República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada Nacional

Bolivariana

U.N.E.F.A.N.B.

Núcleo: Miranda

Extensión: Ocumare del Tuy

Carrera: Ingeniería de Sistemas

Semestre: 6to

FUNDAMENTOS DE
OPTIMIZACIÓN

Profesora: Corina Brazon

Participantes: C.I:

Josué Torres 28.007.339

02/12/2023
 Fundamentos de la Optimización

La teoría de optimización clásica o programación matemática está constituida

por un conjunto de resultados y métodos analíticos y numéricos enfocados a
encontrar e identificar al mejor candidato de entre una colección de alternativas,
sin tener que enumerar y evaluar explícitamente todas esas alternativas. Un
problema de optimización es, en general, un problema de decisión. Con el fin de
ilustrar de forma adecuada la estructura y composición de un problema de
optimización

Espacio Vectorial

El espacio vectorial es la estructura matemática que se crea a partir de un

conjunto no vacío y que cumple con diversos requisitos y propiedades iniciales.
Esta estructura surge mediante una operación de suma (interna al conjunto) y una
operación de producto entre dicho conjunto y un cuerpo.

Del latín spatium, el espacio puede ser la extensión que contiene la materia
existente, la capacidad de un lugar o la parte que ocupa un objeto
sensible. Vectorial, por su parte, es lo perteneciente o relativo a los vectores. Este
término, de origen latino, refiere al agente que transporta algo de un lugar a otro o
a aquello que permite representar una magnitud física y que se define por un
módulo y una dirección u orientación.

Es importante tener en cuenta que todo espacio vectorial dispone de

una base y que todas las bases de un espacio vectorial, a su vez, presentan la
misma cardinalidad.
Dependencia Lineal

Varios vectores libres del plano son linealmente dependientes si existe

una combinación lineal de ellos que sea igual al vector cero, sin que
sean cero todos los coeficientes de la combinación lineal.

Es decir, el conjunto de vectores son linealmente dependientes si

Con distintos de cero.

Propiedades

1 Si varios vectores son linealmente dependientes, entonces al menos uno de

ellos se puede expresar como combinación lineal de los otros.

Despejando

Si un vector es combinación lineal de otros, entonces todos

los vectores son linealmente dependientes.

2 dos vectores del plano son linealmente dependientes si, y sólo si, son paralelos.

3 dos vectores del plano y son linealmente dependientes si

sus componentes son proporcionales.

Vectores linealmente dependientes

Entonces

Independencia lineal

Varios vectores libres son linealmente independientes si ninguno de ellos se

puede expresar como combinación lineal de los otros. Es decir, son linealmente
independientes si no son linealmente dependientes.
Por lo tanto, el conjunto de vectores cumple que

si y solo si

Los vectores linealmente independientes tienen distinta dirección.

Ejercicios de dependencia e independencia lineal

1 estudiar la dependencia lineal de los vectores: y .

La propiedad (2) nos dice que si dos vectores son linealmente dependientes
entonces sus componentes son proporcionales, en este caso, notemos que

Por tanto, linealmente independientes.

2 Estudiar la dependencia lineal de los vectores: y

Necesitamos que

entonces

Por tanto, son linealmente dependientes para .

3 comprobar que el segmento de une los puntos medios de los lados y

del triángulo: , es paralelo al lado e igual a su

mitad.
¿Son paralelos? Primero encontremos los puntos M, N y también al vector

Si es paralelo a sus componentes son proporcionales.

Verifiquemos

Y ahora

Por tanto, son paralelos.

Comprobemos ahora que :

Producto interno

En matemáticas, el producto escalar, también conocido como producto interno,

producto interior o producto punto, es una operación algebraica que toma dos
secuencias de números de igual longitud (usualmente en la forma de vectores) y
retorna un único número.

Algebraicamente, el producto punto es la suma de los productos de las

correspondientes entradas en dos secuencias de número. Geométricamente, es el
producto de dos magnitudes euclidianas de los dos vectores y el coseno del
ángulo entre ellos. El nombre del producto punto se deriva del símbolo que se
utiliza para denotar esta operación " •”. El nombre alternativo de producto escalar
enfatiza el hecho del que el resultado es un escalar en lugar de un vector (en el
caso de espacios de tres dimensiones).

Cuando por ejemplo queremos realizar un cálculo de física y lo llevamos a un

acontecimiento de la vida diaria como es comprar en el supermercado con un
carrito al cual se pretende calcular el trabajo realizado por el que opere el carro de
comprar al recorrer un pasillo de cierta distancia (lo que llamamos vector
desplazamiento) el comprador ejerce una fuerza que es vector fuerza de igual
modo se forma un ángulo hacia abajo con respecto a la horizontal (el suelo) y
mediante la ecuación w=f*d*cosα estaríamos multiplicado dos vectores y el trabajo
seria el resultado el cual es un escalar.
Norma de un Vector

Se llama norma de un vector v (asociada al producto escalar anterior) al

número real no negativo. Esta también se denomina módulo o longitud. Veamos
cómo viene representada:

Esta es una ecuación con la que ya hemos trabajado antes, pero escrita de
diferente manera.

Como podemos ver, toda la ecuación está elevada a 1/2, lo que equivaldría a la
raíz cuadrada. Si en vez de estar elevado a 1/2, estuviera elevado a otro número,
por ejemplo 1/4 o 1/3, la norma cambiaría.
La norma de un vector cumple con las siguientes propiedades:

 ||v|| es un número real no negativo.

 ||v|| = 0 ↔ v = 0
 Para cualquier escalar α, ||α.v|| = |α| . ||v||
 ||u + v|| ≤ ||u|| + ||v||

Vectores ortogonales

Supongamos que tenemos dos vectores A y B, si ambos están separados por

un ángulo θ, podemos determinar el valor de éste último mediante la fórmula:

Si los vectores son perpendiculares entre sí, es decir, θ = π/2, entonces:

De aquí que:
 En consecuencia, dos vectores son perpendiculares u ortogonales si forman
un ángulo recto (θ = π/2) y, por ende, su producto escalar es cero.

Definición

Cuando dos vectores A = (Ax, Ay, Az) y B = (Bx, By, Bz) son perpendiculares
entre sí, es decir, forman un ángulo recto (θ = π/2), se dice que
son vectores ortogonales. Esta situación se denota como A ⊥ B. Dos vectores
serán ortogonales cuando su producto escalar (también llamado producto punto y
producto interno) es cero:

A⊥B → A · B = AxBx + AyBy + AzBz

A⊥B → θ = π/2 → A ∙ B = |A| |B| cosθ = 0

Ya que cos (π/2) = 0.

Cuando dos vectores de A y B son ortogonales, forman un triángulo

rectángulo, cuya hipotenusa es igual a la suma de los vectores.

Base ortogonal
Dos vectores linealmente independientes forman una base. Si además son
ortogonales (perpendiculares) forman una base ortogonal. Los vectores y son
linealmente independientes (no son proporcionales) por tanto forman una base. Su
producto escalar es 0, por tanto, son perpendiculares. Se trata por tanto de una
base ortogonal.

Subespacios vectoriales
 En esta unidad, generalizaremos el concepto de vector a partir de estas
propiedades en común que hemos señalado para vectores geométricos y
matrices.

Definición de espacio vectorial

Un espacio vectorial es un conjunto no vacío V de objetos, llamados vectores,

en el que se han definido dos operaciones: la suma y el producto por un escalar
(número real) sujetas a los diez axiomas que se dan a continuación. Los axiomas
deben ser válidos para todos los vectores u, v y w en V y todos los
escalares α y β reales.
Llamamos u + v a la suma de vectores en V, y αv al producto de un número
real α por un vector v ∈ V.

 u+v∈V
 u+v=v+u
 (u+v)+w=u+(v+w)
 Existe un vector nulo 0V∈V tal que v+0V=v
 Para cada v en V, existe un opuesto (–v) ∈V (–) ∈ tal que v+(–v) =0V
 αv∈V
 α(u+v) =αu+αv
 (α+β) v=αv+βv
 α(βv)=(αβ)v
 1v=v

Observación: En la definición anterior, cuando decimos «escalares» nos

estamos refiriendo a números reales. En este caso, se dice que V es un espacio
vectorial real. También es posible que los escalares pertenezcan a otro conjunto
numérico, por ejemplo, los números complejos con los cuales trabajaremos en la
última unidad.
Las Matrices

Una matriz es un arreglo rectangular de números, símbolos o expresiones,

dispuestos en filas y columnas. Las matrices se utilizan en diversos campos como
matemáticas, física, ciencias de la computación e ingeniería para representar y
resolver sistemas de ecuaciones lineales, realizar transformaciones y almacenar y
manipular datos.

Una matriz generalmente se denota con una letra mayúscula y sus elementos
suelen representarse con letras minúsculas con subíndices para indicar su
posición en la matriz. Por ejemplo, la matriz A con elementos aij se representaría
como:

A = [ a11 a12 a13 ] [ a21 a22 a23 ]

Las matrices pueden sumarse, restarse, multiplicarse y manipularse de

diversas maneras para realizar operaciones como encontrar determinantes,
inversas y valores propios. También se pueden utilizar para representar y resolver
sistemas de ecuaciones lineales, realizar transformaciones en gráficos por
computadora y almacenar y manipular datos en ciencias de la computación.

Las matrices son un concepto fundamental en álgebra lineal y se utilizan

ampliamente en diversos campos para representar y resolver problemas
matemáticos y computacionales.

Autovalores y Autovectores

Los autovalores y autovectores son conceptos fundamentales en álgebra lineal

y se utilizan en diversos campos como matemáticas, física, ingeniería y ciencias
de la computación.

Los autovalores de una matriz son los valores propios que caracterizan la
matriz, y se denotan por λ. Los autovectores son los vectores asociados a estos
autovalores y se denotan por v.

Dada una matriz A, un autovalor λ y su autovector v cumplen con la ecuación:

A*v=λ*v

Esto significa que al multiplicar la matriz A por el autovector v, el resultado es el

autovector v escalado por el autovalor λ.
 Los autovalores y autovectores son especialmente útiles para comprender el
comportamiento de las transformaciones lineales representadas por la matriz A,
así como para resolver sistemas de ecuaciones diferenciales lineales, encontrar
puntos críticos en análisis de optimización y en muchos otros problemas
matemáticos y científicos.}
Formas Cuadráticas Asociadas a una Matriz

La forma cuadrática asociada a una matriz es una función cuadrática que se

define en términos de la matriz y un vector. En particular, si A es una matriz n x n y
x es un vector n x 1, entonces la forma cuadrática asociada a A se define como:

Q(x) = x^T A x

donde x^T es la transpuesta de x.

La forma cuadrática asociada a una matriz es una herramienta importante en

álgebra lineal y se utiliza en diversas aplicaciones, como la optimización y la
estadística. Por ejemplo, en la optimización, se utiliza la forma cuadrática para
definir una función objetivo que se debe maximizar o minimizar, y en la estadística,
se utiliza para definir la función de verosimilitud en modelos de regresión.

La forma cuadrática asociada a una matriz tiene propiedades interesantes, como

la simetría si la matriz A es simétrica, la positividad si la matriz A es definida
positiva y la diagonalización si la matriz A es diagonalizable. Estas propiedades
permiten simplificar el cálculo de la forma cuadrática y hacer que sea más fácil de
analizar

Conjunto convexo

Es un conjunto en el que, para cualquier par de puntos dentro del conjunto, el

segmento de línea que une los dos puntos también está completamente contenido
en el conjunto. Matemáticamente, un conjunto S es convexo si para todo par de
puntos x, y en S, el segmento de línea que une x e y está completamente
contenido en S.

De manera más formal, un conjunto S es convexo si satisface la siguiente

condición. Para todo x, y en S y para todo t en el intervalo [0,1], el punto tx + (1-t) y
está en S.

Los conjuntos convexos tienen propiedades matemáticas importantes y son

fundamentales en optimización, geometría, análisis funcional y teoría de juegos,
entre otros campos. Por ejemplo, en optimización, las propiedades de los
conjuntos convexos son fundamentales para el desarrollo de algoritmos de
optimización y para la caracterización de soluciones óptimas.

Algunos ejemplos de conjuntos convexos incluyen el conjunto de todos los

puntos en o dentro de un círculo, el conjunto de todos los puntos en o dentro de un
polígono convexo, y el conjunto de todas las soluciones factibles de un problema
de programación lineal.

Ejemplo: