Está en la página 1de 39

Captulo 3. INTRODUCCION A LA OPTIMIZACION.

BIBLIOGRAFIA
Barbolla, Cerd y Sanz Sydsaeter

Podis consultar el texto de Barbolla, Cerd y Sanz Optimizacin ED. Garceta.

M. Vzquez

PROGRAMA MATEMATICO

Max f(x,y) (x,y) S R 2

min f(x,y) (x,y) S R 2

Conjunto de soluciones factibles (CSF)

Funcin objetivo Se trata de buscar, de entre todos los puntos posibles, aquellos que asignen el mejor valor a nuestra funcin. Definimos ms formalmente

Definicin.
Decimos que un punto (x*, y*) es solucin del problema de Mximo global si es el punto que le asigna el mayor valor a la funcin objetivo de entre todos los puntos factibles, es decir
( x*, y*) S es Max global f ( x*, y*) f ( x, y ) ( x, y ) S

Si la desigualdad es estricta, el Mximo global es nico. Al valor de la funcin objetivo evaluado en el punto de Mximo se denominar valor ptimo (Mximo) y por tanto representa el valor mas grande que puede tomar la funcin. Si la desigualdad anterior se verifica en un entorno de (x*, y*) y no en todo punto factible, diremos que el Mximo es local.

Si la desigualdad se da en sentido contrario entonces tendremos un mnimo global


( x*, y*) S es min global f ( x*, y*) f ( x, y ) ( x, y ) S

que ser estricto si la desigualdad es estricta. Igualmente, si se verifica en un entorno pero no en todo punto, el mnimo ser local.
3

Para una funcin en el plano:


Max Global Max Local

min local

Observa . En este caso no existe mnimo global pues la funcin toma valores
arbitrariamente pequeos. El conjunto de soluciones factibles es toda la recta real.
4

Si ahora suponemos que el conjunto de puntos candidatos es el intervalo [1,5]

min global Observa que el mnimo que antes era local ahora es global, pues hemos cambiado el conjunto de soluciones factibles.

En R 3 tendramos
Mximos globales

mnimos globales

Queremos saber. Cundo podemos asegurar que existe solucin? Bajo qu condiciones la solucin es global? Cundo podemos asegurar que la solucin es nica? Nuestro objetivo es estudiar bajo qu condiciones podemos asegurar que existe una nica solucin global. Dichas condiciones afectarn tanto al OBJETIVO como al CSF.

EXISTENCIA DE SOLUCIONES

EXISTENCIA DE SOLUCIONES. Teorema de Weierstrass.

Si la funcin objetivo es continua en el conjunto de soluciones factibles y el conjunto de soluciones factibles es compacto, entonces existe AL MENOS UN MNIMO GLOBAL y UN MXIMO GLOBAL .

RECUERDA Ejemplo. Sea el programa

Un conjunto se dice compacto si es cerrado y acotado


Opt 1- x - y x +y 1, x 0, y 0

Analizamos el conjunto de soluciones factibles. El conjunto es cerrado (contiene su frontera) . Para ver si es acotado, representamos grficamente las inecuaciones.
8

x +y 1, x 0, y 0

Y por tanto el conjunto es compacto. Como la funcin objetivo es continua, seguro que el programa tiene un mximo y un mnimo global.

Ejemplo 2 Sea el programa


la existencia de ptimos?

opt e x

+ y2

Qu podemos decir sobre

( x, y ) R 2

El conjunto factible es evidentemente no acotado, luego no se cumplen las hiptesis del teorema. Por tanto, puede haber ptimo o no. No existe Mximo Global (0,0) mnimo global

GLOBALIDAD Y UNICIDAD DE SOLUCIONES PROGRAMAS CONVEXOS

10

CONJUNTOS CONVEXOS
Un conjunto es convexo cuando, dados dos elementos del conjunto, todos los elementos que pertenecen al segmento que los une tambin estn en el conjunto. Ms formalmente:

Definicin. Sean dos puntos


extremos x e y

x e y de

y lo denotamos por

[x

, y ]como el conjunto de la forma

R.n Definimos el segmento de

[ x , y ] = {z Rn : z =
Observacin La interseccin de conjuntos convexos es siempre un conjunto convexo, pero no ocurre lo mismo con la unin. (Ver dibujo)

x + (1 ) y , [ 0,1]}

Por tanto, un conjunto S se dice convexo si ( x , y ) S [ x , y ] S

11

Observacin. En ocasiones conviene distinguir entre conjuntos convexos y conjuntos estrictamente convexos. La diferencia se encuentra en que, cuando el conjunto es estrictamente convexo, no puede haber tramos rectos. (ver grficos )

Es convexo (estricto)

Es convexo

12

No es convexo

No es convexo

FUNCIONES CONVEXAS Y CONCAVAS


Definicin. Sea
f : S R n R donde S es un conjunto convexo. Diremos que f es

cncava en S si y slo si x , y S , f ( x + (1 ) y ) f ( x ) + (1 ) f ( y ), [0,1] Diremos que la funcin es estrictamente cncava cuando la desigualdad es estricta para valores de lamda entre (0,1). Por tanto, una funcin es cncava cuando la grfica comprendida entre los dos extremos del segmento queda por encima del segmento que une los valores por f de los puntos extremos. Grficamente:

Estrictamente cncava en R 2

Cncava en R 2

13

Funcin estrictamente cncava en

R3

Funcin cncava en

R3

14

f : S R n R donde S es un conjunto convexo. Diremos que f es convexa en S si y slo si

Definicin. Sea

x , y S , f ( x + (1 ) y ) f ( x ) + (1 ) f ( y ), [0,1]

Diremos que la funcin es estrictamente convexa cuando la desigualdad es estricta para valores de lamda entre (0,1). Anlogamente al caso anterior, diremos que una funcin es convexa cuando la grfica comprendida entre los dos extremos del segmento queda por debajo del segmento que une los valores por f de los puntos extremos. Grficamente:

15

Funcin estrictamente convexa R 2

Funcin convexa R 2

Funcin estrictamente convexa

R3

Funcin convexa

R3

16

CARACTERIZACION C 2
Si suponemos que la funcin que estamos estudiando tiene primeras y segundas parciales continuas, tenemos un criterio muy til para estudiar la concavidadconvexidad de la misma. Se puede probar: La funcin f es cncava si y slo si su matriz hessiana es semidefinida negativa en todo punto del conjunto S (dominio) La funcin f es convexa si y slo si su matriz hessiana es semidefinida positiva en todo punto del conjunto S (dominio) Si la matriz hessiana es definida negativa entonces la funcin es estrictamente

cncava
Si la matriz hessiana es definida positiva entonces la funcin es estrictamente

convexa
17

Podemos decir alguna cosa ms sobre las funciones cncavas y convexas. Geomtricamente, una funcin cncava se caracteriza porque la diferencial siempre aproxima por exceso (es decir, los planos tangentes estn siempre encima de la grfica de la funcin)

Plano tangente

f ( x ) f ( x0 ) f ( x0 )( x x0 ) f ( x ) f ( x0 ) + f ( x0 )( x x0 ), x , x0 S
18

En el caso de las funciones convexas, la diferencial siempre aproxima por defecto (es decir, los planos tangentes estn siempre debajo de la grfica de la funcin)

Plano tangente

f ( x ) f ( x0 ) f ( x0 )( x x0 ) f ( x ) f ( x0 ) + f ( x0 )( x x0 ), x , x0 S
19

Funcin ni cncava ni convexa

20

Cmo trabajaremos entonces?


Para analizar la concavidad/convexidad de una funcin Estudia la matriz Hessiana. Las derivadas segundas deben ser continuas. Estudia el signo de la matriz (por el criterio de los menores o autovalores). Utiliza el criterio anterior para decidir si la funcin es cncava, convexa o ninguna de las dos cosas.

21

RELACION ENTRE FUNCIONES Y CONJUNTOS


Sea f una funcin cncava. Entonces el conjunto N c = { x S : f ( x ) c} es un conjunto convexo.

{ x S : f ( x ) c} Sea f una funcin convexa. Entonces el conjunto N c =


es un conjunto convexo.

Sea f una funcin lineal. Entonces el conjunto N c = c} {x S : f ( x ) = es un conjunto convexo.

RECUERDA. La propiedad anterior podra enunciarse as. EL CONJUNTO SOBRE NIVEL DE UNA CONCAVA ES CONVEXO EL CONJUNTO BAJO NIVEL DE UNA CONVEXA ES CONVEXO LA CURVA DE NIVEL DE UNA LINEAL ES CONVEXO

22

Para analizar la convexidad de un conjunto


Si el conjunto es de la forma f ( x ) c , prueba que la funcin f ( x ) es convexa. Sus conjuntos bajo nivel sern convexos. Si el conjunto es de la forma f ( x ) c , prueba que la funcin
f ( x ) es cncava. Sus conjuntos sobre nivel sern

convexos. Si el conjunto es de la forma f ( x ) = c ,prueba que la funcin es lineal. Sus curvas de nivel sern convexas (sern rectas, planos).
23

Grficamente:
F ( x, y= ) x2 + y 2

2 0 HF ( x, y)= ( x, y) DP 0 2
Funcin convexa

x2 + y 2 1
Conjunto convexo
24

F ( x, y ) = x1/ 2 y1/ 2
1 3/ 2 1/ 2 1 1/ 2 1/ 2 x y 4 x y 4 HF ( x, y ) = SDN( x, y ) 1 1 x 1/ 2 y 1/ 2 x1/ 2 y 3/ 2 4 4

Funcin cncava

x1 / 2 y1 / 2 1

conjunto convexo
25

Observa que, sin embargo, los conjuntos anteriores NO SON convexos si se permite slo la igualdad: NO convexo

x2 + y 2 = 1

NO convexo

x1/ 2 y1/ 2 = 1
26

Ejercicio 1. Analiza la concavidad/convexidad de las funciones:

1. f ( x, y ) = 2. f ( x, y ) = log( x1/ 2 y1/ 2 ) x2 y 2 x1/ 2 y1/ 2 3.. f ( x, y ) =


2 2 2 x2 + y 2

4. f ( x, y ) = 5. f ( x, y ) = yx x + y +2 xy 6. f ( x, y ) = e

Ejercicio 2. Estudia la convexidad de los conjuntos:

1.x + y 1
2 2

2.x

1/ 2

1/ 2

3. log( x

1/ 2

1/ 2

)0

4. y x 2 =1

5. x 2 + y 2 +2 xy 4

27

FUNCIONES CUASICONCAVAS Y CUASICONVEXAS


Analicemos la convexidad del conjunto de puntos en el primer cuadrante que verifican xy 1 . Puesto que el conjunto viene definido con mayor o igual, basta con que el campo escalar que lo define sea cncavo. Analizamos el signo de su matriz hessiana.
F ( x, y )= xy F ( x, y ))= ( y , x ); HF ( x, y )= 0 1 1 0

Los autovalores son 1 y -1 y por tanto la matriz es indefinida. La funcin NO ES CONCAVA.

28

Sin embargo, el conjunto de puntos que estamos analizando es convexo (ver grfica).

F(x,y) NO es cncava pero sus conjuntos sobre-nivel son todos convexos.


Las funciones cuyos conjuntos sobre-nivel en el primer cuadrante son siempre convexos se denominan FUNCIONES CUASICONCAVAS (poseen una de las propiedades ms interesantes de las funciones cncavas). Si el conjunto es estrictamente convexo, diremos ESTRICTAMENTE CUASICONCAVAS. siendo S un conjunto convexo. Entonces: f es cuasicncava si y slo si los conjuntos { x S : f ( x ) }son convexos. Se puede probar que si tenemos una funcin compuesta por una cuasicncava y una creciente, la funcin es cuasicncava. Esta propiedad es muy til para detectar la cuasiconcavidad de funciones. Veamos un ejemplo. 29

Definicin Sea

f : S R2+ + R

Ejercicio. Estudia la cuasiconcavidad de la funcin


Solucin

F ( x, y ) = xy

1/ 4 1/ 4 4 Si escribimos la funcin anterior de la manera F ( x, y ) = ( x y ) tenemos que F(x,y) es la composicin de una cncava (y por tanto cuasicncava) con una funcin creciente y por tanto es cuasicncava.

Ejercicio. Estudia la convexidad del conjunto {( x, y ) R


Solucin

2 ++

: e xy 2}

Hemos probado en el ejercicio anterior que F(x,y)=xy es estrictamente cuasicncava. Como la funcin exponencial es creciente, por la propiedad de la composicin tenemos que tambin lo es. Entonces su conjunto sobrenivel 2 es convexo (de hecho estrictamente, sin tramos rectos).

siendo S un conjunto convexo. La funcin f es cuasiconvexa si y slo si los conjuntos { x S : f ( x ) }son convexos.

Definicin Sea

f : S R2+ + R

30

F ( x, y ) = x1/ 4 y1/ 4 (estrictamente cncava )


Si y=x, F ( x, x) = x1/ 2 (estrictamente cncava )

31

F ( x, y ) = x1/ 2 y1/ 2 (cncava no estricta)


Si x=y, F(x,x)=x (cncava no estricta)

32

F ( x, y ) = xy (estrictamente cuasicncava, no cncava )

Si y=x, F(x,x)=x2 convexa

Observacin: tenemos un criterio, mucho ms general que el que hemos visto aqu, para decidir si una funcin es cuasicncava o no lo es. Es el criterio del hessiano orlado. Si estas interesad@, puedes consultar el texto de Barbolla,Cerd y Sanz.
33

AMPLIACIN FUNCIONES CUASICONCAVAS


Hemos visto que la definicin de funcin cuasicncava est ligada a la convexidad de sus conjuntos sobrenivel. Por otra parte, si analizas las curvas de nivel de las funciones cuasicncavas que hemos presentado, vers que todas comparten una caracterstica: las curvas de nivel son convexas. Ejercicio. Sean las funciones

f ( x, y ) = log xy, g ( x, y ) = x1/ 2 + y1/ 2 , h( x, y ) = x + log y


Prueba que son estrictamente cuasicncavas

34

Sus curvas de indiferencia son todas estrictamente convexas

log xy = 2

x1/ 2 + y1/ 2 = 1

35

x + log y = 1

Es casualidad?. No. Se puede probar que una funcin definida en el primer


cuadrante con derivadas positivas es estrictamente cuasicncava si y slo si sus curvas de nivel son decrecientes y estrictamente convexas. Qu implicaciones econmicas tiene este asunto sobre las preferencias de un individuo cuando la funcin de utilidad es cuasicncava?

36

Como sabes, las rectas tangentes tienen por pendiente el cociente de las marginales cambiado de signo. Explican la cantidad que estamos dispuestos a ceder del bien y por una unidad del bien x (relacin marginal de sustitucin).

RMS

fx fy

decreciente

Las funciones de utilidad cuasicncavas tienes curvas de indiferencia convexas. La convexidad de las curvas de indiferencia hace que dichas pendientes decrezcan con x. Estamos dispuesto a ceder menos y cuanto ms x tengamos. Adems, el conjunto de los preferidos (pintado en rojo) es convexo, puesto que el conjunto de los preferidos es el conjunto sobrenivel de una funcin cuasicncava. Prefieres una combinacin de dos cestas indiferentes a cualquiera de ellas. Tus preferencias se dirn CONVEXAS.

37

Por tanto, tendremos que encontrar una manera ms sencilla de determinar las GLOBALIDAD Y UNICIDAD DE SOLUCIONES. soluciones. Lo veremos ms adelante.

Max f(x,y) (x,y) S R 2


min f(x,y) (x,y) S R 2

El programa se dice convexo para Mximo si la funcin es ccva (cva) y el conjunto S es convexo. El programa se dice convexo para mnimo si la funcin es ccxa (cxa) y el conjunto S es convexo.

Teorema fundamental de la programacin Convexa (local-Global) En un programa convexo para Mximo, todo Mximo es global. Adems, si el objetivo es estricto, el Mximo es nico. Si existe ms de un Mximo, hay todo un conjunto convexo de Mximos. Anlogamente, puedes formular el teorema en el caso de mnimo.

38

En los captulos siguientes veremos condiciones necesarias y suficientes de ptimo (Mximo y mnimo) en distintos programas matemticos. Clasificaremos dichos programas en funcin de su conjunto de soluciones factibles: programas sin restricciones, programas con restricciones de igualdad y programas con restricciones de desigualdad.

39

También podría gustarte