convexa

Definição Dado um conjunto C qualquer, o menor conjunto convexo que contém C é

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

Em outras palavras, a casca convexa de C é intersecção de todos os conjuntos convexos

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

Definição ∀C =
6 ∅, C ⊂ X , ∃ co{C} (sendo X um espaço vetorial)

pag.7 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Vértices

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

n
X n
X
p= αi pi , αi ≥ 0 e αi = 1
i=1 i=1

p1
p4

p2
p3

Definição Todo ponto p̄ ∈ C ⊂ X tal que @p1 , p2 ∈ C, p1 6= p2 , que satisfaça

p̄ = αp1 + (1 − α)p2 , α ∈ (0, 1) é denominado ponto extremo ou vértice

Teorema Qualquer conjunto convexo e compacto é a casca convexa de seus vértices

pag.8 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Cones

Definição Um conjunto C é um cone se ∀p ∈ C e α ≥ 0 implica αp ∈ C

Definição Um cone convexo é um cone + conjunto convexo, ie para qualquer

p1 , p2 ∈ C e α1 , α2 ≥ 0, α1 p1 + α2 p2 ∈ C

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

Exemplos
1. Cone:

2. Cone convexo?

pag.9 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Cones

3. Conjunto das matrizes simétricas semidefinidas positivas

n
S = {A ∈ Rn×n | A = AT , A  0}

n n
é um cone convexo: se α1 , α2 ≥ 0 e B, C ∈ S , então α1 B + α2 C ∈ S

Veja que isto é um conseqüência direta da caracterização de uma forma quadrática

semidefinida positiva. Por exemplo, para qualquer x ∈ Rn , então

xT (α1 B + α2 C) x = xT α1 Bx + xT α2 Cx ≥ 0

se B  0, C  0, α1 , α2 ≥ 0

pag.10 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Hiperplanos ou Funções Afins

Definição Denomina-se um hiperplano em X um conjunto

n o
T
H = x ∈ X | p x = b, 0 6= p ∈ X , b ∈ R

e p ⊥ H . Naturalmente a função afim pT x − b é nula em X

h i
2 T 2
Para X = R e b = 1, se p = 1 1 e H é o conjunto dos x ∈ R tal que gera-se
a reta na figura abaixo

1
hp, xi = 1
p

x
x

pag.11 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Hiperplanos

Um hiperplano é um subespaço linear onde dim(H ) =dim(X ) − 1. Exemplo: a

reta é um subespaço linear do R2 ...

Para x1 , x2 ∈ H e α ≥ 0 → x3 = αx1 + (1 − α)x2 ∈ H ?

pT x3 = αpT x1 + (1 − α)pT x2 = αb + (1 − α)b = b

Um hiperplano divide o espaço em dois semi-espaços fechados:

n o n o
T T
H≤ = x∈X |p x≤b e H≥ = x∈X |p x≥b

H≥ é o semi-espaço na direção de p e H≤ na direção de −p. Estes semi-espaços são

convexos, porém não-afins

pag.12 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Hiperplanos Suporte

Definição Um hiperplano H é 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 é um hiperplano suporte de C se

1. inf {pT x | x ∈ C} = b (então C ⊂ H≥ )

2. ou sup{pT x | x ∈ C} = b (então C ⊂ H≤ )

C H

x ∈ B{C}
x

pag.13 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 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≥

xi H
C

1. pT (xi − x) ≤ 0, ∀xi ∈ C ⇒ C ⊂ H≤
2. pT (xi − x) ≥ 0, ∀xi ∈ C ⇒ C ⊂ H≥

pag.14 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Cone Dual

Definição Considere um cone C. O conjunto

C ∗ , {y | xT y ≥ 0, ∀x ∈ C}

é chamado cone dual de C

Interpretação y ∈ C ∗ sse −y é normal a um hiperplano que suporta C na origem

C
y

Note que o semi-espaço com o y normal e interno contém o cone C, então y ∈ C ∗

pag.15 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Hiperplanos Separadores

Definição Um hiperplano H é denominado hiperplano separador se para dois

conjuntos convexos C1 e C2 ∃H : C1 ⊂ H≤ e C2 ⊂ H≥

Os conjuntos são estritamente separáveis se C1 ⊂ H< e/ou C2 ⊂ H>

H
C1 C1
C1

C2 H
C2
C2
H

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

pag.16 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Funções Convexas

Definição Considere um conjunto convexo C. f : C 7→ R é denominada uma função

convexa se ∀x1 , x2 ∈ C e ∀α ∈ [0, 1]

f (αx1 + (1 − α)x2 ) ≤ αf (x1 ) + (1 − α)f (x2 )

Considerando desigualdade estrita, então f é estritamente convexa

f é côncava se −f é convexa

αf (x1 ) + (1 − α)f (x2 )

f (x1 )

f (x2 )

x1 x2

pag.17 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Funções Convexas

Definição Considere um conjunto convexo C. f : C 7→ R é denominada uma função

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

f (αx1 + (1 − α)x2 ) ≤ max{f (x1 ), f (x2 )}

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

e C2 então
1. αf é convexa em C1 , ∀α ≥ 0
T
2. f + g é convexa em C1 C2
Teorema C e f : C 7→ R convexos.
!
X X X
f αk xk ≤ αk f (xk ), xk ∈ C, αk ≥ 0, αk = 1
k k k

pag.18 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Mı́nimo de Função Convexa

Teorema Considere um conjunto convexo não-vazio C ⊂ X e f : C 7→ R uma função

convexa. Então
1. f é contı́nua no int{C}
2. O conjunto C¯ ⊂ C no qual f atinge seu mı́nimo é convexo
3. Qualquer mı́nimo local é também mı́nimo global de f

Dem. 3) Suponha que x∗ ∈ C é um mı́nimo local de f e que ∃x ∈ C tal que

f (x) < f (x∗ ). Sobre o seguimento αx + (1 − α)x∗ , 0 < α < 1, obtém-se

f (αx + (1 − α)x∗ ) = f (x∗ + α(x − x∗ )) ≤ f (x∗ )+α (f (x) − f (x∗ )) < f (x∗ )
| {z }
<0

o que contradiz, para α → 0+ , que x∗ é um mı́nimo local

pag.19 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Teoremas de Funções Convexas

Teorema Considere f ∈ C 1 . Então f é 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 é o vetor gradiente

f
f (y)
f (y) + ∇f (y)T (x − y)

y x

Teorema Considere f ∈ C 2 . Então fé convexaffsobre um conjunto convexo C sse

2 2 ∂ 2f
∇ f (x) < 0, em C. Onde ∇ f (x) = , i, j = 1, . . . , n é a matriz
∂xi ∂xj
Hessiana

pag.20 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Teoremas de Funções Convexas

Teorema Considere f ∈ C 1 , uma função convexa sobre o conjunto convexo

não-vazio C. Se existe um ponto x∗ ∈ C tal que

∇f (x∗ )T (x − x∗ ) ≥ 0, ∀x ∈ C

então x∗ é um mı́nimo 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

então x∗ ∈ C, tal que ∇f (x∗ )T (x − x∗ ) > 0 é um mı́nimo global estrito de f em C

pag.21 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Conjunto Poliedral

Definição A intersecção de um número finito de subespaços fechados é denominado

conjunto poliedral
˘ n m m×n
¯
Exemplo C , x | Ax ≤ y, x ∈ R , y ∈ R , A ∈ R

Nota Conjuntos poliedrais são convexos e fechados, mas podem não ser limitados

Definição Um conjunto poliedral limitado é denominado politopo

Em outras palavras, um politopo é a casca convexa de um conjunto finito de vértices

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

pag.22 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Desigualdades Matriciais Lineares – LMIs

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

A(x) = x1 A1 + x2 A2 + · · · + xn An  B

n
˘ n×n T
¯
onde B, Ai ∈ S = X ∈R | X = X , i = 1, . . . , n

Note a grande similaridade com uma desigualdade linear,

aT x = x1 a1 + x2 a2 + · · · + xp ap ≤ b, b, ai ∈ R

Nota O conjunto solução de uma LMI, ie {x ∈ Rn | A(x)  B} é convexo

Por quê? Definindo-se uma função afim f : Rn 7→ S n , da forma

n
f (x) = B − A(x), então {x | f (x) ∈ C ⊆ S } = {x ∈ Rn | B − A(x) ∈ S n
} é
a imagem inversa do cone das matrizes semi-definidas positivas, que é convexo...

Nota A imagem é {f (x) | x ∈ C ⊆ Rn }...

pag.23 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Politopo

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

v1

p1
v5
v2
p2

v4
v3

P5 P5
Todo p ∈ P é escrito da forma: p = i=1 α i vi , α i ≥ 0, i=1 αi = 1
Da figura,
1 1
p1 = v1 + v2 + 0v3 + 0v4 + 0v5
2 2
1 1 1
p2 = v1 + v2 + 0v3 + v4 + 0v5
3 3 3
1 2
p2 = v4 + p1
3 3

pag.24 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Um problema de otimização padrão
2 3
h i x1
T
min x2 = 0 1 4 5=c x
x
x2

8
1
>
>
< − x + x2
2 1
≥ 6 8
< x1 + 0x2 ≤ 8
s.a x1 + 0x2 ≥ 4,
>
> : 0x1 + x2 ≤ 5
:
0x1 + x2 ≥ 1

x2

6
5

1 x1

0 4 8 12

pag.25 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Estendendo os conceitos

Suponha que a matriz A ∈ P onde P é um politopo, ie P = co{A1 , A2 , . . . , Aκ }

˘ Pκ Pκ ¯
em outras palavras P , A | A = i=1 αi Ai , αi ≥ 0, i=1 α i = 1

Então para o problema de otimização:

min Traço{X }
X

s.a X ∈ Ri , i = 1, . . . , κ
n o
T
sendo R i , X | Ai X BC + (Ai X BC) + Q 4 0, Q = QT , ∃C −1

Geram-se κ restrições sendo que os vértices do politopo são elementos matricias !!

pag.26 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 Exercitando a fé ...

Exercı́cio 1. Mostre que qualquer norma é uma função convexa.

Exercı́cio 2. Considere um escalar não-negativo, λ, e define-se o seguinte conjunto:

K = {A = AT ∈ Rn×n | A < λI}

Suponha que A ∈ B{K} onde B{·} denota a fronteira de um conjunto {·}.

1. Caracterize o espectro de A

pag.27 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares

 ... e concretizando-a

Exercı́cio 3. Considere uma matrix positiva semi-definida Y ∈ Cn×n . Mostre que o

˘ n×n
¯
conjunto X ∈ C | X < Y é um cone convexo em Cn×n . (Dica: mostre que o
conjunto é convexo para então mostrar que é um cone)

Exercı́cio 4. Mostre que o problema de otimização a seguir é convexo:

min Traço{P }
P
s.a P ∈L

˘ T T n×n n×n
¯
onde L , P | A P + P A ≺ 0, P = P , P ∈ R ,A ∈ R

pag.28 Fund. Controle Robusto via Otimização – Bloco 2

c Reinaldo M. Palhares