OPTIMIZACIÓN NO LINEAL MULTIDIMENSIONAL RESTRINGIDA
|
|
- Ramón Ortiz de Zárate Sosa
- hace 5 años
- Vistas:
Transcripción
1 3 de Mayo de 8 OPTIMIZACIÓN NO LINEAL MULTIDIMENSIONAL RESTRINGIDA (Parte ) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación No Lineal José Luis Quintero
2 Puntos a tratar. Segundo problema de interés. Definiciones importantes 3. Método de Lagrange (Igualdad) 4. Análisis de sensibilidad 5. Ejemplos ilustrativos Programación No Lineal José Luis Quintero
3 PROBLEMA. Segundo problema de interés P: optf(x) s.a. G(x) =, H(x) n n n m f:r R, x R, G:R R, n p H:R R OBSERVACIÓN. El conjunto F(P) está formado por todos los vectores x que satisfacen las restricciones del problema P. Programación No Lineal José Luis Quintero 3
4 Puntos a tratar. Segundo problema de interés. Definiciones importantes 3. Método de Lagrange (Igualdad) 4. Análisis de sensibilidad 5. Ejemplos ilustrativos Programación No Lineal José Luis Quintero 4
5 Definiciones importantes DEFINICIÓN. El vector x F(P) se dice que satura una restricción g(x) o h(x) (restricción activa) si g(x) = o h(x) =. DEFINICIÓN. El vectorx F(P) se dice regular si y sólo si los gradientes de las restricciones saturadas o activas en x forman un conjunto de vectores linealmente independientes. Programación No Lineal José Luis Quintero 5
6 Puntos a tratar. Segundo problema de interés. Definiciones importantes 3. Método de Lagrange (Igualdad) 4. Análisis de sensibilidad 5. Ejemplos ilustrativos Programación No Lineal José Luis Quintero 6
7 PROBLEMA. Método de Lagrange (Igualdad) optf(x) s.a. G(x) =, f:r R, x R, G:R R PROBLEMA. (Función de Lagrange) OBSERVACIÓN. n n n m t m optl(x, λ ) = f(x) λg(x), λ R Si x es factible en PROBLEMA entonces L(x, λ ) = f(x) Programación No Lineal José Luis Quintero 7
8 Método de Lagrange (Igualdad) PROPOSICIÓN. En un punto regularx de la hipersuperficie S definida por G(x) =, el plano tangente o espacio nulo de la matriz jacobiana G(x) viene definido por N { y R n : G(x) y } = = Programación No Lineal José Luis Quintero 8
9 Método de Lagrange (Igualdad) ÓPTIMO (CONDICIÓN NECESARIA): m f(x) = λ g(x) i i L(x, λ ) = i= G(x) = t f(x) = λ G(x) L(x, λ ) = G(x) = x debe ser regular Programación No Lineal José Luis Quintero 9
10 Método de Lagrange (Igualdad) ÓPTIMO (CONDICIÓN SUFICIENTE): (x, λ) x t f(x) = λ G(x) G(x) = PROPOSICIÓN. Suponga con regular tal que y la matriz es definida positiva en N, esto es, para y Entonces t se cumple que. sujeto a. m L(x, λ ) = f(x) λ x i i i= x G(x) = y g(x) y N, L(x, λ ) y > x es un mínimo local estricto de f(x) Programación No Lineal José Luis Quintero
11 H Hessiano Orlado L M O M L G = G t L xx n = n L m L x x x x xn ORL g g L L M O M L g gm L L x n xn xnx xn Programación No Lineal José Luis Quintero g x g x m L g x M O M L g x M O M L m
12 Hessiano Orlado donde : matrizm mdeceros G(x) : matriz jacobiana de las restricciones t G(x): matriz jacobiana traspuesta L : xx matrizn ndesegundasderivadasdel Lagrangiano respecto de x Programación No Lineal José Luis Quintero
13 Método de Lagrange (Igualdad) CRITERIO DEL HESSIANO ORLADO Si(x, λ) cumple con la condición necesaria de primer orden y los últimos n m menores principales dominantes del Hessiano Orlado evaluado en(x, λ) tienen signos alternados m empezando en ( ) + entonces x es un máximo local de f(x) bajo restricciones de igualdad. Programación No Lineal José Luis Quintero 3
14 Método de Lagrange (Igualdad) CRITERIO DEL HESSIANO ORLADO Si(x, λ) cumple con la condición necesaria de primer orden y los últimos n m menores principales dominantes del Hessiano Orlado evaluado en(x, λ) tienen todos el signo de m ( ) entoncesx es un mínimo local de f(x) bajo restricciones de igualdad. Programación No Lineal José Luis Quintero 4
15 Puntos a tratar. Segundo problema de interés. Definiciones importantes 3. Método de Lagrange (Igualdad) 4. Análisis de sensibilidad 5. Ejemplos ilustrativos Programación No Lineal José Luis Quintero 5
16 Análisis de sensibilidad PROBLEMA. optf(x) s.a. G(x) = c, f:r R, x R, G:R R n n n m OBSERVACIÓN. f(x( c )) c = c = λ t Programación No Lineal José Luis Quintero 6
17 Puntos a tratar. Segundo problema de interés. Definiciones importantes 3. Método de Lagrange (Igualdad) 4. Análisis de sensibilidad 5. Ejemplos ilustrativos Programación No Lineal José Luis Quintero 7
18 PROBLEMA. Ejemplo ilustrativo optf(x,x) = xx s.a. g(x,x) = x + x = PROBLEMA. (Función de Lagrange) optl(x,x, λ ) = xx λ (x + x ) Programación No Lineal José Luis Quintero 8
19 Ejemplo ilustrativo PROBLEMA. (Condición necesaria) L(x,x, λ ) = : x x = λx (x,x, λ ) = (,, ) () () () = λ () () () 4 λ = = x x (x,x, ) (,, ) Programación No Lineal José Luis Quintero 9
20 Ejemplo ilustrativo PROBLEMA. (Regularidad) g(x,x) = (x,): g(x,x ) = g(, ) = (,) () () Rango( g(, )) = (, )regular g(x,x ) = g(, ) = (,) () () Rango( g(, )) = (, )regular Programación No Lineal José Luis Quintero
21 Ejemplo ilustrativo PROBLEMA. (Espacio nulo) { y } N = :xy + y = { y } P(,, ) N = : y + y = { y } P(,, ) N = : y + y = Programación No Lineal José Luis Quintero
22 Ejemplo ilustrativo PROBLEMA. (Condición suficiente) λ L(x,x, λ ) = = + λ x 4 3 L( x 3, 3, 3) = 4 3 L( x 3, 3, 3) = Programación No Lineal José Luis Quintero
23 Ejemplo ilustrativo PROBLEMA. (Condición suficiente) t y t λ y y Ly = y yy y = λ + y x t y L(P) y = 6 y >.mínimolocalestricto x 3 t y L(P) y = 6 y <.máximolocalestricto x 3 Programación No Lineal José Luis Quintero 3
24 Ejemplo ilustrativo CRITERIO DEL HESSIANO ORLADO x H = x λ ORL Programación No Lineal José Luis Quintero 4
25 Ejemplo ilustrativo 3 H (P) = ORL = 4 < P esunmínimolocal Programación No Lineal José Luis Quintero 5
26 Ejemplo ilustrativo 3 H (P) = ORL = 4 > P esunmáximolocal Programación No Lineal José Luis Quintero 6
27 Ejemplo ilustrativo 5 5 Eje z Eje z -5 Eje y - - Eje x -5 Eje y Eje x x 7 Eje z Eje z - x 4 Eje y Eje x - 3 Eje y Eje x.5 Programación No Lineal José Luis Quintero 7
28 PROBLEMA. Ejemplo ilustrativo optf(x,x) = x + x s.a. g(x,x) = x + x = PROBLEMA. (Función de Lagrange) optl(x,x, λ ) = x + x λ (x + x ) Programación No Lineal José Luis Quintero 8
29 Ejemplo ilustrativo PROBLEMA. (Condición necesaria) L(x,x, λ ) = : () () () () () () = λx = λx x + x = (x,x, λ ) = (,, ) (x,x, λ ) = (,, ) Programación No Lineal José Luis Quintero 9
30 Ejemplo ilustrativo PROBLEMA. (Regularidad) g(x,x) = (x,x): = = () () g(x,x ) g(, ) (, ) Rango( g(, )) = (, )regular = = () () g(x,x ) g(,) (,) Rango( g(,)) = (,) regular Programación No Lineal José Luis Quintero 3
31 Ejemplo ilustrativo PROBLEMA. (Espacio nulo) { y } N = :xy + xy = { y } P(,, ) N = : y y = { y } P(,, ) N = :y + y = Programación No Lineal José Luis Quintero 3
32 Ejemplo ilustrativo PROBLEMA. (Condición suficiente) λ λ L(x,x, λ ) = = + λ x L(,, x ) = L(,, x ) = Programación No Lineal José Luis Quintero 3
33 Ejemplo ilustrativo PROBLEMA. (Condición suficiente) t y t λ y y Ly = (y y) x y = λ + λ y t y L(P) y = y >.mínimolocalestricto x t y L(P) y = y <. máximo local estricto x Programación No Lineal José Luis Quintero 33
34 Ejemplo ilustrativo CRITERIO DEL HESSIANO ORLADO x x H = x λ ORL x λ Programación No Lineal José Luis Quintero 34
35 Ejemplo ilustrativo H (P) = ORL = 8 < P esunmínimolocal Programación No Lineal José Luis Quintero 35
36 Ejemplo ilustrativo H (P) = ORL = 8 > P esunmáximolocal Programación No Lineal José Luis Quintero 36
37 Ejemplo ilustrativo 5 Eje z Eje z - -5 Eje y - - Eje x -4 Eje y Eje x Eje z Eje z - Eje y Eje x - Eje y Eje x.5 Programación No Lineal José Luis Quintero 37
38 PROBLEMA. Ejemplo ilustrativo 3 optf(x,y,z) = x + y s.a. g(x,y,z) = z = 3 g(x,y,z) = z (y ) = PROBLEMA. (Función de Lagrange) 3 optl(x,y,z, λ, λ ) = x + y λz λ(z (y )) Programación No Lineal José Luis Quintero 38
39 Ejemplo ilustrativo 3 PROBLEMA. (Condición necesaria) L(x,y,z, λ, λ ) = : x = y = 3 λ(y ) = λ + λz z = 3 z (y ) = INFACTIBLE Programación No Lineal José Luis Quintero 39
40 Ejemplo ilustrativo 3 OTRA FORMA: z = C: r(t) = (t,,) 3 z (y ) = f((t)) r = u(t) = t + u'(t) = t = t = u''(t) = u''() > P(,, ) Mínimo local Programación No Lineal José Luis Quintero 4
41 Pensamiento de hoy Todo el mundo desea saber, pero pocos están dispuestos a pagarelprecio. Juvenal Programación No Lineal José Luis Quintero 4
May 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 detallesFUNDAMENTOS DE CONVEXIDAD (Parte 2)
1 de Marzo de 018 FUNDAMENTOS DE CONVEXIDAD (Parte ) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación No Lineal José Luis Quintero 1 Puntos
Más detallesFUNDAMENTOS DE CONVEXIDAD (Parte 2)
19 de Mayo de 2016 FUNDAMENTOS DE CONVEXIDAD (Parte 2) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación No Lineal José Luis Quintero 1 Puntos
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 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 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 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 detallesSoluciones del capítulo 9 Optimización Estática
Soluciones del capítulo 9 Optimización Estática Héctor Lomelí y Beatriz Rumbos 6 de febrero de 00 9 Sean A y B dos subconjuntos convexos de R n : b Sea A + B = {a + b : a A y b B} y sean x, y A + B Se
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 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 detallesHipógrafo - Epígrafo. Definición: Sea f : X IR con X IR n convexo. El hipógrafo de f es el conjunto. El epígrafo de f es el conjunto
Hipógrafo - Epígrafo Definición: Sea f : X IR con X IR n convexo. El hipógrafo de f es el conjunto H f = {(x, k) x X, k IR, k f (x)} El epígrafo de f es el conjunto E f = {(x, k) x X, k IR, k f (x)} Nota:
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 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 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 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 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 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 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 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 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 detalles(Apuntes sin revisión para orientar el aprendizaje) CÁLCULO VECTORIAL EXTREMOS DE FUNCIONES ESCALARES DE VARIABLE VECTORIAL
(Apuntes sin revisión para orientar el aprendizaje) CÁLCULO VECTORIAL EXTREMOS DE FUNCIONES ESCALARES DE VARIABLE VECTORIAL En numerosas aplicaciones de la ingeniería se presentan problemas de optimización,
Más detalles1. El sistema: F(x,y,z) = =
> 1. El sistema: F(x,y,z) = = Define implícitamente a la función (y, z) =f(x) en un entorno del punto x0=1. Encuentre la ecuación EXPLICITA de la recta tangente a la curva definida por f en el punto x0.
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 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 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 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 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 detallesMaterial para exámen final
Cálculo 3, FAMAT-UG, aug-dic, 2006 Material para exámen final Fecha del exámen: 5 dic, 2006 Definiciones: Hay que saber las definiciones precisas de todos los siguientes términos, y conocer ejemplos concretos
Más 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 detallesCÁLCULO III (0253) EXAMEN DE REPARACIÓN 30/06/09. 3t 3t 3 3
CÁLCULO III (05) 0/06/09 a Estudie la curva de ecuación vectorial t t r(t) =,, + t + t tomando en cuenta: dominio, cortes con los ejes, signo, simetrías, asíntotas, puntos asintóticos, tangentes, puntos
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 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 detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más 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 detallesOptimización Clásica. Yolanda Hinojosa
Optimización Clásica Yolanda Hinojosa Contenido Optimización no lineal sin restricciones. Condiciones necesarias y suficientes de óptimo Optimización no lineal con restricciones de igualdad. Condiciones
Más detallesListado 1 Cálculo III (2025) PLEV Hallar adherencia, interior, conjunto de puntos de acumulación y frontera para:
Universidad de Concepción Facultad de Ciencias Físicas y Matemáticas Departamento de Matemática Listado 1 Cálculo III (2025) PLEV 2018 1. Hallar adherencia, interior, conjunto de puntos de acumulación
Más detallesOptimización lineal. Diego A. Patino. 2 de septiembre de Pontificia Universidad Javeriana 1/ 29
Optimización lineal Diego A. Patino Pontificia Universidad Javeriana 2 de septiembre de 2016 1/ 29 Introducción Formulación del problema Herramientes del análisis convexo Formas de las restricciones 2/
Más 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 detallesEjercicios recomendados: Cálculo III
Ejercicios recomendados: Cálculo III Cátedra de MA 1003 II ciclo 2017 Los ejemplos que siguen están tomados del libro: Claudio Pita Ruiz Cálculo Vectorial Prentice-Hall Hispanoamericana México 1995 Ejemplos
Más detallesAnálisis Matemático 2
Análisis Matemático 2 Una resolución de ejercicios con hipervínculos a videos on-line Autor: Martín Maulhardt Revisión: Fernando Acero y Ricardo Sirne Análisis Matemático II y II A Facultad de Ingeniería
Más detallesMétodo de Multiplicadores de Lagrange: Una Versión Animada.
Método de Multiplicadores de Lagrange: Una Versión Animada. José D. Flores, PhD. Professor of Mathematics The University of South Dakota jflores@usd.edu Noviembre 2004 Abstract Resúmen: En este trabajo
Más detallesDiscusión de sistemas
Discusión de s 3x + y z = 1 1. Discutir según los valores del parámetro k el x y + z = 3 kx + 5y 4z = 1 x + my + z = m +. Discutir según los valores del parámetro m el x + y + mz = (m + 1) mx + y + z =
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 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 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 detallesUniversidad Carlos III de Madrid
Universidad Carlos III de Madrid Departamento de Economía Examen final de Matemáticas II. Junio de 2011. Apellidos: Nomre: DNI: Titulación: Grupo: DURACIÓN DEL EXAMEN: 2h NO se permite el uso de calculadoras.
Más 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 detalles1. Derivadas direccionales y derivadas parciales En este apartado generalizaremos la noción de derivada introducida para las funciones
Capítulo 2 Funciones de varias variables. Diferenciabilidad 1. Derivadas direccionales y derivadas parciales En este apartado generalizaremos la noción de derivada introducida para las funciones reales
Más detallesPAU Madrid. Matemáticas II. Año Examen de septiembre. Opción A. Ejercicio 1. Valor: 2 puntos.
Opción A. Ejercicio. Valor: 2 puntos. Se considera la función real de variable real definida por: f(x) = a) ( punto) Determinar sus máximos y mínimos relativos x x 2 + b) ( punto) Calcular el valor de
Más detallesSoluciones de los ejercicios del primer examen parcial
Matemáticas III (GIC, curso 2015 2016) Soluciones de los ejercicios del primer examen parcial EJERCICIO 1. Determina en qué ecuación se transforma la ecuación en derivadas parciales z yy + 3z xy + 2z xx
Más detallesVALORES MÁXIMOS Y MÍNIMOS DE FUNCIONES DE DOS VARIABLES
VALORES MÁXIMOS Y MÍNIMOS DE FUNCIONES DE DOS VARIABLES Sergio Stive Solano Sabié 1 Mayo de 2013 1 Visita http://sergiosolanosabie.wikispaces.com VALORES MÁXIMOS Y MÍNIMOS DE FUNCIONES DE DOS VARIABLES
Más detallesPROGRAMACIÓN LINEAL ENTERA MULTIOBJETIVO Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela
15 de Febrero de 2017 PROGRAMACIÓN LINEAL ENTERA MULTIOBJETIVO Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Teoría de Toma de Decisiones José Luis Quintero
Más detallesPolinomio de Taylor. Extremos.
CAPÍTULO 6 Polinomio de Taylor. Extremos. En este capítulo trabajamos con el polinomio de Taylor de una función de varias variables y su aplicación al estudio de los extremos de funciones de más de una
Más detallesPolinomio de Taylor. Extremos.
CAPÍTULO 6 Polinomio de Taylor. Extremos. En este capítulo trabajamos con el polinomio de Taylor de una función de varias variables y su aplicación al estudio de los extremos de funciones de más de una
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 detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- [2 5 puntos] Entre todos los triángulos rectángulos de 5 metros de hipotenusa, determina los catetos del de área máxima. Ejercicio 2.- [2 5 puntos] Sea f : ( 2, + ) R la función
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 detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- Sea f : R R definida por f(x) = x 3 +ax 2 +bx+c. a) [1 75 puntos] Halla a,b y c para que la gráfica de f tenga un punto de inflexión de abscisa x = 1 2 y que la recta tangente en
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 detallesRESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY
25 de Junio de 2012 RESOLUCIÓN DE MODELOS DE PROGRAMACIÓN ENTERA MÉTODOS DE CORTE CORTES DE GOMORY Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Programación
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- Sea f : R R definida por f(x) = x 3 +ax 2 +bx+c. a) [1 75 puntos] Halla a,b y c para que la gráfica de f tenga un punto de inflexión de abscisa x = 1 2 y que la recta tangente en
Más detallesVariedades diferenciables
Capítulo 10 Variedades diferenciables 1. Variedades diferenciables en R n A grandes rasgos, una variedad diferenciable es un conjunto que, localmente, es difeomorfo al espacio euclideano. En este capítulo
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 detallesAnálisis de Sensibilidad de los Resultados
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 22 Análisis de Sensibilidad de los Resultados ICS 02 Optimización Profesor : Claudio Seebach
Más detallesPRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- Sea f : (0,+ ) R la función definida por f(x) = 3x + 1 x. (a) [1 5 puntos] Determina los intervalos de crecimiento y de decrecimiento y los extremos relativos de f (puntos donde
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 detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD
Opción A Ejercicio 1.- [2 5 puntos] Una ventana normanda consiste en un rectángulo coronado con un semicírculo. De entre todas las ventanas normandas de perímetro 10 m, halla las dimensiones del marco
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 detallesPráctica 3: Diferenciación
Análisis I Matemática I Análisis II (C) Primer Cuatrimestre - 010 Práctica 3: Diferenciación Derivadas parciales y direccionales 1. Sea f una función continua en x = a. Probar que f es derivable en x =
Más detalles1. Sea g(x, y) =. Determine, la Derivada Direccional de la función compuesta g(g(x, y),g(x, y)) en el punto (2,1) en la dirección tangente a la curva C definida implícitamente por g(x, y)=0 en el punto
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 detallesValores extremos de una función
Valores extremos de una función Puntos crí5cos Máximos y mínimos Mul5plicadores de Lagrange Lilia Meza Montes Ins5tuto de Física BUAP Una variable: Máximos y mínimos donde la derivada se anula y =0 =0
Más detallesTema No. 3 Métodos de Resolución de Modelos de Programación Lineal. El Método Gráfico y Método Simplex Autoevaluación y Ejercicios Propuestos
UNIVERSIDAD NACIONAL EXPERIMENTAL FRANCISCO DE MIRANDA ÁREA DE TECNOLOGÍA DEPARTAMENTO DE GERENCIA INVESTIGACIÓN DE OPERACIONES PROFESOR: Dr. JUAN LUGO MARÍN Tema No. 3 Métodos de Resolución de Modelos
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 detallesDiez ejemplos de clasificación de puntos críticos cuando el hessiano es nulo.
Diez ejemplos de clasificación de puntos críticos cuando el hsiano nulo. 1. Consideramos el campo calar f(x, y) = x 2 y 3 definido sobre R 2. Su gradiente f(x, y) = ( 2xy 3, 3x 2 y 2), y los puntos críticos
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 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 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 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 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 detalles2. Encuentra y analiza TODOS los puntos críticos de la función
Nombre: Matrícula: Indicaciones: Este quiz consta de 5 reactivos, cada uno con un valor de 20 puntos. Cada ejercicio debe tener procedimiento ordenado y completo que justifique adecuadamente la respuesta
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 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 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 detallesTEORÍA DE CÁLCULO II PARA GRADOS DE INGENIERÍA Elaborada por Domingo Pestana y José Manuel Rodríguez 1. CÁLCULO DIFERENCIAL EN VARIAS VARIABLES
TEORÍA DE CÁLCULO II PARA GRADOS DE INGENIERÍA Elaborada por Domingo Pestana y José Manuel Rodríguez 1 CÁLCULO DIFERENCIAL EN VARIAS VARIABLES 11 CONCEPTOS BÁSICOS Definición La norma de un vector x =
Más detallesPowered by TCPDF (
Powered by TCPDF (www.tcpdf.org) Análisis Matemático II - Curso 2018 Nota sobre formas cuadráticas y aplicación al análisis de extremos de una función Breve resumen acerca de las formas cuadráticas Necesitamos
Más detallesMultiplicadores de Lagrange
Funciones de R n en R 1 Multiplicadores de Lagrange Para entender el método de los multiplicadores de Lagrange ilustraremos las ideas con un ejemplo Ejemplo Sea f : R 2 R dada por fx, y) = x + 1) 2 + y
Más detallesPrimer Examen Parcial Tema A Cálculo Vectorial Marzo 5 de 2016
rimer Examen arcial Tema A Cálculo Vectorial Marzo 5 de 016 Este es un examen individual, no se permite el uso de libros, apuntes, calculadoras o cualquier otro medio electrónico. Recuerde apagar y guardar
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 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 detallesS-25: Extremos Absolutos
S-25: Extremos Absolutos P3) Estudia los extremos absolutos y relativos de la función f x, y = x 4 + xy 2 y 3 en el conjunto A = x, y R 2 : y 2, y x 2 Solución Frontera de A y 2 Interior de A A y x 2 2
Más detallesEconomía Matemática. Martín Brun - Diego Fernández - Mijail Yapor. Agosto - Diciembre, 2016
Martín Brun - Diego Fernández - Facultad de Ciencias Económicas y de Administración - UdelaR Agosto - Diciembre, 2016 Índice 1 Programa 2015 2 Bibliografía 3 Problemas de Optimización: comentarios iniciales
Más detallesConjuntos y funciones convexas
Conjuntos y funciones convexas Un conjunto X R n se dice convexo si para todo par de puntos x 1 y x 2 en X, λ x 1 + ( 1- λ) x 2 X, para todo λ [0,1] Qué significa esto geométricamente? Un punto λ x 1 +
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 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 detalles2.10 Ejercicios propuestos
Ejercicios propuestos 99 1 0 0 0 x 1 0 1 0 0 x 2 0 0 1 0 x 3 x 2 0 0 0 1 x 4 + x 1 +4x 2 + x 3 x 2 0 0 0 1 x 5 x 2 1 0 0 0 x 1 0 1 0 0 x 2 0 0 1 0 x 3 x 2 0 0 0 1 x 4 + x 1 +4x 2 + x 3 x 2 0 0 0 0 x 5
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal Básica - Grupo 3 Taller 3
Universidad Nacional de Colombia Departamento de Matemáticas 2015555- Álgebra Lineal Básica - Grupo Taller (1) Es el conjunto de los números reales con las operaciones de suma y multiplicación un R-espacio
Más detalles