REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA DE LA FUERZA ARMADA

BOLIVARIANA NCLEO ANZOTEGUI SAN TOM CTEDRA: Ing. De Sistemas

OPTIMIZACIN NO LINEAL

Facilitador: Ing- Edgardo Salazar Seccin: 7S-N01 Ing. De Sistemas

Bachilleres: Liz Alland J Scioville C.I: C.I: 12.681.840

San Tom, Enero de 2014.

Caracterizacin de Mximo y Mnimo. Mximo local y global Mnimo local y global. Matriz Hessiana.

Mtodo de bsqueda. Mtodo de Fibonacci. Funcin Unimodal. Mtodo de seccin dorada. Mtodo de interpolacin cuadrtica. Metodos multidimensionales. Mtodo de variable cclica.

Algoritmo de cuasi Newton. Mtodo de penalizacin.

Caracterizacin de Mximo y Mnimo.

Mximo local y global

En matemticas, los mximos y mnimos de una funcin, conocidos colectivamente como extremos de una funcin, son los valores ms grandes (mximos) o ms pequeos (mnimos), que toma una funcin en un punto situado ya sea dentro de una regin en particular de la curva (extremo local) o en el dominio de la funcin en su totalidad (extremo global o absoluto).1 2 3 De manera ms general, los mximos y mnimos de un conjunto (como se define en teora de conjuntos) son los elementos mayor y menor en el conjunto, cuando existen. El localizar valores extremos es el objetivo bsico de la optimizacin matemtica.

Extremos relativos o locales

Sea perteneciente a la funcin.
,

sea

y sea

un punto

Se dice que
,

es un mximo local de
, .
.

si existe un entorno reducido de centro

de

en smbolos

donde para todo elemento

se cumple

Para que esta propiedad posea sentido estricto debe cumplirse

Anlogamente se dice que el punto entorno elemento reducido de de centro

,

es un mnimo local de smbolos

. ,

si existe un para todo

en

donde

se cumple

Extremos absolutos
Sea , perteneciente a la funcin. sea y sea un punto

Se dice que P es un mximo absoluto de f si, para todo x distinto de perteneciente al subconjunto A, su imagen es menor o igual que la de . Esto es:

Mximo absoluto de

Anlogamente, P es un mnimo absoluto de f si, para todo x distinto de perteneciente al subconjunto A, su imagen es mayor o igual que la de . Esto es: Mnimo absoluto de
.

Mximos y mnimos y Puntos de inflexin Desde la dcada de los 60 la programacin lineal (PL) ha sido aplicada en diversas reas de la vida como por ejemplo: sistemas militares, agrcolas, econmicos, de transporte y de salud. La PL ofrece bases importantes en el desarrollo de mtodos de solucin de otras tcnicas de la Investigacin de operaciones, como lo son la programacin entera, la estocstica y la no lineal [Taha 1991]. La PL juega un papel muy importante en el estudio de los problemas continuos de optimizacin considerados como la frontera de los problemas de optimizacin combinatoria, ya que en los continuos se tienen las caractersticas necesarias para que sean considerados dentro del tipo combinatorio [Papadimitriou and Steiglitz, 1982]: Un problema de optimizacin combinatoria siempre se le involucra un conjunto de instancias, donde cada una de ellas cuenta con un conjunto finito de posibles soluciones (caracterstica imprescindible de los problemas continuos). Ms en general, el mximo y el mnimo de un conjunto son el elemento ms grande y menos en el conjunto. Acotadas conjuntos infinitos como el conjunto de los nmeros reales no tienen mnimo y mximo. Por otra parte la teora de optimizacin clsica se usa para la obtencin de los mximos y mnimos de funciones no lineales restringidas y no restringidas, en los que se hace uso del clculo diferencial.

MAXIMOS Y MINIMOS Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mnimo de la funcin si f(X0+h) > f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea. Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mximo de la funcin si f(X0+h) < f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente pequea.

Una funcin puede contener varios mximos y mnimos, identificados por los puntos extremos de la funcin. En la figura 1 se puede observar esto, los puntos x1, x3 y x6 son mximos, de la figura notamos que f(x6) es el mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de la funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los que tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de lgico, solo puede existir un solo global y posiblemente varios locales.

Fig. Representacin de mximos y mnimos en una funcin con una sola variable

Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para una funcin con ms de una variable, el gradiente f(X0) = 0. Si es cierto esto entonces X0 ser conocido como punto estacionario. Una condicin suficiente para que un punto estacionario sea extremo es que la matriz Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando X0 es un punto extremo de mnimo. Y negativa cuando X0 es un punto extremo de mximo. Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y se define como X0 es un mximo dbil, si f(X0 + h) <= f(X0). Un anlisis similar es para los mnimos dbiles.

Un punto de inflexin se encuentra cuando la evaluacin del gradiente da cero y no es un extremo, esto es, se debe de cumplir la condicin de la matriz Hessiana.

Mximo absoluto
Una funcin tiene su mximo absoluto en el x = a si la ordenada es mayor o igual que en cualquier otro punto del dominio de la funcin.

a=0

Mnimo absoluto
Una funcin tiene su mnimo absoluto en el x = b si la ordenada es menor o igual que en cualquier otro punto del dominio de la funcin.

b=0

Mximo y mnimo relativo

Una funcin f tiene un mximo relativo en el punto a, si f(a) es mayor o igual que los puntos prximos al punto a. Una funcin f tiene un mnimo relativo en el punto b, si f (b) es menor o igual que los puntos prximos al punto b.

a = 3.08

b = -3.08

Clculo de mximos y mnimos relativos

Mximos y mnimos

Si f es derivable en a, a es un extremo relativo o local si:

1. Si f'(a) = 0. 2. Si f''(a) 0.

Mximos locales

Si f y f' son derivables en a, a es un mximo relativo o local si se cumple:

1. f'(a) = 0 2. f''(a) < 0

Mnimos locales

Si f y f' son derivables en a, a es un mnimo relativo o local si se cumple:

1. f'(a) = 0 2. f''(a) > 0

Clculo de mximos y mnimos

Estudiar los mximos y mnimos de: f(x) = x3 3x + 2 Para hallar sus extremos locales, seguiremos los siguientes pasos: 1. Hallamos la derivada primera y calculamos sus races. f'(x) = 3x2 3 = 0 x = 1 x = 1. 2. Realizamos la 2 derivada, y calculamos el signo que toman en ella los ceros de derivada primera y si: f''(x) > 0 Tenemos un mnimo. f''(x) < 0 Tenemos un mximo. f''(x) = 6x

f''(1) = 6 Mximo f'' (1) = 6 Mnimo

3. Calculamos la imagen (en la funcin) de los extremos relativos. f(1) = (1)3 3(1) + 2 = 4 f(1) = (1)3 3(1) + 2 = 0 Mximo (1, 4) Mnimo (1, 0)

Matriz Hessiana.
El hessiano, conocido tambin como discriminante o matriz Hessiana, fue introducido en el ao de 1844 por Hesse, matemtico alemn quien naci en 1811 y muri en 1874. EL HESSIANO Matriz que contiene a las segundas derivadas y que sirve para verificar si del punto crtico del que estamos hablando es mximo, mnimo, punto silla o no puede determinarse. Primero recordemos que los puntos crticos son aquellos que anulan el gradiente, es decir los que satisfacen:

Pasos A Seguir Para Encontrar Mximos Y Mnimos Utilizando Matrices Hessianas 1. Tener la funcin original que se va a trabajar. 2. Calcular las primeras derivadas parciales de la funcin con respecto a cada una de las variables que se tiene la funcin original. 3. Igualar a cero las primeras derivadas que se calcularon en el paso 2. 4. Simultanear las ecuaciones generadas en el paso 3 para encontrar el valor de cada una de las variables. Esos valores encontrados para cada una de las variables sern las coordenadas de los puntos crticos. 5. Teniendo los puntos crticos que se encontraron en el paso 4, se tiene que calcular las segundas derivadas parciales en el punto crtico de modo que asignemos los valores de cada elemento de la matriz Hessiana, ya sea matriz 2 x

2 (si la funcin es de 2 variables), 3 x 3 (si la funcin es de 3 variables), 4 x 4 (si la funcin es de 4 variables), n x n (si la funcin es de n variables). 6. Resolver la matriz Hessiana normalmente como se resuelve la determinante de una matriz cuadrada. El resultado que se obtenga de la matriz Hessiana es la respuesta.

MATRIZ HESSIANA DE TRES VARIABLES Antes de presentar ejemplos, se muestra la matriz resultante cuando se trabaja con ejercicios o problemas de tres variables. La matriz Hessiana ser de 3 x 3 y queda de esta forma:

SIGNIFICADO DE CADA ELEMENTO DE LA MATRIZ HESSIANA DE TRES VARIABLES Con el objetivo de explicar cada detalle con la mayor claridad posible, se expresa el significado de cada uno de los elementos que aparecen dentro de la matriz: Significa que se deriva la funcin original por primera vez con respecto a x y luego ese resultado se deriva por segunda vez con respecto a x nuevamente.

Significa que se deriva la funcin original por primera vez con respecto a x y luego ese resultado se deriva por segunda vez pero ahora con respecto a y. Significa que se deriva la funcin original por primera vez con respecto a x y luego ese resultado se deriva por segunda vez pero ahora con respecto a z. Significa que se deriva la funcin original por primera vez con respecto a y y luego ese resultado se deriva por segunda vez pero ahora con respecto a x.

Significa que se deriva la funcin original por primera vez con respecto a y y luego ese resultado se deriva por segunda vez con respecto a y nuevamente. Significa que se deriva la funcin original por primera vez con respecto a y y luego ese resultado se deriva por segunda vez pero ahora con respecto a z. Significa que se deriva la funcin original por primera vez con respecto a z y luego ese resultado se deriva por segunda vez pero ahora con respecto a x. Significa que se deriva la funcin original por primera vez con respecto a z y luego ese resultado se deriva por segunda vez pero ahora con respecto a y. Significa que se deriva la funcin original por primera vez con respecto a z y luego ese resultado se deriva por segunda vez con respecto a z nuevamente. NOTA: Es bueno tomar en cuenta que: ,

Mtodo de bsqueda.
Mtodo de Fibonacci.
En matemticas, la sucesin de Fibonacci (a veces mal llamada serie de Fibonacci) es la siguiente sucesin infinita de nmeros naturales:

La sucesin comienza con los nmeros 0 y 1, y a partir de estos, cada trmino es la suma de los dos anteriores, es la relacin de recurrencia que la define. A los elementos de esta sucesin se les llama nmeros de Fibonacci. Esta sucesin fue descrita en Europa por Leonardo de Pisa, matemtico italiano del siglo XIII tambin conocido como Fibonacci. Tiene numerosas aplicaciones en ciencias de la computacin, matemticas y teora de juegos. Tambin aparece en configuraciones biolgicas, como por ejemplo en las ramas de los rboles, en la disposicin de las hojas en el tallo, en la flora de la alcachofa y en el arreglo de un cono.

Grfica de la sucesin de Fibonacci hasta

Este mtodo determina el mnimo valor de una funcin f sobre un intervalo cerrado [c1, c2]. Esta funcin puede estar definida en un dominio ms amplio, pero el mtodo requiere que dicho intervalo de bsqueda sea definido. Se asume que f es Unimodal. El mnimo es determinado (al menos aproximadamente) mediante la evaluacin en un cierto nmero de puntos. Se pretende definir una estrategia de bsqueda que seleccione la observacin siguiente basada en los valores funcionales de las observaciones anteriores.

Generalizacin
El concepto fundamental de la sucesin de Fibonacci es que cada elemento es la suma de los dos anteriores. En este sentido la sucesin puede expandirse al conjunto de los nmeros enteros como de manera que la suma de cualesquiera dos nmeros consecutivos es el inmediato siguiente.

Funcin Unimodal.
Una funcin f (x) es una funcin Unimodal si por algn valor m, es montona creciente para x m y montonamente decreciente para x m. En ese caso, el valor mximo de f (x) es f (m) y no hay otros mximos locales. Ejemplos de funciones cuadrticas Unimodal incluyen funciones polinmicas con un coeficiente negativo de segundo grado, funciones Carpa mapa, y mucho ms. Lo anterior es a veces relacionado con el "unimodalidad fuerte", por el hecho de que la monotona implcita monotonicidad fuerte. Una funcin f (x) es una funcin dbil Unimodal si por algn valor m, es dbilmente montona creciente para x m y dbilmente montonamente decreciente para x m. En ese caso, el valor mximo de f (m) se puede llegar a un rango continuo de valores de x. Un ejemplo de una funcin Unimodal dbilmente que no es fuertemente Unimodal es cada dos filas en el tringulo de Pascal. Dependiendo del contexto, la funcin Unimodal tambin puede referirse a una funcin que slo tiene un mnimo local, en lugar de mxima. [10] Por ejemplo, el muestreo Unimodal Local, un mtodo para hacer de optimizacin numrica, a menudo se ha demostrado con esta funcin. Se puede decir que una funcin Unimodal bajo esta extensin es una funcin con un extremo local nica. Una propiedad importante de las funciones Unimodal es que el extremo por se puede encontrar el uso de algoritmos de bsqueda como la bsqueda de la seccin de oro, de bsqueda ternaria o interpolacin parablica sucesiva. En estadstica, una distribucin de probabilidad Unimodal (o cuando se refiere a la distribucin, una distribucin Unimodal) es una distribucin de probabilidad que tiene un modo nico. Como el trmino "modo" tiene mltiples significados, por lo que significa el trmino "Unimodal". En sentido estricto, un modo de una distribucin de probabilidad discreta es un valor en el que la funcin de masa de probabilidad (PMF) toma su valor mximo. En otras palabras, se trata de un valor ms probable. A modo de una distribucin de probabilidad continua es un valor en el que la funcin densidad de probabilidad (pdf) alcanza su valor mximo. Tenga en cuenta que en ambos casos puede haber ms de un modo, ya que el valor mximo de cualquiera de los PMF o el pdf se puede alcanzar a ms de un valor. Si hay un solo modo, la funcin de distribucin se denomina "Unimodal". Si tiene ms modos es "bimodal", "trimodal", etc., o en general, "multimodal". En las distribuciones continuas, unimodalidad se puede definir a travs del comportamiento de la funcin de distribucin acumulativa (FDA). Si la funcin de distribucin es convexa para x <m y cncava para x> m, entonces la distribucin es Unimodal, siendo m el modo. Tenga en cuenta que bajo esta definicin de la distribucin uniforme es Unimodal, as como cualquier otra distribucin en el que

se consigue la mxima distribucin de una gama de valores, por ejemplo, distribucin trapezoidal. Tenga en cuenta tambin que por lo general esta definicin permite una discontinuidad en el modo, por lo general en una distribucin continua la probabilidad de un nico valor es cero, mientras que esta definicin permite una probabilidad distinta de cero, o un "tomo de probabilidad". Criterios para unimodalidad tambin se puede definir a travs de la funcin caracterstica de la distribucin [3] oa travs de sus Laplace-Stieltjes de transformacin. Otra manera de definir una distribucin discreta Unimodal es por la ocurrencia de cambios de signo en la secuencia de las diferencias de las probabilidades [6] una distribucin discreta con una funcin de probabilidad, \ {p_n; N = \ puntos, -1, 0, 1, \ dots \}, se llama Unimodal si la secuencia \ dots, p_ {-2} - p_ {1}, p_ {1} - p_0, p_0 - p_1, p_1 - p_2, \ dots tiene exactamente un signo cambio (cuando los ceros no cuentan) Usos y resultados Una de las razones de la importancia de unimodalidad distribucin es que permite a varios resultados importantes. He aqu algunos ejemplos. Un primer resultado importante es la desigualdad de Gauss, la desigualdad de Gauss da un lmite superior a la probabilidad de que un valor se encuentra ms de una distancia dada desde su modo. Esta desigualdad depende de unimodalidad. La segunda es la desigualdad Vysochanski-Petunin, un refinamiento de la desigualdad de Chebyshev. La desigualdad de Chebyshev garantiza que en cualquier distribucin de probabilidad, "casi todos" los valores son "cerca" del valor medio. La desigualdad Vysochanski-Petunin refina este parmetro con valores an ms cerca, siempre que la funcin de distribucin es Unimodal. Adems, los resultados fueron demostrados por Sellke y Sellke.

Mtodo de seccin dorada.

El mtodo de la seccin dorada localiza mnimos a partir de un rango inicial y es eciente para optimizar funciones sin restricciones, Unimodal y unidimensionales. El mtodo est basado en el principio de eliminacin de regiones, el cual establece que: Dado dos puntos x1,x2 (a,b), tal que, x1 < x2. Para funciones unimodales de minimizacin, se concluye que:

i . Si f(x1) > f(x2) entonces el mnimo no est en el intervalo (a,x1). ii . Si f(x1) < f(x2) entonces el mnimo no est en el intervalo (x2,b). iii . Si f(x1) = f(x2) entonces el mnimo no est en el intervalo (a,x1) y (x2,b).

La idea general de este principio es eliminar regiones en donde no se encuentre el mnimo de la funcin, basndose en la seccin dorada. Se le conoce como seccin dorada, al segmento de recta dividido en dos partes de acuerdo a la proporcin aurea, la cual establece: La longitud total del segmento a+b es a la del segmento a, como la magnitud del segmento a es a la de b (

a+b
( )

Proporcin aurea

En estas condiciones, la razn aurea o divina denotada por se deduce a partir de la relacin anterior, como sigue:

a2abb2 = 0 a=


El primer paso de este mtodo, consiste en normalizar la variable de la funcin x y sus lmites (a,b). Al normalizar el espacio de bsqueda se mapea a un intervalo (0,1). De esta forma, en la primera iteracin se evala 2 veces la funcin objetivo. Despus de aplicar el principio de eliminacin de regin solo se evala una vez debido a que el intervalo de bsqueda se actualiza en un punto. El mtodo de optimizacin de la seccin dorada re- duce entonces el espacio de bsqueda en un n1, despus de n evaluaciones de la funcin.

Mtodo de interpolacin cuadrtica.

Cuando el polinomio que conviene es de 2 grado la interpolacin recibe el nombre de cuadrtica. El polinomio interpolador es nico, luego como se encuentre da igual., sin embargo, a veces los clculos son muy laboriosos y es preferible utilizar un mtodo que otro. A la vista de los datos se decide. De acuerdo con [1], una estrategia para mejorar la estimacin consiste en introducir alguna curvatura a la lnea que une los puntos. Si se tienen tres puntos como datos, stos pueden ajustarse en un polinomio de segundo grado (tambin conocido como polinomio cuadrtico o parbola). Una forma particularmente conveniente para ello es

Observe que aunque la ecuacin parece diferir del polinomio general (interpolacin lineal), las dos ecuaciones son equivalentes. Lo anterior se demuestra al multiplicar los trminos de la ecuacin:

O, agrupando trminos,

Donde

As, las ecuaciones (interpolacin lineal) e (interpolacin cuadrtica) son formas alternativas, equivalentes del nico polinomio de segundo grado que une los tres puntos. Un procedimiento simple puede usarse para determinar los valores de los coeficientes. Para encontrar b, en la ecuacin (interpolacin cuadrtica) se evala con x=x para obtener

La ecuacin (1) se sustituye en la (interpolacin cuadrtica), despus se evala en x=x para tener

Por ltimo, las ecuaciones (1) y (2) se sustituyen en la (interpolacin cuadrtica), despus se evala en x =x2 y (luego de algunas manipulaciones algebraicas) se resuelve para

Observe que, como en el caso de la interpolacin lineal, b1 todava representa la pendiente de la lnea que une los puntos x0 y x1. As, los primeros dos trminos de la ecuacin (interpolacin cuadrtica) son equivalentes a la interpolacin lineal de x0 a x1, como se especific antes en la ecuacin (interpolacin lineal). El ltimo trmino,

Determina la curvatura de segundo grado en la frmula. [1]

Metodos multidimensionales.
El principio del mtodo aplicado fue el de favorecer la aparicin de datos concretos: las realidades humanas en distintas dimensiones y revelar las caractersticas del terreno. La indagacin est ligada al desarrollo y las ramificaciones del cuerpo de la hiptesis y de los instrumentos de investigacin. La prospeccin y la reflexin no pueden estar separadas. Se trata entonces de encontrar el rigor, no la rigidez dentro de una estrategia de permanente adaptacin. La investigacin debe favorecer la aparicin de datos concretos, debe ser flexible como para recoger los documentos en bruto (anotaciones de sucesos, registro de discusiones, entrevistas sobre los detalles). La investigacin debe captar las diversas dimensiones del fenmeno estudiado y utilizar diversas vas de aproximacin y debe permitir la correccin y la verificacin durante el desarrollo de un pensamiento interpretativo. Algunas de estas vas de aproximacin pueden ser: la observacinfenomenogrfica, prxima a las prcticas de la observacin siempre vivas en la etnografa, pero que la sociologa estndar olvida; la entrevista; la participacin en las actividades de los grupos (praxis social

Mtodo de variable cclica

Variaciones Cclicas: (Serie temporales) se refiere a las oscilaciones de larga duracin alrededor de la recta o curva de tendencia; estos ciclos, como se llaman a veces, pueden ser o no peridicos, es decir, puede seguir o no exactamente caminos analgicos despus de intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansin y contraccin. En general, los movimientos se consideran cclicos solo si se produce en un intervalo de tiempo superior al ao (3). En el Grfico los movimientos cclicos alrededor de la curva de tendencia estn trazados en negrita.

Tratamos de hacer predicciones sobre esa magnitud, teniendo en cuenta sus caractersticas histricas o del pasado Ejemplo para las variaciones cclicas. Supongamos que tenemos las ventas trimestrales de un supermercado en el perodo 1990-1994, expresadas en millones de pesetas constantes del ao 1990.
Mtodos para determinar la tendencia de las variaciones cclicas

1) METODO GRAFICO a) Se efecta la representacin grfica de la serie ordenada Yt b) Se unen mediante segmentos rectilneos todos los puntos altos de la serie, obtenindose una poligonal de cimas c) Se realiza lo mismo con los puntos bajos, obtenindose la lnea poligonal de fondos d) Se trazan perpendiculares al eje de abscisas por los puntos cimas y fondos. e) La tendencia viene dada por la lnea amortiguada que une los puntos medios de los segmentos 2) METODO DE LAS MEDIAS MOVILES *** Empleando 3 observaciones a) Partimos de la serie temporal observada Yt. b) Se obtienen sucesivas medias aritmticas para cada Yt, con un nmero de observaciones anteriores y posteriores fijado de antemano - Si el nmero de observaciones es impar la media Yt, est centrada y coincide con el perodo t c) La serie formada por las medias de Yt, nos indica la lnea amortiguada de la tendencia 6 . *** Empleando 4 observaciones a) Partimos de la serie temporal observada Yt. b) Se obtienen las sucesivas medias aritmticas Si el nmero de observaciones empleados para obtener la media es par, yt no est centrada y no coincide con el perodo t, y habr que volver a calcular una nueva media aritmtica yt, utilizando

los yt, obteniendo de esta manera una nueva serie de medias mviles centradas. Como se puede observar la serie de las medias obtenidas no est centrada, y debemos obtener una nueva serie de medias centradas, a partir de la serie descentrada a) La serie formada por Yt, nos indica la lnea amortiguada de la tendencia 3) MTODO ANALTICO DE LOS MNIMOS CUADRADOS a) Obtendremos la tendencia a partir de la recta Yt= a+ bt, siendo Yt, la media anual de las observaciones trimestrales de los casos anteriores. b) Calculamos los coeficientes a y b de la recta de regresin. Deshaciendo el cambio de variable, tendremos la siguiente prediccin de la tendencia