Analyse 1: convexité et fonction convexe Joseph Salmon Septembre 2014 Ensembles convexes Définition : ensemble convexe Un ensemble C ⊂ Rd est dit convexe s’il vérifie la propriété : ∀x0 , x1 ∈ C , ∀α ∈ [0, 1], xα = αx1 + (1 − α)x0 ∈ C Interprétation : le segment joignant deux points de C est lui même inclus dans C . Pour plus détails : Boyd and Vandenberghe (2004) Exemples d’ensembles convexes I une droite I un plan I un hyperplan I un carré, une boule, un cube, un tétraèdre, etc. Convexe : OUI Convexe : OUI Exemples d’ensembles convexes I une droite I un plan I un hyperplan I un carré, une boule, un cube, un tétraèdre, etc. Convexe : OUI Convexe : OUI Convexe : NON Fonction convexe Définition : fonction convexe f : Rd → R est convexe si elle vérifie ∀x0 , x1 ∈ Rd , ∀α ∈ [0, 1], f (αx1 + (1 − α)(x0 )) ≤ αf (x1 ) + (1 − α)f (x0 ) | {z xα } Interprétation : le segment joignant deux points de le courbe est au dessus de la courbe Fonction strictement convexe Définition : strictement fonction convexe f : Rd → R est strictement convexe si elle vérifie pour tous x0 6= x1 ∈ Rd , ∀α ∈]0, 1[, f (αx1 + (1 − α)(x0 )) < αf (x1 ) + (1 − α)f (x0 ) | {z xα } Interprétation : le segment joignant deux points de le courbe est strictement au dessus de la courbe Exemples de fonctions convexes I une fonction constante : x 7→ c I une fonction affine : x 7→ ha, xi + c I αf + (1 − α)g pour f , g convexes et α ∈ [0, 1] I λf pour f convexe et λ ∈ R+ (ATTENTION au signe +) Convexe : OUI Convexe : OUI (c ∈ R) (a ∈ Rn , c ∈ R) Exemples de fonctions convexes I une fonction constante : x 7→ c I une fonction affine : x 7→ ha, xi + c I αf + (1 − α)g pour f , g convexes et α ∈ [0, 1] I λf pour f convexe et λ ∈ R+ (ATTENTION au signe +) Convexe : OUI Convexe : OUI (c ∈ R) (a ∈ Rn , c ∈ R) Convexe : NON Convexité de l’épigraphe Une fonction est convexe si “la partie au dessus” de la fonction est convexe i.e., son épigraphe C = {(x, y) ∈ R2 : f (x) ≤ y} Rem: une fonction est concave quand “la partie en dessous” de la fonction est convexe (cela revient à dire que −f est convexe) Inégalité de convexité Définition : combinaison convexe / moyenne pondérée On appelle combinaison convexe (ou moyenne pondérée) des P points x1 , . . . , xn ∈ Rd tout point qui s’écrit ni=1 αi xi pour des αi Pn satisfaisant ∀i = 1, . . . , n, αi ≥ 0 et i=1 αi = 1 Théorème : inégalité de Jensen Si f : Rd → R est convexe alors pour tous points x1 , . . . , xn ∈ Rd P et tous α1 , . . . , αn tel que ∀i = 1, . . . , n, αi ≥ 0 et ni=1 αi = 1 f( n X i=1 αi xi ) ≤ n X αi f (xi ) i=1 Interprétation : l’image par une fonction convexe d’une moyenne pondérée est plus petite que la moyenne pondérée des images Inégalité de convexité II Théorème : comparaison entre fonction et tangente Si f : Rd → R est convexe alors pour tous points x, x ∗ ∈ Rd on a f (x) ≥ f (x ∗ ) + h∇f (x ∗ ), x − x ∗ i Interprétation : Une fonction convexe et différentiable se situe au dessus de n’importe laquelle de ses tangentes Fonctions convexes réelles Théorème : croissance de la dérivée Si f : R → R est dérivable alors on a l’équivalence : f convexe ⇔ f 0 croissante Théorème : croissance de la dérivée (bis) Si f : R → R est dérivable deux fois, alors on a l’équivalence : f convexe ⇔ f 00 ≥ 0 Exemples d’application : I x 7→ x 2 ou plus généralement x 7→ x 2n (pour n ∈ N) I x 7→ exp(x) I x 7→ − log(x) est convexe sur R+ Fonctions convexes multi-dimensionnelles Corollaire : croissance de la dérivée revisitée Si f : Rd → R est différentiable deux fois, alors on a l’équivalence : f convexe ⇔ ∇2 f est semi-défini positive Exemple d’application : f : x 7→ x > Ax (avec A symétrique) est convexe si et seulement si A est semi-défini positive Rem: Pour d = 2 une fonction convexe ressemble localement à Hessienne semi-définie positive Hessienne définie positive Impossible : non convexe Références I I S. Boyd and L. Vandenberghe. Convex optimization. Cambridge University Press, Cambridge, 2004. http://www.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf.