Optimización Clásica. Yolanda Hinojosa
|
|
- Lorenzo Caballero Espejo
- hace 5 años
- Vistas:
Transcripción
1 Optimización Clásica Yolanda Hinojosa
2 Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones necesarias de óptimo Análisis de sensibilidad. Interpretación de los multiplicadores de Lagrange Aplicaciones
3 Ejemplo En una planta industrial funcionan dos procesos productivos entre los que es preciso repartir un único input. Sean x e y las cantidades de dicho input asignadas a cada uno de ambos procesos. Se estima que el beneficio total obtenido por la planta viene dado por la función B(x,y) = 200 (x 5) 2 (y 5) 2 u.m. 1. Qué cantidad de input, repartido entre x e y maximiza el beneficio?. Hállese dicho beneficio. 2. Si se impone que el consumo de input debe ser exactamente de 6 unidades, Qué cantidades de x e y necesitaremos ahora para maximizar el beneficio? 3. Estúdiese el apartado anterior en el caso general de que nos impongan un consumo de k unidades. Hágase la interpretación económica de los resultados. 4. Si en el caso k=6, le ofrecen a la planta adquirir una unidad nueva de input por 7 u. m. Debe la planta adquirirla o no?
4 Extremos de funciones de varias variables Objetivo: Encontrar de entre todas las soluciones factibles aquellas para las que la función objetivo es óptima (óptimos) Máximo 10 Curvas de nivel
5 Extremos de funciones de varias variables Condición necesaria de 1 er orden de óptimo local: Sea f : D R n R diferenciable en x int(d). Si x es un óptimo local de f entonces f(x ) = 0.
6 Extremos de funciones de varias variables Condición necesaria de 1 er orden de óptimo local: Sea f : D R n R diferenciable en x int(d). Si x es un óptimo local de f entonces f(x ) = 0. A los puntos que anulan el gradiente se les llama puntos críticos o estacionarios. Los puntos críticos pueden ser máximos, mínimos o puntos de silla. x es un punto de silla de f si es un punto crítico y B(x, r) D x 1, x 2 B(x, r) tales que f(x 1 ) > f(x ) y f(x 2 ) < f(x ). Ejemplo: (0,0) es un punto de silla de la función f(x, y) = x 2 y 2 Punto de Silla Curvas de nivel
7 Condiciones de Optimalidad Global 1 Dada f : S R n R una función convexa definida en un conjunto convexo S R n se verifica que: Si x S es un mínimo local de f, entonces x es un mínimo global. El conjunto de todos los mínimos de f es un conjunto convexo. (Si f es cóncava se obtiene un resultado análogo para máximos).
8 Condiciones de Optimalidad Global 1 Dada f : S R n R una función convexa definida en un conjunto convexo S R n se verifica que: Si x S es un mínimo local de f, entonces x es un mínimo global. El conjunto de todos los mínimos de f es un conjunto convexo. (Si f es cóncava se obtiene un resultado análogo para máximos). 2 Si f : S R n R es una función convexa y diferenciable en int(s) entonces todos los puntos críticos de f (en caso de que existan) son mínimos globales.
9 Condiciones de Optimalidad Global 1 Dada f : S R n R una función convexa definida en un conjunto convexo S R n se verifica que: Si x S es un mínimo local de f, entonces x es un mínimo global. El conjunto de todos los mínimos de f es un conjunto convexo. (Si f es cóncava se obtiene un resultado análogo para máximos). 2 Si f : S R n R es una función convexa y diferenciable en int(s) entonces todos los puntos críticos de f (en caso de que existan) son mínimos globales. 3 Si f : S R n R es una función cóncava y diferenciable en int(s) entonces todos los puntos críticos de f (en caso de que existan) son máximos globales.
10 Condiciones de Optimalidad Global 1 Dada f : S R n R una función convexa definida en un conjunto convexo S R n se verifica que: Si x S es un mínimo local de f, entonces x es un mínimo global. El conjunto de todos los mínimos de f es un conjunto convexo. (Si f es cóncava se obtiene un resultado análogo para máximos). 2 Si f : S R n R es una función convexa y diferenciable en int(s) entonces todos los puntos críticos de f (en caso de que existan) son mínimos globales. 3 Si f : S R n R es una función cóncava y diferenciable en int(s) entonces todos los puntos críticos de f (en caso de que existan) son máximos globales. Nota: Los puntos críticos son puntos interiores del dominio de definición. En algunos casos para buscar los máximos y mínimos de una función se hace necesario comprobar qué ocurre en los puntos de la frontera que pertenezcan al dominio de la función (en caso de que existan). Ejemplos: Estudiar la existencia de máximos y mínimos de las funciones f (x) = x, f (x, y) = x + y.
11 Extremos de funciones de varias variables Condiciones de 2 o orden Hipótesis: Sea f : D R n R, dos veces diferenciable con continuidad en un punto crítico, x int(d). Por tanto: (Fórmula de Taylor) f(x + h) = f(x ) + f(x )h ht Hf(x )h + R(x, h) Si denotamos por q(h) = h t Hf(x ) h h R n la forma cuadrática asociada al hessiano en x, se tiene que: signo(f(x + h) f(x )) = signo(q)
12 Extremos de funciones de varias variables Condiciones de 2 o orden Hipótesis: Sea f : D R n R, dos veces diferenciable con continuidad en un punto crítico, x int(d). Por tanto: (Fórmula de Taylor) f(x + h) = f(x ) + f(x )h ht Hf(x )h + R(x, h) Si denotamos por q(h) = h t Hf(x ) h h R n la forma cuadrática asociada al hessiano en x, se tiene que: signo(f(x + h) f(x )) = signo(q) Condición suficiente de 2 o orden: Si q es definida positiva, entonces x es un mínimo relativo estricto. Si q es definida negativa, entonces x es un máximo relativo estricto. Si q es indefinida, entonces x es un punto de silla. Nota: Si q es semidefinida positiva, entonces x es un mínimo ó un punto de silla. Si q es semidefinida negativa, entonces x es un máximo ó un punto de silla.
13 Extremos de funciones de varias variables Condiciones de 2 o orden Hipótesis: Sea f : D R n R, dos veces diferenciable con continuidad en un punto crítico, x int(d). Por tanto: (Fórmula de Taylor) f(x + h) = f(x ) + f(x )h ht Hf(x )h + R(x, h) Si denotamos por q(h) = h t Hf(x ) h h R n la forma cuadrática asociada al hessiano en x, se tiene que: signo(f(x + h) f(x )) = signo(q) Condición suficiente de 2 o orden: Si q es definida positiva, entonces x es un mínimo relativo estricto. Si q es definida negativa, entonces x es un máximo relativo estricto. Si q es indefinida, entonces x es un punto de silla. Nota: Si q es semidefinida positiva, entonces x es un mínimo ó un punto de silla. Si q es semidefinida negativa, entonces x es un máximo ó un punto de silla. Ejemplo inicial: 1. máx B(x, y) = 200 (x 5) 2 (y 5) 2
14 Metodos Numéricos para el cálculo de óptimos Dado el problema: min x R n f (x) se dice que d R n es una dirección de descenso de la función f en un punto x R n si: f (x + λd) < f (x) λ R arbitrariamente pequeño
15 Metodos Numéricos para el cálculo de óptimos Dado el problema: min x R n f (x) se dice que d R n es una dirección de descenso de la función f en un punto x R n si: f (x + λd) < f (x) λ R arbitrariamente pequeño 1 Algoritmo: Paso 0. Determinar un punto inicial x 0. Paso k. Dado x k y una dirección de descenso d k, calcular la longitud de paso λ k, p.ej., como solución de min λ f (x k + λd k ). Paso k + 1. Considerar x k+1 = x k + λ k d k. Criterios de parada: f (x k ) < ɛ. f (x k+1 ) f (x k ) < ɛ. x k+1 x k < ɛ.
16 Metodos Numéricos para el cálculo de óptimos Dado el problema: min x R n f (x) se dice que d R n es una dirección de descenso de la función f en un punto x R n si: f (x + λd) < f (x) λ R arbitrariamente pequeño 1 Algoritmo: Paso 0. Determinar un punto inicial x 0. Paso k. Dado x k y una dirección de descenso d k, calcular la longitud de paso λ k, p.ej., como solución de min λ f (x k + λd k ). Paso k + 1. Considerar x k+1 = x k + λ k d k. Criterios de parada: f (x k ) < ɛ. f (x k+1 ) f (x k ) < ɛ. x k+1 x k < ɛ.
17 Extremos bajo restricciones de igualdad Sean f, g i : D R n R, b i R, (i = 1,..., m < n). El problema es: Optimizar f(x) s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m (x) = b m
18 Extremos bajo restricciones de igualdad Sean f, g i : D R n R, b i R, (i = 1,..., m < n). El problema es: Optimizar f(x) s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m (x) = b m Óptimo condicionado
19 Extremos bajo restricciones de igualdad Sean f, g i : D R n R, b i R, (i = 1,..., m < n). El problema es: Optimizar f(x) Resolución: s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m (x) = b m Óptimo condicionado a forma: Si es posible, despejar m variables en función de las n m restantes. Ejemplo inicial: 2. máx B(x, y) = 200 (x 5) 2 (y 5) 2 s. a. x + y = 6
20 Extremos bajo restricciones de igualdad Sean f, g i : D R n R, b i R, (i = 1,..., m < n). El problema es: Optimizar f(x) Resolución: s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m (x) = b m Óptimo condicionado a forma: Si es posible, despejar m variables en función de las n m restantes. máx B(x, y) = 200 (x 5) 2 (y 5) 2 Ejemplo inicial: 2. s. a. x + y = 6 Nota: Esto no siempre es posible y además no permite realizar un estudio postoptimal. 2 a forma: Método de los multiplicadores de Lagrange.
21 Extremos bajo restricciones de igualdad f : R 2 R Condiciones de 1 er orden f 4 g
22 Extremos bajo restricciones de igualdad f : R 2 R Condiciones de 1 er orden f 4 g Si x es un óptimo local condicionado y g 1 (x ),..., g m (x ) son linealmente independientes (condiciones de regularidad), entonces existen λ 1,..., λ m R, denominados multiplicadores de Lagrange, tales que f(x ) = λ 1 g 1 (x ) + + λ m g m (x )
23 Extremos bajo restricciones de igualdad Función de Lagrange: L(x, λ) = f(x) + λ 1 (b 1 g 1 (x)) + + λ m (b m g m (x)). A λ 1,..., λ m R, se les llama multiplicadores de Lagrange Propiedades: Si x es un punto factible del problema condicionado entonces L(x, λ) = f(x). L(x, λ) = ¼ f(x) λ 1 g 1 (x) λ m g m (x) b 1 g 1 (x). b m g m (x) Por tanto, si L(x, λ) = 0 entonces, x es un punto factible del problema condicionado y además f(x) = λ 1 g 1 (x) + + λ m g m (x). ½.
24 Extremos bajo restricciones de igualdad Función de Lagrange: L(x, λ) = f(x) + λ 1 (b 1 g 1 (x)) + + λ m (b m g m (x)). A λ 1,..., λ m R, se les llama multiplicadores de Lagrange Propiedades: Si x es un punto factible del problema condicionado entonces L(x, λ) = f(x). L(x, λ) = ¼ f(x) λ 1 g 1 (x) λ m g m (x) b 1 g 1 (x). b m g m (x) Por tanto, si L(x, λ) = 0 entonces, x es un punto factible del problema condicionado y además f(x) = λ 1 g 1 (x) + + λ m g m (x). Teorema de los multiplicadores de Lagrange (Condición necesaria de 1 er orden): Sean f, g i : D R n R de clase C 1 en int(d) (i = 1,..., m < n). Si x int(d) es un óptimo local condicionado y g 1 (x ),..., g m (x ) son linealmente independientes, entonces existe λ = (λ 1,..., λ m) tal que (x, λ ) es un punto crítico de la función de Lagrange ( L(x, λ ) = 0) ½.
25 Condiciones de Optimalidad Global bajo restricciones de igualdad Sean f, g i : D R n R, b i R, ( i = 1,..., m < n) funciones C 1 en int(d). Dado el siguiente problema : se verifica que: Optimizar f (x) s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m(x) = b m (I) 1 Supongamos que (I) es un problema de minimización. Si f es una función convexa en D y las funciones g i i = 1,..., m son funciones lineales, entonces cualquier punto que satisfaga las condiciones necesarias de primer orden ( L(x, λ) = 0) es un mínimo global de (I). 2 Supongamos que (I) es un problema de maximización. Si f es una función cóncava en D y las funciones g i i = 1,..., m son funciones lineales, entonces cualquier punto que satisfaga las condiciones necesarias de primer orden ( L(x, λ) = 0) es un máximo global de (I).
26 Condiciones de Optimalidad Global bajo restricciones de igualdad Sean f, g i : D R n R, b i R, ( i = 1,..., m < n) funciones C 1 en int(d). Dado el siguiente problema : se verifica que: Optimizar f (x) s.a. g 1 (x) = b 1 g 2 (x) = b 2. g m(x) = b m (I) 1 Supongamos que (I) es un problema de minimización. Si f es una función convexa en D y las funciones g i i = 1,..., m son funciones lineales, entonces cualquier punto que satisfaga las condiciones necesarias de primer orden ( L(x, λ) = 0) es un mínimo global de (I). 2 Supongamos que (I) es un problema de maximización. Si f es una función cóncava en D y las funciones g i i = 1,..., m son funciones lineales, entonces cualquier punto que satisfaga las condiciones necesarias de primer orden ( L(x, λ) = 0) es un máximo global de (I). 3 Teorema de Weierstrass: Si f : R n R es una función continua y la región factible es un conjunto cerrado y acotado, entonces f tiene un mínimo y un máximo global.
27 Interpretación de los multiplicadores de Lagrange Cómo varía el valor óptimo de la función objetivo al incrementar en una unidad el término independiente de las restricciones (cantidad de recurso)?
28 Interpretación de los multiplicadores de Lagrange Cómo varía el valor óptimo de la función objetivo al incrementar en una unidad el término independiente de las restricciones (cantidad de recurso)? Sea x una solución óptima del problema condicionado, λ = (λ 1,, λ m ) el conjunto de multiplicadores asociados y sea f = f(x ) el valor óptimo de la función objetivo. Estos valores dependen del vector de recursos o términos independientes de las restricciones b = (b 1,, b m ): x = x (b), f = f (b) = f(x (b)). Se verifica que: f(x (b)) = λ i 1 i m b i A λ i se le conoce con el nombre de precio sombra o precio marginal y representa la cantidad que estaríamos dispuestos a pagar por una unidad más de recurso.
29 Interpretación de los multiplicadores de Lagrange Cómo varía el valor óptimo de la función objetivo al incrementar en una unidad el término independiente de las restricciones (cantidad de recurso)? Sea x una solución óptima del problema condicionado, λ = (λ 1,, λ m ) el conjunto de multiplicadores asociados y sea f = f(x ) el valor óptimo de la función objetivo. Estos valores dependen del vector de recursos o términos independientes de las restricciones b = (b 1,, b m ): x = x (b), f = f (b) = f(x (b)). Se verifica que: f(x (b)) = λ i 1 i m b i A λ i se le conoce con el nombre de precio sombra o precio marginal y representa la cantidad que estaríamos dispuestos a pagar por una unidad más de recurso. Ejemplo inicial: Apartado 3. máx B(x, y) = 200 (x 5) 2 (y 5) 2 s.a. x + y = k Apartado 4. k = 6, coste de la unidad adicional de input= 7 u.m.
30 Interpretación de los multiplicadores de Lagrange Cómo varía el valor óptimo de la función objetivo al incrementar en una unidad el término independiente de las restricciones (cantidad de recurso)? Sea x una solución óptima del problema condicionado, λ = (λ 1,, λ m ) el conjunto de multiplicadores asociados y sea f = f(x ) el valor óptimo de la función objetivo. Estos valores dependen del vector de recursos o términos independientes de las restricciones b = (b 1,, b m ): x = x (b), f = f (b) = f(x (b)). Se verifica que: f(x (b)) = λ i 1 i m b i A λ i se le conoce con el nombre de precio sombra o precio marginal y representa la cantidad que estaríamos dispuestos a pagar por una unidad más de recurso. Ejemplo inicial: Apartado 3. máx B(x, y) = 200 (x 5) 2 (y 5) 2 s.a. x + y = k Punto óptimo: (x, y, λ ) = ( k 2, k,10 k) 2 Apartado 4. k = 6, coste de la unidad adicional de input= 7 u.m.
Optimización 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 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 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 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 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 detallesSoluciones a los ejercicios propuestos: Matemáticas III. Curso Tema 9
Soluciones a los ejercicios propuestos: Matemáticas III. Curso 10 11 9 Tema 9 1. Consideremos el problema min F x, ys.a.:gx, y = b. Siendo F y g funciones con derivadas parciales continuas en IR. Supongamos
Más detallesx +3y 2t = 1 2x +y +z +t = 2 3x y +z t = 7 2x +6y +z +t = a (a) Realizamos transformaciones elementales sobre la matriz ampliada del sistema
UCM Matemáticas II Examen Final, 8/05/014 Soluciones 1 Dado el parámetro a R, se considera el sistema lineal x +y t = 1 x +y +z +t = x y +z t = 7 x +6y +z +t = a (a (6 puntos Discutir el sistema según
Más detallesMatemáticas para Economistas
Matemáticas para Economistas Parte II Optimización Clásica y con Restricciones Tema 5 Optimización sin Restricciones 5 Optimización sin Restricciones 5.1 Optimización sin Restricciones con una variable
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 detallesTema 5 Aplicaciones del cálculo diferencial
Tema 5 Aplicaciones del cálculo diferencial 1. APLICACIONES EN UNA VARIABLE 1.1. Extremos relativos. Proposición 1.1: Monotonía Sea f : [a, b] R continua en [a, b] y derivable en (a, b), entonces: (1)
Más detallesTema 7: Programación matemática
Tema 7: Programación matemática Formulación general: Optimizar f( x) sujeto a x X f : D R n R..................................................................... función objetivo x = (x 1, x 2,..., x
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 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 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 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 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 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 detallesMATEMATICAS III (Lic. en Economía. 01/12/04)
Departamento de Métodos Cuantitativos en Economía y Gestión Universidad de Las Palmas de G.C. MATEMATICAS III (Lic. en Economía. 01/12/04 1. El dominio de la función f(x, y = ln [ (x 2 y(x 1 2] es un conjunto:
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
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 detalles). Derivando e igualando a cero: u (x) = 0. x = 4 y = 4. 2 La segunda derivada: u (x) = u (4) = < 0, luego en 18 el punto (4,4) hay un máximo.
TEMA.- OPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD El problema consiste en optimizar una función de n variables z = f(x, x,..., x n ) sujeta a las m condiciones: g (x, x,..., x n ) = b g (x, x,..., x n
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 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 detallesGuía Semana 8 1. RESUMEN. Universidad de Chile. Ingeniería Matemática
1. RESUMEN FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo en Varias Variables 08-1 Guía Semana 8 Puntos críticos y optimización sin restricciones. Dada f : Ω Ê, los puntos x 0
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 detallesTEORIA MATEMATICAS 5 PRIMER PARCIAL
Def: Grafica de una función TEORIA MATEMATICAS 5 PRIMER PARCIAL Sea:. Definimos la grafica de f como el subconjunto de formado por los puntos, de en los que es un punto de U. Simbólicamente grafica es:
Más detallesTEMA 12 INTRODUCCIÓN A LA OPTIMIZACIÓN
TEMA 12 INTRODUCCIÓN A LA OPTIMIZACIÓN Preparación y Requisitos Objetivos Distinguir extremos locales de globales Utilizar las condiciones necesarias y/o suficientes para calcular los extremos de funciones
Más detallesUNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. INSTITUTO DE CIENCIAS BASICAS.
UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. INSTITUTO DE CIENCIAS BASICAS. Cálculo III, Examen Final. Semestre Primavera 1 Tiempo: 11 min. Problema 1 [1,5 puntos] La curvatura de una trayectoria
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Optimización con restricciones de igualdad Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Optimización con restricciones de igualdad 1
Más detallesMATEMATICAS III (Lic. en Economía. 14/07/04) Convocatoria adelantada de Septiembre
Departamento de Métodos Cuantitativos en Economía y Gestión Universidad de Las Palmas de G.C. MATEMATICAS III (Lic. en Economía. 14/7/4) Convocatoria adelantada de Septiembre 1. (*) Sea f(x, y) : { ax
Más detallesE.T.S.I. Industriales y Telecomunicación Curso Grados E.T.S.I. Industriales y Telecomunicación
Conocimientos previos Para poder seguir adecuadamente este tema, se requiere que el alumno repase ponga al día sus conocimientos en los siguientes contenidos: Cálculo de derivadas Propiedades de las funciones
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 detallesJesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 51 Formulación general del problema Óptimos locales Condición de regularidad Condiciones
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 detallesMatemáticas III Andalucía-Tech
Matemáticas III Andalucía-Tech Tema Optimización en campos escalares Índice 1. Formas cuadráticas y matrices simétricas reales 1. Extremos relativos de un campo escalar 3.1. Polinomio de Taylor de un campo
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 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 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 detalles9. Diferenciación de funciones reales de varias variables reales
9.2. Extremos 9.2.1. POLINOMIOS DE TAYLOR Polinomios de Taylor y de McLaurin Se llama polinomio de Taylor de orden n 1 de la función f(x, y) en (a, b) al polinomio: f(a, b) f(a, b) n (x, y) = f(a, b) +
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 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 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 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 detallesb) Escribir una restricción de forma que los puntos obtenidos en a) no sean solución del problema restringido.
1.- Sea f (x,y) = e x + e y, se pide: a) Existe algún punto óptimo de f?. b) Si se considera la función f sujeta a la restricción x + y = 2, existe algún punto óptimo?. 2.- Sea f (x,y) = x 2 + y 2 : a)
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 detallesFunciones de varias variables
Funciones de varias variables 7 de febrero de 008 1. Definiciones básicas Sean a, b puntos de R n (donde n N) con coordenadas: a = (a 1, a,, a n ); b = (b 1, b,, b n ) Se define la distancia euclídea entre
Más detallesBreve sobre Kuhn-Tucker
Breve sobre Kuhn-Tucker Alejandro Lugon 20 de agosto de 2010 Resumen Se presentan a manera de manual de referencia los resultados relevantes para la solución de problemas de maximización usando los resultados
Más detalles(x x 0 ) y 0. O bien z z 0 = x 0. y notamos a este límite ᾱ (t 0 ) = dᾱ dt (t 0).
O bien z z 0 = x 0 z 0 (x x 0 ) y 0 z 0 (y y 0 ). Para obtener la ecuación cartesiana de este plano hacemos x 0 (x x 0 )+y 0 (y y 0 )+z 0 (z z 0 ) = 0, como x 0 + y0 + z0 = x 0 + y0 + r (x 0 + y0) = r
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 detallesSolemne 1. Fecha: Miércoles 7 de mayo de 2014 Semestre Otoño 2014
Curso: CII2750 Optimización Profesores: Paul Bosch, Juan Pablo Cavada Fernando Paredes, Pablo Rey Solemne 1 Fecha: Miércoles 7 de mayo de 2014 Semestre Otoño 2014 Problema 1 Una empresa importadora de
Más detallesSe desea resolver el problema. P : mín f(x) (5.1)
Capítulo 5 Teoría Lagrangiana 5.1. Condiciones para problemas con restricciones de igualdad. Se desea resolver el problema P : mín f(x) (5.1) s.a : h i (x) = 0 i = 1, 2..., m donde f : IR n IR y h i :
Más detalles1.3.1 Fundamentos de cálculo vectorial
131 Fundamentos de cálculo vectorial 1 Función escalar Una función se define como una representación escalar que está dada en términos de un vector Un ejemplo analítico puede darse por la función f(x)
Más detallessi existe un entorno V de a contenido en A, tal que la diferencia f(x) f(a) no cambia de signo cuando x V :
Capítulo 7 Extremos Relativos Una aplicación clásica del Teorema Local de Taylor es el estudio de los extremos relativos de una función escalar. Aunque la analogía con el caso de una variable es total,
Más detalles10. Aplicaciones del cálculo diferencial.
10 Aplicaciones del cálculo diferencial 101 Teorema de la función implícita Habitualmente, estamos acostumbrados a trabajar con funciones denidas de forma explícita, es decir, tales que la variable dependiente
Más detallesECUACIONES DIFERENCIALES Y MÉTODOS NUMÉRICOS (Curso ) Cuarto Curso de Ingeniero Industrial
ECUACIONES DIFERENCIALES Y MÉTODOS NUMÉRICOS (Curso 2009-2010) Cuarto Curso de Ingeniero Industrial Optimización y Sistemas de Ecuaciones no Lineales FUNCIONES CONVEXAS. CRITERIOS DE OPTIMALIDAD Un problema
Más detalles2. Cálculo diferencial de funciones de varias variables. Mayo, 2009
Cálculo 2. Cálculo diferencial de funciones de varias variables Mayo, 2009 Definición IR 2 = {(x 1,x 2 )/x 1 IR,x 2 IR} Sean dos puntos a y b, de coordenadas respectivas (a 1,a 2 ) y (b 1,b 2 ). Definición
Más detallesTEMA 3. OPTIMIZACIÓN CON RESTRICCIONES DE DESIGUALDAD: CONDICIONES DE KUHN TUCKER
e-mail: imozas@el.uned.es https://www.innova.uned.es/webpages/ilde/web/inde.htm TEMA 3. OPTIMIZACIÓN CON RESTRICCIONES DE DESIGUALDAD: CONDICIONES DE KUHN TUCKER Observemos que minimizar f() equivale a
Más detallesDualidad 1. 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. 5 Condiciones de holgura complementaria.
Dualidad 1 1 Formas simétricas. 2 Relación primal-dual. 3 Dualidad: el caso general. 4 Teoremas de dualidad. Condiciones de holgura complementaria. 6 Solución dual óptima en la tabla. 7 Interpretación
Más detallesPRÁCTICA 6. Para encontrar los valores que optimizan este lagrangiano hay que resolver el sistema de ecuaciones formado por las CPO: 2,, 16
0,25 1.- Una empresa cua función de producción es 2 K L adquiere sus factores productivos a unos precios r1 w2. a) Determine el coste mínimo en el que debe incurrir para producir 16 ud. de output. Para
Más detallesTema 11: Diferenciabilidad en varias variables.
Tema 11: Diferenciabilidad en varias variables. José M. Salazar Noviembre de 2016 Tema 11: Diferenciabilidad en varias variables. Lección 14. Diferenciabilidad en varias variables. Lección 15. Aplicaciones
Más detallesUniversidad Carlos III de Madrid
Universidad Carlos III de Madrid Departamento de Economía Examen final de Matemáticas II. 20 de Junio de 2007. IMPORTANTE: DURACIÓN DEL EXAMEN: 2h. 30min. NO se permite el uso de calculadoras. Sólo se
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 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 detallesAnálisis aplicado. José Luis Morales. Departamento de Matemáticas. ITAM
Departamento de Matemáticas. ITAM. 2011. Consideraciones http://allman.rhon.itam.mx/ jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual Consideraciones http://allman.rhon.itam.mx/
Más detallesOptimización estática
Capítulo 5 Optimización estática 5.1. Conceptos básicos La teoría de optimización clásica o programación matemática está constituida por un conjunto de resultados y métodos analíticos y numéricos enfocados
Más detallesCONVEXIDAD DE CONJUNTOS.-
CONVEXIDAD DE CONJUNTOS.- Conjunto convexo Conjunto no convexo No lo es ya que se trata de la circunferencia de centro (0,0) y radio 1. Dos puntos de ella, por ejemplo, son los de coordenadas (1, 0) y
Más detallesOptimización con restricciones de desigualdad: Condiciones de Kuhn-Tucker
Optimización con restricciones de desigualdad: Condiciones de Kuhn-Tucker Hasta ahora, hemos estudiado como maximizar o minimizar una función sujeta a restricciones en forma de ecuaciones de igualdad.
Más detallesUNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES ) y = ex cos y. e x cos y e x sin y. y 2.
UNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES HOJA 4: Derivadas de orden superior 4-1. Sea u : R R definida por u(x, y e x sen y. Calcula las cuatro parciales segundas,
Más detallesFunciones Reales de Varias Variables
Funciones Reales de Varias Variables Hermes Pantoja Carhuavilca Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Matematica II Hermes Pantoja Carhuavilca 1 de 162 CONTENIDO Funciones
Más detallesExtremos de funciones de varias variables
Capítulo 6 Extremos de funciones de varias variables En este capítulo vamos a considerar la teoría clásica de extremos para funciones diferenciables de varias variables, cuyos dos tópicos habituales son
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 detallesSoluciones a los ejercicios del examen final
Cálculo I Curso 2016/17 19 de junio de 2017 Soluciones a los ejercicios del examen final 1) Se considera la función f : [0, ) R definida por { 1 + x(ln(x) 1) si x > 0, f(x) = 1 si x = 0. (a) Probar que
Más detallesCurso: 1º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica
Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 1º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Contenidos Didácticos
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 2º Créditos ECTS:
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 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 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 detalles1.- Para cada una de las siguientes situaciones, escribir un programa matemático que permita obtener su solución.
Tema 1. Programas matemáticos 1.- Para cada una de las siguientes situaciones, escribir un programa matemático que permita obtener su solución. a) Una empresa produce tres bienes cuyos precios de mercado
Más detallesTema IV : Introducción a la optimización de funciones de varias variables.
Tema IV : Introducción a la optimización de funciones de varias variables. 1. Planteamiento de un problema de optimización.. Optimización sin restricciones. 3. Optimización con restricciones de igualdad.
Más detallesFundamentos de Optimización
Capítulo 1 Fundamentos de Optimización 1.1 Conceptos básicos La teoría de optimización clásica o programación matemática está constituida por un conjunto de resultados y métodos analíticos y numéricos
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 detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
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 detallesMatemáticas I - Grupo 2 Tema 7: Optimización con restricciones. Extremos condicionados
Matemáticas I - Grupo 2 Tema 7: Optimización con restricciones. Extremos condicionados Motivación Supongamos que f : Ω R 2 R es la función que nos proporciona la altura de cada punto con respecto al nivel
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesL [1] ( ) = 1 L [ ( )] ( ) =2 L[1] ( )+L[( 3) 3 ( )] ( ) = 2 + 3
Ampliación de Matemáticas II Grado en Ingeniería en Tecnologías Industriales Convocatoria 9 Junio 5. ( puntos) Resolver utilizando la transformada de Laplace la ED ( + + +( 3) 3 (), (), (). Determinar
Más detallesMétodo Simplex en Optimización de Problemas de Producción
Método Simplex en Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile - Fernando Islas - Carlos Testuri Héctor Cancela - Antonio Mauttone Depto. Investigación Operativa. Instituto de Computación.
Más detalles1 Funciones de Varias Variables y Diferenciabilidad
1 Funciones de Varias Variables y Diferenciabilidad (a) Definición: Diferenciabilidad Sea una función f : Ω R n R m, donde Ω es un abierto en R n, y x 0 Ω. Decimos que f es diferenciable en x 0 si existe
Más detalles0 (0) = 0 (0) = 0. L [ 00 + ]( ) = L [ ( )] ( ) (Linealidad) L [ 00 ]( )+L[ ]( ) = L [ ( )] ( ) (Derivación) 2 ( )+ ( ) =L [ ( )] ( )
Ampliación de Matemáticas II Grado en Ingeniería en Tecnologías Industriales 8 de junio 6. Dado el siguiente problema de valor inicial: ()+() = () () = () = a) (.5 puntos) Resuelve el problema utilizando
Más detallesTEMA 1: ECONOMÍAS DE INTERCAMBIO October 6, 2015
TEMA 1: ECONOMÍAS DE INTERCAMBIO October 6, 2015 1. Asignaciones Eficientes, equilibrios de Walras Una economía de intercambio está constituida por un conjunto de agentes {1, 2,..., I}, con sus relaciones
Más detallesCapítulo VI. Diferenciabilidad de funciones de varias variables
Capítulo VI Diferenciabilidad de funciones de varias variables La definición de diferenciabilidad para funciones el cociente no tiene sentido, puesto que no está definido, porque el cociente entre el vector
Más detalles1. Sensibilidad en caso de restricciones de igualdad
FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA57B Optimización No Lineal. Semestre 2007-1 Profesor: Héctor Ramírez C. Auxiliar: Oscar Peredo. Clase Auxiliar #4 Análisis de Sensibilidad en Optimización
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 detallesLicenciatura en Administración y Dirección de Empresas
Licenciatura en Administración y Dirección de Empresas Programación Matemática de junio de 200 Ejercicio 3 pt. Considera el siguiente problema de programación no lineal:. Se trata de un problema convexo?
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 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 detallesCaracterización de soluciones
Capítulo 1 Caracterización de soluciones La formulación general de los problemas de optimización con restricciones es la de encontrar { ci (x) = 0, i E min x R nf(x) sujeto a c i (x) 0, i I, donde f es
Más detallesSoluciones a los ejercicios del examen final
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Cálculo I Curso 201/14 20 de diciembre de 201 Soluciones a los ejercicios del examen final 1) Se considera la función f : R R
Más detalles