practica-metodos-4.

pdf

noeliacruzz

Métodos Cuantitativos para la toma de decisiones

empresariales
2º Grado en Administración y Dirección de Empresas

Facultad de Ciencias Económicas y Empresariales

Universidad de Cádiz

Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
 fx, y  y 2  x  2xy  y

calcular el vector gradiente

2y  1
fx, y  y 2  x  2xy  y, Gradient is 2x  2y  1
0
se define como
fx, y  2y  1, 2x  2y  1

2 Resolver el sistema , donde se anule el vector gradiente

2y  1
, Solution is: x  0, y   12
2x  2y  1

3. Calculamos la matriz hessiana

0 2 0
fx, y  y  x  2xy  y, Hessian is 2 2 0
2

0 0 0
0 2
 2 f0, 1/2 
2 2
Calculamos los autovalores de la hessiana para comprobar como es
0 2
, eigenvalues: 5  1,  5  1
2 2

Autovalores : 5  1  0,  5  1  0. Por lo tanto , tenemos un autovalor positivo y

otro negativo , así que la matriz hessiana  2 f0, 1/2 es indefinida tanto en el punto
(0, -1/2) como en cualquier punto (x,y). Por tanto la función f(x,y) no es ni cóncava ni
convexa en ningún punto

b)
fx, y  x 4  y 2

1.Calculamos vector gradiente :

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-5483120

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
 4x 3
fx, y  x 4  y 2 , Gradient is 2y
0

fx, y  4x 3 , 2x

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
2. Ver donde se anula el gradiente
4x 3
, Solution is: x  0, y  0
2y

3, Estudiar la matriz hessiana

12x 2 0 0
fx, y  x  y , Hessian is
4 2
0 2 0
0 0 0
12x 2 0
 2 fx, y 
0 2
Autovalores : 12x  0, 2  0. Por tanto concluimos que si para 12x 2  0 siempre va ser
2

positivo o siempre va a ser negativo si 0 la matriz hessiana siempre será indefinida .

pero para 12x 2  0 el 12 x al cuadrado siempre sera 0 y el -2 siempre será 0 . Es
este caso la matriz hessiana sera semidifinafa negativa por lo tanto la función en este
punto siempre será cóncava y podemos decir que el punto (0,0) sería un máximo pero
no podemos asegurarlo pq cumple las condiciones necesarias pero no las suficientes
en el examen no hace falta representarlo pero en clase lo hacen para comprobar

c)
fx, y, z  x 4  y 2  z 2
1. calculamos el vector gradiente
4x 3
fx, y, z  x 2  y 2  z 2 , Gradient is 2y
2z
fx, y, z  4x  2y  2z
3

2.ver donde se anula el gradiente

4x 3  0
2y  0 , Solution is: x  0, y  0, z  0
2z  0

3. Estudiar la matriz hessiana

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-5483120

si lees esto me debes un besito

 12x 2 0 0
fx, y, z  x 4  y 2  z 2 , Hessian is 0 2 0
0 0 2
12x 2 0 0
 2 fx, y, z  0 2 0

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
0 0 2

autovalores 12x 2  0 20

para 12x 2  0 x0 la matriz hessiana es definida positiva , entonces la funcion f(x,y,z)
siempre será estrictamente convexa para los putnos x0 , y cualquier valor de y y z
para (0,0,0) el 12x 2  0 y 20 . La matriz hessiana , es semidefinida positiva por lo que
la función (x,y,z) será convexa por tanto el punto (0,0,0) será un posible mínimo ,
cumple las condiciones necesarias pero no las suficientes

d)
fx, y  2x  y 2

1. Calculo el gradiente
8x  4y
fx, y  2x  y , Gradient is 2y  4x
2

0
fx, y  8x  4y, 2y  4x
2. ver donde se anula el gradiente
8x  4y  0 1
, Solution is: x  2
y
2y  4x  0

(x,y)(t,2t) pero hay infititos puntos

3. Estudiar la matriz hessiana
8 4 0
fx, y  2x  y , Hessian is 4
2
2 0
0 0 0
8 4
 2 fx, y 
4 2
8 4
autovalores : , eigenvalues: 10, 0
4 2

autovalores el 10 0 y el 00 por tanto la matriz es semidefinida positiva así que la

funcion es convexa y esto para cualquier punto (x,y) y en concreto existen infinitos pq
la funcion es convexa( pero no estricta) puntos de la forma (t,2t) que podrían ser
mínimos pues cumple las condiciones necesarias pero no las suficientes

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-5483120

si lees esto me debes un besito