OPTIMIZACION PARA ESTUDIANTES DE INGENIERIA 1. Jorge Amaya A.
|
|
- Esperanza Venegas Henríquez
- hace 7 años
- Vistas:
Transcripción
1 OPTIMIZACION PARA ESTUDIANTES DE INGENIERIA Jorge Amaya A. 9 de mayo de 3 Departamento de Ingeniería Matemática y Centro de Modelamiento Matemático Universidad de Chile Mayo de 3 Texto preliminar, destinado exclusivamente al uso de los estudiantes del curso MA37A Optimización, de la Escuela de Ingeniería de la Universidad de Chile, semestre Otoño 3. Los comentarios son bienvenidos: jamaya@dim.uchile.cl
2 Capítulo Introducción Un problema de optimización matemático, en términos generales, se escribe de la forma: (P) minimizar (o maximizar) f(x) x S donde x es el vector de variables de decisión, f : S IR es la función objetivo y S IR n es el conjunto factible. A menudo S = {x IR n /g i (x) i =,...m, x X IR n } y se dice que las expresiones g i (x) i =,..., m representan el conjunto de restricciones del problema (P). Si S = IR n, el problema se dirá irrestricto. Un vector x IR n que pertenezca al conjunto S se llamará solución factible de (P). Si además satisface que f(x) f(y) y S (cuando se trata de un problema de minimización), se dirá que x es solución óptima. Nos parece importante recordar aquí el teorema de Weierstrass, que da condiciones para la existencia de solución para un problema de minimización con características bien particulares. Teorema.. Si f es una función real, continua sobre un conjunto compacto (cerrado y acotado) K IR n, entonces el problema min (o max) f(x) x K
3 tiene una solución óptima x K. Dependiendo de las características particulares del problema, éste recibe nombres y tratamientos especiales para su resolución. Dos casos de interés, son el de la programación lineal (f y g i son funciones lineales afines i) y la programación lineal entera (en que además las variables sólo toman valores enteros). También trataremos la teoría y técnicas de solución de un problema con funciones no lineales. Un concepto esencial para entender cómo plantear y resolver un problema de optimización es el de convexidad. Mostrar algo de la teoría básica del análisis convexo y su vinculación con la teoría de optimización son los objetivos del siguiente capítulo. 3
4 Capítulo Convexidad. Conjuntos convexos Definición.. Sea S IR n, S /o. Se dice que S es convexo si y sólo si λx + ( λ)y S x, y S, λ [, ] Geométricamente, esta definición se puede interpretar como sigue: un conjunto no vacío es convexo si dados dos puntos del conjunto, el segmento de recta que los une está contenido en dicho conjunto (ver figura.). a) b) y x y x Figura.: El conjunto de la figura a) es convexo. El conjunto de la figura b) no es convexo, pues existe un segmento de recta, uniendo dos puntos del conjunto, que no está incluido en el conjunto. Por convención, el conjunto vacío será considerado convexo 4
5 Ejemplo.. Un espacio vectorial es un conjunto convexo. Demostración. Directo pues, por definición, un espacio vectorial es cerrado para la suma y la ponderación por escalar. En particular IR n es un convexo. Ejemplo.. S = {x IR 3 / x + x x 3 = } es un conjunto convexo. Demostración. Sean x e y S, λ [, ]. Por definición del conjunto S, esto significa que x + x x 3 = e y + y y 3 =. λx + ( λ)y Veamos que λx + ( λ)y = λx + ( λ)y pertenece a S,pues λx 3 + ( λ)y 3 λx + ( λ)y + {λx + ( λ)y } {λx 3 + ( λ)y 3 } = λ(x + x x 3 ) + ( λ)(y + y y 3 ) = λ + ( λ) = Definición.. Sean a IR n, α IR fijos. Se llama hiperplano al conjunto H = {x IR n /a t x = α} Un hiperplano H define dos semiespacios: H = {x IR n /a t x α} H + = {x IR n /a t x α} Por ejemplo, en el caso H = {x IR 3 /x + x x 3 = } se tiene a t = (,, ) y α =. Los dos semiespacios asociados son: H = {x IR 3 /x + x x 3 } H + = {x IR 3 /x + x x 3 }. Ejemplo..3 Un semiespacio S en IR n es un conjunto convexo. 5
6 x3 H - H x x H + - Figura.: Semiespacios generados por el hiperplano H Demostración. Consideremos a IR n y α IR, definiendo el semiespacio S = {x IR n /a t x α}. Sean x, y S, λ [, ], entonces a t (λx + ( λ)y) = λ(a t x) + ( λ)(a t y) λα + ( λ)α = α Luego λx + ( λ)y S y, por lo tanto, S es convexo. Proposición.. Sean S y S dos conjuntos convexos. Entonces S S es un conjunto convexo. Demostración. Sean x, y S S, λ [, ] x, y S λx + ( λ)y S, ya que S es convexo. x, y S λx + ( λ)y S, ya que S es convexo. luego λx + ( λ)y S S, es decir, S S es convexo. Observación.. Observemos que: 6
7 i) Esta propiedad se puede generalizar fácilmente a una intersección cualquiera de convexos. Esto es, si Γ es un conjunto arbitrario, incluso no numerable, y {S γ } γ Γ es una clase de conjuntos convexos, entonces γ Γ S γ es un conjunto convexo. ii) Aunque del ejemplo (..3) puede concluirse fácilmente que un hiperplano es un conjunto convexo (reemplazando las desigualdades por igualdades), podemos usar esta proposición para probar que un hiperplano es un conjunto convexo, dado que es intersección de dos semiespacios (convexos). Ejemplo..4 Sistema de desigualdades lineales: a x a n x n b. a m x a mn x n b m con a ij, b i, x j IR, i {,..., m}, j {,..., n} El sistema se anota Ax b ; con A = (a ij )...m;j=...n, b = b. b m El conjunto S = {x IR n /Ax b} es la intersección de n semiespacios de la forma S i = {x IR n /A i x b i } (donde A i denota la fila i-ésima de la matriz A) los cuales, según vimos en el ejemplo (..3), son conjuntos convexos. Luego, por la proposición (..), S es convexo. Definición..3 Sean x,..., x k IR n ; λ,..., λ k IR tales que λ i i, vector x = k λ i x i se dice combinación convexa de los k vectores. k λ i =. El Definición..4 Sea S IR n. Se define el conjunto co(s), envoltura convexa de S, de la manera siguiente: co(s) = {x = k λ i x i / k IN, {x i } k S, {λ i } k [, ], k λ i = }. Es decir, todo punto en co(s) es combinación convexa de puntos de S. 7
8 a) b) y x y x Figura.3: La envoltura convexa del conjunto de la figura a) coincide con él, por ser convexo. Para el conjunto de la figura b), la ĺınea sólida corresponde a su envoltura convexa. Observación.. Si S es convexo, entonces co(s) = S (ver figura.3). Ejemplo..5 La envoltura convexa de los números racionales es IR. Ejemplo..6 Sean v = 5, v = 6 7 3, v 3 = 3, v 4 = 3 4 vectores en IR 3. Su envoltura convexa queda determinada por el poliedro de la figura (.4), cuyos vértices están dados por el conjunto de vectores {v, v, v 3, v 4 }. Proposición.. co(s) es un conjunto convexo. Demostración. Sean x, y co(s), es decir, x = k ν i x i, y = m µ i y i donde {x i } k S, {y i } m S y {ν i } k, {µ i } m son ponderadores de la combinación convexa. Sea λ [, ] Llamando k m λx + ( λ)y = λ ν i x i + ( λ) µ i y i. x i = x i, λi = λν i i {,..., k} x k+i = y i, λk+i = ( λ)µ i i {,..., m}, 8
9 Figura.4: La envoltura convexa del conjunto de puntos señalados queda determinada por un poliedro cuyos vértices están dados por el conjunto de vectores. se tiene que con λx + ( λ)y = k+m λ i x i { x i } k+m S, λ i [, ] i =,..., k + m y k+m λ i =. Luego por definición se tiene que, λx + ( λ)y co(s), por lo tanto co(s) es convexo. Proposición..3 co(s)es el convexo más pequeño (en el sentido de la inclusión) que contiene a S. Demostración. Basta probar que una caracterización equivalente es la siguiente: co(s) = {C/C convexo, S C} Sea B = {C/C convexo S C} 9
10 i) Sea x B, entonces para todo C convexo tal que S C se tiene que x C. Como co(s) es convexo y S co(s) entonces x co(s). Por lo tanto B co(s) ii) Sea ahora x co(s), demostremos que x B. cualquiera que contenga a S. Tomemos C, un conjunto convexo Como x co(s), entonces x = k λ i x i, con x i S, λ i, i =,..., k, y k λ i = En particular x i C, para todo i. Así, x también pertenece a C, cualquiera sea éste. Así co(s) B P6 P y P P8 P5 P7 x P3 P4 Figura.5: Teorema de Carathéodory. Mostraremos a continuación una interesante propiedad de la envoltura convexa, conocida como Teorema de Carathéodory. Tomemos el ejemplo de la figura (.5) en que S = {p, p, p 3, p 4, p 5, p 6, p 7, p 8 } La envoltura convexa de S es el conjunto delimitado por las líneas punteadas. Se observa que el punto x, que pertenece a co(s), pertenece también al triángulo definido por los puntos p 3, p 4 y p 5. El punto y, que pertenece a co(s), está también incluído en el triángulo determinado por lo puntos p, p y p 5 o bien en el triángulo definido por los puntos p, p 6 y p 4. En realidad, cualquier punto de co(s) está contenido en algún triángulo definido por puntos de S. Esto se expresa de la forma siguiente.
11 Teorema.. (Carathéodory) Sean S IR n y x co(s). Entonces existen x,..., x n+ S tales que x co{x,..., x n+ }. Demostración. Sea x co(s), luego existen {x i } k S, {λ i } k [, ] satisfaciendo k λ i =, tales que x = k λ i x i. Sin pérdida de generalidad, podemos suponer λ i i ( si λ j = para algún j, x es combinación convexa de k vectores) Supongamos que k > n +. Los k vectores x x,..., x k x son linealmente dependientes (pues k > n, la dimensión del espacio). Es decir, existen µ,..., µ k IR, no todos nulos, tales que k µ i (x i x ) =. i= Sea µ = k µ i (*) i= k µ i (x i x ) = k µ i x i k µ i x = k µ i x i + µ x = k µ i x i =, con k µ i =. i= Entonces, α IR i= i= i= x = k λ i x i α = k λ i x i α k µ i x i = k (λ i αµ i )x i De (*) se deduce que µ i > para al menos un i, luego podemos escoger α = min i { λi µ i / µ i > } = λ I µ I. Notar que α > y que λ i αµ i i. (pues si µ i λ i αµ i > y si µ i > λ i αµ i = µ i ( λ i µ i α) ) En particular, λ I αµ I =. Así, x = k (λ i αµ i )x i, donde k (λ i αµ i ) = y λ i αµ i i. Es decir,x es combinación convexa de a lo más k vectores (pues el coeficiente I ésimo es nulo). Repitiendo el argumento k (n + ) veces, se obtiene que x es combinación convexa de n + puntos.
12 Ejercicio.. Sean S y S convexos, α IR. Se define la suma y ponderación de conjuntos como sigue: S + S = {x + y / x S, y S } αs = {αx / x S } Pruebe que S + S y αs son convexos... Poliedros Notación: Notaremos por M m n (IR) al conjunto de las matrices de m filas y n columnas, a coeficientes reales. Definición..5 Se llama poliedro a un conjunto de la forma P = {x IR n /Ax b} con A M m n (IR) y b IR m, es decir, un poliedro es una intersección finita de semiespacios. Proposición..4 P = {x IR n /Ax = b, x } es un poliedro. Demostración. Claramente, el conjunto P queda representado por el siguiente sistema de ecuaciones lineales : A A I x donde I la matriz identidad en dimensión n. A b Llamando A = A, b = b, se obtiene un sistema de la forma I b b P = {x IR n /A x b }, que es igual a P. Luego, P es un poliedro. Observación..3 Es obvio que P ={x IR n /Ax b} es un poliedro. En efecto: como x IR n es irrestricto, basta multiplicar el sistema de desigualdades por -, y definir A =-A, b =-b. x si y solamente si x i i =,..., n
13 Proposición..5 Todo poliedro es un conjunto convexo. Demostración. Ver ejemplo (..4) Se dirá que un poliedro P = {x IR n /Ax = b, x } está escrito en forma canónica. En lo sucesivo trabajaremos con esta representación. Proposición..6 Un poliedro es un conjunto cerrado. Demostración.Sea P el poliedro {x IR n /Ax = b, x } y consideremos x P (adherencia o cerradura de P). Mostraremos que x P. Como x P, existe una sucesión {x k } en P tal que lim k x k = x. Además, k, el punto x k verifica Ax k = b x k Tomando límite (y por continuidad de la función lineal x Ax) se tiene: A x = b x Luego x P y por lo tanto P P. Dado que se cumple siempre que P P, se obtiene P = P, luego P es cerrado. Demostración alternativa. Sea g : IR n + IR n ; g(x) = Ax b. A es una forma lineal, luego la función g es lineal afín y, por lo tanto, continua en IR n +. El conjunto {x IR n /Ax = b} es pre-imagen continua de un cerrado ({}), luego es cerrado y como P es igual a la intersección de este conjunto con el semiespacio cerrado {x }, se concluye que es cerrado. Ejemplo..7 C = {x IR / x + x ; x + x 4; x 4; x ; x }. Matricialmente esto puede escribirse de la siguiente manera: ( x x 3 ) 4 4.
14 y 4 (,4) (,3) C (4,) 4 x Figura.6: El conjunto C es un poliedro, convexo y cerrado, pero no acotado. El conjunto C es un poliedro, convexo y cerrado, pero no acotado. Definición..6 Sea S IR n un conjunto convexo, S /o.un vector x S se llama punto extremo de S si y sólo si no puede ser representado como combinación convexa de otros dos puntos distintos del convexo. Es decir, si x = λx + ( λ)x, con x, x S y λ ], [, entonces x = x = x. Ejemplo..8. a) Sea S=B(,), la bola unitaria en IR n. El conjunto de puntos extremos queda representado por {x IR n / x = }, que es la frontera de S b) El conjunto de puntos extremos del poliedro del ejemplo (..6) es E = 5, 6 7 3, 3, 3 4 c) El conjunto de puntos extremos de un semiespacio cerrado es vacío. Ejemplo..9 Sean U = {( ) (, ) (, 3 ) (, 4 ) (, )} y S = co{u} 4
15 y (-,4) * y>=-x y<=-x+ 3 3 (,) * (,3) * x<= * (,) * y>=x (,) x Figura.7: S es la envoltura convexa del conjunto U Naturalmente, el conjunto de puntos extremos de S es El sistema que representa a S es S = (x, x ) IR : 3 {( ) (, 3 ) (, 3 ) (, 4 En general, fácilmente se puede ver que x es punto extremo de un convexo S si y solamente si S\{x} es un conjunto convexo, de donde se sigue que si S es tal que co(s ) = S, entonces necesariamente S debe incluir al conjunto de puntos extremos de S. La definición de punto extremo es de suma importancia en la teoría de optimización pues, como veremos más adelante, está en relación directa con el conjunto de soluciones para un problema de programación lineal, donde el conjunto de restricciones determina precisamente un poliedro. De aquí se desprende que es necesario tener una caracterización simple para )}. 5
16 estos puntos. Veamos el siguiente ejemplo de motivación P = {x IR /x + x, 8x + 3x 8, x, x } El gráfico se muestra en la figura (.8) X 8 /3 P X Figura.8: Ejemplo de motivación. Los puntos extremos son (en IR 4 ) { ( ) (, ) ( /5, 8/5 ) (, )}. Trabajaremos con el poliedro P = {x IR 4 /x + x + x 3 =, 8x + 3x + x 4 = 8, x, x, x 3, x 4 } ( ) x x que es equivalente a P en el sentido siguiente: P x x x 3 P x 4 x 3, x 4 Examinemos entonces el sistema x + x + x 3 = 8x + 3x + x 4 = 8 x, x, x 3, x 4 6 con
17 Asignando valor nulo a dos variables cualesquiera podemos entonces resolver el sistema de dos ecuaciones cada vez. Esto da las soluciones 8,, 8/3 /3, 8,, /5 8/5. Se observa que dos de ellas (la tercera y la cuarta) no satisfacen la condición de positividad, luego no pertenecen a P. Sin embargo las cuatro soluciones restantes determinan en sus dos primeras coordenadas, los puntos extremos de P, a saber { ( ) (, ) ( /5, 8/5 ) (, )}. Esto se expresa en forma general en el siguiente teorema Teorema.. Sea un poliedro P = {x IR n /Ax = b, x }, donde A M m n (IR) es de rango m y b IR m. Un punto x es extremo de P si y sólo si la matriz A se puede descomponer, eventualmente reordenando sus columnas, en la forma A = [B, N], donde B ( M m m (IR) ) es invertible, N M m (n m) (IR) corresponde a las columnas restantes y B x = b, con B b. Demostración.( ) Sea x = ( B Ax = [B, N] b ( B b ) = BB b + N = b. ). Se tiene que x P, pues Sean u, v P tales que x = λu + ( λ)v, λ [, ], es decir De donde: () λu + ( λ)v = B b () λu + ( λ)v = ( B b ) ( u = λ u ) ( v + ( λ) v Como u, v P necesariamente u, v. Luego de () se tiene que u = v =. 7 )
18 ( u Como u P satisface Au = b, esto es [B, N] u = x. ) = Bu = b u = B b. Por lo tanto, De la misma manera se prueba que v = x, con lo que se concluye que x es punto extremo. ( ) Supongamos que x P es un punto extremo, x puede escribirse x =, even- tualmente reordenando las columnas del sistema, con x i >, i =,..., k, k {,..., m} Notemos por A k el k-ésimo vector columna de A. Luego A = [A,..., A k, A k+,..., A n ] Ax = b k x i A i = b x. x k. Probaremos que A,..., A k son linealmente independientes. Supongamos que son linealmente dependientes, es decir, que existen µ,..., µ k no todos nulos, tales que k µ i A i =. Definamos µ = µ. µ k. y, para α >, construyamos los siguientes vectores y = x + αµ z = x αµ De allí: x = y + z. Es claro que y, z P, para α suficientemente pequeño y además x y, y z, z x. Por lo tanto x es combinación convexa de dos puntos distintos en P, luego no es extremo (contradicción). Así, A,..., A k son linealmente independientes, lo que implica, en particular, que k m Podemos agregar A k+,..., A m (eventualmente reordenando columnas) para obtener un conjunto maximal (A es de rango m) y definir B = [A,..., A m ], que es una matriz invertible, y N = [A m+,..., A n ]. Con esto, A tiene la forma A = [B, N]. 8
19 Luego, Ax = b n x i A i = b m x i A i + Notando x = ( xb x N n i=m+ x i A i = b ), con x B >, x N =, la ecuación anterior se escribe: Bx B + Nx N = Bx B = b de donde x B = B b Corolario.. El número de puntos extremos de un poliedro en la forma canónica es finito. ( ) n Demostración. Hay a lo sumo formas de elegir las m columnas independientes de m A, y cada matriz B está asociada a lo más a un punto extremo. Ejemplo.. Consideremos un poliedro en la forma canónica dado por las matrices [ ] [ ] A = y b = Calculemos sus puntos extremos. De acuerdo al corolario anterior, existen a lo sumo 6 puntos extremos dado que hay 6 formas posibles de elegir la matriz B. [ ] () B = no es invertible. [ ] [ ] () B = es invertible, pero B b = no es un vector positivo. [ ] [ 3 ] (3) B = es invertible y el vector B b = 4 tiene todas sus coodenadas positivas. [ ] [ ] (4) B = es invertible, pero B b = no es un vector positivo. 9
20 [ ] [ 3 ] (5) B = es invertible y el vector B b = tiene todas sus coodenadas positivas. [ ] [ ] 3 (6) B = es invertible, pero B b = no es un vector positivo. Los casos (3) y (5) nos entregan puntos extremos para el poliedro en estudio, sólo falta ubicar los valores resultantes en las posiciones correctas: La matriz del caso (3) toma las columnas primera y cuarta de la matriz A, luego el 3 4 vector punto extremo correspondiente a este caso será La matriz del caso (5) toma las columnas segunda y cuarta de la matriz A, luego el 3 vector punto extremo correspondiente a este caso será Definición..7 Se llama polítopo a la envoltura convexa de un conjunto finito de puntos. Definición..8 Sean x,..., x k IR n. El polítopo asociado a este conjunto de puntos es un simplex si y sólo si el conjunto {x x,..., x k x } es linealmente independiente. De acuerdo con estas definiciones, el conjunto S del ejemplo (..9) es un polítopo y puede concluirse fácilmente que todo polítopo es envoltura convexa de sus puntos extremos. Es obvio, además, que todo polítopo es un poliedro. Luego, parece natural preguntarse si todo poliedro puede escribirse como combinación convexa de sus puntos extremos. La respuesta es negativa, cuando el poliedro es no acotado. En el ejemplo (..7) ( ) observamos ( ) que cualquier punto que no esté en la superficie del triángulo de vértices, y ( ) 3 4 4, no puede ser expresado como combinación convexa de esos tres puntos extremos. Ejemplo.. S = {x IR /x x }
21 x x x x x ; x, por lo tanto o, en forma matricial S = {x IR /x x ; x x ; x } x d d Figura.9: El punto (,) es el único punto extremo del poliedro de la figura. d y d son sus únicas direcciones extremas. ( ) Como es posible ver en la figura (.9), es el único punto extremo y ningún punto del poliedro S puede expresarse como combinación convexa de puntos extremos. Luego, para poliedros no acotados se hace necesario definir un nuevo concepto: Definición..9 Un vector d IR n, d, se dice dirección de S si y sólo si x S se tiene que x + λd S λ. Consideremos el poliedro P = {x IR n /Ax = b, x }. Una dirección de P debe satisfacer que x P : A(x + λd) = b λ x + λd λ Luego, d es dirección de P si y solamente si satisface el sistema Ad =, d.
22 Definición.. Dos direcciones d y d se dirán iguales si y sólo si d = αd para algún α >. Observación..4 Se escribirá d = d, si no hay posible confusión. Definición.. Sea S un convexo cerrado y d IR n una dirección de S. Se dice que d es dirección extrema si dadas d y d, direcciones de S, tales que d = αd + βd para algún α, β >, necesariamente se tiene que d = d = d. Es decir, d no puede expresarse como combinación lineal positiva de otras dos direcciones distintas. Ejemplo.. En la figura (.9), d y d son direcciones extremas y toda otra dirección se escribe como combinación lineal positiva de ellas. Con lo que hemos hecho hasta aquí, una pregunta interesante es: Existirá alguna caracterización de las direcciones extremas, equivalente a la obtenida para puntos extremos? Escribamos la matriz A que representa el poliedro escrito en la forma canónica ( tal) como B en el caso de puntos extremos, es decir, A = [B, N] y consideremos d = a j con B a j, donde ( a j es columna ) de N. Verifiquemos que d es dirección: en efecto, d B y Ad = [B, N] a j = BB a j + Ne j = a j + a j =. e j Supongamos que no es extrema, es decir, que existen d y d direcciones de P distintas, tales que d es combinación lineal positiva de ellas: d = λ d +λ d, para λ, λ >. Entonces d y d tendrán la forma: para algún η, η. Como d [ d [B, N] e j [ d [B, N] e j d = [ d η e j ] [ d, d = η e j ] y d son direcciones de P entonces Ad = Ad =. Luego ] = Bd + η Ne j = Bd + η a j = d = η B a j ] = Bd + η Ne j = Bd + η a j = d = η B a j e j
23 por lo tanto d = d = d (en el sentido de la igualdad de direcciones), lo que muestra que d es dirección extrema. Lo explicado anteriormente nos permite formular el siguiente teorema de caracterización de direcciones extremas. Teorema..3 Sea un poliedro P = {x IR n /Ax = b; x }, donde A M m n (IR) es de rango m y b IR m. Una dirección d IR n es dirección extrema de P si y sólo si la matriz A se puede descomponer, eventualmente reordenando sus columnas, en la forma ( A = [B, ) N], B donde B M m m (IR) es invertible y d es un múltiplo positivo de d = a j con B a j, donde a j N (vector columna de N) y e j es el j-ésimo vector de la base canónica de IR n m. Corolario.. El número de direcciones extremas de un poliedro en la forma canónica es finito. ( ) n Demostración. Hay a lo más formas de elegir B m y como hay n m columnas en ( ) n N, entonces (n m) es el número máximo de direcciones extremas. m e j Ejemplo..3 Volvamos al ejemplo (..). De acuerdo al corolario anterior, existen posibles direcciones extremas, por lo tanto, no desarrrollaremos el cálculo completo, sólo consideraremos el siguiente caso: Tomemos la matriz B formada por la segunda y cuarta columnas de A. [ ] [ ] B = luego N = [ ] B N = El producto de B con la primera columna de N no es negativo, por lo tanto, no nos permite calcular una dirección extrema. Sin embargo, el producto con la segunda columna de N es 3
24 negativo. Tal como en el caso de puntos extremos, sólo basta ordenar la información para decir que d = es dirección extrema del poliedro. Para concluir esta sección, enunciaremos, sin demostrar, un teorema de caracterización que liga todo lo que hemos desarrollado hasta ahora. Teorema..4 Sea P = {x IR n /Ax = b, x }, donde A M m n (IR) es de rango m y b IR n. Sean x,..., x k los puntos extremos y d,..., d l las direcciones extremas de P. Entonces, x P si y sólo si puede ser escrito como la suma de una combinación convexa de los puntos extremos y una combinación lineal positiva de las direcciones extremas, es decir, x = k l λ i x i + µ j d j j= donde λ i [, ] i =,..., k, k λ i = ; µ j, j =,..., l. Teorema..5 P = {x IR n /Ax = b; x } = /o tiene al menos una dirección extrema si y sólo si P es no acotado. Demostración.( ) Si P tiene una dirección extrema, claramente es no acotado, pues x + λd P x P, λ y lim λ x + λd =. ( ) Supongamos que P es no acotado y que no posee direcciones extremas. Luego, por el teorema anterior, todo punto x P puede escribirse de la forma x = k λ i x i, con λ i [, ], i =,..., k, k λ i =. Por la desigualdad de Cauchy-Schwartz k x = λ i x i k λ i x i k x i < x P lo que contradice el supuesto de que P es no acotado. 4
25 Ejercicio.. Sea S un convexo. S\{x} es convexo. Demuestre que x S es punto extremo si y sólo si Ejercicio..3 Probar que todo polítopo es un poliedro... Teoremas de Proyección Teorema..6 Sea S un conjunto convexo, cerrado, no vacío en IR n, y IR n, y / S. Entonces, existe un único x S tal que minimiza la función ϕ y : S x IR ϕ y (x) = y x Demostración. Existencia: Sea γ = inf{ϕ y (x) / x S}. Existe una sucesión minimizante {x n } n ℵ S tal que ϕ y (x n ) γ, n. Usemos la propiedad conocida como ley del paralelógramo ( a + b + a b = a + b ) x n x m = x n y + y x m = x n y + y x m x n + x m y = x n y + y x m 4 x n+x m y Notar que x n+x m = x n + x m S (convexo), luego x n+x m y γ, por lo tanto, x n x m x n y + y x m 4γ (*) Si n, m, se tiene que x n y γ y x m y γ, luego x n x m, es decir, {x n } n ℵ es una sucesión de Cauchy en IR n y, por lo tanto, converge a x = lim x n S (cerrado). Por continuidad de la norma, ϕ y (x) = γ. Unicidad: Sea x S, x x tal que ϕ y (x) = γ. Por (*) se tiene que x x x y + y x 4γ =, luego x = x. Definición.. Sea S un convexo cerrado no vacío. i) Para y IR n, se define la distancia de y a S, por d(y, S) = min{ϕ y (x) / x S}. ii) Dado y IR n, se define la proyección de y sobre S, por P S (y) = arg min{ϕ y (x)/x S}. 5
26 y * d(y,s) P (y) S x _ S Figura.: Distancia y proyección del punto y al conjunto S Observación..5 Claramente, si y S, P S (y) = y. Teorema..7 Sea S un convexo cerrado no vacío, y / S. Se tiene que si y solamente si x minimiza ϕ y (x). y x, x x, x S Demostración. Supongamos primero que para cierto x IR n se tiene y x, x x x S. Calculemos: y x = y x (x x) = y x + x x y x, x x y x + x x y x Lo que implica que: y x y x x S Es decir ϕ y (x) ϕ y (x) x S. Inversamente, tenemos que, si x minimiza ϕ y en S, entonces x S: De donde, y x = y x + x x = y x + x x + y x, x x y x, x x x x x S 6
27 Como S es un conjunto convexo y x S podemos cambiar x por λx + ( λ)x, con lo que queda: Que es lo mismo que λx + ( λ)x x, y x λx + ( λ)x x Tomando λ +, se tiene el resultado x x, y x λ x x Geométricamente, el teorema anterior quiere decir que la proyección de y sobre S se alcanza en un punto x tal que el trazo y x es ortogonal al conjunto. S _ x y Figura.: La proyección de y sobre S se alcanza en un punto x tal que el trazo y x es ortogonal al conjunto. Teorema..8 Sea S un convexo cerrado no vacío, entonces P S (x) P S (y) x y x, y. Observación..6 Esto es equivalente a decir que si S un convexo cerrado no vacío, la función de proyección P S (x) es Lipschitz continua. Ejercicio..4 Demuestre el teorema (..8)...3 Teoremas de Separación Teorema..9 (Hahn-Banach) Sea S un convexo cerrado no vacío, y / S. Existe p, α IR tal que p t y > α y p t x α x S. 7
28 y S t α Figura.: H es el hiperplano separador entre S e y. Este p define lo que se conoce como hiperplano separador, H = {z IR n /p t z = α} (ver figura.) Demostración. De acuerdo a lo desarrollado en la subsección anterior, existe un único x S tal que y x, x x, x S. Sea p = y x, p, x x, x S p, x p, x, x S (*) p, x x = p, x y + y x = p, x y + p, y x = p, x y + p, x S p, x + p p, y, x S. Como p =, se tiene que p, x < p, y, x S (**) Sea α = p, x. Por (*) p, x α x S y por (**) α < p, y lo que concluye la demostración. Definición..3 Sea S un convexo cerrado no vacío. Un hiperplano soportante de S es un hiperpalno H tal que H S /o y {S H + S H } (ver figura.3). a) b) S ω S ω H H H 3 Figura.3: Para la figura a), H y H son hiperplanos soportantes en el punto señalado. 8
29 Cuando definimos los poliedros, los caracterizamos como una intersección finita de semiespacios. El siguiente teorema nos permitirá deducir una caracterización similar para un conjunto convexo no vacío cualquiera. Teorema.. Sea S IR n un conjunto convexo y sea x un punto en la frontera de S. Entonces S tiene un hiperplano soportante en x. Corolario..3 Sea S un convexo cerrado no vacío. Entonces S = {W semiespacio/s W } Observación..7 Note que la intersección anterior no es necesariamente finita. Demostración. Basta tomar los semiespacios generados por todos los hiperplanos soportantes del convexo, que contengan a S. Teorema.. (Farkas) Sea A M m n (IR), c IR n. Uno y sólo uno de los siguientes sistemas tiene solución: () Ax, c t x >, algún x IR n. () A t y = c, y, algún y IR n. Demostración. Supongamos que () tiene solución, es decir, que existe y tal que A t y = c. Si () tuviese solución, existiría x IR n tal que Ax, c t x >. Premultiplicando la primera desigualdad por y, se tiene que y t Ax = (A t y) t x = c t x, lo cual es una contradicción. Por lo tanto () no tiene solución. Supongamos ahora que () no tiene solución. Sea S = {ω IR n /ω = A t y, y }, que es un convexo cerrado, no vacío. Como () no tiene solución, c / S. Luego existe p, α IR tal que Como ω = S, α. Así p, c >. (*) p, c > α y p, ϖ α, ϖ S. De p, ω α, ω S, se tiene que p, A t y = Ap, y α, y. 9
30 Supongamos que Ap tiene una coordenada estrictamente positiva, digamos (Ap), y consideremos y = λ., λ > λ(ap) α λ >, lo que es una contradicción, pues se puede elegir λ suficientemente grande de modo de violar la desigualdad, dado que (Ap) >. Luego, Ap no tiene coordenadas positivas, es decir, Ap (**) Por (*) y (**), () tiene solución para x = p. Ejemplo..4 Sea A M m n (IR), c IR n. Uno y sólo uno de los siguientes sistemas tiene solución: () Ax, x, c t x >, algún x IR n. () A t y = c, y, algún y IR n. Basta considerar la matriz à = [ A I ] y aplicar Farkas. Teorema.. Sean S y S, conjuntos convexos no vacíos en IR n, tales que S S = /o. Existe un hiperplano que separa S y S, es decir, existe p IR n no nulo tal que p t x p t x x S, x S. (Ver figura.4) Demostración. Consideremos el conjunto S = {x/x = x x, x S, x S } = S S. Se deduce del ejercicio (..) que S es un convexo. Además, es claro que / S (en efecto, S implicaría que S S /o). Luego, usando el teorema (..9), existe p = tal que de donde se concluye que x S : p t x x S, x S : p t (x x ) 3
31 S S Figura.4: En el caso de la figura, el hiperplano separador de los dos conjuntos convexos es soportante para la clausura de ambos. H lo que prueba el teorema. Teorema..3 (Gordan) Sea A M m n (IR). Entonces uno y sólo uno de los siguientes sistemas tiene solución: () Ax <, algún x IR n. () A t p =, p, p, algún p IR n. Demostración. Supongamos que () tiene solución, es decir, que Ax < para algún x IR n. Si () tuviese solución, existiría p IR n, p, p tal que A t p =. Entonces, premultiplicando () por p t se tiene que p t Ax < (A t p) t x = <, lo que es una contradicción. Supongamos ahora que () no tiene solución. Definamos S = {z IR m /z = Ax, x IR n } y S = {z IR m /z < } Si () no tuviese solución, entonces S S = /o S /o, S /o S y S convexos Luego, por el teorema anterior, existe un hiperplano separador, es decir 3
32 Luego, p t Ax p t z x IR n z S. p tal que p t z p t z z S z S Como z < puede elegirse arbitrariamente negativo. Probaremos que p. Si p tuviese alguna coordenada negativa se tendría que p t Ax sup{p t z } = + p t Ax = z < + x IR n, lo que es una contradicción. Así, p. Luego, tomando límite cuando z, se tiene que p t Ax x IR n. Tomando x = A t p, se tiene que A t p = A t p = (contradicción con el hecho de que () no tiene solución). Por lo tanto, () tiene solución. Ejercicio..5 Demuestre, usando el teorema de Farkas, que si para todo y tal que A t y se tiene que b t y, entonces existe x tal que Ax b. Indicación: Note que el sistema Ax b puede reemplazarse por Ax + s = b, con s IR m +. Ejercicio..6 Sean A M p n (IR) y B M q n (IR). Demuestre que uno y sólo uno de los sistemas siguientes tiene solución: (I) Ax < Bx = (II) A t u + B t v = u =, u. Funciones convexas Definición.. Sea f : S IR n IR, con S = Dom(f) convexo. x S f(x) Se dice que f es convexa si y sólo si f(λx + ( λ)y) λf(x) + ( λ)f(y), x, y S, λ. Esta definición se puede interpretar geométricamente, diciendo que la imagen por f del segmento [x,y] queda por debajo de la recta que une (x,f(x)), (y,f(y)). (ver figura.5) Por inducción es posible probar un resultado equivalente para la combinación convexa de k puntos en IR n. 3
33 f(y) f(x) x y Figura.5: La imagen por f del segmento [x,y] queda por debajo de la recta que une (x,f(x)), (y,f(y)). Teorema.. (Desigualdad de Jensen) Sea f : S IR n IR, S = Dom(f) convexo. Entonces, f es convexa si y sólo si {x i } k S y λ i, i =,..., k tal que k λ i =, se tiene f(λ x λ k x k ) λ f(x ) λ k f(x k ). Definición.. Una función f, definida como antes, se dice estrictamente convexa si y sólo si para todo x y, < λ <, se tiene f(λx + ( λ)y) < λf(x) + ( λ)f(y) Definición..3 Sea f : S IR n IR, con S = Dom(f) convexo. Se dice que f es cóncava si y sólo si f es convexa o, equivalentemente, si f(λx + ( λ)y) λf(x) + ( λ)f(y), x, y S, λ. Del mismo modo, f es estrictamente cóncava si y sólo si f es estrictamente convexa. Ejemplo... i) Una función f : IR n IR tal que f(x) = α t x + β (lineal afín) es cóncava y convexa. 33
34 x x (, ] ii) La función f definida por f(x) = { x (, ) x x [, ) convexa, pero no estrictamente convexa. (lineal por pedazos) es iii) La función f(x) = x es estrictamente cóncava. iv) La función f(x) = { x x (, ] 4 x (, ) no es cóncava ni convexa. i) ii) iii) iv) Figura.6: Gráfico de las funciones del ejemplo.. Definición..4 Sea f : S IR n IR, con S = Dom(f) /o un conjunto cualquiera. Para α IR se definen los siguientes conjuntos (ver figura.7) N α (f) = {x IR n / f(x) α}, el conjunto de nivel α. C α (f) = {x IR n / f(x) = α}, curva de nivel α. epi(f) = {(x, α) S IR / f(x) α}, el epígrafo de f. Teorema.. Sea una función f : S IR n IR, con S = Dom(f) convexo. Se tiene que 34
35 f α epi(f) N f(x) =[x,x ] α x * * x C α f(x)={x,x } Figura.7: Conjunto de nivel, curva de nivel y epígrafo de una función real f. (i) f es convexa si y sólo si epi(f) es un conjunto convexo. (ii) si f es convexa, entonces N α (f) es convexo. Demostración. (i) ( )Sean (x, α), (y, β) epi(f), λ [, ]. λ(x, α) + ( λ)(y, β) = (λx + ( λ)y, λα + ( λ)β) S IR (convexo) Como f es convexa, f(λx + ( λ)y) λf(x) + ( λ)y λα + ( λ)β (pues f(x) α, f(y) β) Luego, λ(x, α) + ( λ)(y, β) epi(f). ( ) Como epi(f) es convexo, (x, α), (y, β) epi(f), λ [, ], se tiene que λ(x, α) + ( λ)(y, β) epi(f), es decir, f(λx + ( λ)y) λα + ( λ)β. Claramente, (x, f(x)), (y, f(y)) epi(f). Reemplazando α por f(x) y β por f(y) en la expresión anterior, se concluye que f es convexa. (ii) Directo de (i). (Ver la primera implicancia) Veamos que la implicancia inversa en (ii) no es cierta. Para la función (iv) del ejemplo (..), N α (f) es convexo α IR, sin embargo, la función no es convexa. 35
36 Teorema..3 Sea f : S IR convexa. Entonces, f es continua en int(s). Demostración. Sea x int(s). Para probar la continuidad de f en x necesitamos mostrar que, dado ε >, existe δ > tal que x x δ f (x) f (x) ε. Sea ε >. Dado que x int(s) existe η > tal que B(x, η) S. Claramente x ± ηe i S, con e i vector de la base canónica, luego x = (x + ηe i) + (x ηe i) (f es convexa) f(x) f(x + ηe i) + f(x ηe i) i =,..., n {f(x + ηe i) f(x)} + {f(x ηe i) f(x)}. De aquí se desprende que i, f(x + ηe i ) f(x) y f(x ηe i ) f(x) no pueden ser simultáneamente negativos. Sea K = max{f(x ± ηe i ) f(x), i =,..., n}, Sean α i i =,..., n, tales que x x = n α i d i, con d i = { Luego, x x = n n α i d i = n j= K <, y definamos δ = min{ η n, εη nk }. ηe i si x i x i ηe i si x i x i < n α i α j d i d j = n αi d i = η n αi δ. Así, α i δ η = min{ n, ε n K }, lo que implica en particular que α i min{ n, ε nk } i.( ) Entonces, f(x) = f(x x + x) = f( n α i d i + x) = f( n = n n f[( nα i )x + nα i (x + d i )] n = f(x) + n α i [f(x + d i ) f(x)] Luego, (nα n id i + x)) n f(nα n id i + x) n [( nα i )f(x) + nα i f(x + d i )] f (x) f(x) n α i [f(x + d i ) f (x)] K n α i < K ε = ε K (de la definición de K y por ( )) 36
37 Para terminar, falta probar que f (x) f(x) < ε. Sea y = x x. Notemos que y x = x x δ, luego, por lo anterior, f(y) f(x) ε. Pero f(x) = f( y + x) f(y) + f(x) [f (x) f(x)] [f(y) f(x)] ε. Luego, f (x) f(x) ε y se tiene el resultado. Una función convexa podría no ser continua en todas partes. Sin embargo, del teorema anterior se puede deducir que los puntos de discontinuidad se encuentran en la frontera del dominio, como muestra el siguiente ejemplo. Ejemplo.. Sea S = {x/ x } y f : S IR, definida por f (x) = { x x < x =. La función f es convexa, continua en int (S) y los puntos de discontinuidad son {, } (la fontera de S.) Definición..5 Sea S IR n, no vacío, f : S IR, x S, y d tal que x + λd S λ [, η[, algún η >. Se define la derivada direccional de f en el punto x y en la dirección d, por el siguiente límite (cuando existe) f f(x+λd) f(x) (x, d) = lim λ + λ IR donde IR = IR {, + } y las operaciones se extienden como sigue: a + = = + a para < a a = = + a para a < a = = a, a ( ) = = ( ) a para < a a = = a, a ( ) = = ( ) a para < a = = = ( ) = ( ) 37
38 ( ) = y la suma de con no está definida. Definición..6 Sea S IR n, no vacío. Una función f : S IR se dice diferenciable en x int (S) si y sólo si existe f(x) IR n tal que donde o(x x) es tal que lim x x f(x) = f(x) + f(x) t (x x) + o (x x) x S o(x x) x x =. Teorema..4 Si f es diferenciable en int (S), entonces f (x, d) = f(x) t d. Demostración. Sea x int (S), como f es diferenciable se tiene que f (x) = f (x) + f(x) t (x x) + o(x x) x S. Sea x = x + λd S (para λ > suficientemente pequeño), luego f (x + λd) = f (x) + f(x) t (λd) + o(λd) f(x+λd) f(x) λ = f(x) t d + o(λd) d λ d λ d λ d Tomando límite cuando λ +, se obtiene f (x, d) = f(x) t d. Proposición.. Sea f : S IR, convexa. Sea x S, y d tal que x + λd S, para todo λ [, η[, para algún η >. Entonces f (x, d) existe. Demostración. Sean < λ < λ < λ f(x + λ d) = f( λ λ (x + λ d) + ( λ λ )x) λ λ f(x + λ d) + ( λ λ )f(x) f(x+λ d) f(x) λ f(x+λ d) f(x) λ 38
39 Así, ϕ(λ) = f(x+λd) f(x) λ inf ϕ(λ) existe. λ> es una función no decreciente de λ. Luego f (x, d) = lim λ + ϕ(λ) = Teorema..5 Sea f : S IR una función diferenciable en S IR n, convexo. Entonces f es convexa si y sólo si f(x) f(x) + f(x) t (x x), x, x S. Demostración. ( ) Sea f convexa. Dados x, x S se tiene que f(λx + ( λ)x) λf(x) + ( λ)f(x) λ [, ] Reordenando, f(x + λ(x x)) f(x) λf(x) λf(x) f(x+λ(x x)) f(x) λ Tomando lim : λ + f(x) f(x). f (x, d) = f(x) t (x x) f(x) f(x) f(x) f(x) + f(x) t (x x), x, x S. ( ) Sean x, x S, f(x) f(λx + ( λ)x) + f(λx + ( λ)x), ( λ)(x x) λ [, ] f(x) f(λx + ( λ)x) + f(λx + ( λ)x), λ(x x) λ [, ] Multilplicando la primera desigualdad por λ, la segunda por ( λ) y sumando, se tiene λf(x) + ( λ)f(x) f(λx + ( λ)x) λ [, ] Es decir, f es convexa. Observación.. Es directo probar que f, satisfaciendo las hipótesis del teorema anterior, es estrictamente convexa si y solo si f(x) > f(x) + f(x) t (x x), x, x S. Corolario.. Sea f : S IR una función diferenciable en S IR n, convexo. Entonces f es convexa si y sólo si f(x ) f(x ), x x, x, x S. 39
40 Demostración. De acuerdo al teorema anterior, f(x ) f(x ) + f(x ), x x f(x ) f(x ) + f(x ), x x x, x S x, x S Sumando las desigualdades anteriores, se tiene que f(x ), x x + f(x ), x x = f(x ) + f(x ), x x es decir, f(x ) f(x ), x x, x, x S. Hasta aquí hemos desarrollado caracterizaciones de convexidad que nos serán de mucha utilidad, pero sólo para funciones diferenciables. Existe una forma sencilla de extender estas caracterizaciones a funciones no diferenciables, mediante el concepto de subgradiente, que se define a continuación. Definición..7 Sea f : S IR, convexa. Un vector ξ IR n se llama subgradiente de f en x si y solo si f(x) f(x) + ξ t (x x) x S El conjunto de subgradientes de f en x se denota por f(x) y se llama subdiferencial de f en x. Proposición.. Si f es convexa y diferenciable en x int (S), entonces f(x) = { f(x)} Demostración. Notemos primero que f(x) f(x), pues f es convexa (Teorema..5). Sea ξ f(x). Por definición f(x) f(x) + ξ t (x x) x S. Sea x = x + λd S (para λ > suficientemente pequeño), se tiene que f(x + λd) f(x) + λξ t d f(x+λd) f(x) λ ξ t d Tomando límite cuando λ +, f(x) t d ξ t d, luego (ξ f(x)) t d. Escogiendo d = ξ f(x) y reemplazando en la ecuación anterior, obtenemos ξ f(x), lo que implica que ξ = f(x). 4
41 Proposición..3 Sea S IR n un convexo no vacío y f : S IR. Si x int (S) ξ f (x), entonces f es convexa en int (S). Demostración. Sean x, x int (S), λ [, ] S es convexo int (S) es convexo, luego x = λx + ( λ) x int (S) ξ f (x), es decir, f(x) f(x) + ξ t (x x) x S. En particular, f(x ) f(x) + ξ t (x x) f(x ) f(x) + ξ t (x x) Pero x x = ( λ) (x x ) y x x = λ (x x ). Luego, multiplicando la primera desigualdad por λ, la segunda por ( λ) y sumando, se tiene que es decir, f es convexa. λf(x ) + ( λ)f(x ) f(λx + ( λ)x ) λ [, ], Definición..8 Sea S IR n, no vacío. Una función f : S IR se dice dos veces diferenciable en x si y sólo si existe f(x) IR n y H(x) IR n n tal que f(x) = f(x) + f(x) t (x x) + (x x)t H (x) (x x) + o (x x) x S H (x) se llama matriz hessiana de f en x, f(x) x H (x) =. f(x) f(x) x x n x x... f(x) x i x j. f(x) x n x f(x) x n Teorema..6 Sea S IR n un abierto, convexo, no vacío, y sea f : S IR dos veces diferenciable en S. Entonces f es convexa si y solo si H (x) es semi-definida positiva x S. 4
42 Demostración. ( ) Sea x S. Queremos probar que x IR n, x t H (x) x. Como S es abierto, x IR n, (..5) se tiene que Además, x + λx S, para λ suficientemente pequeño. Del teorema f (x + λx) f(x) + λ f(x) t x x IR n f(x + λx) = f(x) + λ f(x) t x + λ xt H (x) x + o (λx) x IR n Restando las dos ecuaciones, se tiene que λ xt H (x) x o (λx) x IR n x t H (x) x + λ o (λx) x IR n Para x (el caso x = es directo), dividamos por x y tomemos límite cuando λ + para obtener que x t H (x) x x IR n, es decir, que H (x) es semi-definida positiva. ( ) Sean x, x S. Por teorema del valor medio f(x) = f(x) + f(x) t (x x) + (x x)t H( x) (x x) con x = λx + ( λ)x S, para algún λ (, ). Como H( x) es semi-definida positiva, (x x) t H( x) (x x), luego f(x) f(x) + f(x) t (x x) x, x S Por el teorema (..5), f es convexa. Ejemplo..3 Sea f(x, x ) = x 5x + x x + x x. Deseamos verificar si f es convexa, cóncava o ninguna de ellas. Podemos escribir f de una manera más conveniente como sigue: f(x, x ) = ( ) ( ) x + ( ) [ ] ( ) x x x x 5 x 4
43 = ( ) ( ) x Luego, H(x) = x + [ Calculemos sus valores propios: [ λ det( λ λ =.579 y λ =.47 ( ) [ ] ( ) x x x x ] (constante para todo x). ] ) = ( + λ) ( + λ) 4 = λ + λ + = Como ambos valores son negativos, H(x) es definida negativa. Luego, por el teorema anterior, f es cóncava. Más aún, como lo demuestra el siguiente resultado, f es estrictamente cóncava. Corolario.. Sea S IR n un abierto, convexo, no vacío, y sea f : S IR dos veces diferenciable en S. Se tiene que, (i) si H(x) es definida positiva en cada punto de S, entonces f es estrictamente convexa. (ii) si f es estrictamente convexa, entonces H(x) es semi-definida positiva en todo punto de S. Demostración. (i) Directo de la segunda implicancia del teorema anterior. Basta ver H(x) definida positiva implica que f(x) > f(x) + f(x) t (x x) x, x S, lo que por la observación (..) es equivalente a decir que f es estrictamente convexa. { } x (ii) Notar que lim t H (x) x + o (λx) > x t H (x) x x IR n, es decir, λ x x λ x H (x) es semi-definida positiva. Ejemplo..4. (i) Consideremos la función f(x) = ln(x). La matriz hessiana, H (x) = f () (x) = > x S = {x IR n : x > }, es definida x positiva y por el corolario anterior, f es estrictamente convexa. 43
44 (ii) La función f(x) = x 4 es estrictamente convexa en todo IR n. Sin embargo, H (x) = f () (x) = x x IR n es semi-definida positiva (notar que H() = )..3 Definición del problema de optimización Sea una función f : S IR definida sobre un conjunto cerrado S, y consideremos el problema de encontrar x S tal que f (x) f (x) x S. Este es un problema de optimización y se escribe de la siguiente manera: (P ) min x S f(x) Definición.3. Un elemento x S se llama solución factible de (P ). Si x resuelve (P ) se dice que es mínimo, solución óptima o solución global del problema. Si existe ε > tal que f (x) f (x) x V ε (x), donde V ε (x) = {x S/ x x ε}, se dice que x es solución local o mínimo local del problema. Teorema.3. Sea f : S IR, con S convexo no vacío, y sea x solución local del problema (P ). Entonces, (i) si f es convexa, x es mínimo global. (ii) si f es estrictamente convexa, x es el único mínimo global. Demostración. (i) Sea ε >, f(x) f(x) x V ε (x). Supongamos que x no es óptimo global, es decir, y S tal que f(y) < f (x). f(λy + ( λ)x) λf(y) + ( λ) f(x) < λf(x) + ( λ) f(x) = f(x) Luego, Pero para λ suficientemente pequeño, λy + ( λ)x V ε (x), lo cual es una contradicción pues x es mínimo local. (ii) f estrictamente convexa f convexa. Luego, por (i), x es mínimo global. Supongamos que no es único, esto es, que existe y S 44 (y x), tal que f(y) = f(x).
45 f( y + x) < f(y) + f(x) = f(x) z = y + x x tal que f(z) < f(x), lo que contradice el hecho de x es mínimo global. Cuando la función f es lineal, es decir, f(x) es de la forma c t x, y el conjunto de restricciones S es un poliedro cerrado, S = {Ax = b, x }, el problema (P ) se conoce como problema de programación lineal, y su estudio es el objetivo del próximo capítulo. Ejercicio.3. Considere las funciones f i : IR n + IR, i =,..., k, convexas y diferenciables y sea f(x) = max{f (x),..., f k (x)}. Considere además el problema (P ) min f(x) x Demuestre que todo mínimo local de (P ) es un mínimo global..4 Ejercicios Resueltos Ejercicio.4. Una función f se dice homogénea de primer grado si satisface la siguiente igualdad: f(λx) = λf(x) x IR n, λ. Además, una función homogenea se dice subaditiva si satisface la siguiente desigualdad: f(x + y) f(x) + f(y) x, y IR n. Pruebe que una una función homogenea es convexa si y sólo si es subaditiva. Ejercicio.4. Sean f i : IR n IR m funciones convexas i =,..., m. Sean además λ i i =,..., m escalares no negativos. Pruebe que: es convexa. g(x) = k λ i f i (x), 45
46 Solución. Sean x, y IR n. Sea además λ (, ). De la definición de g se tiene que g(λx + ( λ)y) = m λ i f i (λx + ( λ)y) como cada f i es convexa, obtenemos además que f i (λx + ( λ)y) λf i (x) + ( λ)f i (y) i por lo tanto: g(λx + ( λ)y) = m λ i f i (λx + ( λ)y) m λ i [λf i (x) + ( λ)f i (y)] = λ m λ i f i (x) + ( λ) m λ i f i (y) = λg(x) + ( λ)g(y) De la definición, g es convexa. Ejercicio.4.3 Considere f i : IR n (, ] con i I. I un conjunto arbitrario. Considere además g : IR n (, ], dada por: g(x) = sup f i (x) i I Si f i es convexa i I. Muestre que g es convexa. Solución Usaremos el hecho de que g es convexa ssi epi(g) es convexo. Así, un par (x, α) epi(g) ssi g(x) α. Lo que es equivalente a f i (x) α i I. Por lo tanto, (x, α) i I epi(f i ) i.e, epi(g) = i I epi(f i ). Así, como f i es convexa i I, y además la intersección arbitraria de convexos es convexa (Observación..), entonces epi(g) es convexo g es convexa Ejercicio.4.4 Muestre que la función f : IR n IR es lineal afín ssi es cóncava y convexa. 46
47 Solución. Una función lineal afín es aquella que se escribe como: f(x) = c t x + α. ( ) Evidentemente f es cóncava y convexa. ( ) Sea f cóncava y convexa, i.e f(λx + ( λ)y) = λf(x) + ( λ)f(y) Sea L(x) = f(x) f(). Demostremos que L es lineal. Sea λ f(λx) = f(λx + ( λ)) = λf(x) + ( λ)f() De donde L(λx) = f(λx) f() = λf(x)+( λ)f() f() = λf(x) λf() = λl(x) Por otro lado, L(x + y) = f(x + y) f() = f( x + y) f() = f(x) + f(y) f() = f( x) f() + f(y) f() f() = L(x) + L(y) Ahora, L() = f() f() =. Con lo cual, = L(x x) = L(x) + L( x). Asi obtenemos, L( x) = L(x) Como todo α IR se puede escribir como sgn(α)(n + λ),con n IN y λ (, ), deducimos que L es lineal, y L + f() es lineal afín, con lo cual f es lineal afín. Ejercicio.4.5 Sea S un conjunto convexo cerrado no vacío en IR n y sea f : IR n IR definida por: Demuestre que f es convexa. f(y) = inf x y x S Solución. Supongamos que no es convexa, i.e z, x y λ tales que: inf x S λ z + ( λ )y x > λ inf x S x z + ( λ ) inf x S x y 47
48 Sea x S tal que x z = inf x S x z De esta menera: λ f(z ) + ( λ )f(y ) = inf λ (x z ) + ( λ )(x y ) x S inf λ (z x ) + ( λ )(y x) inf λ z + ( λ o )y [λ x + ( λ )x] x S x S De lo cual obtenemos que inf x S λ z +( λ )y x > inf x S λ z +( λ )y [λ x +( λ x] Para λ tenemos que λ x + ( λ )x S, por ser convexo. Así definamos L = {l S/l = λ x +( λ )x}, es claro que L S. Con esto podemos reescribir la última desigualdad como: o de otra forma, Lo cual es una contradicción inf x S λ z + ( λ )y x > inf l L λ z + ( λ )y l inf η x > inf η x x S x L Ejercicio.4.6 Sea A M m n (IR), B M l n (IR), c IR n. Uno y sólo uno de los siguientes sistemas tiene solución: () Ax, Bx =, c t x >, algún x IR n. () A t y + B t z = c, y, algún y IR n, z IR n. Solución Consideremos la matriz à = A B B. Notemos que () es equivalente a Ãx, c t x >, algún x IR n. y Sea u = z, con z, z tales que z = z + z. De este modo, u. z à t u = [ A t B t B ] y t z = A t y + B t z B t z = A t y + B t z = c, define un sistema z equivalente a (). 48
49 Se concluye usando Farkas. Ejercicio.4.7 Dados x, b, c IR n, con x y M m n (IR) se definen: Z(b) = max Ax b ct x V (c) = max Ax b ct x Demuestre que Z es convexa y V es cóncava; asumiendo que b y c están en dominios convexos en que los dos problemas son factibles y acotados. Comente que sucede si levantamos estas suposiciones. Solución Sea λ [, ]. Debemos probar que b, b lados derechos, se tiene que: y que c, c vectores de costo, se tiene que: Z(λb + ( λ)b ) λz(b ) + ( λ)z(b ) V (λc + ( λ)c ) λv (c ) + ( λ)v (c ). Probemos que Z(b) es convexa: Sean Z(b ) = c t x con x Ax = b Z(b ) = c t x con x Ax = b (x, x son soluciones al problema (P) con lado derecho b, b, respectivamente) Tomando x = λx + ( λ)x, se tiene que Ax = A(λx + ( λ)x ) = λb + ( λ)b. () Claramente x. () De () y () se tiene que x es solución del problema (P) con lado derecho λb + ( λ)b. El valor óptimo de este problema es Z(λb + ( λ)b ) c t (λx + ( λ)x ) = λz(b ) + ( λ)z(b ), luego Z(b) es convexa. Probemos ahora que V (c) es cóncava: Sea x solución óptima del problema 49
50 (P c ) max c t x Ax = b x con c = λc + ( λ)c. Claramente x es factible para (P c ) y (P c ), luego V (c ) c t x y V (c ) c t x. Así, λv (c ) + ( λ)v (c ) λc t x + ( λ)c t x = c t x = V (λc + ( λ)c ) Luego, V (c) es cóncava. 5
51 Capítulo 3 Programación Lineal 3. Introducción a la programación lineal Un problema de programación lineal se escribe de manera explícita como: (P L) min z = c x + c x c n x n + c n x n a, x + a, x a,n x n + a,n x n = b a, x + a, x a,n x n + a,n x n = b O en forma compacta como:.... a m, x + a m, x a m,n x n + a m,n x n = b m x i i (P L) min z = c t x sa. Ax = b x con x, c IR n, b IR m, A M m n (IR), con m n. En la función objetivo o criterio c t x, la variable x se conoce como variable de decisión o nivel de actividad y c como vector de costos. El conjunto de restricciones S = {Ax = b, x } es un poliedro cerrado y se llama conjunto factible. La matriz A se conoce como la matriz de coeficientes tecnológicos y b como vector de recursos o,simplemente, lado derecho. Otras definiciones preliminares: 5
Algebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
Más detallesTeoremas de Convergencia
Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detalles1. Convergencia en medida
FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA3801 Teoría de la Medida. Semestre 2009-02 Profesor: Jaime San Martín Auxiliares: Andrés Fielbaum y Cristóbal Guzmán Clase auxiliar 7 21 de Septiembre
Más detallesEspacios conexos. Capítulo Conexidad
Capítulo 5 Espacios conexos 1. Conexidad En este capítulo exploraremos el concepto de conexidad en un espacio métrico, y estudiaremos algunas de sus aplicaciones. Definición 5.1. Decimos que el espacio
Más detallesMÉTODOS MATEMÁTICOS DE LA ECONOMÍA
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Economía Aplicada Subsección de Matemáticas Esquemas teóricos de la asignatura de las licenciaturas en Economía
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesNotas sobre el teorema minimax
Notas sobre el teorema mini Antonio Martinón Abril de 2012 1 Teoremas mini Sean X e Y dos conjuntos no vacíos y consideremos una función Se verifica sup inf efectivamente, dado x X resulta claro que f
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesFunciones convexas Definición de función convexa. Tema 10
Tema 10 Funciones convexas Los resultados obtenidos en el desarrollo del cálculo diferencial nos permiten estudiar con facilidad una importante familia de funciones reales de variable real definidas en
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Más detalles1. Construcción de la Integral
1. Construcción de la Integral La integral de Riemann en R n es una generalización de la integral de funciones de una variable. La definición que vamos a dar reproduce el método de Darboux para funciones
Más detallesSemana03[1/17] Funciones. 16 de marzo de Funciones
Semana03[1/17] 16 de marzo de 2007 Introducción Semana03[2/17] Ya que conocemos el producto cartesiano A B entre dos conjuntos A y B, podemos definir entre ellos algún tipo de correspondencia. Es decir,
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesDemostraciones a Teoremas de Límites
Demostraciones a Teoremas de Límites Programa de Bachillerato.Universidad de Chile. Otoño, 009 En esta sección solo daremos los fundamentos teóricos que nos permiten resolver los problemas que se nos plantean,
Más detalles1. Sucesiones y redes.
1. Sucesiones y redes. PRACTICO 7. REDES. Se ha visto que el concepto de sucesión no permite caracterizar algunas nociones topológicas, salvo en espacios métricos. Esto empieza con algunas definiciones
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesFunciones integrables en R n
Capítulo 1 Funciones integrables en R n Sean un subconjunto acotado de R n, y f : R una función acotada. Sea R = [a 1, b 1 ]... [a n, b n ] un rectángulo que contenga a. Siempre puede suponerse que f está
Más detallesProceso Selectivo para la XXII IMC, Bulgaria
Proceso Selectivo para la XXII IMC, Bulgaria Facultad de Ciencias UNAM Instituto de Matemáticas UNAM SUMEM Indicaciones Espera la indicación para voltear esta hoja. Mientras tanto, lee estas instrucciones
Más detallesCAPÍTULO 4: DERIVADAS DE ORDEN SUPERIOR. En este capítulo D denota un subconjunto abierto de R n.
April 15, 2009 En este capítulo D denota un subconjunto abierto de R n. 1. Introducción Definición 1.1. Dada una aplicación f : D R, definimos la derivada parcial segunda de f como D ij f = 2 f = ( ) x
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesELEMENTOS DE GEOMETRÍA. Eduardo P. Serrano
ELEMENTOS DE GEOMETRÍA Eduardo P. Serrano Este Apunte de Clase está dirigido a los alumnos de la materia Elementos de Cálculo Numérico para Biólogos. Tiene por objeto exponer algunos conceptos básicos
Más detallesPor ser f continua y R compacto, existen x 0, y 0 en R tales que f(x 0 ) = sup{f(t) : t R} y f(y 0 ) = inf{f(t) : t R}
Proposición. Sea un rectángulo en R n, y sea f : R una función continua. Entonces f es integrable en. Conjuntos de Demostración: Como f es continua en, y es compacto, f es acotada en, y uniformemente continua.
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, habilidades básicas de resolver sistemas de ecuaciones Ejemplo El número real
Más detallesUNIDAD 6.- PROGRAMACIÓN LINEAL
UNIDAD 6.- PROGRAMACIÓN LINEAL 1. INECUACIONES LINEALES CON DOS INCÓGNITAS Una inecuación de primer grado con dos incógnitas es una inecuación que en forma reducida se puede expresar de la siguiente forma:
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 detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Enteros
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Z = N {0} N Enteros Las operaciones + y. son cerradas en Z, es decir la suma de dos números enteros es un número entero y el producto
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesContinuidad. 5.1 Continuidad en un punto
Capítulo 5 Continuidad 5.1 Continuidad en un punto Definición 5.1.1 (Aplicación continua en un punto). Sean (X, τ) e (Y, τ ) dos espacios topológicos, y sea f : X Y una aplicación entre ellos. Diremos
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesRecordemos que utilizaremos, como es habitual, la siguiente notación para algunos conjuntos de números que son básicos.
Capítulo 1 Preliminares Vamos a ver en este primer capítulo de preliminares algunos conceptos, ideas y propiedades que serán muy útiles para el desarrollo de la asignatura. Se trata de resultados sobre
Más detallesUna topología de los números naturales*
Una topología de los números naturales* Divulgación Gabriel Ruiz Hernández Instituto de Matemáticas, UNAM 1 de septimebre de 1997 resumen En este trabajo vamos a describir un espacio topológico X con las
Más detallesCONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.
CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función
Más detallesSobre funciones reales de variable real. Composición de funciones. Función inversa
Sobre funciones reales de variable real. Composición de funciones. Función inversa Cuando en matemáticas hablamos de funciones pocas veces nos paramos a pensar en la definición rigurosa de función real
Más detallesINTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA
INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.
Más detallesCapítulo 8: Vectores
Capítulo 8: Vectores 1. Lección 30. Operaciones con vectores 1.1. Vectores El concepto de vector aparece en Física para describir magnitudes, tales como la fuerza que actúa sobre un punto, en las que no
Más detallesOperador Diferencial y Ecuaciones Diferenciales
Operador Diferencial y Ecuaciones Diferenciales. Operador Diferencial Un operador es un objeto matemático que convierte una función en otra, por ejemplo, el operador derivada convierte una función en una
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 2: Lunes 18 Viernes 22 de Marzo. Contenidos
Cálculo Coordinación de Matemática I MAT021 1 er Semestre de 2013 Semana 2: Lunes 18 Viernes 22 de Marzo Contenidos Clase 1: La Ecuación Cuadrática. Inecuaciones de grado 2, con y sin valor absoluto. Clase
Más detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detallesSucesiones Introducción
Temas Límites de sucesiones. convergentes. Sucesiones divergentes. Sucesiones Capacidades Conocer y manejar conceptos de sucesiones convergentes y divergentes. Conocer las principales propiedades de las
Más detallesEspacios Topológicos 1. Punto de Acumulación. Al conjunto de puntos de acumulación de A se le denomina el conjunto derivado de A (A a Notación).
Espacios Topológicos 1 Punto de Acumulación Definición: Sea A un subconjunto arbitrario de R n, se dice que x R n es un punto de acumulación de A si toda bola abierta con centro x contiene un punto A distinto
Más detallesTEMA 11. VECTORES EN EL ESPACIO
TEMA 11. VECTORES EN EL ESPACIO Dados dos puntos y, se define el vector como el segmento orientado caracterizado por su módulo, su dirección y su sentido. Dos vectores son equipolentes si tienen el mismo
Más detallesIntegrales múltiples
ntegrales múltiples Cálculo (2003) El objetivo de este capítulo es definir y aprender a calcular integrales de funciones reales de varias variables, que llamamos integrales múltiples. Las motivación más
Más detallesInformación importante
Coordinación de Matemática I (MAT01) 1 er Semestre de 010 Semana 7: Lunes 3 viernes 7 de Mayo Información importante El proceso de apelación del primer certamen comienza esta semana. Los cuadernillos los
Más detallesAnillo de polinomios con coeficientes en un cuerpo
Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesTeoremas de convergencia y derivación bajo el signo integral
Capítulo 8 Teoremas de convergencia y derivación bajo el signo integral En este capítulo estudiaremos sucintamente bajo qué circunstancias puede intercambiarse el orden de la integral con las operaciones
Más detallesLección 2: Funciones vectoriales: límite y. continuidad. Diferenciabilidad de campos
Lección 2: Funciones vectoriales: límite y continuidad. Diferenciabilidad de campos vectoriales 1.1 Introducción En economía, frecuentemente, nos interesa explicar la variación de unas magnitudes respecto
Más detallesNÚMEROS COMPLEJOS: C
NÚMEROS COMPLEJOS: C Alejandro Lugon 21 de mayo de 2010 Resumen Este es un pequeño estudio de los números complejos con el objetivo de poder usar las técnicas de solución de ecuaciones y sistemas diferenciales
Más detallesÁlgebra Lineal VII: Independencia Lineal.
Álgebra Lineal VII: Independencia Lineal José María Rico Martínez Departamento de Ingeniería Mecánica División de Ingenierías, Campus Irapuato-Salamanca Universidad de Guanajuato email: jrico@salamancaugtomx
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detalles1. Producto escalar. Propiedades Norma de un vector. Espacio normado. 1.2.Ortogonalidad. Ángulos. 1.4.Producto escalar en V 3.
. Producto escalar. Propiedades... Norma de un vector. Espacio normado...ortogonalidad. Ángulos..3.Producto escalar en V..4.Producto escalar en V 3.. Producto vectorial de dos vectores de V 3...Expresión
Más detallesTeorema del valor medio
Práctica 6 - Parte 1 Teorema del valor medio El teorema del valor medio para derivadas (o teorema de Lagrange) es un resultado central en la teoría de funciones reales. Este teorema relaciona valores de
Más detalles1. ECUACIONES DIFERENCIALES ORDINARIAS
1 1. ECUACIONES DIFERENCIALES ORDINARIAS 1.1. PRIMERAS DEFINICIONES. PROBLEMA DEL VALOR INICIAL Definición 1.1. Una ecuación diferencial es una ecuación en la que intervienen una variable dependiente y
Más detallesb) Sea una relación de equivalencia en A y una operación en A. Decimos que y son compatibles si a b a c b c y c a c b para todo a, b, c A
APENDICE Relaciones y Operaciones Compatibles 1 Definición: a) Sea A un conjunto y una relación entre elementos de A. Decimos que es una relación de equivalencia si es: i Reflexiva: a A, a a. ii Simétrica:
Más detallesSubconjuntos notables de un Espacio Topológico
34 Capítulo 4 Subconjuntos notables de un Espacio Topológico 4.1 Adherencia Definición 4.1.1 (Punto adherente). Sea (X, τ) un espacio topológico, y sea S un subconjunto de X. Diremos que x X es un punto
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 5 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesSistemas de dos ecuaciones lineales de primer grado con dos incógnitas
Un sistema de dos ecuaciones lineales de primer grado con dos incógnitas tiene la siguiente forma Ax + By + C = 0 A x + B y + C (1) = 0 Ya sabemos que una ecuación lineal de primer grado con dos incógnitas
Más detallesCÁLCULO II. Grado M+I. Sucesiones y series de funciones. Sucesiones y series de funciones 1 / 27. Grado M+I () CÁLCULO II
CÁLCULO II Grado M+I Sucesiones y series de funciones Sucesiones y series de funciones 1 / Sucesiones funciones. Convergencia puntual Sucesión de funciones Definición Una sucesión de funciones será cualquier
Más detallesSemana 2 [1/24] Derivadas. August 16, Derivadas
Semana 2 [1/24] August 16, 2007 Máximos y mínimos: la regla de Fermat Semana 2 [2/24] Máximos y mínimos locales Mínimo local x es un mínimo local de la función f si existe ε > 0 tal que f( x) f(x) x (
Más detallesIES Fco Ayala de Granada Junio de 2012 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna Opción A Ejercicio 1 opción A, modelo Junio 01 común Sea f : R R la función definida como f(x) = e x.(x ). [1 punto]
Más detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detalles3- Sistemas de Ecuaciones Lineales
Nivelación de Matemática MTHA UNLP 1 3- Sistemas de Ecuaciones Lineales 1. Introducción Consideremos el siguiente sistema, en él tenemos k ecuaciones y n incógnitas. Los coeficientes a ij son números reales
Más detallesConjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación.
NÚMEROS REALES Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. Un conjunto es una colección bien definida
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detallesUnidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD DE CIENCIAS FÍSICO MATEMÁTICAS EXTENSIÓN DE LOS TEOREMAS DE CONSISTENCIA PARA SISTEMAS DE INECUACIONES LINEALES SEMI-INFINITOS Tesis para obtener el título
Más detallesTransformaciones lineales y matrices
CAPíTULO 5 Transformaciones lineales y matrices 1 Matriz asociada a una transformación lineal Supongamos que V y W son espacios vectoriales de dimensión finita y que T : V W es una transformación lineal
Más detalles(x + y) + z = x + (y + z), x, y, z R N.
TEMA 1: EL ESPACIO R N ÍNDICE 1. El espacio vectorial R N 1 2. El producto escalar euclídeo 2 3. Norma y distancia en R N 4 4. Ángulo y ortogonalidad en R N 6 5. Topología en R N 7 6. Nociones topológicas
Más detallesGEOMETRÍA. que pasa por el punto P y es paralelo a π. (0,9 puntos) b) Determinar la ecuación del plano π
GEOMETRÍA 1.- Se considera la recta r : ( x, y, z) = ( t + 1, t,3 t), el plano π: x y z = 0y el punto P (1,1,1). Se pide: a) Determinar la ecuación del plano π 1 que pasa por el punto P y es paralelo a
Más detallesGráficas de funciones sobre variedades
Gráficas de funciones sobre variedades Oscar Perdomo Resumen Dadas una variedad riemanniana compacta n dimensional (M, g) y una función diferenciable F : M R k consideraremos la variedad M = {(x, F (x))
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detallesCÁLCULO DIFERENCIAL Muestras de examen
CÁLCULO DIFERENCIAL Muestras de examen Febrero 2012 T1. [2] Demostrar que la imagen continua de un conjunto compacto es compacto. T2. [2.5] Definir la diferencial de una función en un punto y demostrar
Más detallesALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Más detallesÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3
ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión
Más detallesAnálisis III. Joaquín M. Ortega Aramburu
Análisis III Joaquín M. Ortega Aramburu Septiembre de 1999 Actualizado en julio de 2001 2 Índice General 1 Continuidad en el espacio euclídeo 5 1.1 El espacio euclídeo R n...............................
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesPROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES. Problemas 02
PROBLEMAS RESUELTOS DE PREPARACIÓN PARA OPOSICIONES Problemas 0 Salvador Pérez Gómez pies3coma14@hotmail.com 4 de abril de 007 PROBLEMA 1 Sea n un número natural. Sea A n = n + n + 3n. a) Demostrar que
Más detallesConjuntos Medibles. Preliminares
Capítulo 18 Conjuntos Medibles Preliminares En el capítulo anterior vimos que la medida exterior de Lebesgue no resulta σ-aditiva en todo R n. Ahora vamos a construir una familia M de subconjuntos de R
Más detalles1 NOCIONES BÁSICAS SOBRE CONJUNTOS. SÍMBOLOS.
UNIDAD 1.- CONCEPTOS REQUERIDOS CONJUNTOS. AXIOMAS DE PERTENENCIA, PARALELISMO, ORDEN Y PARTICIÓN. 1 NOCIONES BÁSICAS SOBRE CONJUNTOS. SÍMBOLOS. 1.1 Determinaciones de un conjunto. Un conjunto queda determinado
Más detallesMATEMÁTICASII Curso académico BLOQUE GEOMETRÍA. TEMA 1: VECTORES
MATEMÁTICASII Curso académico 2015-2016 BLOQUE GEOMETRÍA. TEMA 1: VECTORES 1.1 VECTORES DEL ESPACIO. VECTORES LIBRES DEL ESPACIO Sean y dos puntos del espacio. Llamaremos vector (fijo) a un segmento orientado
Más detallesMatriz asociada a una transformación lineal respecto a un par de bases
Matriz asociada a una transformación lineal respecto a un par de bases Objetivos Definir la matriz asociada a una transformación lineal respecto a un par de bases y estudiar la representación matricial
Más detallesMÁS REFLEXIONES SOBRE CONJUNTOS ESTRELLADOS: LA FÁBRICA DE CONTRAEJEMPLOS
MÁS REFLEXIONES SOBRE CONJUNTOS ESTRELLADOS: LA FÁBRICA DE CONTRAEJEMPLOS Comunicación efectuada por el Dr. Guillermo Hansen en la Academia Nacional de Ciencias de Buenos Aires en la sesión privada extraordinaria
Más detallesTema 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
Más detalles