Programação Linear (e rudimentos de otimização não-linear)
Programação Linear (e rudimentos de otimização não-linear)
Programação Linear (e rudimentos de otimização não-linear)
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
notas <strong>de</strong> aula – versão 64 - Jerônimo C. Pellegrini<br />
34 CAPÍTULO 2. CONJUNTOS CONVEXOS E SOLUÇÕES VIÁVEIS<br />
Exemplo 2.53. Seja f(a, b) = a 4 + b 2 . Temos<br />
( )<br />
∇ 2 12a<br />
2<br />
0<br />
f(a, b) =<br />
0 2<br />
Já po<strong>de</strong>mos perceber que os autovalores da Hessiana são a constante dois<br />
e 12a 2 , que são sempre positivos, e a função é convexa.<br />
Po<strong>de</strong>mos também verificar que x T (∇ 2 f(a, b))x é sempre positivo. Para<br />
qualquer x ∈ R 2 ,<br />
x T ∇ 2 f(a, b)x = ( 12a 2 ) ( )<br />
x<br />
x 1 2x 1<br />
2 = 12a 2 x 2 1<br />
x + 2x2 2 > 0,<br />
2<br />
portanto f é convexa em R 2 .<br />
Exemplo 2.54. Seja f(a, b) = e a + e b . Então<br />
( )<br />
∇ 2 e<br />
a<br />
0<br />
f(a, b) =<br />
0 e b<br />
Novamente notamos que os autovalores são positivos – a função é convexa.<br />
Para qualquer x ∈ R 2 ,<br />
x T ∇ 2 f(a, b)x = ( ( )<br />
x 1 e a x 2 e b) x 1<br />
= x 2 1<br />
x ea + x 2 2 eb > 0,<br />
2<br />
portanto f é convexa em R 2 .<br />
Po<strong>de</strong>ríamos também ter observado que f é a soma <strong>de</strong> e a com e b , duas<br />
funções convexas – e a soma <strong>de</strong> funções convexas sempre é convexa. ◭<br />
Exemplo 2.55. Seja f(a, b) = (a + b) 2 . Então<br />
( )<br />
∇ 2 2 2<br />
f(a, b) =<br />
2 2<br />
Para qualquer x ∈ R 2 ,<br />
Versão Preliminar<br />
x T ∇ 2 f(a, b)x = ( ) ( )<br />
x<br />
2x 1 + 2x 2 2x 1 + 2x 1<br />
2 = 2x 2 1<br />
x + 2x2 2 + 4x 1x 2 .<br />
2<br />
A função quadrática 2x 2 1 + 2x2 2 + 4x 1x 2 é sempre positiva, portanto f é convexa<br />
em R 2 .<br />
Os autovalores da Hessiana são 0 e 4.<br />
◭<br />
◭