Índice general

1. Primer Parcial 3
1.1. Ejercicios Resueltos Primer Parcial . . . . . . . . . . . . . . . . . 3

2. Segundo Parcial 23
2.1. Ejercicios Resueltos Segundo Parcial . . . . . . . . . . . . . . . . 23

3. Tercer Parcial 39
3.1. Ejercicios Tercer Parcial . . . . . . . . . . . . . . . . . . . . . . . 39

1
2 ÍNDICE GENERAL
Capı́tulo 1

Primer Parcial

1.1. Ejercicios Resueltos Primer Parcial

Ejercicio 1.1. Identifique la cerradura, el interior y la frontera de:

a) S1 = (x1 , x2 , x3 ) : x21 + x22 ≤ x3
Solución: Cl(S1 ) = S1 , Int(S1 ) = x21 + x22 < x3 , ∂(S1 ) = x21 + x22 = x3

b) S2 = (x1 , x2 , x3 ) : x21 + x22 + x23 ≤ 4
Solución:Cl(S2 ) = S2 , Int(S2 ) = ∅, ∂(S2 ) = S2

c) S3 = (x1 , x2 , x3 ) : x21 + x22 + x23 ≤ 4, x1 + x2 = 1
Solución: Cl(S3 ) = S3 , Int(S3 ) = ∅, ∂(S3 ) = S3

d) S4 = (x1 , x2 , x3 ) : x1 + x2 + x3 ≤ 8, x1 + x3 = 5
Solución: Cl(S4 ) = S4 , Int(S4 ) = ∅, ∂(S4 ) = S4

e) S5 = (x1 , x2 , x3 ) : x21 + x22 + x23 ≤ 4, x3 ≤ 1
Solución: Cl(S5 ) = S5 , Int(S5 ) = x21 + x22 + x23 < 4, x3 < 1
∂(S5 ) = x21 + x22 + x23 = 4, x3 = 1

f ) S6 = (x1 , x2 , x3 ) : x21 + x22 ≥ x3
Solución: Cl(S1 ) = S6 , Int(S1 ) = x21 + x22 > x3 , ∂(S6 ) = x21 + x22 = x3
3
4 CAPÍTULO 1. PRIMER PARCIAL

S
g) S = S1 S2 donde:

S1 = (x1 , x2 ) : −2 ≤ x1 ≤ 0, 2 + x1 ≤ x2 ≤ 2

S2 = (x1 , x2 ) : 0 ≤ x1 ≤ 2, −2 ≤ x2 ≤ −2 + x1

Solución:

Figura 1.1: Conjunto S

Cl(S) = S

Int(S) = (x1 , x2 ) : −2 < x1 < 0, 2 + x1 < x2 < 2
[
(x1 , x2 ) : 0 < x1 < 2, −2 < x2 < −2 + x1 .

∂(S) = (x1 , x2 ) : −2 ≤ x1 ≤ 0, x2 = 2
[
(x1 , x2 ) : 0 ≤ x1 ≤ 2, x2 = −2
[
(x1 , x2 ) : x1 = −2, 0 ≤ x2 ≤ 2,
[
(x1 , x2 ) : x1 = 2, −2 ≤ x2 ≤ 0,
[
(x1 , x2 ) : −2 ≤ x1 ≤ 0, x2 = 2 + x1
[
(x1 , x2 ) : 0 ≤ x1 ≤ 2, x = −2 + x1

Ejercicio 1.2. Dado S 6= ∅ en Rn demuestre que S es convexo si y sólo si

1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 5

∀k ≥ 2 x1 , . . . , xk ∈ S, entonces λ1 x1 + . . . + λk xk ∈ S, donde:
Pk
i=1 λi = 1, λi ≥ 0

Demostración. (=⇒) Hacemos k = 2, se tiene que si x1 , x2 ∈ S entonces

λ1 x1 + λ2 x2 ∈ S

donde λ1 + λ2 = 1; λ1 , λ2 ≥ 0. Si tenemos λ1 = λ, se cumple lo siguiente

λx1 + (1 − λ)x2 ∈ S, 0≤λ≤1

Ası́ se concluye que S es convexo.

(⇐=) Si S es convexo, probaremos que λ1 x1 + . . . + λk xk ∈ S donde
Pk
1=1 λi = 1, λi ≥ 0

Por inducción: Para k=2 se cumple. Supóngase que se cumple para k=r, es decir
Pr
que si x1 , . . . , xr ∈ S, entonces λ1 x1 + . . . + λr xr ∈ S, donde 1=1 λi = 1 y
λi ≥ 0.
Ahora, sea k=r+1 y tomando x1 , . . . , xr , xr+1 ∈ S puesto que

λ1 x1 + . . . + λr xr , λr+1 xr + 1 ∈ S,
Pr
donde 1=1 λi = 1, λi ≥ 0 y como S es convexo, se cumple lo siguiente

α(λ1 x1 + . . . + λr xr ) + (1 − α)xr+1 ∈ S, 0 ≤ α ≤ 1.

⇒ αλ1 x1 + . . . + αλr xr + (1 − α)xr+1 ∈ S

Donde
αx1 + . . . + αxr + (1 − α) = α(λ1 + . . . + λr ) + (1 − α)

=α+1−α

Además

αx1 + . . . + αxr , 1 − α ≥ 0.
6 CAPÍTULO 1. PRIMER PARCIAL

Ejercicio 1.3. Encuentre la envoltura convexa de:


a) S1 = (x1 , x2 , x3 ) : −4 ≤ x21 + x22 + x23 ≤ 9

Solución: Conv(S1 ) = (x1 , x2 , x3 ) : 0 ≤ x21 +x22 +x23 ≤ 9 (Ver Figura(1.2))

Figura 1.2: Conjunto S1

 S
b) S2 = (x1 , x2 ) : 0 ≤ x1 ≤ 2, 0 ≤ x2 ≤ 2 2 ≤ x1 ≤ 4, 0 ≤ x2 ≤ 2

Solución: Conv(S2 ) = (x1 , x2 ) : 0 ≤ x1 ≤ 4, 0 ≤ x2 ≤ 2 (Ver Figura(1.3))

Figura 1.3: Conjunto S2

1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 7

Ejercicio 1.4. Sean los siguientes conjuntos encuentre:

a) La mı́nima distancia de y a S.

b) El único punto que minimiza la distancia y.

c) Un hiperplano de separación entre y y S.


∗S1 = (x1 , x2 , x3 )t : x21 + x22 + x23 ≤ 1, x1 + x2 + x3 ≤ 1 y ȳ = (1, 0, 2)t

Solución: La región S1 (Ver Figura 1.4) es la intersección del semiespacio

x1 + x2 + x3 ≤ 1 con la bola x21 + x22 + x23 ≤ 1 que tiene como puntos ex-

Figura 1.4: Conjunto S1

tremos A(0, 0, 1), B(0, 1, 0), C(1, 0, 0) y como frontera el politopo generado por
estos puntos más los puntos de la bola que están en el semiespacio.
La distancia del punto y al plano es 1.1547 pero el punto del plano ( 13 , −2 4
3 , 3)
√
no pertenece a la región S, en tanto que la distancia de y a la bola es 5 − 1
con punto de intersección ( √15 , 0, √25 ) el cual tampoco pertenece a S.
Por lo tanto el único punto que minimiza la distancia de y al conjunto convexo
√
S es A = (0, 0, 1). Ası́ la distancia mı́nima es 2.


∗S2 = (x1 , x2 , x3 )t : x21 + x22 + x23 ≤ 1 y ȳ = (1, 3, 2)t
√
Solución: La distancia mı́nima de y a S2 es ||y|| − 1 = 14 − 1.
(Ver Figura 1.5) El punto x ∈ S2 que minimiza la distancia se obtiene intersec-
8 CAPÍTULO 1. PRIMER PARCIAL

Figura 1.5: Conjunto S2

tando las rectas x = t, y = 3t, z = 2t con la esfera x2 + y 2 + z 2 = 1.

⇒ t2 + 9t2 + 4t2 = 14t2 = 1

1
⇒t= √
14
y el punto es x̄ = √1 , ȳ = ( √114 , √314 , √214 )t .
14

Un hiperplano de separación entre y y S2 es el plano: (x − x̄) · n = 0 donde

n̄ = (1, 3, 2)t
 
1
1 3 2  
⇒ (x − √ , y − √ , z − √ )t  3  = 0
 
14 14 14  
2

1 9 4
⇒ x − √ + 3y − √ + 2z − =0
14 14 14

√
⇒ x + 3y + 2z = 14


∗S3 = (x1 , x2 , x3 )t : (x1 − 2)2 + x22 + (x3 − 1)2 ≤ 1 y ȳ = (1, 3, 2)t
Solución: (Ver Figura 1.6) La distancia mı́nima de y a S3 es
p √
d= (1 − 2)2 + 32 + (2 − 1)2 − 1 = 11 − 1.
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 9

Figura 1.6: Conjunto S3

La recta que pasa por y y el centro de S3 tiene por ecuación:

x(t) = (2 + t, −3t, 1 − t)

y el punto de intersección de esta recta con la frontera de S es

−3
√1 , √ √1 )
(2 + 11 11
,1 − 11
= x̄.

Un hiperplano de separación entre y y S3 es el plano tangente a S3 en x̄:

√1 , x2 −3 √1 )(1, −3, −1)

(x1 − 2 − 11
+ √
11
, x3 −1+ 11
=0
√
⇒ x1 − 3x2 − x3 = 1 + 11.


∗S4 = (x1 , x2 )t : x21 ≤ 2, x2 ≤ x1 + 2 y ȳ = (4, 2)t
Solución: (Ver Figura 1.7) La menor distancia se obtiene encontrando el
punto x̄ ∈ S donde la tangente a la parábola es perpendicular a la recta yx̄, es
decir, que se cumple la condición

x̄2 −2
x̄−4 · 2x̄ = −1

lo cual equivale a resolver la ecuación 2x̄3 − 3x̄ − 4 = 0 cuya solución exacta es

s s
1 1
3 7 2 3 72
x= 1+ + 1−
8 8
x̄ = (1.6474, 2.7139)
10 CAPÍTULO 1. PRIMER PARCIAL

Figura 1.7: Conjunto S4

De igual forma x̄ es el único punto que minimiza la distancia y la recta x = 3 es

un hiperplano de separación entre S y el punto y, pero también la recta tangente
que pasa por x̄ lo es.


∗S5 = (x1 , x2 , x3 )t : x21 + x22 + x23 ≤ 1, x21 − x2 ≤ 0 y ȳ = (1, 0, 2)t
Solución: (Ver Figura 1.8) La distancia mı́nima es la siguiente
p √
d(y, A) = (1 − 0)2 + (0 − 0)2 + (2 − 1)2 = 2.

Figura 1.8: Conjunto S5

El único punto en S que minimiza la distancia es A = (0, 0, 1) y un hiperplano

de separación es x3 = 1 que pasa por el punto A, o puede ser cualquier x3 = k
que este en el intervalo 1 ≤ k ≤ 2.
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 11

∗S6 = (x1 , x2 , x3 )t : x21 + x22 + x23 ≤ 1, x21 − 4x2 ≤ 0 y ȳ = (1, 0, 2)t
Solución: De acuerdo a la Figura (1.9) se observa que el único punto que

Figura 1.9: Conjunto S6

minimiza la distancia es B = (0, 0, 1), el cual es un punto extremo de S y la

distancia mı́nima es
√
d(y, B) = ||(1, 0, 2) − (0, 0, 1)|| = 2

En tanto que un hiperplano de separación es el plano x1 , x3 .

Ejercicio 1.5. Verifique si los siguientes sistemas de la forma Ax < 0, cT x > 0

tienen solución en x ∈ R3 .

a) Donde
 
1 −1 −1
A= , c = (1, 0, 5)t
2 2 0

Solución: Por el Teorema de Farkas, si consideramos el Sistema 2, c = At y,

y ≥ 0 tenemos:
   
1 1 2  
    y1
S.2:  0  =  −1 −y1 , y2 ≥ 0
   
2  
    y2
5 −1 0
12 CAPÍTULO 1. PRIMER PARCIAL

⇒ y1 + 2y2 = 1

−y1 + 2y2 = 0

−y1 = 5
lo cual implica que y1 = −5, ası́ y 6≥ 0; es decir, que el Sistema 2 no tiene
solución. Entonces el sistema original si tiene solución.

b) Donde
 
2 0 4
A= , c = (1, −4, 3)t
3 0 5

Solución: Veamos si el Sistema 2; c = At y, y ≥ 0 tiene solución, es decir

    
1 2 1 3 y
    1 
S.2:  −4  =  0 2 y1 , y2 , y3 ≥ 0
    
0   y2 
    
3 4 1 5 y3

⇒ 2y1 + y2 + 3y3 = 1

2y2 = −4

4y1 + y2 + 5y3 = 3
es tal que y2 = −2, ası́ y 6≥ 0; es decir, que el Sistema 2 no tiene solución.
Entonces, por el Teorema de Farkas el sistema original si tiene solución.

c) Dado
 
2 −1 1
A= , c = (3, 4, 6)t
1 0 4

Solución: Usando el Lema de Farkas, consideremos el Sistema 2, es decir

   
3 2 1  
    y 1
S.2:  4  =  −1 0   y1 , y2 ≥ 0
    
    y2
6 1 4
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 13

⇒ 2y1 + y2 = 3

−y1 = 4

2y1 + y2 = 6
Luego, y1 = −4 < 0 lo cual hace ver que el Sistema 2 no tiene solución y
por consiguiente el problema original si la tiene.

d) Sea
 
3 1 −2 4
A= , c = (1, 5, 2, 6)t
1 6 0 1

Solución: Por el Lema de Farkas el Sistema Ax < 0, cT x > 0 tiene solución

si y solo si el Sistema c = AT y, y ≥ 0 no la tiene. Entonces veamos
   
1 3 1
    
   
 5   1 6  y1
S.2: 
 =
   
 2   −2

0  y2
   
6 4 1

⇒ 3y1 + y2 = 1

y1 + 6y2 = 5

−2y1 = 2

4y1 + y2 = 6
Se observa que y1 = −1 < 0. Ası́ el Sistema 2 no tiene solución y por lo
tanto el primero si lo tiene.

Ejercicio 1.6. Identifica los puntos y las direcciones extremas de los conjuntos:

a) S1 = (x1 , x2 ) : 2x1 − x2 ≥ 3, −x1 + x2 ≤ 2, x1 + 4x2 ≥ 6 Solución: (Ver
Figura 1.10)
Puntos extremos: (5, 7), (2, 1)
14 CAPÍTULO 1. PRIMER PARCIAL

Figura 1.10: Conjunto S1

Direcciones extremas: (1, 1)t , (4, −1)t


b) S2 = (x1 , x2 ) : x2 ≥ |x1 |, x21 + x22 ≤ 1 Solución: (Ver Figura 1.11)

Figura 1.11: Conjunto S2

 S
Puntos Extremos: (x1 , x2 ) : x2 ≥ |x1 |, x21 + x22 = 1 (0, 0)
No hay direcciones extremas porque el conjunto S2 está acotado.


c) S3 = (x1 , x2 , x3 ) : x1 + x2 + x3 ≤ 10, −x1 + 2x2 = 4, x1 , x2 , x3 ≥ 0 So-
lución: (Ver Figura 1.12)
Puntos Extremos: Son la intersección del interior de un tetraedro con un
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 15

Figura 1.12: Conjunto S3

plano, lo cual es un triángulo con vértices ( 16 14

3 , 3 , 0), (0, 2, 8), (0, 4, 6).

No hay direcciones extremas porque el conjunto S3 está acotado.


d) S4 = (x1 , x2 )t : |x1 | + |x2 | ≤ 1
Solución: (Ver Figura 1.13)

Figura 1.13: Conjunto S4

Puntos Extremos:(1, 0), (0, 1), (−1, 0), (0, −1)

No hay direcciones extremas porque el conjunto S4 está acotado.


e) S5 = (x1 , x2 ) : x1 − 3x2 ≤ 3, −x1 + 2x2 ≤ 4, x1 , x2 ≥ 0
16 CAPÍTULO 1. PRIMER PARCIAL

Solución: (Ver Figura 1.14)

Figura 1.14: Conjunto S5

Puntos Extremos: (0, 0), (0, 2), (3, 0)

Direcciones Extremas: (2, 1)t , (3, 1)t


f ) S6 = (x1 , x2 , x3 ) : x1 + x2 + x3 ≤ 2, x1 + x2 = 1, x1 , x2 , x3 ≥ 0
Solución: (Ver Figura 1.15)

Figura 1.15: Conjunto S6

Puntos Extremos: (1, 0, 0), (0, 1, 0), (1, 0, 1), (0, 1, 1)

No hay direcciones extremas porque el conjunto S6 está acotado.
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 17

g) S7 = (x1 , x2 , x3 ) : x1 + x2 + x3 ≤ 1, x2 ≥ x21 , x1 , x2 , x3 ≥ 0
Solución: (Ver Figura 1.16)

Figura 1.16: Conjunto S7

Puntos Extremos: Los que están en la intersección de x1 + x2 + x3 = 1 y

x2 = x21
Direcciones Extremas: (0, 0, −1)t .


h) S8 = (x1 , x2 ) : x1 + |x2 | ≤ 1, x1 , x2 ≥ 0
Solución: (Ver Figura 1.17)

Figura 1.17: Conjunto S8

18 CAPÍTULO 1. PRIMER PARCIAL

Puntos Extremos: (1, 0)

Direcciones Extremas: (−1, 1)t , (−1, −1)t .


i) S9 = (x1 , x2 ) : |2x1 | ≥ 1
Solución: (Ver Figura 1.18)

Figura 1.18: Conjunto S9

Puntos Extremos: No tiene

Direcciones Extremas: (0, 1)t .


j) S10 = (x1 , x2 ) : |x1 | + |x2 | ≤ 3, (x1 − 3)2 + x22 ≤ 9
Solución: (Ver Figura 1.19)

Figura 1.19: Conjunto S10

1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 19

Puntos Extremos: (3, 0)t y todos los puntos que están en el arco comprendido
entre 34 π y 54 π
No tiene Direcciones Extremas porque el conjunto es acotado.

Ejercicio 1.7. Represente S como la intersección de una colección de semies-

pacios, donde:
S = (x1 , x2 ) : x21 + x22 ≤ 1


Solución:Los semiespacios son definidos por las rectas tangentes a la circun-

ferencia x21 + x22 = 1,
dx2
⇒ 2x1 + 2x2 =0
dx1

dx2
⇒ =m
dx1

x1
⇒m=−
x2
Luego la recta tangente en (x1 , x2 ) es

y − x2 = − xx12 (x − x1 )

Figura 1.20: Conjunto S

O bien si
20 CAPÍTULO 1. PRIMER PARCIAL

x1 = cos t y x2 = sin t

entonces

y − sin t = − cos t
sin t (x − cos t)

⇒ cos tx + sin ty = 1

es la ecuación de los hiperplanos H y los semiespacios buscados se representan

por

S = (x, y) : cos tx + sin ty ≤ 1

 
Ejercicio 1.8. Sean S1 = x : A1 x ≤ b1 , S2 = x : A2 x ≤ b2 no vacı́os y
S
S = S1 S2 . Además si

Ŝ = x : x = y + z, A1 y ≤ b1 λ1 , A2 z ≤ b2 λ2 , λ1 + λ2 = 1, (λ1 , λ2 ) ≥ 0

a) Asuma que S1 , S2 son acotados, muestre que Conv(S) = Ŝ.

b) En general, demuestre que Cl(Conv(S)) = Ŝ

Demostración. Si x ∈ Conv(S) entonces:

x = α1 x1 + · · · + αr xr + αr+1 xr+1 + · · · + αs xs
| {z } | {z }
y z

donde

x1 , · · · , xr ∈ S xr+1 , · · · , xs ∈ S2

α1 + · · · + αs = 1 αi ≥ 0, i = 1, · · · , s

Luego

A1 xi ≤ b1 , i = 1, · · · , r

A2 xj ≤ b2 , j = r + 1, · · · , s
1.1. EJERCICIOS RESUELTOS PRIMER PARCIAL 21

⇒ A1 y = A1 (α1 x1 + · · · + αr xr )

= α1 A1 x1 + · · · + αr A1 xr

≤ (α1 + · · · + αr )b1

= α1 b1

A2 z = A2 (αr+1 xr+1 + · · · + αs xs )

= αr+1 A2 xr+1 + · · · + αs A2 xs

≤ (αr+1 + · · · + αs )b2

= α2 b2 .

donde λ1 +λ2 = α1 +· · ·+αr +αr+1 +· · ·+αs = 1, λ1 , λ2 ≥ 0. Ası́ Conv(S) ⊂ Ŝ.

Recı́procamente, si y ∈ Ŝ, entonces x = y + z tal que

A1 y ≤ b1 λ1 , A2 z ≤ b2 λ2

Donde

λ1 + λ2 = 1, λ1 , λ2 ≥ 0

Luego

A1 y ≤ b1 λ1 ≤ b1 A2 z ≤ b2 λ2 ≤ b2
S
Ası́ y ∈ S1 y z ∈ S2 , entonces x ∈ S1 S2

Ejercicio 1.9. Sean S1 y S2 conjuntos no vacı́os en Rn . Demuestre que

Conv(S1 ∩ S2 ) ⊆ Conv(S1 ) ∩ Conv(S2 )

¿Es cierto en el caso general que Conv(S1 ∩ S2 ) ⊆ Conv(S1 ) ∩ Conv(S2 )? Si

no es ası́, proporcione un contra ejemplo. (NOTA: Conv(S) denota la cerradura
convexa de S)

Demostración. Sea x ∈ Conv(S1 ∩ S2 ). Entonces x = α1 x1 + · · · + αr xr donde

22 CAPÍTULO 1. PRIMER PARCIAL

Pr
xi ∈ S1 ∩ S2 y i=1 αi = 1

Con i = 1 · · · r y αi ≥ 0 ; ası́ se tiene que xi ∈ S1 y xi ∈ S2 .

Luego x ∈ Conv(S1 ) y x ∈ Conv(S2 ). Finalmente tenemos que se cumple

x ∈ Conv(S1 ) ∩ Conv(S2 )

Un contra ejemplo en el cual x ∈ Conv(S1 ∩ S2 ) 6= Conv(S1 ) ∩ Conv(S2 ) es el

siguiente: (Ver Figura 1.21)
Donde x ∈ Conv(S1 ∩ S2 ) = ∅, mientras que Conv(S1 ) ∩ Conv(S2 ) = S1

Figura 1.21: Contra ejemplo

Capı́tulo 2

Segundo Parcial

2.1. Ejercicios Resueltos Segundo Parcial

Ejercicio 2.1. ¿Cuáles de las siguientes funciones son convexas, cóncavas o

ninguna de las dos?:

a) f (x1 , x2 ) = −2x21 − 4x22 + x1 x2 + 10x1 − 6x2

Solución:
 
−2x1 + x2 + 10
5f (x1 , x2 ) =  
−8x2 + x1 − 6

 
−2 1
52 f (x1 , x2 ) =  
1 −8

esta matriz es definida negativa, lo que indica que es cóncava.

b) f (x1 , x2 ) = −x21 − 5x22 + 2x1 x2 + 10x1 − 10x2

23
24 CAPÍTULO 2. SEGUNDO PARCIAL

Solución:  
−2x1 + 2x2 + 10
5f (x1 , x2 ) =  
−10x2 + 2x1 − 10

 
−2 2
52 f (x1 , x2 ) =  
2 −10

la cual es definida negativa, ası́ f es cóncava.

c) f (x1 , x2 , x3 ) = x1 x2 + 2x21 + x22 + 2x23 − 6x1 x3

Solución:  
4x1 + x2 − 6x3
 
5f (x1 , x2 , x3 ) = 
 
x1 + 2x2 
 
−6x1 + 4x3

 
4 1 −6
 
52 f (x1 , x2 , x3 ) =  1
 
2 0 
 
−6 0 4

 
4 1 −6
 
= 0
 7 3 
4 2

 
3
0 2 −5

Se puede observar que la matriz:

 
7 3
 4 2 
3
2 −5

es indefinida; luego 52 f (x1 , x2 , x3 ) también lo es y la función f no es cónca-

va ni convexa.
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 25

d) f (x1 , x2 ) = 2x21 + x1 x2 − 10x1 + 5x2

Solución:
 
4x1 + 2x2 − 10
5f (x1 , x2 ) =  
2x1 + 5

 
4 2
52 f (x1 , x2 ) =  
2 0

es indefinida; luego la función f no es cóncava ni convexa.

Ejercicio 2.2. Dada la función f (x1 , x2 ) = 10 − 2(x2 − x21 )2 diga si es convexa

o no en cada uno de los conjuntos:


S1 = (x1 , x2 ) : −1 ≤ x1 ≤ 1, −1 ≤ x2 ≤ 1

s2 = (x1 , x2 ) : x21 ≥ x2


Solución:
 
−4(x2 − x21 )(−2x1 )
5f (x1 , x2 ) =  
−4(x2 − x21 )

 
8x2 x1 − 8x31
= 
−4x2 + 4x21 )

 
8x2 − 24x21 8x1
52 f (x1 , x2 ) =  
8x1 −4

Esta matriz sólo puede ser definida negativa si y solo si:

8x2 − 24x21 = 8(x2 − 3x21 ) ≤ 0

26 CAPÍTULO 2. SEGUNDO PARCIAL

Ahora calculamos,

Det 52 f (x1 , x2 ) = −4(8x2 − 24x21 ) − 64x21

= 32x21 − 32x2

= 32(x21 − x2 )

>0

En S1 tenemos que 8x2 −24x21 puede ser positiva o negativa, ası́ f no es cóncava
ni convexa.
Por otra parte, en S2 se tiene que

8x2 − 24x21 = 8x2 − 8x21 − 16x21

= 8(x2 − x21 ) − 16x21

<0

y también

52 f (x1 , x2 ) = 32(x21 − x2 ) > 0

Concluimos que f es cóncava en S2 .

Ejercicio 2.3. Consideremos los siguientes problemas encuentre explı́citamente

la función distancia de un punto y ∈ R2 al conjunto S dado, donde

f (y) = ı́nf ||y − x||, x ∈ S1


a) S1 = (x1 , x2 ) : (x1 − 1)2 + (x2 − 3)2 ≤ 1
Solución: (Ver Figura 2.1)

 ||(y − 1)2 + (y − 3)2 || − 1, si y ∈
6 S1
1 2
f (y) =
 0 si y ∈ S1
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 27

Figura 2.1: Conjunto S1


b) S2 = (x1 , x2 ) : (x1 − 2)2 + (x2 + 3)2 ≤ 1
Solución: (Ver Figura 2.2)

 ||(y − 2)2 + (y + 3)2 || − 1, si y ∈
6 S2
1 2
f (y) =
 0 si y ∈ S2

Figura 2.2: Conjunto S2


c) S3 = (x1 , x2 ) : x21 + x22 ≤ 1
Solución:

 ||y|| − 1, si y ∈
6 S3
f (y) =
 0 si y ∈ S3
28 CAPÍTULO 2. SEGUNDO PARCIAL

Ejercicio 2.4. Para los siguientes problemas ¿Cuál es el valor del Hessiano de
f ?¿Para qué valores de θ es f estrictamente convexa?
 
1 2 −1
 
a) Dada la función f : R3 → R, f (x) = xT Ax donde A =  4
 
θ 0 
 
0 2 3
Solución:
  
1 2 −1 x1
  
f (x) = (x1 , x2 , x3 )  4 θ 0   x2 
  
  
0 2 3 x3

= (x1 + 4x2 , 2x1 + θx2 + 2x3 , −x1 + 3x3 )(x1 , x2 , x3 )t

= x21 + 4x1 x2 + 2x1 x2 + θx22 + 2x2 x3 − x1 x3 + 3x23

= x21 + 6x1 x2 + θx22 + 2x2 x3 − x1 x3 + 3x23

Luego:  
2x1 + 6x2 − x3
 
5f (x) =  6x1 + 2θx2 + 2x3
 

 
2x2 − x1 + 6x3

 
2 6 −1
 
52 f (x) =  6
 
2θ 2 
 
−1 2 6

 
2 6 −1
 
= 0 2θ − 18
 
5 
 
11
0 5 2

Luego f es estrictamente convexo si y solo si 52 f (x) es definida positiva,

pero a su vez ésta es definida positiva si y sólo si
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 29
 
2θ − 18 5
 
11
5 2

cumple esta condición, es decir, si

2θ − 18 > 0 ⇒θ>9

11 124
(2θ − 18) − 25 > 0 ⇒θ>
2 11

En resumen si

124
θ>
11

 
1 2 −3
 
b) Dada la función f : R3 → R, f (x) = xT Ax donde A =  3
 
θ 1 
 
0 2 −4
Solución:

  
1 2 −3 x1
  
f (x) = (x1 , x2 , x3 )  3
  
θ 1   x2 
  
0 2 −4 x3

= (x1 + 3x2 , 2x1 + θx2 + 2x3 , −3x1 + x2 + 4x3 )(x1 , x2 , x3 )t

= x21 + 3x1 x2 + 2x1 x2 + θx22 + 2x2 x3 + x2 x3 − 3x1 x3 − 4x23

= x21 + 5x1 x2 + θx22 + 3x2 x3 − 3x1 x3 − 4x23

30 CAPÍTULO 2. SEGUNDO PARCIAL

Luego:  
2x1 + 5x2 − 3x3
 
5f (x) =  5x1 + 2θx2 + 3x3
 

 
−3x1 + 3x2 − 8x3

 
2 5 −3
 
2
5 f (x) =  5
 
2θ 3 
 
−3 3 −8

 
2 5 −3
 
= 0 25 21
2θ −
 
2 2

 
21 −25
0 2 2
La matriz
 
25 21
2θ − 2 2
 
21 −25
2 2

evidentemente no es definida positiva para valor alguno de θ; por lo tanto

la matriz Hessiana tampoco lo es para valor alguno y esto implica que la
función f no es estrictamente creciente para valor alguno de θ.

 
2 1 3
 
c) Dada la función f : R3 → R, f (x) = xT Ax donde A =  2
 
3 2 
 
1 1 θ
Solución:
  
2 1 3 x1
  
f (x) = (x1 , x2 , x3 )  2 3 2   x2 
  
  
1 1 θ x3

= (2x1 + 2x2 + x3 , x1 + 3x2 + x3 , 3x1 + 2x2 + θx3 )(x1 , x2 , x3 )t

= 2x21 + 2x1 x2 + x1 x3 + x1 x2 + 3x22 + x2 x3 + 3x1 x3 + 2x2 x3 + θx23

2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 31

Luego:
 
4x1 + 3x2 + 4x3
 
5f (x) =  3x1 + 6x2 + 3x3
 

 
4x1 + 3x2 + 2θx3

 
4 3 4
 
52 f (x) =  3
 
6 3 
 
4 3 2θ

 
4 3 4
 
= 0
 15 
4 0 
 
0 0 2θ − 4

Vemos que la última matriz es definida positiva si y solo si 2θ − 4 > 0, o

bien si θ > 2.

Ejercicio 2.5. Dado S ⊂ Rn convexo acotado y no vacı́o y la función de soporte


definida como f (y) = y t x, x ∈ S .

a) Demuestre que f es convexa:

Solución:

f (λy1 + (1 − λ)y2 ) = sup (λy1 + (1 − λ)y2 )t x, x ∈ S



= sup λy1t x + (1 − λ)y2t x, x ∈ S



≤ sup λy1t x, x ∈ S + sup (1 − λ)y2t x, x ∈ S

 

= λ sup y1t x, x ∈ S + (1 − λ) sup y2t x, x ∈ S

 

= λf (y1 ) + (1 − λ)f (y2 )

b) Demuestre que si f (y) = y t x̄ donde x̄ ∈ S, entonces x̄ es un subgradiente de

f en y.
32 CAPÍTULO 2. SEGUNDO PARCIAL

Solución:
f (z) − f (y) = z t x̄ − ȳx̄

= (z t − y t )x̄

= x̄t (z − y)

⇒ f (z) = f (y) + x̄t (z − y), ∀z ∈ S

Ejercicio 2.6. Escriba las aproximaciones lineal y cuadrática según el desarro-

llo de Taylor de las siguientes funciones. ¿Son éstas aproximaciones convexas,
cóncavas o ninguna de las dos?
2 2
a) f (x1 , x2 ) = ex1 +x2 − x1 + 6x2 en x̄ = (1, 0)t
Solución:
 
2 2
2x1 ex1 +x2
5f (x1 , x2 ) =  2 2

2x2 ex1 +x2 + 6

 
2 2 2 2 2 2
2ex1 +x2 + 4x21 ex1 +x2 4x1 x2 ex1 +x2
52 f (x1 , x2 ) =  2 2 2 2 2 2

4ex1 +x2 x1 x2 2ex1 +x2 + 4x22 ex1 +x2

 
2 + 4x21 4x1 x2 2 2
=  · ex1 +x2
4x1 x2 2 + 4x22
Ası́, evaluando en x̄

⇒ f (x̄) = f (1, 0) = e − 1

 
2e − 1
5f (x̄) = 5f (1, 0) =  
6

 
6 0
52 f (x̄) = 52 f (1, 0) =  ·e
0 2
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 33

Luego,

   
x1 − 1 x1 − 1
f (1, 0) + 5f (1, 0)t   = e − 1 + (2e − 1, 6)t  
x2 − 0 x2 − 0

= e − 1 + (2e − 1)(x1 − 1) + 6x2

es la aproximación lineal, la cuál es afı́n; y

   
t
x1 − 1
e 6 0 x1 − 1
f (1, 0) + 5f (1, 0)   + (x1 − 1, x2 )   
x2 − 0 2 0 2 x2

e
= e − 1 + (2e − 1)(x1 − 1) + 6x2 + 6(x1 − 1)2 + ex32
2

es la aproximación cuadrática de f en x̄, la cual es estrictamente convexa

ya que su Hessiano es definido positivo.

2 2
b) f (x1 , x2 ) = ex1 +x2 − 5x1 + 10x2 en x̄ = (0, 1)t
Solución:
 
2 2
2x1 ex1 +x2 − 5
5f (x1 , x2 ) =  
x21 +x22
2x2 e + 10

 
2 2 2 2 2 2
2ex1 +x2 + 4x21 ex1 +x2 4x1 x2 ex1 +x2
52 f (x1 , x2 ) =  2 2 2 2 2 2

4ex1 +x2 x1 x2 2ex1 +x2 + 4x22 ex1 +x2

 
2 + 4x21 4x1 x2 2 2
=  · ex1 +x2
4x1 x2 2+ 4x22

Ası́, evaluando en x̄
34 CAPÍTULO 2. SEGUNDO PARCIAL

⇒ f (x̄) = f (0, 1) = e + 10

 
−5
5f (x̄) = 5f (0, 1) =  
2e + 10

 
2 0
52 f (x̄) = 52 f (0, 1) =  ·e
0 6

Luego,

   
x1 x1
f (0, 1) + 5f (0, 1)t   = e + 10 + (−5, 2e + 10)t  
x2 − 1 x2 − 1

= e + 10 − 5x1 + (2e + 10)(x2 − 1)

es la aproximación lineal, la cuál es afı́n; y

    
x1 2 0 x1
f (0, 1) + 5f (0, 1)t   + e (x1 , x2 − 1)   
x2 − 1 2 0 6 x2 − 1

1 1
= e + 10 − 5x1 + (2e + 10)(x2 − 1) + 2ex21 + 3ex22 − x2 − 3ex2 +
2 2
es la aproximación cuadrática de f en x̄, la cual es estrictamente convexa
ya que su Hessiano es definido positivo.

Ejercicio 2.7. a) Dado el problema

mı́n(x1 − 4)2 + (x2 − 6)2

s.a x2 ≥ x21
x2 ≤ 4
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 35

Escriba una condición necesaria para la optimización de un punto y diga

cuál de los siguientes puntos cumple dicha condición: (0, 0)t , (−2, 4)t , (2, 4)t .

Solución: La condición es que si una función f : S ⊂ Rn → R es con-

vexa, donde S ⊂ Rn no vacı́o es convexo, y f diferenciable, x̄ es solución
óptima del problema mı́ns.ax∈S f (x) si y sólo si 5f (x̄)(x − x̄) ≥ 0 ∀x ∈ S.
En nuestro caso

f (x1 , x2 ) = (x1 − 4)2 + (x2 − 6)2

 
2(x1 − 4)
5f (x1 , x2 ) =  
2(x2 − 6)

* Para x̄ = (0, 0)t

5f (x̄)t (x − x̄) = 5f (0, 0)(x1 , x2 )t

= (−8, −12)(x1 , x2 )t

= −4(2x1 + 3x3 ) 6≥ 0, ∀(x1 , x2 ) ∈ S

ya que el semiespacio 2x1 + 3x2 ≤ 0 no contiene al conjunto factible S

como puede verse en la Figura (2.3), luego x̄ no es solución óptima.

Figura 2.3: Conjunto S

36 CAPÍTULO 2. SEGUNDO PARCIAL

* Para x̄ = (2, 4)t

5f (x̄)t (x − x̄) = 5f (2, 4)(x1 − 2, x2 − 4)t

= (−4, −4)(x1 − 2, x2 − 4)t

= −4(x1 + x2 − 6) ≥ 0, ∀(x1 , x2 ) ∈ S

ya que el semiespacio x1 + x2 − 6 ≤ 0 contiene al conjunto factible S como

puede verse en la Figura (2.4), ası́ se concluye que x̄ es solución óptima.

Figura 2.4: Conjunto S

* Para x̄ = (−2, 4)t

5f (x̄)t (x − x̄) = 5f (−2, 4)(x1 + 2, x2 − 4)t

= (−12, −4)(x1 + 2, x2 − 4)t

= −12(x1 + 2) − 4(x2 − 4)

= −4(3x1 + x2 + 2) 6≥ 0, ∀(x1 , x2 ) ∈ S

ya que el semiespacio 3x1 + x2 + 12 ≤ 0 no contiene al conjunto factible

S como puede verse en la Figura (2.5) luego x̄ no es solución óptima.

b) Dado el problema

mı́n(x1 + 4)2 + (x2 − 5)2

s.a x2 > x21
x2 ≤ 3
2.1. EJERCICIOS RESUELTOS SEGUNDO PARCIAL 37

Figura 2.5: Conjunto S

Encuentre una condición necesaria para la optimalidad en un punto. En-

cuentre un punto que satisfaga dicha condición.
√
Solución: Se observa en la Figura (2.6) que el punto x̄ = (− 3, 3)t es un
punto óptimo. Verificaremos que dicho punto satisface la condición:

5f (x̄)t (x − x̄) ≥ 0, ∀x̄ ∈ S

Figura 2.6: Conjunto S

Es decir:
√ √ √ √
(2(− 3 + 4), −4)(x1 + 3, x2 − 3)t = 2(− 3 + 4)(x1 + 3) − 4(x2 − 3)
√ √
= (−2 3 + 8)x1 − 6 + 8 3 − 4x2 + 12
√ √
= (−2 3 + 8)x1 − 4x2 + 6 + 8 3

≥ 0, ∀x̄ ∈ S
38 CAPÍTULO 2. SEGUNDO PARCIAL

Ası́ dicho punto cumple la condición, por lo cual queda verificado.

Capı́tulo 3

Tercer Parcial

3.1. Ejercicios Tercer Parcial

Ejercicio 3.1. Dado el problema

máx(x1 − 2)2 + (x2 − 3)2

s.a 3x1 + 2x2 ≥ 6
−x1 + x2 ≤ 3
x1 ≤ 3

a) Encuentre gráficamente todas las soluciones locales. ¿Cuál es la solución

óptima global?
Solución: En la Figura (3.1) se puede ver que (0, 3)t y (2, 0)t son soluciones
óptimas locales y la única solución óptima global es x̄ = (2, 0)t .

b) Aplique las condiciones de KKT para verificar su respuesta.

Solución: Aplicando las condiciones KKT en x̄ = (2, 0)t vemos que si

f (x1 , x2 ) = −(x1 − 2)2 − (x2 − 3)2

g1 (x1 , x2 ) = 6 − 3x1 − 2x2

g2 (x1 , x2 ) = −x1 + x2 − 3

g3 (x1 , x2 ) = x1 − 2
39
40 CAPÍTULO 3. TERCER PARCIAL

Figura 3.1:


Entonces I(x̄) = 1, 3 y

5f (x1 , x2 ) + u1 5 g1 (x1 , x2 ) + u3 5 g3 (x1 , x2 ) = 0

       
0 −3 1 0
  = u1   + u3  = 
6 −3 0 0

u1 g1 (x̄) = 0

u2 g2 (x̄) = 0

u3 g3 (x̄) = 0
Entonces se tiene
−3u1 + u3 = 0

−2u1 + 6 = 0
Resolviendo llegamos a
u1 = 3 ≥ 0

u2 = 0 ≥ 0

u3 = 9 ≥ 0
3.1. EJERCICIOS TERCER PARCIAL 41

Ası́ el punto x̄ es KKT y como el problema original es convexo se sigue que x̄

es la única solución global óptima, lo cual puede confirmarse con el Hessiano
del Lagrangiano

L(x1 , x2 ) = f (x1 , x2 ) + u1 g1 + u3 g3

el cual es definido negativo como se puede ver a continuación.

 
−2 0
H(x1 , x2 ) =  
0 −2

Ejercicio 3.2. Dado el siguiente problema

mı́n x21 − x1 x2 + 2x22 − 4x1 − 5x2

s.a x1 + 2x2 ≤ 6
x1 ≤ 2
x1 , x2 ≥ 0

Resuelva geométricamente el problema y verifique su respuesta aplicando las

condiciones KKT. (Ver Figura 3.2)
Solución:

Figura 3.2:
42 CAPÍTULO 3. TERCER PARCIAL

L(x) = x21 − x1 x2 + 2x22 − 4x1 − 5x2 + u1 (x1 + 2x2 − 6) + u2 (x1 − 2)

+ u3 (−x1 ) + u4 (−x2 )

   
2x1 − x2 − 4 + u1 + u2 − u3 0
5L(x) =  = 
−x1 + 4x2 − 5 + 2u1 − u4 0

Por otro lado,

u1 (x1 + 2x2 − 6) = 0

u2 (x1 − 2) = 0

u3 (−x1 ) = 0

u4 (−x2 ) = 0
*En x̄ = (2, 2)t se tiene que

−1 5
u1 = 2 u2 = 2

u3 = 0 u4 = 0
x1 = 2 x2 = 2

Ası́ x̄ no es un punto KKT ya que u1 6≥ 0.

*Ahora en x̄ = (2, 74 )t

7
4− − 4 + u1 + u2 = 0
4
−2 + 7 − 5 + 2u1 = 0

Resolviendo

7
u1 = 0 u2 = 4

u3 = 0 u4 = 0
7
x1 = 2 x2 = 4

Entonces x̄ es un punto KKT y

 
2 −1
52 L(x) =  
−1 4
3.1. EJERCICIOS TERCER PARCIAL 43

es definida positiva, ası́ x̄ es solución óptima.

Ejercicio 3.3. Dado el problema

máx(x1 − 2)2 + (x2 − 6)2

s.a x2 − x21 ≥ 0
x1 + x2 ≤ 6
x1 , x2 ≥ 0

Escriba las condiciones de optimalidad de KKT, encuentre el o los puntos donde

estas condiciones se cumplen e interprete gráficamente dichas condiciones.
Solución: De la Figura (3.3) se puede observar que la única restricción activa
es la segunda; entonces el Lagrangiano reducido es

Figura 3.3:

L(x1 , x2 ) = (x1 − 2)2 + (x2 − 6)2 + u2 (x1 + x2 − 6)

Donde
x1 + x2 = 6

u1 , u3 , u4 = 0
44 CAPÍTULO 3. TERCER PARCIAL

Entonces calculando el gradiente del Lagrangiano obtenemos

     
2(x1 − 2) 1 0
⇒ 5L(x1 , x2 ) =   + u2   =  
2(x2 − 6) 1 0

⇒ 2x1 + u2 = 4

2x2 + u2 = 12

x1 + x2 = 6

Resolviendo llegamos a que la solución óptima es x̄ = (1, 5)t el cual es un punto

KKT. Además el Hessiano es definido positivo; ası́ la solución es óptima y única.

Ejercicio 3.4. Sea el problema

máx(x1 − 49 )2 + (x2 − 2)2

s.a x2 − x21 ≥ 0
x1 + x2 ≤ 6
x1 , x2 ≥ 0

Escriba las condiciones de optimalidad de KKT, encuentre el o los puntos donde

estas condiciones se cumplen e interprete gráficamente dichas condiciones.
Solución: Puede verse en la Figura (3.4) que la única restricción activa en el
óptimo es primera, luego el Lagrangiano reducido es:

9
L(x1 , x2 ) = (x1 − )2 + (x2 − 2)2 + u1 (x21 − x2 )
4

Y las condiciones de KKT son:

   
2(x1 − 49 ) + 2u1 x1 0
5L(x1 , x2 ) =  = 
2(x2 − 2) − u1 0

u1 (x21 − x2 ) = 0

u2 = u3 = u4 = 0
3.1. EJERCICIOS TERCER PARCIAL 45

Figura 3.4:

Entonces
9
2x1 + 2u1 x1 =
2
2x2 − u1 = 4

x21 − x2 = 0

Resolviendo obtenemos que

x̄ = ( 32 , 94 )t u1 = 1
2 >0

Ası́ x̄ es un punto KKT y dado que

 
2 + 2u1 0
52 L(x1 , x2 ) =  
0 2

 
3 0
= 
0 2

El Hessiano del Lagrangiano es definido positivo, entonces podemos concluir que

x̄ es el único punto óptimo de f .
46 CAPÍTULO 3. TERCER PARCIAL

Ejercicio 3.5. Dado los siguientes problemas:

* Escriba una condición necesaria de optimalidad. ¿Es también suficiente?
* ¿Es la solución óptima única? ¿Por que?
* Encuentre una solución óptima del problema.

a) Dado mı́n ||Ax − b||2 donde

   
1 −1 0 2
   
   
 0 2 1   1 
A=


 b=
 

 0 1 0   1 
   
1 0 1 0

Solución:
f (x) = ||Ax − b||2 = (Ax − b)t (Ax − b)

= (xt At − bt )(Ax − b)

= xt At Ax − 2bt Ax + bt b

⇒ 5f (x) = 2At Ax − 2bt A

Entonces tenemos que x = (At A)−1 bt A es un punto KKT.

Por otra parte
 
  1 −1 0
1 0 0 1 
 
 0 2 1 

t
A A =  −1

2 1 0  
 
 0 1

0 
0 1 0 1  
1 0 1
 
2 −1 1
 
=  −1 6 2 
 
 
1 2 2

 
2 −1 1
 
⇒ = 0
 11 5 
2 2

 
5 3
0 2 2
3.1. EJERCICIOS TERCER PARCIAL 47

Por último  
11 5
 2 2 
5 3
2 2

es definida positiva, ası́ como también 52 f (x) y x̄ es solución óptima.

 
   2 
1 0 0 1   2
  
1   
t 
A b =  −1 2 1 0   =  1
    

  1   
0 1 0 1   1
0

Resolviendo las siguientes ecuaciones

2x1 − x2 + x3 = 2

−x1 + 6x2 + 2x3 = 1

x1 + 2x2 + 2x3 = 1

se tiene que la solución óptima es x̄ = (3, 23 , −5 t

2 ) . La condición de primer

orden es suficiente porque f es convexa. El problema tiene solución si y sólo

si At A es definida positiva.

b) Dado mı́n ||Ax − b||2 donde

   
2 0 1 1
   
   
 0 3 2   3 
A=


 b=
 

 0 2 0   0 
   
1 0 3 2

Solución:
f (x) = ||Ax − b||2 = (Ax − b)t (Ax − b)

= (xt At − bt )(Ax − b)

= xt At Ax − 2bt Ax + bt b

⇒ 5f (x) = 2At Ax − 2bt A

48 CAPÍTULO 3. TERCER PARCIAL

Entonces tenemos que x = (At A)−1 bt A es un punto KKT.

Por otra parte
 
  2 0 1
2 0 0 1  
 
 0 3 2 

t
AA= 0

3 2 0  
 
 0 2

0 
1 2 0 3  
1 0 3
 
5 0 5
 
= 0
 
13 6 
 
5 6 14

 
5 0 5
 
⇒ = 0
 
13 6 
 
0 6 9

Por último
 
13 6
 
6 9
es definida positiva, ası́ como también 52 f (x).
 
  1  
2 0 0 1  
  4
  3   
At b =  0 3 2 0   =
  
 9 
  0  
 
1 2 0 3   13
2

Resolviendo las siguientes ecuaciones

5x1 + 5x3 = 4

13x2 + 6x3 = 9

5x1 + 6x2 + 14x3 = 13

1 1 7 t
se tiene que la solución óptima es x̄ = ( 45 , 3 , 9 ) . La condición de primer
orden es suficiente porque f es convexa. El problema tiene solución si y sólo
3.1. EJERCICIOS TERCER PARCIAL 49

si At A es definida positiva.Por lo tanto la solución es óptima y única.

c) Dado mı́n ||Ax − b||2 donde

   
1 0 1 1
   
−2 
   
 0 3  0 
A=  b= 
 −1 −2
   
0   2 
   
0 4 −3 1
Solución: Ver inciso anterior para la deducción de las condiciones necesa-
rias de optimalidad.
Ahora, en nuestro caso
 
82 −46 −65
 
(AT A)−1 = 1
 −46
 
7 27 38 
 
−65 38 54

Entonces nuestra solución óptima es

  
82 −46 −65 −1
1  
x̄ =  −46
  
27 38   0 
7  
−65 38 54 −2

 
48
1 
=  −30 
 
7 
−43

 
48
 7 
=
 −30 
7

 
−43
7

La condición de 1er orden es suficiente porque f es convexa. El problema tie-

ne solución ya queAt A es definida positiva.Ası́ la solución es óptima y única.
50 CAPÍTULO 3. TERCER PARCIAL

Ejercicio 3.6. Encuentre un punto KKT y verifique las condiciones de opti-

malidad.

a) Dado el problema

mı́n x31 + x32

s.a x1 + x2 − 1 = 0

Solución:
L(x1 , x2 ) = x31 + x32 + u(x1 + x2 − 1)

   
3x21 + u 0
5L(x1 , x2 ) =  = 
3x22 + u 0

Entonces,
3x21 + u = 0

3x22 + u = 0

Resolviendo,
 t
1 1 1
x1 = x2 = ⇒ x̄ = ,
2 2 2
Sin embargo  
6x1 0
52 L(x1 , x2 ) =  
0 6x2

 
3 0
52 L(x̄) =   (3.1)
0 3

Se observa que la matriz es definida positiva, ası́ x̄ es solución óptima.

b) Consideremos el problema

mı́n x21 + 2x22

s.a x1 + x2 − 1 = 0
3.1. EJERCICIOS TERCER PARCIAL 51

Solución:
L(x1 , x2 ) = x21 + 2x22 + v(x1 + x2 − 1)

   
2x1 + v 0
5L(x1 , x2 ) =  = 
4x2 + v 0

Entonces,
2x21 + v = 0

4x22 + v = 0

x1 + x2 = 1

Resolviendo tenemos que

−4
x̄ = ( 23 , 13 )t y v= 3

y además como

 
2 0
H(x1 , x2 ) =  
0 4

es definida positiva se sigue que x̄ es solución óptima global única.

c) Sea el problema siguiente

mı́n 2x1 − x2 + x23

s.a x1 + x2 + x3 ≤ 0
−x1 + 2x2 + x23 = 0

Solución: El Lagrangiano del problema es:

L(x1 , x2 , x3 ) = −2x1 + x2 − x23 + u1 (x1 + x2 + x3 ) + v1 (−x1 + 2x2 + x23 )

52 CAPÍTULO 3. TERCER PARCIAL

Por otro lado, las condiciones KKT son:

   
−2 + u1 − v1 0
   
5L(x1 , x2 , x3 ) =  = 0 
   
1 + u1 + 2v1
   
−2x3 + u1 + 2v1 0

u1 (x1 + x2 + x3 ) = 0

v1 (−x1 + 2x2 + x23 ) = 0

Calculando el Hessiano del Lagrangiano

 
0 0 0
 
52 L(x1 , x2 , x3 ) =  0
 
0 0 
 
0 0 −2 + 2v1

La matriz Hessiana del Lagrangiano es definida positiva si v1 ≥ 1.

De las condiciones tenemos

−2 + u1 − u2 = 0

1 + u1 + 2u2 = 0

Resolviendo se concluye que

u1 = 1, u2 = −1 ≤ 0

Por lo tanto ningún punto factible del problema es KKT, entonces no existe
solución óptima para el problema.

Ejercicio 3.7. Dado el siguiente problema donde donde c ∈ Rn , b ∈ Rm , A

es mxn simétrica.

mı́n ct x + 21 xt Ax
s.a Ax ≤ b
3.1. EJERCICIOS TERCER PARCIAL 53

a) ¿Cuáles son las condiciones necesarias de 2◦ orden?

Solución:
1
L(x) = ct x + xt Hx + ut (Ax − b)
2
5L(x) = c + Hx + ut A

52 L(x) = H

Las condiciones necesarias de 2◦ orden son

ut (Ax − b) = 0 y c + Hx + ut A = 0

donde se tiene u ≥ 0 y H semidefinida positiva.

b) ¿Es cierto que todo mı́nimo local es un mı́nimo global?

Solución: Si H es semidefinida positiva, todo mı́nimo local es un mı́nimo
global.

c) ¿Cuáles son las condiciones necesarias de optimalidad de 1er y 2do orden

cuando c = 0, H = I?
Solución: Si c = 0, H = I las condiciones necesarias de optimalidad son
solo x = −ut A, u ≥ 0.

Ejercicio 3.8. Dado el siguiente problema

mı́n x41 + x42 + 12x21 + 6x22 − x1 x2 − x1 − x2

s.a x1 + x2 ≤ 6
2x1 − x2 ≤ 3
x1 , x2 ≥ 0

a) Mencione las condiciones de optimalidad de KKT.

Solución:
54 CAPÍTULO 3. TERCER PARCIAL
       
4x31 + 24x1 − x2 − 1 −1 −2 −1
  + u1   + u2   + u3  +
4x32 + 12x2 − x1 − 1 −1 1 0
   
0 0
u4  = 
−1 0

u1 (6 − x1 − x2 ) = 0

u2 (3 − 2x1 + x2 ) = 0

u3 (−x1 ) = 0

u4 (−x2 ) = 0

ui ≥ 0

b) Diga si el punto x̄ = (3, 3) es solución óptima del problema.


Solución: En este caso I = 1, 2 , luego las condiciones KKT son

       
176 −1 −2 0
  + u1   + u2  = 
140 −1 1 0

Entonces
u1 + 2u2 = 176

u1 − u2 = 140

Resolviendo las ecuaciones tenemos

u1 = 152 ≤ 0

u2 = 12 ≤ 0

u3 = 0

u4 = 0

Ası́ llegamos a que x̄ es un punto KKT. Además dado que el Lagrangiano

reducido es

L(x1 , x2 ) = x41 +x42 +12x21 +6x22 −x1 x2 −x1 −x2 +u1 (6−x1 −x2 )+u2 (3−2x1 +x2 )
3.1. EJERCICIOS TERCER PARCIAL 55

Se tiene que
 
4x31 + 24x1 − x2 − 1 − u1 − 2u2
5L(x1 , x2 ) =  
4x32 + 12x2 − x1 − 1 − u1 + u2

 
12x21 + 24 −1
52 L(x1 , x2 ) =  
−1 12x22 + 12

 
132 −1
52 L(3, 3) =  
−1 120

es obvio que 52 L(3, 3) definido positiva; ası́ x̄ = (3, 3)t es solución óptima
única del problema.

Ejercicio 3.9. Dado el problema sin restricciones

mı́n x21 − x1 x2 + 2x22 − 2x1 + ex1 +x2

a) Escriba las condiciones necesarias de primer orden. ¿Es también suficiente?

Solución:
   
2x1 − x2 − 2 + ex1 +x2 0
5f (x1 , x2 ) =  = 
−x1 + 4x2 + ex1 +x2 0

 
2 + ex1 +x2 −1 + ex1 +x2
52 f (x1 , x2 ) =  
−1 + ex1 +x2 4 + ex1 +x2

Podemos ver que 52 f (x1 , x2 ) es definida positiva ya que

(4 + ex1 +x2 )(2 + ex1 +x2 ) − (−1 + ex1 +x2 )2 = 3(1 + 2ex1 +x2 ) > 0

Luego, la condición es también suficiente.

56 CAPÍTULO 3. TERCER PARCIAL

b) ¿Es x̄ = (0, 0)t una solución óptima? Si no es ası́, identifique una dirección
a lo largo de la cual la función objetivo decrecerı́a.
Solución: No es una solución óptima porque si tomamos la dirección la
dirección
   
−1 1
− 5 f (0, 0) = −  = 
1 −1

Entonces


f (0, 0) + α(1, −1) = f (α, −α)

= 4α2 − 2α + 1

< f (0, 0)

=1

c) Minimice la función empezando desde x̄ = (0, 0)t a lo largo de la dirección

obtenida en el inciso anterior.
Solución: La función

φ(α) = f (α, −α) = 4α2 − 2α + 1

1
es tal que φ(α) = 8α − 2, entonces φ(α) = 0 si y solo si α = 4. Luego el
3
mı́nimo valor de φ(α) es 4 ya que φ(α) = 8 > 0.

d) Eliminando el último término de la función objetivo use una técnica clásica

de optimización para resolver directamente este problema.
Solución: Tenemos nuevamente que
   
2x1 − x2 − 2 0
5f (x1 , x2 ) =  = 
−x1 + 4x2 0

Entonces llegamos al siguiente sistema de ecuaciones

2x1 − x2 = 2

−x1 + 4x2 = 0

Resolviendo
3.1. EJERCICIOS TERCER PARCIAL 57

x̄ = ( 87 , 27 )t

Y puesto que el Hessiano es definido positivo se puede concluir que x̄ es

solución óptima global del problema.

Ejercicio 3.10. Dado el problema de minimizar f (x1 , x2 ) = (x22 −x1 )(x22 −2x1 )
y sea x̄ = (0, 0)t . Muestre que para cada d ∈ Rn , ||d|| = 1, existe δθ > 0 tal
que para cada −δθ ≤ λ ≤ δθ se tiene que f (x̄ − λd) ≥ f (x̄).

Demostración.

f (x1 , x2 ) = (x22 − x1 )(x22 − 2x1 )

= 2x21 − 3x1 x22 + x42

 
4x1 − 3x22
5f (x1 , x2 ) =  
−6x1 x2 + 4x32

 
0
5f (0, 0) =  
0

 
4 −6x2
H(x1 , x2 ) =  
−6x2 12x22

 
4 0
H(0, 0) =  
0 0

Tenemos f123 = 0, f212 = f221 = −6, f2222 = 24 y fijk = 0 en los casos

58 CAPÍTULO 3. TERCER PARCIAL

restantes. Luego
λ2 λ3 λ4
f (x̄ + λd) = f (x̄) = (4d21 ) + (−18d1 d32 ) + (24d42 )
2 6 4

 2
2 3λ 2 1
= 2λ d1 − d − λ4 d42
4 2 8

Sea d = (d1 , d2 )t con ||d|| = 1, tenemos dos posibles casos:

* Si d1 6= 0 la condición necesaria de segundo orden se cumple porque el término
de orden 2 es positivo.
* Si d1 = 0 debemos tener d2 6= 0 y esta condición también se cumple porque el
término de orden 4 es positivo.
Ahora bien, x̄ = (0, 0)t no es un mı́nimo local ya que f (0, 0) = 0; mientras que
existen valores negativos de f en una  − vecindad alrededor de (0, 0).
En efecto tomando d = (sin θ, cos θ)t tenemos

f (x̄ + λd) = f (x̄) = 2 sin2 θλ2 − 3 sin θ cos2 θλ3 + cos4 θλ4

y para que esto sea no negativo −δθ ≤ λ ≤ δθ , δθ > 0. Por otra parte,
observamos que cuando θ → 0+ también δθ → 0+ , aunque en θ = 0 obtenemos
δθ = ∞. Por lo tanto no podemos derivar con δ > 0 tal que f (x̄ + λd) − f (x̄) ≥ 0
∀d ∈ Rn y −δθ ≤ λ ≤ δθ , ası́ x̄ no es un mı́nimo local.

Figura 3.5: Regiones positivas, negativas y cero de f (x1 , x2 ) = (x22 −x1 )(x22 −2x1 )
3.1. EJERCICIOS TERCER PARCIAL 59

Ejercicio 3.11. Dada la función multivariada f (x1 , x2 ) = x31 + x32 encuentre

sus mı́nimos y máximos globales.
Solución:
 
3x21
5f (x1 , x2 ) =  
3x22

 
6x1 0
H(x) =  
0 6x2

Evaluando en x̄ = (0, 0)t , obtenemos 5f (x̄) = 0, H(x̄) = 0.

Consideramos Fx,d (λ) = f (x̄ + λd) = Fλ (d); ası́

Fd0 (λ) = 5f (x̄ + λd)T d

Fd00 (λ) = dT H(x̄ + λd)d

2 X
X 2 X
2
Fd000 (λ) = di dj dk fijk (x̄ + λd)
i=1 j=1 k=1

Observamos que f111 (x̄) = 6, f222 (x̄) = 6, fijk (x̄) = 0 en cualquier otro caso,
luego

Fd000 (λ) = 6d31 + 6d32 6= 0

Lo anterior se cumple si d = (d1 , d2 )t 6= 0, entonces x̄ = (0, 0) es punto silla.

En efecto, observamos que Fd000 (λ) = 6λ(d31 + d32 ) puede hacerse de signos opues-

tos. Por ejemplo, H es semidefinida positiva sobre x̄ : x1 ≥ 0, x2 ≥ 0
y por lo tanto f es convexa, en tanto que H es semidefinida negativa sobre

x̄ : x1 ≤ 0, x2 ≤ 0 y por lo tanto f es cóncava.
Entonces en el primer caso x̄ = (0, 0)t es un mı́nimo global y el segundo es un
máximo global.
60 CAPÍTULO 3. TERCER PARCIAL

Ejercicio 3.12. Dado el problema

mı́n(x1 − 1)2 + (x2 − 4)2

s.a x21 + x22 ≤ 8

3x1 + 5x2 ≤ 10

−x1 ≥ 0

−x2 ≥ 0

Solución: En este caso

f (x1 , x2 ) = (x1 − 1)2 + (x2 − 4)2

g1 (x) = x21 + x22 − 8

g2 (x) = 3x1 + 5x2 − 10

g3 (x) = −x1

g4 (x) = −x2

Consideremos el punto x̄ = (0, 2)t . Observamos que las restricciones activas son

g2 , g3 , es decir, I = 2, 3 y además
 
2(x1 − 1)
5f (x1 , x2 ) =  
2(x2 − 4)

5g(x1 , x2 ) = (3, 5)t

5f (x̄) = (−2, −4)t

5g2 (x̄) = (3, 5)t

5g3 (x̄) = (−1, 0)t

 t
9 6
Los conjuntos F0 y G0 con el origen trasladado a 5, 5 los vemos en la
Figura.
Puesto que F0 ∩ G0 6= ∅ concluimos que x̄ no es solución local del problema.

Ahora consideramos el punto x̄ = (2, 1)t , observamos que I = 1, 2 y de la
Figura se observa que F0 ∩ G0 6= ∅.
Aunque g2 no es estrictamente convexa sobre una vecindad de x̄ podemos ver
3.1. EJERCICIOS TERCER PARCIAL 61

de la figura que F0 ∩ G00 = ∅, pero dado que G0 ⊂ D ⊂ G00 , concluimos que

F0 ∩ D = ∅ y por el recı́proco del primer Teorema concluimos que x̄ es un
mı́nimo local. En efecto, puesto que el problema dado es convexo con una función
estrictamente convexa, resulta que x̄ es un mı́nimo global único.