Optimizacin de Sistemas I

Lic. IO Rafael Ruiz Valles

Lima Per
Abril 2014

Agenda
Introduccin
Capitulo I:
Concepto de Convexidad:
Funcin Lineal, Combinacin Convexa,
Conjunto Convexo, Espacio de
Soluciones Factibles y Puntos Extremos

Introduccin
Maximizar Z 3x1 5 x2

X2

Sujeta a :
x1 4

(2,6) = Solucin optima

9 x12 5 x22 216

4
Z = 36 = 3x1 + 5x2
2

y
x1 0, x2 0

X1

Es crucial conocer las condiciones

en las que se garantiza que un
mximo local es un mximo global
en la Regin Factible.

Capitulo I
Concepto de Convexidad
y

Conjunto B

Conjunto C
Conjunto A
y

x
y

x
Conjunto D

Conjunto F
Conjunto E

Capitulo I
Concepto de Convexidad
Diremos que un subconjunto S Rnes convexo si para
cualquier par de puntosx, y S y para cualquier
[0,1] se cumple quez = x +(1- )y est en S, es
decir que si llamamos segmento de extremos x, y S
por:
(x ,y) = {z Rn / z = x +(1- )y , [0,1] }
S es convexo si para cualesquiera x, y S, (x ,y) S

Capitulo I
Conjunto Convexo
Ejemplo: Estudiar de forma grafica si los siguientes
conjuntos son convexos:

S x, y R /1 x y 4
2

x y 1
2

x y 4
2

Capitulo I
Conjunto Convexo

S x, y R /1 x y 4
2

1 x y
2

x y 4
2

y
S
(-1,1/2)

(2,0)

Capitulo I
Conjunto Convexo

S x, y R / x y 1, x y 1
2

x y 1

x y 1

1
1

x y 1

1
-1

1
-1

x y 1

Capitulo I
Conjunto Convexo

S x, y R 2 / y x

y sean x ey dos puntos cualesquiera de dicho

conjunto: x x , x S , y y , y S
1
2
1
2
Para cualquier [0, 1], z es un punto intermedio
cualquiera del segmento que unex ey:
z x 1 y

x1 , x2 1 y1 , y2

x1 , x2 1 y1 , 1 y2
x1 1 y1 , x2 1 y2

Capitulo I
Conjunto Convexo
y como:
x x1 , x2 S x2 x1 x2 x1
y y1 , y2 S y2 y1 1 y2 1 y1
tenemos que:
x2 1 y2 x1 1 y1
y por tanto, z S y el conjunto S es convexo, es decir:
(x ,y) S, [0, 1],x + (1 )y S.
y

x y

S
1
-1

Capitulo I
Conjunto Convexo

Propiedades de los Conjuntos Convexos:

1.
Si X1,X2,Xn son conjuntos convexos de Rn,
n
entonces
X es tambin convexo.

i 1

2. La unin de conjuntos convexos, en general, no es

convexa.
3. Si I = {1,2,,m} es un nconjunto finito y Xi con i I
X i es tambin convexo.
convexos, entonces X

i 1

4. Si X subconjunto de Rn es convexo y numero real,

n
entonces X y R : y x, x X es convexo.

Capitulo I
Combinacin Lineal Convexa de m Puntos

x1 , x2 ,.........xm R

x 1 x1 2 x2 ..... m xm

1 0, 2 0,.......m 0
1 2 ..... m 1

siendo

Capitulo I
Combinacin Lineal Convexa de m Puntos
Ejemplo: El vector z = (2,1). Se puede expresar como
combinacin lineal de los vectores: x = (3, -2) e
y = (1,4)?
2,1 a 3, 2 b 1, 4

2,1 3a, 2a b, 4b
2,1 3a b, 2a 4b
2 3a b
1
a

2
1 2a 4b
1
1
z x y
2
2

1
b
2

Capitulo I
Tipos Especiales de Conjuntos Convexos
Hiperplano:

H x x1 , x2 ,...., xn R n / a1 x1 a2 x2 .... am xm b

Semiespacios:

S x x1 , x2 ,...., xn R n / a1 x1 a2 x2 .... am xm b
S x x1 , x2 ,...., xn R n / a1 x1 a2 x2 .... am xm b

Politopos: Conjuntos que se expresan como

interseccin de un numero finito de semiespacios
cerrados.

Capitulo I
Convexidad de Funciones
Una funcin definida sobre un dominio convexo D, es
convexa cuando:

x, y D y 0,1

se cumple

f x 1 y f x 1 f y

Una funcin definida sobre un dominio convexo D, es

estrictamente convexa cuando:

x, y D y 0,1

se cumple

f x 1 y f x 1 f y

Capitulo I
Caso de Funciones de una variable f(x)
f(y)
f(x) +(1- )f(y)
f(x)
f(x +(1- )y)

x +(1- )y

Capitulo I
Caso de Funciones de una variable f(x)
Una funcin es convexa cuando el segmento que
une dos puntos cualesquiera de la grafica de la
funcin queda siempre por encima de la grafica.
Si el segmento queda siempre estrictamente por
encima (salvo en los extremos), entonces la
convexidad es adems estricta.
Toda funcin estrictamente convexa es tambin
convexa.

Capitulo I
Propiedades de las Funciones Convexas
Si f(x) es una funcin convexa entonces la funcin
opuesta -f(x) es cncava, y viceversa.
f(x)

-f(x)

Capitulo I
Propiedades de las Funciones Convexas
Las funciones lineales son a la vez concavas y
convexas, pero no estrictamente

f x1 , x2 ,...., xn c1 x1 c2 x2 ..... cn xn d

Caso
de
funciones
variable: f(x) = cx+d

de

una

f(x+(1-)y) = f(x)+(1-)f(y)

Capitulo I
Propiedades de las Funciones Convexas
La suma de funciones convexas sigue siendo una
funcin convexa.
La suma de funciones cncavas sigue siendo una
funcin cncava.
Cualquier combinacin lineal con coeficientes
positivos de funciones convexas es tambin una
funcin convexa

Capitulo I
Relacin entre Conjuntos y Funciones Convexas
Si una funcin f(x) es convexa entonces:

Sk x / f x k

es un conjunto convexo para cualquier valor de k

Si una funcin g(x) es cncava entonces:

Tk x / g x k

es un conjunto convexo para cualquier valor de k

Capitulo I
Relacin entre Conjuntos y Funciones Convexas
Si una funcin h(x) es lineal (cncava y convexa)
entonces los siguientes conjuntos son siempre
convexos:

Sk x / h x k

Tk x / h x k

H k x / h x k

Semiespacio
Semiespacio
Hiperplano

Capitulo I
Relacin entre Conjuntos y Funciones Convexas
Ejemplo: Para estudiar si el siguiente conjunto es
convexo.
2

A x1 , x2

Bastara comprobar que:

x1 3x2 10

x1 2 x x 7
5 x1 2 x2 15

2
1

2
2

f x1 , x2 x12 3 x2

Es una funcin convexa?

g x1 , x2 x1 2 x12 x22

Es una funcin concava?

h x1 , x2 5 x1 2 x2

Es una funcin lineal

Capitulo I
Estudio de la Convexidad de Funciones Diferenciables
Se puede estudiar la convexidad a partir del estudio de
la Matriz Hessiana.
2 f
2 f
2 f
...

x
x

x
x
1
1 2
1 n
Bajo ciertas condiciones de

la
matriz
2 f
2 f
2 f regularidad,
...

hessiana de una funcin es

2
Hf x1 , x2 x2 x1
x
x2 xn una matriz simtrica
...
...
...
...

2 f
2 f
2 f
x x x x ... x 2
n 1
n 2
n

Capitulo I
Estudio de la Convexidad de Funciones Diferenciables
f(x) es convexa si y solo si Hf(x) es semidefinida
positiva para cualquier x en el dominio de la funcin.
f(x) es cncava si y solo si Hf(x) es semidefinida
negativa para cualquier x.
Si Hf(x) es definida positiva para cualquier x
entonces f(x) es estrictamente convexa.
Si Hf(x) es definida negativa para cualquier x
entonces f(x) es estrictamente cncava.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Teorema: (Condicin suficiente para el punto
mnimo, el punto mximo y el punto silla, en
trminos de la Matriz Hessiana). Sea f C2(D),
donde D es un subconjunto convexo de Rn, y sea a un
punto interior de D tal que f (a) = 0n.
Si f(a) > 0, entonces a es un punto de mnimo local
de f.
Si f(a) < 0, entonces a es un punto de mximo
local de f.
Si f(a) 0, entonces a no es punto extremo local
de f.

Capitulo I
Estudio de la Convexidad de Funciones Diferenciables
Teorema: (Condicin suficiente para convexidad
estricta en trminos de la Matriz Hessiana).
Sea D un conjunto convexo de Rn y sea f C2(D). Si la
Matriz Hessiana de f es positiva definida en todo punto
x D:
Para todo x D

f(x) > 0,

Entonces f es estrictamente convexa en D.

Capitulo I
Estudio de la Convexidad de Funciones Diferenciables
Teorema: (Criterio de convexidad en trminos de
la Matriz Hessiana).
Sea D un conjunto convexo abierto de Rn y sea f
C2(D). Entonces las siguientes condiciones son
equivalentes:
La funcin f es convexa en D.
Para todo x D, la matriz f(x) es no negativa
definida: f(x) 0.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Observacin:
Si en las condiciones del teorema tenemos f 0 o f
0, entonces la Matriz Hessiana no permite hacer
ninguna conclusin (se necesita anlisis mas fino).

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Definicin: Denominamos Hessiano al determinante
asociado a la matriz Hessiana. En R2, el hessiano es
H:R2R
2 z
2 z
H

x12

x1x2

2 z
2 z
x2 x1
x22
Para un problema de Maximizacin con dos variables,
las condiciones que se han de verificar son:
z
z 2
z 2
0,
0,
0,
H x0 0
2
x1
x1
x2
donde x0 es el punto de estudio correspondiente al mximo

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Para un problema de Minimizacin con dos variables,
las condiciones que se han de verificar son:
z
0,
x1

z 2
0,
2
x1

z 2
0,
x2

H x0 0

donde x es el punto de estudio correspondiente al

mnimo

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Teorema:
Sea la funcin f(x) con derivadas parciales de segundo
orden continuas para cada punto de x S (conjunto
convexo de soluciones factibles).
Entonces f(x) es convexa sobre S si y slo si, para
cada x S, todos los menores principales, H i, son no
negativos.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Teorema:
Sea la funcin f(x) con derivadas parciales de
segundo orden continuas para cada punto x S
(conjunto convexo de soluciones factibles).
Entonces f(x) es cncava sobre S si y slo si, para
cada x S, los menores principales, Hi, no nulos
tienen el signo que (-1)i.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Teorema: Si x0 = (x1,x2,,xn) es un extremo local,
entonces:
f x0
0, i
xi
f x0
0
Definicin: Un punto x0 que satisfaga
xi
Es un punto estacionario de la funcin f(x).
Teorema: Si Hi(xo) > 0, (i,1,2,n) entonces un punto
estacionario xo ser un mnimo local.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Teorema: Si Hi(x0) 0 (i =1,2,.,n) y tiene el signo
que (-1)k, entonces un punto estacionario x0 ser un
mximo local.
Teorema: Si Hi(x0) 0 (i = 1,2,.,n) y no se dan
ninguno de los dos casos (Teoremas) anteriores, f(x)
presenta un punto de inflexin en ese punto x0

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Ejemplo: Obtener el extremo de:

z x1 2 x3 x2 x3 x12 x22 x32

La condicin necesaria para que exista extremo es:

z
0, para i 1, 2,3
xi

z
z
z
1 2 x1 0,
x3 2 x2 0,
2 x2 2 x3 0
x1
x2
x3
Resolviendo el sistema anterior, obtenemos, para el
extremo, el punto objeto de estudio:
( 1/2, 2/3, 4/3 ) = x0

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Condicin suficiente:

2 z
2
x1

2 z
Hf x1 , x2 , x3
x2 x1
2 z

x x
3
1

2 z
x1x2
2 z
x22
2 z
x3x2

2 z

x1x3
2 0 0

2
z

0 2 1
x2 x3

0
1

2
z
x32

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Estudio de los menores principales:
2 0 0
Orden 1:

1
Hf
x
,
x
,
x

2
1

1
2
3
H1x1 2 0 signo 1

0 1 2

Orden 2:
H 2x2

40

signo 1

Orden 3:
H 3x3

2 0 0
0 2 1 8 2 6 0
0 1 2

signo 1

Por tanto, tenemos el signo de (-1)i. As pues, en el punto x0, tenemos un posible
mximo. Como el valor de los menores principales no depende del punto, en ese
punto tenemos un mximo.

Capitulo I
Anlisis de puntos crticos por medio de la Matriz Hessiana
Ejemplo:
Derivadas

f x, y x 3 y 3 3 xy
f x' 3x 2 3 y

Puntos crticos: (1,1) y (0,0)

''
f
xx 8 x
Segundas derivadas

f y' 3 y 2 3x
f xy'' 3

f yy'' 6 y

Matrices Hessianas en los puntos crticos:

0 3
f '' 0, 0
0,

3 0

6
f '' 1,1
3

3
6 0

Respuesta: (1; 1) es un punto de mnimo, (0; 0) es

una silla.

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)
y

Concavidad de la curva

Max
-

Min

0
?
No aplica.
Usar otro mtodo

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)
Criterio y

para obtener Mximos o Mnimos

Pasos:

1.
2.
3.
4.

y
y=0 entonces obtenemos puntos crticos xi
y entonces sustituir valores crticos xi
Obtener punto critico (x , y)

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)
Ejemplo: Obtener los puntos Mximos o Mnimos de la
siguiente funcin:
2

y 4x x
y ' 4 2x
4 2x 0
x2
y '' 2 Signo negativo

Punto critico

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)

y 4x x

x2

y1 4 2 2 4
2

Mximo

Mximo
P(2,4) Punto critico

y1

x
1

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)
Ejemplo: Obtener los puntos Mximos o Mnimos de la
siguiente funcin:
3
2

y x 3x 8
2
y ' 3x 6 x
3x x 2 0

x0

x 2 0

x 2

Puntos crticos

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)

y '' 6 x 6

Nos
indicar
comportamiento de
concavidad

Punto Critico: x1 = 0 x2 = -2
Para x1 = 0
Para x2 = -2

y '' 6
y '' 6

Signo positivo

Minimo
Maximo

Signo negativo

el
la

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)

y x 3x 8
3

Para x1= 0 y1 = -8 entonces el Punto (0,-8)

es mnimo.
Para x2 = -2 y1 = -4 entonces el Punto (-2,-4)
es mximo

Capitulo I
Criterio de la Segunda Derivada (Mximos y Mnimos)
y
x

-2 -1
-1
-2
-3
(-2,-4)

-4
-5
-6
-7

(0,-8)

-8

Gracias por su tiempo.