Está en la página 1de 31

República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa


Universidad Nacional Experimental de la Fuerza Armada
UNEFA
Núcleo- Chuao

Profesor: Yerlin Herrera Alumno(a):

Catedra: Optimización no Lineal Dayana C. Gutiérrez G. C.I: V-15993600

Caracas, 14 de febrero del 2018


Introducción

El propósito de la optimización es encontrar o identificar la mejor solución posible, entre todas


las soluciones potenciales para un problema dado A través de la selección de valores para un
número de variables interrelacionadas (Variables de diseño o de decisión) Poniendo atención a
un sólo objetivo diseñado para cuantificar el desempeño y medir la calidad de la decisión
(Función objetivo) Este objetivo es maximizado o minimizado (dependiendo de la formulación)
sujeto a restricciones que pueden limitar la selección de valores de las variables de diseño
Índice

Introducción………………………………………………………………………pag3

Vector……………………………………………………………………………… pag4

Norma de un Vector…………………………………………………………pag5-6

Vector Ortogonal……………………………………………………………pag7

Base Ortogonal………………………………………………………………pag8-10

Sub espacio Vectorial………………………………………………………pag11-13

Matrices…………………………………………………………………………pag14-17

Autovalores y auto vectores……………………………………………pag18

Formas Cuadráticas Asociadas a una Matriz……………………pag19

Conjunto Convexo……………………………………………………………pag22
VECTOR
Es la representación grafica de una magnitud física llamada magnitud vectorial, es todo
segmento de recta dirigido en el espacio.

Característica de un Vector
Origen:

Punto de aplicación, es el punto exacto sobre el que actúa un vector.

Modulo:

Es la longitud o tamaño del vector, para hallarlo es preciso conocer el origen y el extremo del
vector pues, para saber cual es el modulo del vector debemos medir desde su origen hasta su
extremo.

Dirección:

Viene dada por la orientación en el espacio de la recta

Trazo:

Un vector siempre se representa como un segmento de recta, que tiene su origen en el punto
de aplicación y termina en el extremo.

Espacio vectorial:

También llamado espacio euclídeo, es el tipo de plano cartesiano sobre el que se traza el
vector y en el que se indica su dirección. Puede ser unidimensional (Eje X, recta numérica),
bidimensional (Ejes XY, coordenadas cartesianas) y tridimensional (Ejes XYZ, trazo espacial).

Resultante:

Es el vector que se traza desde el punto de origen de un vector hasta el extremo del último
vector trazado, cuando cada segmento representa la continuidad de una magnitud (como
sucede en la representación de un móvil que cambia varias veces de dirección. En estos casos
pueden sumarse vectores que van en una u otra dirección, y la resultante será la distancia total
recorrida, que es el vector que se traza desde el punto de origen hasta el extremo del último
trazo).
Norma de un Vector
La definición general de norma se basa en generalizar a espacios vectoriales abstractos el
concepto de módulo de un vector de un espacio euclídeo. En un espacio no euclídeo la noción
de camino más corto entre dos puntos no es más identificable con el de la línea recta; por lo
cual, se recurre a las propiedades operacionales de la norma euclídea. Definamos entonces lo
que es una norma euclídea.
En un espacio euclídeo los vectores son representados como segmentos orientados entre
puntos del espacio (euclídeo). Dado un vector de un espacio vectorial euclídeo, la norma
de un vector es definida como la distancia (en línea recta) entre dos puntos A y B que
delimitan al vector. Coincidiendo en un espacio euclídeo la norma de un vector con el
módulo del vector AB.
• En dos dimensiones:
• Ampliando lo anterior al espacio euclídeo de tres dimensiones, es de igual forma
elemental que:

• En el caso general de un espacio euclídeo de n dimensiones se tiene que:

De esto se sigue que, fijada una base ortonormal B en la cual un vector V se da a partir de
sus componentes en esta base, VB= (v1, v2…, vn), la norma de dicho vector vendrá dada
por:

De la norma euclídea se extraen entonces las condiciones que debe cumplir la “longitud de
un vector”, o norma vectorial, en un espacio vectorial. Estas condiciones siempre son
positivas e independientes de la orientación de la medición. La longitud es directamente
proporcional al tamaño y entre dos puntos será menor o igual que la suma de longitudes
desde esos mismos dos puntos a un tercero distinto de ellos. Dichas condiciones generan
la siguiente definición matemática:

Decimos que:

es un operador que define la norma del vector x, y lo expresamos


como, si cumple lo siguiente:
(esto sería una desigualdad triangular, la suma de dos lados de un triángulo nunca es
menor que el tercer lado).
Cualquier operador que cumpla con las tres condiciones que hemos visto es un operador
norma. A continuación, tenemos ejemplos de algunos posibles operadores norma.

Así, para el caso p = 1 obtenemos:

Mientras que para el caso p = 2 obtenemos la norma euclídea explicada más arriba.
• Otro operador norma sería, la norma del supremo:

Para un espacio de dimensión finita numerable se podría escribir:

La elección del subíndice ∞ para esta norma se debe al hecho de que:


Vector Ortogonal
Dos vectores son ortogonales si su producto escalar es =0.

Dos vectores son ortogonales si forman un ángulo (no necesariamente si se cortan) serian
perpendiculares, si se cortan y además forman un ángulo recto. Si además de ortogonales los
vectores son unitarios se llaman ortonormales.

Ejemplo

Así en caso del problema plano los vectores a = {ax; ay} y b = {bx; by} son ortogonales si

a · b = ax · bx + ay · by = 0

Ejercicio 1. Comprobar que los vectores a = {1; 2} y b = {2; -1} son ortogonales.

Solución. Calculamos el producto escalar de estos vectores

a · b = 1 · 2 + 2 · (-1) = 2 - 2 = 0

Resultado: así que el producto escalar equivale a cero, entonces los vectores a y b son
ortogonales.
Ejercicio2. Calcular el valor del número (parámetro) n con el cual a = {2; 4} y b = {n; 1}
serán ortogonales.

Solución. Calculamos el producto escalar de estos vectores

a · b = 2 · n + 4 · 1 = 2n + 4

2n + 4 = 0

2n = -4

n = -2
Resultado: n = -2.

Base Ortogonal
Una base de un espacio vectorial es ortogonal cuando los vectores que lo forman son
perpendiculares dos a dos.

Una base ortogonal, es una base formada por un conjunto ortogonal.


BASE

Dos vectores y con distinta dirección forman una base, porque cualquier vector del plano
se puede poner como combinación lineal de ellos.

Las coordenadas del vector respecto a la base son:

Ejemplo:

Los dos vectores que forman una base no pueden ser paralelos.

Ejemplos: Qué pares de los siguientes vectores forman una base:


Ejemplos:

1) Qué pares de los siguientes vectores forman una base:

2) Sean los vectores libres = (2, 1), = (1, 4) y = (5, 6). Determinar:

1- Si forman una base y .

2- Expresar como combinación lineal de los de la base

3) Calcular las coordenadas de C respecto a la base.

Las coordenadas de respecto a la base son: (2, 1)

Un vector tiene de coordenadas (3, 5) en la base canónica. ¿Qué coordenadas tendrá


referido a la base = (1, 2), = (2, 1)?

(3, 5) = a (1, 2) + b (2, 1)

3 = a + 2b

a = 3 - 2b

a = 7/3

5 = 2a + b

5 = 2 (3 - 2b) + b

b = 1/3

Las coordenadas de en la base B son (7/3, 1/3).


Sub espacio Vectorial
Sea H un subconjunto no vacío de un espacio vectorial V y suponga que H es en sí un espacio
vectorial bajo las operaciones de suma y multiplicación por un escalar definidas en V. Entonces
se dice que H es un sub espacio de V.

Existen múltiples ejemplos de sub espacio, sin embargo, en primer lugar, se demostrará un
resultado que hace relativamente sencillo determinar si un subconjunto de V es en realidad
sub espacio de V

Teorema de sub espacio

Un subconjunto no vacío de H de un espacio vectorial V es un sub espacio de V si se cumplen


las dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vació es un sub espacio

1) Si x € H y y € H, entonces x + y € H.

2) Si x € H, entonces αx € H para todo escalar α.

Es obvio que, si H es un espacio vectorial, entonces las dos reglas de cerradura se deberán
cumplir. De lo contrario, para demostrar que es un espacio vectorial, se deberá demostrar que
los axiomas i) a x) de la definición cumplen bajo las operaciones de suma de vectores y
multiplicación por un escalar definidas en V. Las dos operaciones de cerradura [axiomas i) y iv)]
se cumplen por hipótesis, como los vectores en H son también vectores en V, las identidades
asociativa, conmutativa, distributiva y multiplicativa [axiomas ii), v), vii), viii), ix) y x)] se
cumplen.

Este teorema demuestra que para probar si H es o no es un sub espacio de V, es suficiente


verificar que:

x + y y αX están en H cuando x y y están en H y α es un escalar.

PROPIEDADES DE SUB ESPACIO VECTORIAL


1). El vector cero de V está en H.2

2). H es cerrado bajo la suma de vectores. Esto es, para cada u y v en

H, la suma u + v está en H.

3). H es cerrado bajo la multiplicación por escalares. Esto es, para cada

u en H y cada escalar c, el vector cu está en H.


Ejercicio:

Buscar el subespacio vectorial E generado por el conjunto de vectores V.

V = {(-2 -4 2 -4); (-1 2 0 1); (1 6 -2 5)}

¿Cómo resolver este problema?


El subespacio generado por un conjunto de vectores V es el conjunto de todas las posibles
combinaciones lineales de los vectores de V. Se utilizará la notación [V] para indicar el
subespacio generado por los vectores de V. En la práctica, el problema de determinar las
ecuaciones implícitas del subespacio generado por V es equivalente a determinar cuándo el
sistema de ecuaciones lineales que tiene como matriz del sistema los vectores de V como
columnas, y un vector genérico del espacio especificado por medio de variables como el vector
utilizado para componer la matriz ampliada, tiene solución. Para resolver este problema
simplemente escalone la matriz ampliada. El rango de la matriz del sistema debe ser igual al
rango de la matriz ampliada, por lo tanto, los elementos en la columna del extremo derecho
(que son ecuaciones) asociados a las filas nulas en la matriz del sistema deben ser cero.

Paso 1: Escribir la matriz ampliada asociada al sistema de ecuaciones lineales donde la matriz
del sistema está compuesta por los vectores de V como columnas, y un vector genérico del
espacio vectorial, especificado por medio de variables, como la columna adicional para
conformar la matriz ampliada.

┌ ┐
│ -2 -1 1 | x │
│ -4 2 6|y│
│ 2 0 -2 | z │
│ -4 1 5|w│
└ ┘

Paso 2: Escalonar la matriz ampliada utilizando transformaciones elementales por filas,


teniendo en cuenta la última columna conformada por expresiones que dependen de las
variables.

f2 <---> f2 - 2•f1
f3 <---> f3 + f1
f4 <---> f4 - 2•f1
┌ ┐
│ -2 -1 1 | x │
│ 0 4 4 | -2x+y │
│ 0 -1 -1 | x+z │
│ 0 3 3 | -2x+w │
└ ┘
f2 <---> f3
┌ ┐
│ -2 -1 1 | x │
│ 0 -1 -1 | x+z │
│ 0 4 4 | -2x+y │
│ 0 3 3 | -2x+w │
└ ┘
f3 <---> f3 + 4•f2
f4 <---> f4 + 3•f2
┌ ┐
│ -2 -1 1| x │
│ 0 -1 -1| x+z │
│ 0 0 0 | 2x+y+4z │
│ 0 0 0 | x+3z+w │
└ ┘

Paso 3: Para que el sistema tenga solución es necesario que los elementos de la última
columna, correspondiente a filas nulas en la matriz del sistema, sean cero (rangos iguales). Las
ecuaciones definidas por esas expresiones, son las ecuaciones implícitas del subespacio
vectorial generado por el conjunto de vectores.

E = [V] = {(x, y, z, w)∈ R4 | 2x+y+4z = 0; x+3z+w = 0 }

Representación paramétrica del subespacio.

Buscar el sistema de ecuaciones implícitas equivalente escalonando la matriz utilizando


transformaciones elementales por filas.
┌ ┐
│2 1 4 0| 0│
│1 0 3 1| 0│
└ ┘
f1 <---> f2
┌ ┐
│1 0 3 1| 0│
│2 1 4 0| 0│
└ ┘
f2 <---> f2 - 2•f1
┌ ┐
│1 0 3 1| 0│
│ 0 1 -2 -2 | 0 │
└ ┘

Sistema de ecuaciones implícitas equivalente.


x+3z+w = 0
y-2z-2w = 0

Variables libres.
{z, w }

Sustitución hacia atrás.

y-2z-2w = 0
y = 2z+2w

x+3z+w = 0
x = -3z-w

Representación paramétrica.
E = [V] = {(-3z-w ; 2z+2w ; z ; w) | z, w ∈ R }

Matrices
Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma
rectangular, formando filas y columnas.

Cada uno de los números de que consta la matriz se denomina elemento. Un elemento se
distingue de otro por la posición que ocupa, es decir, la fila y la columna a la que pertenece.

El número de filas y columnas de una matriz se denomina dimensión de una matriz.

El conjunto de matrices de m filas y n columnas se denota por Amxn o (aij), y un elemento


cualquiera de la misma, que se encuentra en la fila i y en la columna j, por aij.

Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el
mismo lugar en ambas, son iguales.

Tipos de matrices

Matriz fila:

Es una matriz constituida por una sola fila.

Matriz columna:

Es una matriz con una sola columna.

Matriz rectangular:

Aquella matriz que tiene distinto número de filas que de columnas, siendo su dimensión mxn.

Matriz cuadrada:

La que tiene el mismo número de filas que de columnas.

Los elementos de la forma aii constituyen la diagonal principal.

La diagonal secundaria la forman los elementos con i+j=n+1.

Matriz nula:

Todos los elementos son nulos.


Matriz triangular superior:

Los elementos situados por debajo de la diagonal principal son 0.

Matriz triangular inferior:

Los elementos situados por encima de la diagonal principal son 0.

Matriz diagonal:

Todos los elementos situados por encima y por debajo de la diagonal principal son nulos.

Matriz escalar:

Es una matriz diagonal en la que los elementos de la diagonal principal son iguales.

Matriz identidad o unidad:

Es una matriz diagonal en la que los elementos de la diagonal principal son iguales a 1.

Matriz traspuesta:

Dada una matriz A, se llama traspuesta de A a la matriz que se obtiene cambiando


ordenadamente las filas por las columnas.

(At)t = A

(A + B)t = At + Bt

(α · A) t = α ·At

(A · B)t = Bt · At

Matriz regular:

Es aquella matriz cuadrada que tiene inversa.

Matriz singular:

Es aquella que no tiene matriz inversa.

Matriz idempotente:

Si A2 = A.

Matriz involutiva:

Si A2 = I.

Matriz simétrica:

Es aquella matriz cuadrada que verifica: A = At.

Matriz anti simétrica o hemisimétrica:

Es aquella matriz cuadrada que verifica: A = −At.

Matriz ortogonal:

Si verifica: A · At = I
Suma de matrices

Dadas dos matrices de la misma dimensión, A=(aij) y B=(bij), se define la matriz suma como:
A+B=(aij+bij). Es decir, aquella matriz cuyos elementos se obtienen: sumando los elementos de
las dos matrices que ocupan la misma misma posición.

Propiedades

 Interna:

 Asociativa: A + (B + C) = (A + B) + C

 Elemento neutro: A + 0 = A

 Elemento opuesto: A + (−A) = O

 Conmutativa: A + B = B + A

Producto de un número real por una matriz

Dada una matriz A=(aij) y un número real k R, se define el producto de un número real por
una matriz: a la matriz del mismo orden que A, en la que cada elemento está multiplicado por
k.

kA=(k aij)

Propiedades

 a · (b · A) = (a · b) · A A Mmxn, a, b

 a · (A+B) = a · A + a · B A,B Mmxn , a

 (a+b) · A = a · A+b · A A Mmxn , a, b

 1·A=AA Mmxn

Producto de matrices

Dos matrices A y B se dicen multiplicables si el número de columnas de A coincide con el


número de filas de B.

Mm x n x Mn x p = M m x p

El elemento cij de la matriz producto se obtiene multiplicando cada elemento de la fila i de la


matriz A por cada elemento de la columna j de la matriz B y sumándolos.

Propiedades

 Asociativa:
A · (B · C) = (A · B) · C

 Elemento neutro:
A·I=A
 No es Conmutativa:
A·B≠B·A

 Distributiva del producto respecto de la suma:


A · (B + C) = A · B + A · C

Matriz inversa

A · A−1 = A−1 · A = I

Propiedades

(A · B) −1 = B−1 · A−1

(A−1) −1 = A

(k · A) −1 = k−1 · A−1

(A t) −1 = (A −1) t

Cálculo por el método de Gauss

Sea A una matriz cuadrada de orden n. Para calcular la matriz inversa de A, que denotaremos
como A−1, seguiremos los siguientes pasos:

1º Construir una matriz del tipo M = (A | I) esto es, A está en la mitad izquierda de M y la
matriz identidad I en la derecha.

2º Utilizando el método Gauss se transforma la mitad izquierda, A, en la matriz identidad, que


ahora está a la derecha, y la matriz que resulte en el lado derecho será la matriz inversa: A−1

Rango de una matriz

Rango de una matriz: es el número de líneas de esa matriz (filas o columnas) que son
linealmente independientes.

Una línea es linealmente dependiente de otra u otras cuando se puede establecer una
combinación lineal entre ellas.

Una línea es linealmente independiente de otra u otras cuando no se puede establecer una
combinación lineal entre ellas.

El rango de una matriz A se simboliza: rang(A) o r(A).

Cálculo por el método de Gauss

Podemos descartar una línea si:

 Todos los coeficientes son ceros.

 Hay dos líneas iguales.

 Una línea es proporcional a otra.

 Una línea es combinación lineal de otras.


Autovalores y auto vectores.
Definición: Sea A una matriz n x n con componentes reales. el numero? (real o complejo) se
llama autovalor de A si existe un vector diferente de 0 v en Cn tal que

Av.=? v. ¿El vector v?0 se llama auto vector de a correspondiente al autovalor? sí A es la matriz
identidad, entonces para cualquier vector v Cn se cumple Av.=Iv=v.

Así, =1 es el único valor propio de A, ¿y todo v?0, vCn es un vector propio de I. ¿Sí? es un valor
propio de A, entonces existe un vector v?0 tal q Av=? v=? Iv.

Reescribiendo resulta: ¿Av -? Iv=0 (¿A -? I)v=0 q es un sistema homogéneo de n ecuaciones con
n incógnitas. Como el sist. tiene soluciones no triviales, se debe cumplir (¿A -? I)=0. Si Det (¿A -?
¿I)?0 entonces la única solución de (¿A -?) v=0 es v=0 y? ya no sería un autovalor de A. Se tiene
así el siguiente teorema.

Teorema: Sea A una matriz de orden n x n. ¿Entonces? es un valor propio de A si y solo si p(?)=
de (A -? I)=0. La ecuación det (¿A -? I)=0 se llama ecuación característica de A y p(?) se llama
polinomio característico de A. Contando multiplicidades, toda matriz de orden n x n tiene n
autovalores.

Teorema: ¿Sí? es un valor propio de A de orden n x n y E = v/ Av =? v. Entonces E es un


subespacio de Cn.

Demostración: ¿Si Av=? v Av -? I=0 E es el espacio nulo de A o espacio solución del sistema
homogéneo (¿Av -? I)=0 y por lo tanto es un subespacio de Cn.

Definición: ¿Sea? un valor propio de A, el subespacio E se llama espacio propio de A


correspondiente al valor propio?

Teorema: ¿Sea A una matriz de orden n x n y sean?; …; los valores propios distintos de A con
vectores propios correspondientes v; v ...; v. Entonces v; v; ...v son linealmente independientes.
Es decir, q los vectores propios correspondientes a valores propios distintos son L.I
Definición de forma cuadrática
Llamamos forma cuadrática a una aplicación Q

tal que sea una matriz cuadrada simétrica de orden n.

Una forma cuadrática es un polinomio de 2º grado con n variables:

Dado el polinomio es fácil deducir la matriz asociada a la forma cuadrática.

Formas Cuadráticas Asociadas a una Matriz

Resulta muy cómodo, tanto para escribir el polinomio de 2º grado a partir de la matriz, sin
tener que hacer la multiplicación:

como para deducir la matriz simétrica asociada a la forma cuadrática a partir del

polinomio saber que:

1. Los coeficientes de los cuadrados en el polinomio son los elementos de la diagonal de


la matriz asociada.
2. El elemento multiplicará a ya , es decir, en el polinomio

aparecerá:

3. El elemento multiplicará a ya , es decir, en el polinomio

aparecerá:

4. Puesto que se trabaja con números reales, se tiene que (por la


propiedad conmutativa) y, por tanto, lo que en realidad aparecerá como consecuencia

de los dos apartados anteriores será:

5. Si se desea deducir la matriz simétrica asociada a la forma cuadrática a partir del

polinomio, bastará dividir por 2 el coeficiente asociado a cada y poner el


resultado en la fila i, columna y en la fila j, columna i

Ejemplos: Situémonos en Situémonos en

a) Deducir la forma cuadrática asociada a la matriz

Solución: Imaginemos la matriz siguiente:

Entonces, la forma cuadrática asociada a esta matriz se expresa como:


b) Deducir la matriz asociada a la siguiente forma cuadrática:

Solución:

NOTA: Observemos que a partir de un polinomio se deduce una matriz simétrica, pero podrían
deducirse infinitas matrices no simétricas; por ejemplo, también corresponden a la forma
cuadrática anterior:

Sin embargo, cuando nos referimos a formas cuadráticas, siempre escogemos la matriz
simétrica por sus particulares propiedades.
Conjunto Convexo

Consideremos los siguientes CONJUNTOS:

CONJUNTO A

CONJUNTO B

CONJUNTO C

CONJUNTO D.

Definimos la idea de conjunto convexo como aquel conjunto que contiene cualquier
segmento que une dos puntos del conjunto.

Así por ejemplo según esta idea GRAFICA, el conjunto A


Obsérvese que para cualquier par de puntos (x, y) que estén dentro del conjunto A, el
segmento que une dichos puntos siempre queda dentro del conjunto, en consecuencia, A sería
un conjunto convexo.

Consideremos el conjunto B:

Obsérvese que para cualquier par de puntos (x, y) que estén dentro del conjunto B, el
segmento que une dichos puntos no queda dentro del conjunto, en consecuencia, B no sería
un conjunto convexo.

Consideremos el conjunto C:

En este caso para cualquier par de puntos (x, y) de esta recta C, el segmento que los une queda
dentro del conjunto, en consecuencia, C es un conjunto convexo.

Por último, sea el conjunto D:

Es claro gráficamente que para cualquier par de puntos x, y, el segmento que los une está
totalmente contenido en dicho conjunto.
Consideremos un último ejemplo en el plano, sea el conjunto E

(conjunto poligonal delimitado por los puntos (0,0), (5,0), (0,3), (1,2), (0,0))

Se puede ver que existen segmentos, como el indicado en la figura que se sale del conjunto
por lo que este conjunto no sería CONVEXO.

EJERCICIO VII-1

Determinar si los siguientes conjuntos son o no convexos, dibujándoles previamente:

a. Conjunto poligonal determinado por los puntos (0,1), (1,0), (1,3), (0,1)

b. Conjunto poligonal determinado por los puntos (1,1), (2,1), (2,3), (-1,2), (-1,0), (1,1)

SOLUCION:

a. es convexo
(b) no es convexo

Podemos definir conjuntos en el plano de una manera más compleja:

Así por ejemplo si consideramos el conjunto

¿Qué hacemos para dibujar este conjunto?

Primero dibujamos la curva que delimita el conjunto. En DERIVE resulta sencillo basta editar la
función y=x y aplicar Clot

Para delimitar la región del plano basta considerar un punto que no esté en la curva, por
ejemplo (1,2) si ese punto satisface la ecuación entonces ese es el recinto que considerar, en
nuestro caso como 2 sí es mayor o igual que 1, entonces el recinto es

Obsérvese que es claramente convexo pues cualquier par de puntos que estén en S3 el
segmento que los une está claramente contenido en S3.

¿Qué sucedería si no podemos representar gráficamente el conjunto, como sucede con


conjuntos de dimensión superior a 3?
En esos casos es necesario dar una definición analítica de conjunto convexo, para lo cual
efectuamos la siguiente definición:

CONJUNTO CONVEXO.

Diremos que un subconjunto SÍ Rn es convexo si para cualquier par de puntos y

para cualquier lÎ [0,1] se cumple que está en S, es decir que si llamamos

segmento de extremos por

S es convexo si para cualesquiera ,

¿cuál es el significado de z=l x+(1-l) y?

Vamos a verlo en un ejemplo:

EJEMPLO:

Estudiar analíticamente si el conjunto anterior

es un conjunto convexo.

Para ello consideremos dos vectores de S3

(x1, y1), (x2, y2),

Habría que comprobar si b (x1, y1) +(1-b) (x2, y2) es un vector que pertenece a S3 para cualquier
valor de b en [0,1]

Es decir, tendremos que comprobar si

. bx1+(1-b) x2 ³ by1+(1-b) y2

Como x1³y1 entonces bx1³by1 (pues b es positivo o cero)

Y como x2³y2 entonces (1-b) x2³(1-b) y2

Sumando ambas expresiones se obtiene la desigualdad por tanto S3 es un conjunto convexo.

Esto en DERIVE se puede realizar definiendo dos vectores:

Y comprobando si el vector

Que una vez simplificado nos da


Y al expandirle

Si es un vector del conjunto S3.

EJERCICIO VII-2

Estudiar de forma gráfica si los siguientes conjuntos son o no conjuntos convexos.

a.

b.
SOLUCIONES:

a. Lo hacemos gráficamente, representando el conjunto.

Para ello dibujamos los dos límites del conjunto x2+y2=1 y x2+y2=4 (circunferencias de radio 1 y
radio 2)

Definimos las expresiones

Y luego las representamos con el comando Plot.

¿cuál es el recinto?

Ahora debemos determinar en qué lado de la circunferencia se sitúa el conjunto.

Tomemos un punto fuera de ambas circunferencias, por ejemplo (0,0), Y comprobemos si se


verifica la primera desigualdad para ese punto
Efectivamente no se verifica, por tanto, el conjunto se sitúa hacia fuera de la circunferencia.

Por otro lado

Es cierta por tanto el conjunto es la corona circular situada entre la circunferencia de radio 1 y
la circunferencia radio 2.

¿Este conjunto es convexo?

Claramente se ve que no, tomemos dos puntos cualesquiera por ejemplo (-1,1/2) y (2,0),
ambos pertenecen al conjunto, sin embargo, el segmento que los une como se ve no
pertenecen al conjunto.

b. Consideremos las expresiones que definen los límites del conjunto:

Representemos ambas rectas:

Para saber cuál es exactamente el recinto, tomemos un punto que no esté en dichas rectas,
por ejemplo (0,0).

Comprobemos a qué lado de la recta x+y=1 se encuentra nuestro conjunto x+y£ 1,


comprobamos para (0,0), y observamos que 0+0£ 1 verifica la ecuación, por tanto, el recinto
x+y£ 1 está al lado del (0,0).

Y por otro lado para determinar el conjunto x-y£ 1 comprobamos que 0-0£ 1 por tanto
también es de la recta hacia el (0,0), con lo cual tendremos que el recinto será:
Bibliografía

http://www.ejemplode.com/37-fisica/3429-caracteristicas_de_un_vector.html

http://www.ehu.eus/izaballa/Ana_Matr/Apuntes/lec2.pdf

https://es.wikipedia.org/wiki/Norma_vectorial

http://www.ehu.eus/izaballa/Ana_Matr/Apuntes/lec2.pdf

https://es.slideshare.net/NajidAugusto/vectores-perpendiculares-u-ortogonales

http://www.ub.edu/glossarimateco/content/base-ortogonal-y-base-ortonormal

http://www.nibcode.com/es/algebra-lineal/subespacio-vectorial-generado

https://www.vitutor.com/algebra/matrices/res.html

https://www.wikiteka.com/apuntes/autovalores/

https://www.uam.es/personal_pdi/economicas/portega/web-algebra/capitulo-7/teoria7-1/7-
1-teoria.htm#concepto-convexo

https://sites.google.com/site/sistemasalgebralineal/unidad-4---espacios-
vectoriales/definicion-de-subespacio-vectorial-y-sus-propiedades