Introducción a la optimización estática (Sesión IV)

Taller de matemáticas II
Christian Eduardo Lastire Olmedo
Tarea

➢Demostrar Teorema de Condiciones de segundo orden

Funciones cuasiconcóncavas y cuasiconvexas
Definición

➢ La concavidad o convexidad de las funciones es un requerimiento muy estricto para una función.
➢ Usualmente, uno de los objetivos en el trabajo teórico es identificar e imponer solo las restricciones más débiles para garantizar el resultado buscado.
➢ La cuasiconcavidad o cuasiconvexidad de las funciones es una propiedad menos retrictiva que la concavidad (convexidad), pero usualmente es suficiente
para el desarrollo del trabajo analítico.
Teorema (Cuasiconcavidad).
Sea 𝑓(𝑥) una función definida en un conjunto convexo 𝑈 en 𝑅 𝑛 . Entonces, los siguientes enunciados son equivalentes:
a) 𝑓 es una función cuasicóncava en 𝑈.
b) Para todo 𝒙, 𝒚 ∈ 𝑈 y todo 𝑡 ∈ 0,1 : 𝑓(𝒙) ≥ 𝑓(𝒚) implica que 𝑓(𝑡𝒙 + 1 − 𝑡 𝒚) ≥ 𝑓(𝒚)
c) Para todo 𝒙, 𝒚 ∈ 𝑈 y todo 𝑡 ∈ 0,1 : 𝑓(𝑡𝒙 + 1 − 𝑡 𝒚) ≥ min{𝑓 𝒙 , 𝑓 𝒚 }

Teorema (Cuasiconvexidad).
Sea 𝑓(𝑥) una función definida en un conjunto convexo 𝑈 en 𝑅 𝑛 . Entonces, los siguientes enunciados son equivalentes:
a) 𝑓 es una función cuasiconvexa en 𝑈.
b) Para todo 𝒙, 𝒚 ∈ 𝑈 y todo 𝑡 ∈ 0,1 : 𝑓(𝒙) ≥ 𝑓(𝒚) implica que 𝑓(𝑡𝒙 + 1 − 𝑡 𝒚) ≤ 𝑓(𝒙)
c) Para todo 𝒙, 𝒚 ∈ 𝑈 y todo 𝑡 ∈ 0,1 : 𝑓(𝑡𝒙 + 1 − 𝑡 𝒚) ≤ m𝑎𝑥{𝑓 𝒙 , 𝑓 𝒚 }

Algunas propiedades

Teorema: Sea 𝑓: ℝ𝑛 → ℝ. 𝑓 es una función estrictamente cuasiconvexa si y solo sí −𝑓 es estrictamente cuasicóncava.

Teorema: Sea 𝑓: ℝ𝑛 → ℝ. Si 𝑓 es una función cóncava entonces es cuasicóncava. Si 𝑓 es una función convexa entonces es cuasiconvexa.
Funciones cuasiconcóncavas y cuasiconvexas

E1. Demuestre que concavidad implica cuasiconcavidad.

Solución:
1. Como 𝑓 es cóncava:
𝑓 𝑡𝒙 + 1 − t 𝐲 ≥ 𝑡𝑓 𝒙 + 1 − t 𝑓 𝐲 … (1)

2. De la definición de función cuasicóncava, se observa que alguna de las funciones debe ser mayor. Arbitrariamente se puede
elegir que 𝑓 𝐲 ≥ 𝑓(𝐱), entonces la siguiente combinación lineal se cumple:

𝑡𝑓 𝒙 + 1 − t 𝑓 𝐲 ≥ 𝑓 𝒙 … (2)

3. Finalmente, notamos que el término del lado derecho de la ecuación (1) es el mismo que el término del lado derecho de la
ecuación (2). Así, juntando ambos resultados, se tiene que:

𝑓 𝑡𝒙 + 1 − t 𝐲 ≥ 𝑓 𝒙

Lo cual es la definición de cuasiconcavidad.

Funciones cuasicóncavas y cuasiconvexas
Caracterización: Conceptos previos

Definición (Matriz Hessiana Orlada). Sea 𝑓: ℝ𝑛 → ℝ una función de clase 𝐶 2 . La matriz de las primeras y segundas derivadas parciales de 𝑓

𝑑𝑓 𝑑𝑓
0 …
𝑑𝑥1 𝑑𝑥𝑛
𝑑𝑓 𝑑2𝑓 𝑑2𝑓
…
HO = 𝑑𝑥1 𝑑𝑥120 𝑑𝑥10 𝑥𝑛0
… ⋮ ⋱ ⋮
2 2
𝑑𝑓 𝑑 𝑓 𝑑 𝑓
⋯
𝑑𝑥𝑛 𝑑𝑥𝑛0 𝑥10 𝑑𝑥𝑛20

Se denomina como la matriz hessiana orlada de orden “n”. El determinante de la matriz hesiana orlada se denotará como 𝑫𝟐𝒏 𝒇(𝒙).
Funciones cuasicóncavas y cuasiconvexas
Caracterización: Conceptos previos

Considérese la siguiente matriz real y simétrica:

Ejemplo: Determine si la siguiente matriz es positiva
𝑎11 ⋯ 𝑎1𝑛 definida, negativa definida o indefinida mediante el
𝐴= ⋮ ⋱ ⋮ método de menores principales dominantes:
𝑎𝑛1 ⋯ 𝑎𝑛𝑛 1 4 6
𝐴= 4 2 1
Definición: Se llama menor principal de orden 𝑟 al determinante de cualquier submatriz de 6 1 6
dimensión 𝑟 × 𝑟 tal que su diagonal principal este formada por elementos de la diagonal Solución:
principal de A.
𝟏 𝟒
Definición: Se llama menor principal dominante de A de orden 𝑟 al determinante de la 𝑨𝟏 = 1; 𝑨𝟐 = = −𝟏𝟒; 𝑨 = −𝟏𝟎𝟗
𝟒 𝟐
submatriz formada por las 𝑟 primeras filas y las 𝑟 primeras columnas de A.
Dado que el resultado no se ajusta al de una matriz
negativa definida o positiva definida, la matriz A es una
matriz indefinida.
Funciones cuasicóncavas y cuasiconvexas
Caracterización

Teorema: Sea 𝑓: ℝ𝑛 → ℝ una función de clase 𝐶 2 .

a) 𝑓 es una función cuasicóncava si y solo sí, para cualquier 𝑥 en ℝ𝑛
0 𝑓1 𝑓2
0 𝑓1
1) < 0; 2) 𝑓1 𝑓11 𝑓12 > 𝟎; … ; 0; 𝑛) 𝑯𝑶 tiene el signo de (−1)𝑛
𝑓1 𝑓11
𝑓2 𝑓21 𝑓22

b) 𝑓 es una función cuasiconvexa si y solo sí, para cualquier 𝑥 en ℝ𝑛

0 𝑓1 𝑓2
0 𝑓1
1) < 0; 2) 𝑓1 𝑓11 𝑓12 < 𝟎; … ; 0; 𝑛) 𝑯𝑶 < 𝟎
𝑓1 𝑓11
𝑓2 𝑓21 𝑓22
Funciones cuasicóncavas y cuasiconvexas

E2. Determine que la función Cobb-Douglas 𝑓 𝑥1 , 𝑥2 = 𝑥1𝛼 𝑥2𝛽 con 𝛼, 𝛽 > 0 y 𝑥1 , 𝑥2 > 0 es cuasicóncava.
Solución

1. Se construye la matriz hessiana orlada

𝛽 𝛽−1
0 𝑓1 𝑓2 0 𝛼𝑥1𝛼−1 𝑥2 𝛽𝑥1𝛼 𝑥2
𝟐
𝑫𝒏 𝒇 𝒙 = 𝑓1 𝑓11 𝑓12 = 𝛼𝑥1𝛼−1 𝑥2𝛽 𝛼(𝛼 − 1)𝑥1𝛼−2 𝑥2
𝛽
𝛼𝛽𝑥1𝛼−1 𝑥2
𝛽−1

𝑓2 𝑓21 𝑓22 𝛽−1 𝛽−1 𝛽−2

𝛽𝑥1𝛼 𝑥2 𝛼𝛽𝑥1𝛼−1 𝑥2 𝛽(𝛽 − 1)𝑥1𝛼 𝑥2
2. Se obtienen los menores principales de las submatrices:

𝛽
0 𝛼𝑥1𝛼−1 𝑥2 𝛽 2
𝑫𝟐𝟏 𝒇 𝒙 = 𝛽 𝛽
= − 𝛼𝑥1𝛼−1 𝑥2 <0 … 1
𝛼𝑥1𝛼−1 𝑥2 𝛼 𝛼−1 𝑥1𝛼−2 𝑥2

𝛽 𝛽−1
0 𝛼𝑥1𝛼−1 𝑥2 𝛽𝑥1𝛼 𝑥2
3𝛽−2
𝑫𝟐𝟐 𝒇 𝒙 = 𝛼𝑥1𝛼−1 𝑥2𝛽 𝛼(𝛼 − 1)𝑥1𝛼−2 𝑥2
𝛽
𝛼𝛽𝑥1𝛼−1 𝑥2
𝛽−1
= 𝛼𝛽 + 𝛼 2 𝛽 + 𝛼𝛽 2 𝑥13𝛼−2 𝑥2 > 0 … (2)
𝛽−1 𝛽−1 𝛽−2
𝛽𝑥1𝛼 𝑥2 𝛼𝛽𝑥1𝛼−1 𝑥2 𝛽(𝛽 − 1)𝑥1𝛼 𝑥2
𝜷
Por tanto, dado que cumple con el teorema de la diapositiva, previa se concluye que 𝒇 𝒙𝟏 , 𝒙𝟐 = 𝒙𝜶𝟏 𝒙𝟐 es cuasicóncava.
Optimización con igualdad de restricciones
 Optimización con igualdad de restricciones
Introducción

➢El problema prototípico es:

𝒐𝒑𝒕 𝑓 𝑥 𝑠. 𝑎. 𝒙 ∈ 𝑺 … (1.2)
• Donde:
• “Opt” denota la función a optimizar, y puede sustituirse por “max” cuando se busque maximizar la función o “min” cuando el propósito sea minimizarla.
• 𝑓: 𝐷 → ℝ, 𝐷 ⊆ ℝ𝑛 y 𝑆 ⊆ 𝐷
• 𝒙: Las variables de control o elección. El conjunto de todas las 𝒙 que satisfacen la restricción el conjunto restringido o el conjunto factible.
• 𝑆 = {𝑥 ∈ 𝐷: 𝑔1 𝑥 = 𝑏1 , … , 𝑔𝑚 = 𝑏𝑚 }
• 𝑔 = 𝑔1 , 𝑔2 , … , 𝑔𝑚 : D → ℝ𝑚 , con 𝑚 < 𝑛. Estas son las funciones de restricciones de igualdad, las cuales generalmente serán menores al número de
variables de elección.
• 𝑏 = 𝑏1 , 𝑏2 , … , 𝑏𝑚
➢Matemáticamente, lo que la restricción hace es estrechar el dominio de la función, y por tanto, el rango.
➢Ejemplo: Supóngase la función de utilidad: 𝑈 = 𝑥1 𝑥2 + 2𝑥1 con la siguiente restricción presupuestaria: 4𝑥1 + 2𝑥2 = 60.
❖ Sin restricción, el dominio de la función de utilidad estaría dado por el conjunto: 𝑥1 , 𝑥2 |𝑥1 > 0, 𝑥2 > 0 . Es decir, sería todo el cuadrante
positivo del plano 𝑥1 , 𝑥2 de la Figura 1ª.
Restricción ❖ Con la restricción añadida, solo es posible tomar aquellos valores que satisfacen la restricción. En la Figura 1b, el subconjunto del rango de la
presupuestaria Restricción función de utilidad al cual se deberá limitar el problema de optimización dada la nueva restricción.
presupuestaria

Figura 1.
 Optimización con igualdad de restricciones
Formas de resolverlo: Eliminación de restricciones

➢Si es posible encontrar una función continua ℎ = (ℎ1 , ℎ2 , … , ℎ𝑛 ) que permita expresar 𝑚 variables en términos de las otras 𝑛 − 𝑚 variables:
𝑥1 = ℎ1 𝑥𝑚+1 , … , 𝑥𝑛
…
𝑥𝑚 = ℎ𝑚 𝑥𝑚+1 , … , 𝑥𝑛
0
Tal que el sistema de ecuaciones es equivalente al original, 𝑔 𝑥 = 𝑏, entonces 𝑥0 = ℎ1 𝑥𝑚+1 , … , 𝑥𝑛0 resuelve el problema no restringido:
𝑜𝑝𝑡𝑓(ℎ𝑚 𝑥𝑚+1 , … , 𝑥𝑛 , 𝑥𝑚+1 , … , 𝑥𝑛 )

Si y solo si (ℎ 𝑥0 , 𝑥0 ) resuelve (1.2)

Ejemplo: Encontrara puntos críticos del siguiente problema de optimización:
𝑥 − 𝑦 + 𝑧 = 6,
𝑚𝑖𝑛𝑓 𝑥, 𝑦, 𝑧 = 2𝑥 + 𝑦 − 𝑧 𝑠. 𝑡. : ቊ 2 … (1. 𝐸)
𝑧 −𝑦 =0
Solución:
1. Se puede resolver para 𝑥 y 𝑦 en términos de 𝑧, tal que:
𝑦 = 𝑧 2; 𝑥 = 6 + 𝑧 2 − 𝑧 … (2. 𝐸)

2. Se insertan estos valores en la expresión de 𝑓 y se observa que la función puede expresarse en términos de 𝑧 solamente:
𝐹 𝑧 = 𝑓 6 + 𝑧 2 − 𝑧, 𝑧 2 , 𝑧 = 12 + 3𝑧 2 − 3𝑧 … (3. 𝐸)

3. Obtenemos condiciones de primer orden de (3.E) para identificar el valor crítico, el cual en este caso es:
𝑧 0 = 1ൗ2 … (4E)
Optimización con igualdad de restricciones
Formas de resolverlo: Eliminación de restricciones

4. Así, sustituyendo el valor crítico de (4.E) en (2.E) se obtiene el valor mínimo del problema de optimización, que estaría dado por:
23 1 1
𝑥 0, 𝑦0, 𝑧 0 = , ,
4 4 2

➢Sin embargo, encontrar la función ℎ podría ser imposible. Por ejemplo:

❖ Cuando la restricción es una función “complicada”.
❖ Cuando existen diversas restricciones a considerar.
Optimización con igualdad de restricciones
Formas de resolverlo: Teorema de Lagrange

Definición TL.0: Sea 𝐷 un subconjunto abierto de ℝ𝑛 . Sea 𝑓: 𝐷 ⊆ ℝ𝑛 ⟶ ℝ, 𝑔 = 𝑔1 , … , 𝑔𝑚 : 𝐷 ⟶ ℝ𝑚 , tal que 𝑓 y 𝑔 son de clase 𝐶 1 en 𝐷.

Definición TL.1: El punto 𝑥0 ∈ 𝑆 es un punto regular del problema de optimización restringido (ver ecuación 1.2 de la diapositiva 10) si el rango de la matriz de
primeras derivadas parciales evaluadas en el punto crítico 𝐷𝑔(𝑥0 ) es 𝑚.

Definición TL.2: La función lagrangiana del problema de optimización restringido es:

𝐿 𝑥, 𝜆 = 𝑓 𝑥 + 𝜆 ∗ 𝑏 − 𝑔 𝑥 ,
Donde 𝑥 = (𝑥1 , … , 𝑥𝑛 ) ∈ 𝐷, 𝜆 = 𝜆1 , … , 𝜆𝑚 ∈ ℝ y 𝜆 ∗ 𝑏 − 𝑔 𝑥 = σ𝑚
𝑚
𝑖=1 𝜆𝑗 (𝑏𝑖 − 𝑔𝑖 𝑥 )

Teorema TL.1: Si 𝑥0 ∈ 𝑆 es un punto regular y es una solución del problema de optimización restringido, entonces existe un vector único 𝜆0 = (𝜆10 , … , 𝜆0𝑚 ) ∈ ℝ𝑚
tal que (𝑥0 , 𝜆0 ) es un punto crítico de la función lagrangiana de (1.2), esto es:
∇𝑥 𝐿 𝑥0 , 𝜆0 = 0
∇𝜆 𝐿 𝑥0 , 𝜆0 = 0

Definición TL.3: Las ecuaciones

∇𝑥 𝐿 𝑥0 , 𝜆0 = 0
∇𝜆 𝐿 𝑥0 , 𝜆0 = 0
Son las ecuaciones lagrangianas.
Optimización con igualdad de restricciones
Formas de resolverlo: Teorema de Lagrange

Ejemplo: Supóngase el siguiente problema:

max −𝑎𝑥12 − 𝑏𝑥22 𝑠. 𝑎. 𝑥1 + 𝑥2 − 1 = 0
Donde 𝑎 > 0; 𝑏 > 0.
Solución:
1. Primero, se forma la función lagrangiana:
𝐿 𝑥1 , 𝑥2 , λ = −𝑎𝑥12 − 𝑏𝑥22 − 𝜆 𝑥1 + 𝑥2 − 1 … (𝐿. 1)
2. Se forman las ecuaciones lagrangianas:
𝑑𝐿
= −2𝑎𝑥1 − 𝜆 … (𝐿. 2)
𝑑𝑥1

𝑑𝐿
= −2𝑏𝑥2 − 𝜆 … (𝐿. 3)
𝑑𝑥2

𝑑𝐿
= 𝑥1 + 𝑥2 − 1 … (𝐿. 4)
𝑑𝜆
Optimización con igualdad de restricciones
Formas de resolverlo: Teorema de Lagrange

3. Se resuelve el sistema de tres ecuaciones (L.2-L.4) con tres incógnitas para obtener los puntos críticos. Para resolver para las tres incógnitas, notamos que
𝐿. 2 𝑦 𝐿. 3 implican que:
2𝑎𝑥1 = 2𝑏𝑥2 … 𝐿. 5
𝑏𝑥2
⟹ 𝑥1 = … (𝐿. 6)
𝑎
Sustituyendo (𝐿. 6) en (𝐿. 4) obtenemos:
𝑎
𝑥2 = … (𝐿. 7)
𝑎+𝑏
Ahora sustituimos (𝐿. 7) en (𝐿. 6):
𝑏
𝑥1 = … (𝐿. 8)
𝑎+𝑏
Finalmente, para encontrar 𝜆 se puede sustituir (L.8) en (L.2). Así, los valores de las variables de control y la restricción son:
𝑏 𝑎 −2𝑎𝑏
𝒙𝟏 = ; 𝒙𝟐 = ; 𝜆=
𝑎+𝑏 𝑎+𝑏 𝑎+𝑏