Documentos de Académico
Documentos de Profesional
Documentos de Cultura
BIBLIOGRAFIA
Barbolla, Cerd y Sanz Sydsaeter
M. Vzquez
PROGRAMA MATEMATICO
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.
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
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
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
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 .
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.
opt e x
+ y2
( 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
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:
x e y de
y lo denotamos por
[x
[ 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]}
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
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
R3
Funcin cncava en
R3
14
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 convexa R 2
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
20
21
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
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
4. f ( x, y ) = 5. f ( x, y ) = yx x + y +2 xy 6. f ( x, y ) = e
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
28
Sin embargo, el conjunto de puntos que estamos analizando es convexo (ver grfica).
Definicin Sea
f : S R2+ + R
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.
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
31
32
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
34
log xy = 2
x1/ 2 + y1/ 2 = 1
35
x + log y = 1
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.
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