Análisis aplicado. José Luis Morales. Departamento de Matemáticas. ITAM
|
|
- Alfredo Bustamante Toro
- hace 5 años
- Vistas:
Transcripción
1 Departamento de Matemáticas. ITAM
2 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
3 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
4 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
5 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
6 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
7 Consideraciones jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual
8 El problema por resolver minimizar sujeta a f (x) l x u en donde f es una función 2 veces continuamente diferenciable. La notación x u indica x i u i, i = 1,...,n
9 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
10 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
11 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
12 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
13 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
14 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
15 Dificultades técnicas (casos reales) No es posible encontrar una solución en forma cerrada. f no convexa el número de variables, n 10 6 algoritmos: {x k }, k = 0,1,... calcular/aproximar: f (x), f (x), 2 f (x) x N : aproximación a un minimizador local x.
16 Optimización con restricciones generales minimizar f (x) x R n sujeta a c(x) 0, Reformulación con variables de holgura minimizar x R n, s R m f (x) sujeta a c(x) s = 0, s 0 L k : T 2 minimizar x R n f (x) (c(x) s) λ k + µ k c(x) s sujeta a s 0 λ vector de multiplicadores de Lagrange, µ parámetro de penalización. µ k.
17 Optimización con cotas simples. minimizar f (x), x R n sujeta a l x u. Alternativas Métodos de puntos interiores. Métodos basados en conjuntos activos. Métodos estudiados en el curso de programación lineal.
18 Estadística Conjunto de observaciones: {x i, i = 1,2,...,n}. Función de distribución de probabilidades: f (k,λ;x) = λk Γ(k) xk 1 e λx, Γ(k) = 0 s k 1 e s ds Estimar los parámetros (k,λ) a partir de las observaciones siguiendo el principio de máxima verosimilitud. maximizar k,λ n f (k,λ;x i ) i=1
19 Estadística Conjunto de observaciones: {x i, i = 1,2,...,n}. Función de distribución de probabilidades: f (k,λ;x) = λk Γ(k) xk 1 e λx, Γ(k) = 0 s k 1 e s ds Estimar los parámetros (k,λ) a partir de las observaciones siguiendo el principio de máxima verosimilitud. maximizar k,λ n f (k,λ;x i ) i=1
20 Estadística Conjunto de observaciones: {x i, i = 1,2,...,n}. Función de distribución de probabilidades: f (k,λ;x) = λk Γ(k) xk 1 e λx, Γ(k) = 0 s k 1 e s ds Estimar los parámetros (k,λ) a partir de las observaciones siguiendo el principio de máxima verosimilitud. maximizar k,λ n f (k,λ;x i ) i=1
21 Estadística Conjunto de observaciones: {x i, i = 1,2,...,n}. Función de distribución de probabilidades: f (k,λ;x) = λk Γ(k) xk 1 e λx, Γ(k) = 0 s k 1 e s ds Estimar los parámetros (k,λ) a partir de las observaciones siguiendo el principio de máxima verosimilitud. maximizar k,λ n f (k,λ;x i ) i=1
22 Reconstrucción de imágenes (deconvolución) Ax = y, A R n n A modela la distorsión; A muy mal condicionada. x es la imagen real. y es la imagen nublada minimizar x R n Ax y δ x 2 2, Ejemplo: A R ; x R
23 Ajuste de parámetros Modelo lineal Ax = y, A R m n, m > n A es de rango completo; x es el vector de parámetros; y es el vector de observaciones. y no está en el espacio generado por las columnas de A. Obtener un vector x sparse. Minimizar el número de parámetros. minimizar x R n Ax y δ x 1,
24 Ajuste de parámetros Modelo lineal Ax = y, A R m n, m > n A es de rango completo; x es el vector de parámetros; y es el vector de observaciones. y no está en el espacio generado por las columnas de A. Obtener un vector x sparse. Minimizar el número de parámetros. minimizar x R n Ax y δ x 1,
25 Ajuste de parámetros Modelo lineal Ax = y, A R m n, m > n A es de rango completo; x es el vector de parámetros; y es el vector de observaciones. y no está en el espacio generado por las columnas de A. Obtener un vector x sparse. Minimizar el número de parámetros. minimizar x R n Ax y δ x 1,
26 Objetivos generales Formular y resolver problemas reales utilizando métodos de optimización. Estudiar algoritmos que resuelven eficientemente el problema de optimización sin restricciones. Un algoritmo genera una sucesión de aproximaciones {x k } k=0 x, x es un minimizador local de f. Teoría de convergencia global: x 0 cualquier aproximación inicial. Teoría de convergencia local. Tasa cuadrática/superlineal.
27 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
28 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
29 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
30 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
31 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
32 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
33 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
34 Contenido 1 Motivación y antecedentes 2 Fundamentos. Caracterización de una solución. 3 Algoritmos I: búsquedas lineales. Análisis de convergencia. 4 Algoritmos II: regiones de confianza. Análisis de convergencia. 5 Gradiente conjugado. Análisis de convergencia. 6 Métodos de Newton prácticos. 7 Métodos quasi-newton. Análisis de convergencia.
35 Motivación y antecedentes 1 Teorema de Taylor en varias variables. 2 Diferenciabilidad. Diferencias finitas. Diferenciación automática. 3 Propiedades teóricas de matrices simétricas. 4 Cálculo de valores y vectores propios de una matriz simétrica. 5 Matrices de rango 1. Fórmula de Sherman-Morrison-Woodbury. 6 Normas matriciales. Propiedades de normas. 7 Método de Newton y variantes. Análisis de convergencia local.
36 Direcciones de descenso f (x k + αp) = f (x k ) + α f (x k ) T p + α 21 2 pt 2 f (x k + θαp)p 0 < θ < 1, α > 0. p T k f k < 0, Modelo local cuadrático de f : m k (x k + p) = f k + p T f k pt B k p en donde B k es simétrica positiva definida. p k = argmin p m k (x k + p)
37 Propiedades de m k m k es una función diferenciable estrictamente convexa. Condición de optimalidad (KKT) Unicidad de la solución m k (p) = B k p k + f k = 0. p k = B 1 k f k. Descenso p T k f k = f T k B 1 k f k < 0.
38 Direcciones de descenso II Modelo local cuadrático de f : p T k f k < 0. m k (x k + p) = f k + p T f k pt B k p, en donde B k es simétrica (B k = 2 f (x)) p k = argmin p k m k (x k + p)
Análisis aplicado. Direcciones de descenso.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2009. El problema por resolver. El problema por resolver. Problemas reales que se pueden formular como: minimizar
Más detallesDepartamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c
Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal
Más detallesAnálisis aplicado. Descenso suficiente.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2009. El problema por resolver. El problema por resolver. Problemas reales que se pueden formular como: minimizar
Más detallesIntroducción a la optimización con algoritmos. Ejercicios. 0 2 f(x + t(y x))(y x)dt. J(x + t(y x))(y x)dt siendo J la matriz Jacobiana de F.
Introducción a la optimización con algoritmos Ejercicios Preliminares 1. Demostrar que si f C 2 (IR n ), f : IR n IR entonces f(y) f(x) = 1 0 2 f(x + t(y x))(y x)dt. 2. Demostrar que si F C 1 (IR n ),
Más detallesTema 4 Funciones convexas y optimización convexa
Tema 4 Funciones convexas y optimización convexa José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 4 Repaso de algunos resultados sobre optimización de funciones.
Más detallesOptimización. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19
Optimización Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19 Introducción Problema general de optimización (minimización) Dado f : Ω R
Más detallesCAPÍTULO 2 PROGRAMACIÓN NO LINEAL. Programación No Lineal
CAPÍTULO 2 PROGRAMACIÓN NO LINEAL Programación No Lineal Capítulo 2: Programación No Lineal mín (ó máx)f(x) s.a. x S R n No existe un método que permita resolver cualquier problema de programación no lineal.
Más detallesJosé Francisco Tudón Maldonado Mario Roberto Urbina Núñez. Funciones de Mérito en Ecuaciones No Lineales. i=1 n. = r i (x) i=1
Funciones de mérito José Francisco Tudón Maldonado Mario Roberto Urbina Núñez 9 de abril de 011 1 Introducción Las funciones de mérito surgen para determinar en un algoritmo que resuelve un problema de
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesTema 5 Dualidad y condiciones de Karush-Kuhn-Tucker
Tema 5 Dualidad y condiciones de Karush-Kuhn-Tucker José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 5 Condiciones de Karush-Kuhn-Tucker (KKT). Problemas
Más detallesOPTIMIZACION MATEMATICA (4,5 Créditos)
DEPARTAMENTO ECONOMIA FINANCIERA Y CONTABILIDAD I LICENCIATURA EN ADMINISTRACION Y DIRECCION DE EMPRESAS Plan 2000 OPTIMIZACION MATEMATICA (4,5 Créditos) Código 628 Profesora: Eva Mª. del Pozo García Asignatura
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesPROGRAMA DE CURSO UNIDADES TEMÁTICAS. Cálculo en varias variables. Unidades Docentes Cátedra Auxiliares Trabajo Personal
PROGRAMA DE CURSO Código MA1003 Nombre del Curso Cálculo en varias variables Unidades Docentes Cátedra Auxiliares Trabajo Personal 10 3 2 5 Requisitos Requisitos específicos Carácter del curso MA1002,
Más detalles2 OBJETIVOS TERMINALES. Como resultado del proceso de aprendizaje activo del curso, el estudiante estará en capacidad de:
MATERIA: Matemáticas para Economía CÓDIGO: 08307 REQUISITOS: Cálculo integral (08301), Teoría de Probabilidades (08131) PROGRAMAS: Economía y Negocios Internacionales, Economía con énfasis en Políticas
Más detallesProgramación lineal. Estimar M. Ejemplos.
Departamento de Matemáticas. ITAM. 2010. Los problemas P y P minimizar x c T x sujeta a Ax = b, x 0, b 0 minimizar c T x + M(y 1 + y 2 + + y m ) x sujeta a Ax + y = b, x 0, y 0. Cómo estimar M? Resultado
Más detallesPROGRAMA DE CURSO. Código Nombre MA2001 Cálculo en Varias Variables. Nombre en Inglés Multivariable calculus SCT ,0 2,0 5,0
Código Nombre MA2001 Cálculo en Varias Variables PROGRAMA DE CURSO Nombre en Inglés Multivariable calculus es Horas de Horas Docencia Horas de Trabajo SCT Docentes Cátedra Auxiliar Personal 6 10 3,0 2,0
Más detallesPrograma de la asignatura Curso: 2010 / 2011 (4911)MATEMÁTICAS EMPRESARIALES (4911)
Programa de la asignatura Curso: 2010 / 2011 (4911)MATEMÁTICAS EMPRESARIALES (4911) PROFESORADO Profesor/es: JESUS FRANCISCO ALEGRE MARTINEZ - correo-e: jfalegre@ubu.es FICHA TÉCNICA Titulación: PROGRAMA
Más detallesPROGRAMACIÓN MATEMÁTICA
PROGRAMACIÓN MATEMÁTICA TEMA 1. INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA. CONJUNTOS CONVEXOS. CONVEXIDAD DE UNA FUNCIÓN. PLANTEAMIENTO FORMAL DEL PROBLEMA DE PROGRAMACION MATEMATICA. - Función Objetivo:
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesUnidad didáctica 1. Introducción a las funciones de varias variables 9. Objetivos de la Unidad... 11
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a las funciones de varias variables 9 Objetivos de la Unidad... 11 1. Conceptos básicos de topología en R n... 12 1.1.
Más detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más detalles2 Prueba de desarrollo. -Independencia lineal. -Ejemplos de independencia lineal. -Aplicaciones a la Economía.
Asignatura de: ECONOMÍA MATEMÁTICA I CALENDARIZACIÓN DE CONTENIDOS Modalidad Presencial 018 Asignatura: Al finalizar la asignatura, el de analizar el álgebra lineal, cálculo diferencial, integrales múltiples,
Más detallesMétodo lagrangiano. En el método de Jacobi, sea que el vector Λ represente los coeficientes de sensibilidad; esto es.
Método lagrangiano. En el método de Jacobi, sea que el vector Λ represente los coeficientes de sensibilidad; esto es Entonces, Λ = Y0 J 1 = f g f Λ g = 0 Esta ecuación satisface las condiciones necesarias
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Método de Marquardt Algoritmo Paso 1:
Más detallesMin 2x x 2 2 2x 1 x 2 6x 2 4x 1 s.a. x x 2 2 = 1 x 1, x 2 0
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Ampliación de la Investigación Operativa. Curso 2001/2002 Segundo de la Diplomatura de Estadística Examen de Septiembre. Fecha: 10-9-2002 1. Dado el
Más detallesClase 8 Nociones Básicas de Convexidad
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 8 Nociones Básicas de Convexidad ICS 1102 Optimización Profesor : Claudio Seebach Apuntes
Más detallesOptimización de Problemas no lineales.
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Optimización de Problemas no lineales. Marcel Goic F. Esta es una versión bastante
Más detallesMatemáticas de la Especialidad de Ingeniería Mecánica
Matemáticas de la Especialidad de Ingeniería Mecánica Módulo 1: Introducción Plan 2010: Programa curso 2013 14 Clase 01 Introducción a la asignatura. Introducción a Matlab. Clases 02, 03 Primer ejemplo
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesPROGRAMA DE CURSO. Código Nombre MA3711 Optimización Matemática Nombre en Inglés Mathematical Optimization SCT
PROGRAMA DE CURSO Código Nombre MA3711 Optimización Matemática Nombre en Inglés Mathematical Optimization SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3
Más detallesIntroducción a la Programación Matemática. Yolanda Hinojosa
Introducción a la Programación Matemática Yolanda Hinojosa Contenido Planteamiento general de un problema de programación matemática. Convexidad. ANEXO: Derivadas Sucesivas. Fórmula de Taylor. Clasificación
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 7mo OPTIMIZACIÓN NO LINEAL CÓDIGO HORAS MAT-30935
Más detallesOPTIMIZACIÓN CLÁSICA. En el problema de optimización
OPTIMIZACIÓN CLÁSICA Definición En el problema de optimización ( ) ópt f (x 1,..., x n ), (x 1,..., x n ) F D el conjunto F recibe el nombre de conjunto factible y la función f el de función objetivo.
Más detallesMASTER FINANZAS DE EMPRESA
MASTER FINANZAS DE EMPRESA Materia Carácter Créditos 4 Matemáticas aplicadas a las finanzas Obligatorio Código 607620 Presenciales 4 No presenciales Curso Primero Trimestre 1 Idioma Español 0 Departamento
Más detallesAPLICACIÓN DEL MÉTODO DE DESCENSO DE MAYOR PENDIENTE PARA OPTIMIZAR FUNCIONES DE VARIAS VARIABLES.
Universidad del Atlántico Revista Del Programa De Matemáticas Páginas: 40 54 Facultad de Ciencias Básicas c Programa de Matemáticas Vol. IV, No 1, (2017) APLICACIÓN DEL MÉTODO DE DESCENSO DE MAYOR PENDIENTE
Más detallesMétodos de gradiente. Métodos de Krylov
Métodos de gradiente. Métodos de Krylov Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2012-2013 (UPV) Métodos de gradiente. Métodos de Krylov Curso
Más detallesMétodo de Gradientes Conjugados.
Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones
Más detallesEjercicios de optimización sin restricciones
Ejercicios de optimización sin restricciones Programación Matemática Licenciatura en Ciencias y Técnicas Estadísticas Curso 5/6 Indica la dirección que el método de Newton (sin modificaciones calcularía
Más detallesAlgoritmos con restricción
Algoritmos con restricción El problema general de programación no lineal con restricciones se define como sigue: Maximizar (o minimizar z = f(x g(x 0 Las condiciones X 0 de no negatividad forman parte
Más detallesClase 6: Multiplicadores de Lagrange II
ONO Clase 6: Multiplicadores de Lagrange II 1 Clase 6: Multiplicadores de Lagrange II Ignacio Ramírez 31 de agosto de 2016 Estos apuntes son preliminares y en buena parte están incompletos, pero sirven
Más detallesAplicaciones de la Optimización Convexa al análisis de redes Bibliografía optimización convexa:
Aplicaciones de la Optimización Convea al análisis de redes Bibliograía optimización convea: Nonlinear Programming: nd Edition. by Dimitri P. Bertseas. ISBN: - 88659--. Publication: 999 Conve Optimization,
Más detallesEL PROBLEMA GENERAL DE OPTIMIZACION
EL PROBLEMA GENERAL DE OPTIMIZACION Terminología Tipos de soluciones Resultados teóricos sobre existencia y unicidad de soluciones Método gráfico de resolución Problemas de optimización Este tipo de problemas
Más detallesGuía de asignatura. Información general. Cálculo II. Asignatura. Código. Tipo de asignatura Obligatoria X Electiva. Obligatoria profesional
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura Código Cálculo II 73210017 Tipo de asignatura Obligatoria X Electiva Tipo de saber Básico X Obligatoria profesional
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Nombre de asignatura: AMPLIACIÓN DE MATEMÁTICAS. Módulo: FORMACIÓN FUNDAMENTAL
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE MATEMÁTICAS Código:603356 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: Obligatorio
Más detallesDATOS DE LA ASIGNATURA
FACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO DE ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO 2012/13 ASIGNATURA: DATOS DE LA ASIGNATURA Denominación: Código: 100104 Plan de estudios:
Más detallesTema 3 Optimización lineal. Algoritmo del simplex
Tema 3 Optimización lineal. Algoritmo del simplex José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 3 Teorema fundamental de la programación lineal. Algoritmo
Más detallesMultiplicadores de Lagrange y dualidad
Multiplicadores de Lagrange y dualidad Problemas con solo restricciones de igualdad Sea x* un mínimo local y regular ( : son linealmente independientes), entonces existen tales que: Interpretación y ejemplos.
Más detallesMétodo de Newton. Cálculo numérico. Notas de clase. 25 de abril, 2011
Método de Newton Cálculo numérico. Notas de clase. 25 de abril, 2011 La resolución de sistemas de ecuaciones algebraicas no lineales de la forma F(x) = 0, F : R n R n, (1) en donde F es una función continua
Más detallesPrograma de Asignatura
Departamento de Ingeniería Industrial Programa: Ingeniería Mecatrónica Plan 007- Asignatura: Análisis numérico y programación Clave: 9957 Semestre: VI Tipo: Obligatoria H. Teoría: H Práctica: 3 HSM: 5
Más detallesPROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP).
PROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP. Optimización con restricciones La presencia de restricciones reduce la región en la cual buscamos el óptimo. Los criterios
Más detalles2 Espacios vectoriales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 2 Espacios vectoriales 2.1 Espacio vectorial Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V sobre el que hay
Más detallesIntroducción a Programación Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 18 Programación Lineal ICS 1102 Optimización Profesor : Claudio Seebach 4 de octubre de 2005
Más detallesDualidad. Dpto. Ingeniería Industrial, Universidad de Chile. 22 de abril de IN3701, Optimización
Contenidos Motivación y Representación de Poliedros IN3701, Optimización 22 de abril de 2009 Contenidos Motivación y Representación de Poliedros Contenidos 1 Motivación 2 y Representación de Poliedros
Más detallesCeros de Funciones: Multivariable
Ceros de Funciones: Multivariable Prof. Marlliny Monsalve 1 1 Postgrado en Ciencias de la Computación Universidad Central de Venezuela Análisis Numérico May 19, 2015 Prof. Monsalve (UCV) Ceros Multivariable
Más detallesMÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS
GUIA DOCENTE DE LA ASIGNATURA Matemáticas Empresariales Curso 2015-2016 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Ampliación de Matemáticas PROFESORES Matemáticas Empresariales 1º 2º 6 Obligatoria DIRECCIÓN
Más detallesLecciones de Análisis Matemático II
Índice general Prólogo I 1. Preliminares sobre funciones de varias variables 1 1.1. Introducción................................ 1 1.2. Funciones de una variable........................ 2 1.3. Funciones
Más detallesClase 5: Multiplicadores de Lagrange
OPT Clase 5: Multiplicadores de Lagrange 1 Clase 5: Multiplicadores de Lagrange Ignacio Ramírez 29 de agosto de 2016 1. Introducción Consideremos un problema con restricciones, en principio de igualdad,
Más detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática 19 de junio de 006 Ejercicio 1 3 pt. Considera la función fx, y = x y en la región factible R = {x, y R : x 1 + y 1; y x 1
Más detallesMétodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones
Métodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones Dr. Gonzalo Hernández Oliva UChile - Departamento de Ingeniería Matemática 07 de Mayo 2006 Abstract En este apunte veremos
Más detallesMaterial para exámen final
Cálculo 3, FAMAT-UG, aug-dic, 2006 Material para exámen final Fecha del exámen: 5 dic, 2006 Definiciones: Hay que saber las definiciones precisas de todos los siguientes términos, y conocer ejemplos concretos
Más detallesOptimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Más detallesTEMARIO PARA EL EXAMEN DE ACCESO A LA ESPECIALIDAD MATEMÁTICAS PARA E.S.O. Y BACHILLERATO DEL MÁSTER DE SECUNDARIA
TEMARIO PARA EL EXAMEN DE ACCESO A LA ESPECIALIDAD MATEMÁTICAS PARA E.S.O. Y BACHILLERATO DEL MÁSTER DE SECUNDARIA 1. Números naturales, enteros y racionales. Principio de inducción. Divisibilidad y algoritmo
Más detallesOptimización con restricciones de desigualdad. Yolanda Hinojosa
Optimización con restricciones de desigualdad Yolanda Hinojosa Contenido Optimización no lineal con restricciones de desigualdad. Condiciones necesarias y suficientes de óptimo Análisis de sensibilidad.
Más detallesCAL2 - Cálculo 2
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2017 GRADO EN INGENIERÍA
Más detallesMatemáticas Empresariales (Curso )
GUIA DOCENTE DE LA ASIGNATURA Matemáticas Empresariales (Curso 2012-2013) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Ampliación de Matemáticas 1º 2º 6 Obligatoria Empresariales Matemáticas PROFESORES
Más detallesCD - Cálculo Diferencial
Unidad responsable: 200 - FME - Facultad de Matemáticas y Estadística Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2017 GRADO EN MATEMÁTICAS (Plan 2009). (Unidad docente
Más detallesPráctico de Optimización
Práctico de Optimización Modelado de Redes de Telecomunicaciones 24 de mayo de 2011 1. Repaso Minimización sin restricciones de una función cuadrática. Encontrar el gradiente, el Hessiano, los puntos estacionarios
Más detallesGUÍA DOCENTE MATEMÁTICAS II
GUÍA DOCENTE 2017-2018 MATEMÁTICAS II 1. Denominación de la asignatura: MATEMÁTICAS II Titulación GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Código 5541 2. Materia o módulo a la que pertenece la asignatura:
Más detallesFACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES BADAJOZ CURSO 05-06
ASIGNATURA: MATEMATICAS Titulación: LICENCIATURA EN ADMINISTRACION Y DIRECCION DE EMPRESAS Curso: Temporalidad 1 : Créditos: Totales Teóricos Prácticos 1º ANUAL 12 Profesorado: Apellidos, Nombre: Alvarez
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesGRADO EN ADE CURSO
GRADO EN ADE CURSO 2013-2014 Asignatura Optimización Matemática Código Módulo Formación Obligatoria Materia Ampliación de Matemáticas Carácter Obligatorio Créditos 6 Presenciales 3 No presenciales 3 Curso
Más detallesGeometría y Poliedros
IN3701, Optimización 3 de agosto de 2009 Contenidos 1 Definiciones Básicas Definición 2.1 S R n es un poliedro si S = {x R n : Ax b} para algún A R m n, b R m. Definición 2.2 S R n es acotado si existe
Más detallesMA4301 ANÁLISIS NUMÉRICO Nombre en Inglés NUMERICAL ANALYSIS
PROGRAMA DE CURSO Código Nombre MA4301 ANÁLISIS NUMÉRICO Nombre en Inglés NUMERICAL ANALYSIS SCT es Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3 5 Requisitos Carácter
Más detalles1 El modelo de programación no lineal 1. 2 Modelos de optimización en redes 197 BIBLIOGRAFÍA 349 ÍNDICE ALFABÉTICO 351
ÍNDICE PRÓLOGO IX 1 El modelo de programación no lineal 1 1.1 El modelo de programación no lineal............. 7 1.2 Funciones convexas y generalizaciones............ 25 1.3 Condiciones de óptimo en programación
Más detallesE.T.S. Minas: Métodos Matemáticos Ejercicios Tema 4 Métodos iterativos para sistemas de ecuaciones
ETS Minas: Métodos Matemáticos Ejercicios Tema Métodos iterativos para sistemas de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesALN - Curso 2007 Gradiente Conjugado
ALN - Curso 27 Gradiente Conjugado Cecilia González Pérez Junio 27 Métodos Iterativos Pueden ser: Métodos estacionarios Métodos no estacionarios Métodos no estacionarios hacen uso de información, evaluada
Más detallesDIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS
GUIA DOCENTE DE LA ASIGNATURA Matemáticas Empresariales MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Ampliación de Matemáticas 1º 2º 6 Obligatoria Empresariales Matemáticas PROFESORES DIRECCIÓN COMPLETA
Más detallesMatrices ortogonales y descomposición QR
Matrices ortogonales y descomposición QR Problemas para examen Agradezco a Aldo Iván Leal García por varias correcciones importantes. Invertibilidad por la izquierda y por la derecha (repaso) 1. Conceptos
Más detalles1. Límites de sucesiones en R n
1. Límites de sucesiones en R n Definición 1 (Límite de una sucesión). Dada {A k } k=1 = {a1 k,... an k } Rn decimos que el límite de A k cuando k tiende a infinito es L si: lím A k = L ε > 0, N N : A
Más detallesMA37A. Optimización con restricciones: Gradiente Reducido. Oscar Peredo. 14 de Octubre del 2008
MA37A Sesión #5 Optimización con restricciones: Gradiente Reducido Oscar Peredo 14 de Octubre del 2008 Esquema 1 Explicación del Método del Gradiente Reducido 2 Problema Ejemplo 3 Implementación en Octave
Más detallesUNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: OPTIMIZACIÓN 1 SEMESTRE: VII 2 CODIGO: 602704 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE AROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1) 10 INTENSIDAD
Más detallesAnálisis convexo, cálculo diferencial y aplicaciones
Análisis convexo, cálculo diferencial y aplicaciones Juan PEYPOUQUET Universidad Técnica Federico Santa María V-Escuela 2016 Valparaíso, 11 al 21 de octubre FUNCIONES CONVEXAS Funciones convexas Una función
Más detallesTema 2 Conjuntos convexos
Tema 2 Conjuntos convexos José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 2 Conjuntos convexos. Propiedades básicas y ejemplos. Cierre e interior de un
Más detallesHéctor Manuel Mora Escobar. Dpto. Matemáticas, U. Nacional, Bogotá.
OPTIMIZACIÓN NO DIFERENCIABLE Héctor Manuel Mora Escobar Dpto. Matemáticas, U. Nacional, Bogotá hmora@matematicas.unal.edu.co I CONGRESO DE OPTIMIZACIÓN DPTO. DE MATEMÁTICAS UNIVERSIDAD DEL CAUCA 4-6 septiembre
Más detallesMODELOS MATEMATICOS. Despacho B3-134, Teléfono: Tutorías: Martes y Miércoles de a 12.
MODELOS MATEMATICOS Profesor: David Pérez Castrillo Despacho B3-134, Teléfono: 581-1405 Tutorías: Martes y Miércoles de 10.30 a 12. Método de evaluación: La nota final será la media de la nota obtenidad
Más detallesMatemáticas Empresariales Curso
GUIA DOCENTE DE LA ASIGNATURA Matemáticas Empresariales Curso 2015-2016 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Ampliación de Matemáticas 1º 2º 6 Obligatoria Matemáticas Empresariales DIRECCIÓN COMPLETA
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesUniversidad Carlos III de Madrid
Universidad Carlos III de Madrid Departamento de Economía Examen final de Matemáticas II. Junio de 2011. Apellidos: Nomre: DNI: Titulación: Grupo: DURACIÓN DEL EXAMEN: 2h NO se permite el uso de calculadoras.
Más detallesPROGRAMACIÓN DE ASIGNATURAS
PROGRAMACIÓN DE ASIGNATURAS Asignatura: MA2119 Análisis Matemático Profesor/a: D. José Miguel Serradilla Curso: 2003 / 2004. Cuatrimestre: Primero. Departamento: Ingeniería Informática. Grupos: 2IT1, 2IT2.
Más detallesTema 12: Ecuaciones diferenciales de primer orden Métodos elementales de integración. Teoremas de existencia y unicidad. Aplicaciones.
Álgebra Tema 1: Fundamentos Lógica matemática. Teoría de conjuntos. Tema 2: Combinatoria Combinatoria. Conjuntos parcialmente ordenados. Tema 3: Sistemas de ecuaciones lineales Eliminación gaussiana. Sistemas
Más detallesUniversidad del Rosario Economía Matemática II Taller 8 - Kuhn Tucker
. En los siguientes problemas de optimización: Universidad del Rosario Economía Matemática - 202-II Taller 8 - Kuhn Tucker a. Dibuje el conjunto K de puntos factibles y las curvas de nivel de la función
Más detallesc j (x) 0 j D c j (x) = 0 j I
INTRODUCCIÓN A LA OPTIMIZACIÓN 1. Introducción 1.1. Generalidades. Dado un conjunto X y una función f : X R (la funciónobjetiva), se desea determinar x X tal que, para todo x X valga f(x) f(x ). La variable
Más detalles