1 1.

ptimos para varias variables sin restricciones Introduccin

Un problema de optimizacin sin restricciones es el que se plantea de la forma siguiente: Sea f : A Rn R

max (min)
XA

f (X)

Es decir, hallar los puntos a pertenecientes a A que sean mximos (mnimos) absolutos, es decir los puntos a de A que tengan la imagen ms grande (pequea). Denition 1 Dada la funcin escalar de varias variables f : A Rn R diremos que a es un

mximo (mnimo) absoluto de f si y slo si a es un elemento de A que tiene la imagen mayor (menor) o igual si se compara con todas las imgenes de los elementos de A. Expresado matemticamente a es un mximo absoluto o global de f a es un mnimo absoluto o global de f f (a) f (x) f (a) f (x) x A x A

En un problema sin restricciones las variables de decisin, x, en principio, pueden tomar cualquier valor dentro de un dominio. Esto nos puede parecer un tipo de problema carente de inters pues normalmente las variables han de de vericar alguna restriccin. Los estudiaremos ya que nos en ocasiones es posible abordar un problema con restricciones mediante las tcnicas de resolucin sin restricciones. Aunque nuestro inters es hallar los ptimos absolutos no hay, desgraciadamente, condiciones sencillas que nos indiquen si existen tales puntos a y en caso de haberlos cmo hallarlos. En el caso de que A sea un compacto y f una funcin continua tenemos garantiza la existencia de un mximo absoluto y un mnimo absoluto y discutiremos ms adelante cmo calcularlos. Comenzaremos, pues por rebajar nuestras exigencias y deniremos un concepto ms dbil que es la de ser un punto a mximo relativo (o mnimo relativo). Denition 2 Dada la funcin escalar de varias variables f : A Rn R diremos que a es un mximo (mnimo) relativo de f si y slo si a es un elemento de A que tiene la imagen mayor (menor) en un entorno de l. Expresado matemticamente a a es un mximo relativo o local de f es un mnimo relativo o local de f R t.q. f (a) f (x) R t.q. f (a) f (x) x B (a; ) A1 x B (a; ) A

Es decir, a tiene la imagen ms grande (pequea) si se compara con un conjunto de puntos que estn prximos a l.
1

B (a; ) = {x A | d (x, a) < } .Es decir conjunto de puntos de A que distan de a menos de .

Dado que, en general, la denicin de ptimo relativo no permite determinar y localizar lo ptimos relativos de una funcin daremos condiciones necesarias y sucientes para localizar los ptimos relativos. Comenzaremos por unas deniciones que nos harn falta para enunciar dichas condiciones.

1.2

Deniciones
2

Dada una matriz simtrica

A de n n,

diremos que es denida positiva si y slo si q(x) = xt Ax > 0 0 6= x Rn , o lo que es lo mismo todos sus valores propios son estrictamente positivos (i > 0) , o equivalentemente 1 > 0, 2 > 0, ..., n > 0.3 Diremos que es denida negativa si y slo si q(x) = xt Ax < 0 0 6= x Rn , o lo que es lo mismo 3 < 0, ..., (1)n n > 0. Diremos que es semidenida positiva sii q(x) = xt Ax 0 x Rn , o lo que es lo mismo todos sus valores propios son son positvos (i 0) , o equivalentemente H1 0, H2 0, ..., Hn 0.4

todos sus valores propios son estrictamente negativos (i < 0) , o equivalentemente 1 < 0, 2 > 0,

Diremos que es semidenida negativa sii q(x) = xt Ax 0 x Rn , o lo que es lo mismo todos sus valores propios son negativos (i 0) , o equivalentemente H1 0, H2 0, ..., (1)n Hn 0.

Diremos que es indenida cuando no se d alguno de los casos anteriores. (valores propios positivos y negativos).

1.3

Condiciones necesarias y sucientes de optimalidad relativa

Para enunciar las propiedades supondremos que A es un abierto de Rn y que f es de clase5 2.

Una matriz simtrica tiene todos sus valores propios reales, siempre diagonaliza y lo hace en una base de vectores propios ortonormales. a11 a12 a13 a11 a12 3 1 = a11, 2 = det 3 = det a12 a22 a23 a12 a22 a13 a23 a33 4 H1 = {determinantes de 1x1 centrados en la diagonal }, H2 = {determinantes de 2x2 centrados en la diagonal }, ..., Hn = {determinante de nxn centrados en la diagonal }. 5 Si existen derivadas parciales y stas son continuas diremos que es de clase 1. (Ser de clase 1 lo que se denomina diferenciable con continuidad) implica la diferenciabilidad de la funcin. Si existen todas las derivadas k-simas de f y stas son funciones continuas, diremos que f es de clase k y lo notaremos por f C k
2

1.3.1

Condiciones necesarias para que a sea un mx (mn) relativo de f en A

Condicin 1 Si a es un mx (mn) relativo o local6 de f en A, entonces f (a) = 0. Si a es un mnimo relativo de f en A, entonces Hf (a) es semidenida positiva. Condicin 2 Si a es un mximo relativo de f en A, entonces Hf (a) es semidenida negativa.

Por desgracia ests condiciones no son sucientes, es decir un punto a que anule al vector gradiente y su matriz Hessiana sea semidenida negativa (o positiva) en a no tiene porqu ser un mximo

(mnimo) relativo. Vemoslo el ejemplo siguiente: 3x2 Example 3 Dada la funcin f (x, y) = x + y , tiene por vector gradiente a f (x, y) = 2 3y 00 0 6x 0 y Hf (0, 0) = . Resulta que f (0, 0) = y por matriz hessiana a Hf (x, y) = 00 0 0 6y que es semidenida positiva y semidenida negativa, pero el punto (0, 0) no es ni un mnimo local
3 3

ni un mximo local de f (x, y) = x3 + y 3 . Para ello basta con ver que para cualquier entorno del (0, 0) siempre hay punto que tiene imagen mayor e imagen menor que la que tiene (0, 0).Esto nos demuestra que algo ms que anular al vector gradiente y ser semidenida positiva o negativa se tiene que cumplir para ser un ptimo relativo o local de una funcin. A continuacin enunciaremos una condicin ms fuerte s ser suciente para poder armar que un punto a es un ptimo relativo. 1.3.2 Condicin suciente de ptimo relativo o local

cumple la primera condicin7 , entonces

Partimos de que estamos en las condiciones generales exigidas al problema. Supongamos que a A Si Hf (a) es denida positiva, entonces a es un mnimo relativo o local de f en A Si Hf (a) es denida negativa, entonces a es un mximo relativo o local de f en A

Remark 4 La condicin suciente es excesivamente restrictiva, con lo que un punto a puede no cumplirla y ser ptimo local como nos muestra el siguiente ejemplo. Example 5 La funcin f (x, y) = x4 + y 4 siendo A = R2 tiene un mnimo relativo (en realidad es ms, es absoluto) en (0, 0) pero no cumple la condicin de suciencia. Comprobmoslo: 3 0 4x y f (0, 0) = . f (x, y) = 4y 3 0
Se utilizar de forma equivalente la palabra local y relativo. Se utilizar de forma equivalente la palabra global o absoluto. 7 Los puntos a que f (a) = 0 se les denomina puntos crticos o estacionarios.
6

Si ahora calculamos la matriz hassiana tenemos 12x2 0 00 1 0, 2 0, luego no es denida positiva ni Hf (x, y) = y Hf (0, 0) = 2 00 0 12y denida negativa con lo que no podemos concluir nada. Todava nos queda una alternativa que nos da la siguiente propiedad, siempre bajo el supuesto que trabajamos con a es un punto crtico. Proposition 6 Supongamos que f (a) = 0:

Si Hf (x) es semidenida positiva en un B(a, r), entonces a es un mnimo local. Si Hf (x) es semidenida negativa en un B(a, r), entonces a es un mximo local.

Example 7 Apliqumoslo a nuestro ejemplo 5. 12x2 0 H1 = {12x2 , 12y 2 } son determinantes mayores o iguales que cero y H2 = Hf (x, y) = 0 12y 2 144x2 y 2 es un determinante mayor o igual a cero. Luego Hf (x) es semidenida positiva en un entorno de (0, 0) con lo que (0, 0) es un mnimo relativo de f . 1.3.3 Estudio para funciones de una variable

1.- Los posibles ptimos se hallarn de f 0 (x) = 0. Supongamos que f 0 (a) = 0. 2.- Realizaremos la segunda derivada y la evaluamos en a (ese el el valor propio) pueden suceder 3 casos: 1. f 00 (a) < 0 es denida negativa, luego en a hay un mximo relativo. 2. f 00 (a) = 0 es semidenida positiva y semidenida negativa, luego no podemos concluir nada. Podramos ampliar el estudio a un entorno del punto y analizar all si es semidenida positiva o semidenida negativa. (Sino lo estudiado en bachillerato de tercera derivada, cuarta derivada, etc.) 3. f 00 (a) > 0 es denida positiva, luego en a hay un mnimo relativo. 1.3.4 Estudio para funciones de dos variables

1.- Los posibles ptimos se hallarn de f (x) = 0. Supongamos que f (a) = 0 2.- Realizaremos la matriz Hessiana y la evaluaremos en a, es decir hallaremos Hf (a). Pueden suceder 3 casos: 1. Si a11 a22 a2 12 >0 a11 > 0 a es un punto de mnimo relativo para f a11 < 0 a es un punto de mximo estricto para f 4

2. Si a11 a22 a2 < 0 No hay ptimo relativo en a (punto de ensilladura). 12 3. Si a11 a22 a2 = 0, caso dudoso (a puede ser ptimo relativo o no). Es semidenida positiva 12 y/o semidenida negativa. Podemos hacer un estudio en un entorno del punto. Estudio para funciones de tres variables

1.3.5

1.- Los posibles ptimos se hallarn de f (x) = 0. Supongamos que f (a) = 0 2.- Realizaremos la matriz Hessiana y la evaluaremos en a, es decir, hallaremos Hf (a). a11 a12 1 = det a11 , 2 = det , 3 = det A. Miraremos si es denida positiva o denida negativa. a12 a22 En caso de no poder concluir nada aplicarmos la proposicin 6. Para terminar esta seccin recordemos que nuestro problema era hallar los ptimos absolutos o globales y que hemos comentado que discutiramos cmo hallarlos en el caso de tener un dominio compacto (A cerrado y acotado) ya que por el teorema de Weierstrass tenemos garantizada la existencia de mximo absoluto y mnimo absoluto cuando la funcin f es continua en A. Nuestro modo de proceder ser el siguiente: escribiremos el compacto como unin disjunta de interior y frontera. Para los puntos del interior hallaremos el conjunto de puntos crticos que denominaremos A. Para la frontera hallaremos el conjunto de los puntos crticos por Lagrange (ver seccin siguiente) siempre que sea aplicable (menos restricciones8 que variables de decisin) que denominaremos B1 , B2 , ..., y el conjunto de los puntos frontera que cumplen tantas restricciones como varibles de decisin (vrtices) lo llamaremos C. Sea D = A B1 B2 ... C. Buscamos en D que punto tiene la imagen mayor (menor) y ya hemos solucionado nuestro problema de max (min) absoluto.

como unin de interior limiado por la recta y la parbola. La frontera la formara segmeto abierto de la recta, curva abierta de la parbola y puntos de interseccin de recta y parbola. (ver problema de exmen diciembre 2004).

Example 8 la regin compacta K cerrada por la parbola y = x2 1 y la recta y = 1 se escribiria

1.3.6

Resumen

Dada la funcin escalar de varias variables f : A Rn R donde A ser un abierto y la funcin f de clase 2. El estudio de ptimos libres se realizar de la forma siguiente: 1.- se hallarn de f (x) = 0. Supongamos que f (a) = 0. 2.- Realizaremos la matriz Hessiana y la evaluaremos en a, es decir, hallaremos Hf (a).
8

Cuando hablamos de restricciones suponemos que se han simplicado hasta ser independientes.

3.- Si es denida positiva la matriz Hessiana el punto a es un mnimo relativo. Si es denida negativa es un mximo relativo. Si es indenida no es nada y si es semidenida positiva o semidenida negativa haremos un estudio local. Es decir, si Hf (x) es semidenida positiva en un entorno de a, entonces a es un mnimo local. y si Hf (x) es semidenida negativa en un entorno de a, entonces a es un mximo local.