You are on page 1of 55

La Universidad del Zulia

Facultad de Ingeniera
Divisin de Estudios para Graduados
Programa: Computacin Aplicada
Asignatura:
Optimizacin para Ingenieros
Prof. Luis Zerpa, M.Sc.
Email: lzerpa@ica.luz.ve
2. Programacin No Lineal
Repaso de funciones continuas
Programacin Nolineal
(Non Linear Programming NLP)
NLP: Conjunto de tcnicas para optimizar funciones no-lineales
sujetas a restricciones de igualdad o desigualdad. Tanto las
funciones como las restricciones pueden ser de una o ms variables
Formulacin general de un problema de optimizacin
Encontrar x tal que

se minimice una funcin objetivo f(x)
sujeto a restricciones: g
i
(x) = b
i
(i=1,, m)
g
j
(x) s b
j
(j=m,, k)


Donde
x es un vector de n variables independientes
Caractersticas de los problemas que
trataremos mayormente en el curso
Funciones objetivo y restricciones continuas con sus primeras
derivadas parciales tambin continuas (suaves)
Esto garantiza que pequeos cambios en x conlleve a pequeos cambios en
valores asociados

Inecuaciones estrictas no son permitidas (< >) solo se permiten
restricciones de > , s e =

El problema debe ser determinstico

Todas las variables deben ser reales, ninguna puede tomar
nicamente valores enteros. (Continuous Programming)

S dominio de f y g
i
sea una regin conectada

Tipos de Problemas No-lineales
Sin restricciones Con restricciones
Tamao de los Problemas
Una forma de medir la complejidad de los problemas es en funcin del
nmero de variables o del nmero de restricciones

Pequea Escala: hasta 5 variables y restricciones puede ser resuelto a
mano

Escala intermedia: de 5 a 100 variables y restricciones Computador
Personal o Servidor de Propsito General

Gran Escala: ms de 100 y quizs 1000 variables y restricciones
Mainframe para clculo cientfico (cray), explotando la estructura del
problema con algoritmos paralelos
Tipos de Problemas No-lineales
En el curso se estudiarn la teora y los mtodos que permiten
efectivamente la solucin de la ms amplia variedad de problemas
(pequea y mediana escala principalmente)
A pesar de que un gran nmero de algoritmos han sido propuestos
para la solucin del problema general de optimizacin no lineal, slo
unos pocos han demostrado ser efectivos cuando se aplican a
problemas de gran escala
No existe un mtodo general de optimizacin no lineal en el sentido
como es SIMPLEX para problemas lineales
Ninguno es tan superior para ser clasificado como la panacea
universal de la NLP
Criterios de Comparacin de Algoritmos
1. Nmero de evaluaciones de la funcin objetivo
2. Confiabilidad (xito en alcanzar la solucin)
3. Rapidez
4. Tiempo de Preparacin del usuario (sobre parametrizacin)
5. Precisin de la solucin
6. Grado de satisfaccin de las restricciones
7. Dificultad

Algoritmos Iterativos y Convergencia
La mayora de los algoritmos de NLP son iterativos


En programacin lineal existe una secuencia de longitud finita para
alcanzar la solucin
En NLP la secuencia generalmente no alcanza la solucin ptima
sino que converge hacia ella
En problemas no lineales se determina una solucin lo
suficientemente cercana a la ptima



x
n
x x x x
2 1
Solucin
ptima
Algoritmos Iterativos y Convergencia
La teora de algoritmos iterativos se divide en:

1. Diseo del Algoritmo
2. Convergencia Global: Anlisis de convergencia global (si
eventualmente converge)
3. Convergencia Local: Anlisis de convergencia local (la razn a la
cual el algoritmo converge en la Solucin ptima)
Una buena teora es mejor que miles de corridas
Esto da una idea de la manejabilidad de los problemas mediante un
anlisis simple lo cual es muy importante
Funciones de una variable
Continuidad de una funcin en un nmero
Se dice que f es continua en el nmero a si y solo si las siguientes
3 condiciones se satisfacen:

1. existe
2. existe
3.

( ) a f
( ) x f
a x
lim
( ) ( ) a f x f
a x
=

lim
( )
( )( )
( )

=
=

+
=
x si
x si
x
x x
x f
1 ; 2
1 ;
1
; 1 3 2
Discontinuidad removible
( )
2
1

=
x
x f
Discontinuidad Esencial
( )
)
`

=
=
=
3 2
3 3
si x
si x x
x f
Teoremas sobre Continuidad
Teorema: Si f y g son continuas en a entonces:

f + g es continua en a
f g es continua en a
f x g es continua en a
f g es continua en a suponiendo que g(a) 0

Teorema: Una funcin polominal es continua en cualquier
valor de las variables independientes

Continuidad en un Intervalo
Definicin: Continuidad por la
derecha
Se dice que f es continua por la
derecha del nmero a si y solo si
satisface las siguientes
condiciones:

Continuidad por la izquierda
Se dice que f es continua por la
izquierda del nmero a si y solo si,
( ) existe a f i )
( )
+
a x
existe x f
ii
lim
)
( ) ( )
+

=
a x
a f x f
iii
lim
)
( ) existe a f i )
( )

a x
existe x f
ii
lim
)
( ) ( )

=
a x
a f x f
iii
lim
)
Continuidad en un Intervalo
Definicin: Una funcin cuyo dominio incluye el intervalo cerrado [a,b]
se dice que es continua en [a,b] si y solo si es continua en el
intervalo abierto (a,b), as como es continua por la derecha de a y
continua por la izquierda de b
a b
Definicin: f es continua en [a,b) si y solo si es
continua en (a,b) y continua por la derecha de a

Definicin: f es continua en (a,b] si y solo si
es continua en (a,b) y continua por la izquierda
de b
Diferenciabilidad y Continuidad
La continuidad de una funcin no implica la diferenciabilidad de
dicha funcin en ese nmero







Sin embargo, la diferenciabilidad si implica la continuidad

Teorema: Si una funcin es diferenciable en x
1
, entonces f es continua
en x
1
( ) x x f =
Derivada de una Funcin
La pendiente de la recta tangente a f(x) en el punto (x, f(x))
( )
( ) ( )
x
x f x x f
x
x f
A
A
A
+

=
0
lim
'
x
f(x)
Valores Mximos y Mnimos de una Funcin de
una Variable
La derivada puede utilizarse para determinar los puntos donde la
tangente es horizontal (derivada = 0)

Extremos Relativos
Definicin: La funcin f se dice que
tiene un valor mximo relativo en c,
si existe un intervalo abierto que
contenga a c sobre el cual est
definida la funcin f tal que
f(c) f(x) para toda x en este intervalo
C = C =
Valores Mximos y Mnimos de una Funcin de
una Variable
Extremos Relativos
Definicin: La funcin f se dice que
tiene un valor mnimo relativo en c, si
existe un intervalo abierto que
contenga a c sobre el cual f est
definido tal que f(c) f(x) para toda x en
este intervalo
cc
Dnde Localizar los Posibles Valores
Extremos?
Teorema: Si f(x) existe para todos los valores de x en el intervalo
abierto (a,b) y si f tiene un extremo relativo en c, donde a < c < b,
entonces f (c) existe y f (c) = 0
C = C =
Si f es una funcin diferenciable,
los nicos lugares posibles para
puntos extremos es donde f (x) = 0
Dnde Localizar los Posibles Valores
Extremos?
Sin embargo, f (x) puede ser cero
y no obstante en ese valor f no
tiene un valor extremo (Punto de
Silla)
Ms an f puede tener un
extremo relativo en un nmero y f
puede no existir all
( ) ( )
3
1 = x x f
( ) ( )
2
1 3 ' = x x f
( ) 0 1 ' = f
( ) 1 = x x f
Dnde Localizar los Posibles Valores
Extremos?
En Resumen
Si una funcin est definida en un nmero c es una condicin
necesaria, pero no suficiente, para que f tenga un extremo relativo
en c que f (c) = 0 que f (c) no exista
Definicin: Si c es un nmero en el
dominio de la funcin f y si f (c) = 0
f (c) no existe, entonces c se llama
punto crtico de f
Extremos Absolutos
Frecuentemente estamos en una funcin definida en un intervalo
dado, y deseamos encontrar el valor mayor o menor de la funcin
en el intervalo
Estos intervalos pueden ser cerrados, abiertos o cerrados a un
extremo y abierto en otro.
El valor mximo absoluto es el mayor valor dentro del intervalo, y el
valor mnimo absoluto es el mnimo valor de la funcin dentro del
intervalo
Extremos Absolutos en un Intervalo
Definicin: La funcin f se dice que tiene un valor mximo absoluto en un
intervalo, si existe algn nmero c en el intervalo tal que f(c) f(x) para
toda x en el intervalo. En tal caso f(c) es el valor mximo absoluto de f en el
intervalo
Definicin: La funcin f se dice que tiene un valor mnimo absoluto en un
intervalo si existe algn nmero c en el intervalo tal que f(c) f(x) para
toda x en el intervalo. En tal caso f(c) es el valor mnimo absoluto de f en el
intervalo
Valor extremo absoluto es un mnimo o mximo absoluto de la funcin en el
intervalo
Tambin se puede hablar de extremo absoluto de una funcin cuando no
se especifica ningn intervalo, en este caso se dice que es un extremo
global de la funcin
Teorema del Valor Extremo
Si una funcin f es continua en el intervalo cerrado [a,b], entonces f
tiene un valor mximo absoluto y un valor mnimo absoluto en [a,b]

Un extremo absoluto de una funcin en un intervalo cerrado debe
ser un extremo relativo o ser un valor de la funcin en un extremo
del intervalo
C = C =
Procedimientos para la determinacin de extremos
absolutos en intervalo cerrado

1. Identificar valores de la funcin en los nmeros crticos de f en [a,b]
2. Encontrar f(a) y f(b)
3. El mayor de estos es el mximo absoluto y el menor es el mnimo
absoluto
Teorema de Rolle (Michel Rolle 1652-1719)
Sea f una funcin continua en un intervalo cerrado, diferenciable en
el intervalo abierto (a,b) y sean f(a) = 0 y f(b) = 0, existe al menos un
nmero c entre a y b donde f (c) = 0
c a b c a b
Debe notarse que puede haber ms
de un nmero en el intervalo abierto
para el cual la derivada es cero
a
b
c
1
c
2
a
b
c
1
c
2
Teorema del Valor Medio
Sea f una funcin continua tal que:
i. es continua en el intervalo cerrado [a,b]
ii. es diferenciable en el intervalo abierto (a,b)

entonces existe un nmero c en el intervalo abierto (a,b) tal que:
( )
( ) ( )
a b
a f b f
c f

= '
f(c)
a b c
R
T
R
S
f(c)
a b c
R
T
R
S
La tangente R
T
es
paralela a la secante R
S
Funciones Crecientes y Decrecientes y Criterio
de la Primera Derivada
Definicin: Una funcin definida en un intervalo se dice que es
creciente en ese intervalo si y solo si:
f(x
1
) < f(x
2
) siempre que x
1
< x
2
donde x
1
y x
2
son nmeros del
intervalo

Definicin: Una funcin definida en un intervalo se dice que es
decreciente en ese intervalo si y solo si:
f(x
1
) > f(x
2
) siempre que x
1
< x
2
donde x
1
y x
2
son nmeros del
intervalo

Si una funcin es creciente o decreciente en un intervalo, entonces
se dice que f es montona
Funciones Crecientes y Decrecientes y Criterio
de la Primera Derivada
Teorema: Si una funcin continua en el intervalo cerrado [a,b] y
diferenciable en el intervalo abierto (a,b)

i. Si f (x) > 0 para toda x es creciente en el intervalo

ii. Si f (x) < 0 para toda x es decreciente en el intervalo
Criterio de la Primera derivada para
Extremos Relativos
Si una funcin continua en el intervalo abierto (a,b) que contiene un
nmero crtico c y f es diferenciable, excepto, posiblemente en c .

Si c es un extremo entonces:
f (x
1
) > 0 donde x
1
< c
f (x
2
) > 0 donde c < x
2


en este caso c es un mximo relativo
f = 0
f < 0
f > 0
f = 0
f < 0
f > 0
Mximo Relativo
f = 0
f < 0
f > 0
f = 0
f < 0
f > 0
Lo contrario aplica para Mnimo Relativo
Criterio de la Segunda Derivada
Sea c un nmero crtico de una funcin en la cual f (c) = 0 y f
existe para todos los valores de x en algn intervalo abierto que
contenga a c. Entonces si f (c) existe y,
Si f (c) < 0, f tiene un valor mximo relativo en c
Si f (c) > 0, f tiene un valor mnimo relativo en c
Ntese que si f (c) = 0 nada puede concluirse

Teorema: Sea f una funcin continua en el intervalo I que
contiene al nmero crtico c. Si f(c) es un extremo relativo de f en I
y es el nico, entonces f(c) es un extremo absoluto de f en I.
Adems,
Si f(c) es un mximo relativo es un mximo absoluto
Si f(c) es un mnimo relativo es un mnimo absoluto
Formula de Taylor (Brook Taylor 1685 1731)
Ciertas funciones pueden ser aproximadas por polinomios y el
polinomio puede ser usado cuando la diferencia es pequea
Teorema: Sea f una funcin tal que f y sus n primeras derivadas
son continuas en el intervalo cerrado [a,b]. Adems, f
n+1
(x) existe
para toda x en el intervalo abierto (a,b). Entonces hay un nmero c
en el intervalo abierto (a,b) tal que,




Si n = 0 f(b) = f(a) + f (c)(b a) Teorema del valor medio
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
1
1
2
! 1 ! ! 2 ! 1
'
+
+

+
+ + +
' '
+ + =
n
n
n
n
a b
n
f
a b
n
a f
a b
a f
a b
a f
a f b f
c

Polinomio de Taylor


( ) ( )
( )
( )
( )
( )
( )
( )
n
n
a x
n
a f
a x
a f
a x
a f
a f x n + +
' '
+
'
+ =
! ! 2 ! 1
2
P
Residuo ( )
( )
( )
( )
( ) a x entre est donde a x
n
f
x Rn
n
n
y
! 1
1
1
c
c
+
+

+
=
Funciones de Varias Variables
(Campos Escalares)
Continuidad de Campos Escalares
Sea f una funcin de varias variables y a un vector de variables, se
dice que f es continua en a si
( ) definida est y existe a f i)
( ) existe x f ii
a x
lim )
( ) ( ) a f x f iii
a x
=

lim )
si esta falla entonces existe una discontinuidad
esencial
si esta falla entonces existe una discontinuidad
evitable
Funciones de Varias Variables
(Campos Escalares)
Operaciones sobre funciones continuas

Si f y g son continuas en a entonces:

f + g
f g
f x g

f g es continua, si g(a) 0
Son continuas
Derivada direccional
La derivada direccional permite tener informacin del
comportamiento de la funcin si sus variables se modifican
siguiendo el sentido indicado por el vector gradiente

La Derivada direccional de f en p segn el vector unitario
[ D

f(p) ] es el producto escalar del gradiente en p, por :


D

f(p) = Vf(p)
T


En qu sentido deberan desplazarse las variables de f, partiendo del
punto p, para que los valores de f crezcan ms rpidamente?
Derivada direccional
Como la rapidez est dada por : Vf(p)
T


En esta expresin se suponen ya conocidos f y p; faltando conocer
que haga mximo el producto escalar

Siendo Vf(p)
T
= |Vf(p)|. || Cos u = |Vf(p)|.(1). Cos u

Donde : u , es el ngulo formado por los vectores Vf(p) y

Vf(p)
T
, ser mximo si y slo si Cos u es mximo, sea cuando
u = 0 y Vf(p) con son colineales. Lo cual significa que el vector
unitario debe tener el mismo sentido que el vector gradiente de f
en p
( )
( ) p f
p f
V
V
=
significa que el vector gradiente de una funcin f en
un punto p, Vf(p), de su dominio se orienta en el
sentido en el cual f crece mas rpidamente
Derivada direccional
f(x,y) = -20 + 3x
2
+y
2

Vf = [6x
2y]

x
y
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
-18
-16
-14
-12
-10
-8
-6
-2
-1
0
1
2
-2
-1
0
1
2
-20
-15
-10
-5
0
Gradiente
Derivadas Parciales: Son derivadas direccionales especiales, las
direcciones son las de los ejes coordenados



Definicin: Si f:u R, u _ R
n
, la derivada de f en un punto x
0
e u es
el vector cuyos componentes son las derivadas parciales de f en x
0
.
A esto se le llama Gradiente
, ,
y
f
x
f
c
c
c
c
( )
( ) ( ) ( )
|
|
.
|

\
|
c
c
c
c
c
c
= V
n
x
x f
x
x f
x
x f
x f
0
2
0
1
0
0
, , ,
Diferenciabilidad de funciones de varias
variables
Teorema: Si f : u R, u c R
n
, es diferenciable en x entonces es
continua en x
El reciproco es falso: Una funcin puede ser continua sin ser
diferenciable
Teorema: (Condicin de suficiencia de diferenciabilidad)
Si f : u R, u c R
n
, posee derivadas parciales continuas en x
0
e u
entonces f es diferenciable en x
0

Sin embargo, una funcin puede ser diferenciable en un punto sin que
sus derivadas parciales sean continuas, en dicho punto
Definicin: Decimos que una funcin es de clase C
k
en u _ R
n
, y
escribimos f e C
k
(u), si todas sus derivadas parciales de orden k
existen y son continuas en u
Formula de Taylor en Varias Variables


En una notacin mas convencional y compacta



donde,
( ) ( )
( )
( ) ( )
( )
( )

+
c c
c
+
c
c
+ =
= = =
j j
j i
i i
n
j
n
i
oj j
j
n
j
x x
x x
x f
x x x x
x
x f
x f x f
0
0
2
0
1 1
0
1
0
! 2
1
E E E
( ) ( ) ( ) ( ) ( ) ( )

+ + V + =
0 0 0 0 0
! 2
1
x x x x x x x f x f x f
T
T
H
|
|
.
|

\
|
c
c
c
c
= V
n
x
f
x
f
f , ,
1

2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
n n n
n
n
x
f
x x
f
x x
f
x x
f
x
f
x x
f
x x
f
x x
f
x
f
c
c
c c
c
c c
c
c c
c
c
c
c c
c
c c
c
c c
c
c
c

H
Gradiente
Hessiano
Extensin de los Criterios de Existencia
de Mximo y Mnimos
Los puntos crticos son aquellos donde Vf = 0 o no existe
Alguna medida de positividad del Hessiano nos dir si es un
mximo o un mnimo

Teorema de Weierstrass (Extensin del teorema de Valor
Extremo):

Una funcin continua f, definida en un conjunto compacto S cerrado
y acotado (definido y no se va a infinito) tiene al menos un mnimo y
un mximo en S
Formas cuadrticas
Definicin: Una forma cuadrtica es cualquier campo escalar (R
n

R), definido para todo x en R
n
que sigue la siguiente forma:



donde a
ij
e R puede ser cero
Una forma cuadrtica no incluye ningn trmino lineal


Cualquier forma cuadrtica puede ser expresada en notacin
matricial como


donde a
ij
son elementos de la matriz A
( )
j i ij
h
j
h
i
x x a x q
1 1 = =
=

( )
2
2 2 1
2
1 2 1
8 4 7 , x x x x x x q + + =
( ) Ax x x q
t
=
Formas cuadrticas
Es claro que

para todo i = j

Por lo tanto una forma cuadrtica puede ser representada
equivalentemente por muchas matrices A o conjuntos de
coeficientes a
ij

Sin embargo, para una forma cuadrtica q(x) dada existe slo una
matriz simtrica (cuadrada tal que D = D
T
) que satisface q(x) = x
T
Dx
cuyos elementos estn definidos por:


para todo i = j

( )
j i ji ij i j ji j i ij
x x a a x x a x x a + = +
( )
2
ji ij
ji ij
a a
d d
+
= =
( )
2
2 2 1
2
1 2 1
, cx x bx ax x x q + + =
( ) | |
2
1
2 1 2 1
2 /
2 /
,
x
x
c
b
b
a
x x Dx x x x q
t
= =
Formas cuadrticas
Ejemplo
( )
2
2 2 1
2
1 2 1
, cx x bx ax x x q + + =
( ) | |
2
1
2 1 2 1
2 /
2 /
,
x
x
c
b
b
a
x x Dx x x x q
t
= =
1
2
8
2

= A
( )
( ) | |
2
1
2 1 2 1
2
2 2 1
2
1
2
2 1 2 2 1
2
1 2 1
1 3
3 2
,
6 2 8 2 2 ,
x
x
x x x x q
x x x x x x x x x x x x q

=
+ = + =
Propiedades de las formas cuadrticas
Definicin: la forma cuadrtica q(x) = x
T
Dx es definida positiva si
q(x) > 0 para todo x 0 en E
n
Definicin: la forma cuadrtica q(x) = x
T
Dx es semidefinida positiva
si q(x) 0 para todo x e E
n
, pero q(x) no es definida positiva

Definicin: la forma cuadrtica q(x) = x
T
Dx es definida negativa si
q(x) < 0 para todo x 0 en E
n
Definicin: la forma cuadrtica q(x) = x
T
Dx es semidefinida negativa
si q(x) s 0 para todo x e E
n
, pero q(x) no es definida negativa

La matriz D (nica y simtrica) de una forma cuadrtica definida
positiva es definida positiva

Propiedades de las formas cuadrticas
Si no satisface ninguna de las cuatro definiciones anteriores se dice
que la forma cuadrtica es indefinida. Esto es si q(x
1
) > 0 y q(x
2
) <
0 es indefinida, donde x
1
y x
2
e R
n
( )
2
2
2
1 2 1
10 , x x x x q + =
Es definida positiva
( ) ( )
2
2
2
1 2 1
10 , x x x x q + =
Es definida negativa
Propiedades de las formas cuadrticas
Sea D una matriz simtrica de n x n definida positiva, entonces:
a) D
-1
existe
b) D
-1
es definida positiva
c) ADA
T
es semidefinida positiva para cualquier matriz A mxn


Clasificacin de formas cuadrticas
Mtodo de los autovalores
Sea q(x) = x
T
Dx una forma cuadrtica, con D matriz simtrica.
Sean
1
,
2
,
n
los n autovalores de la matriz D. Entonces:
a) q(x) es definida positiva si y slo si
i
> 0 i
b) q(x) es definida negativa si y slo si
i
< 0 i
c) q(x) es semidefinida positiva si y slo
i
> 0 i, siendo al menos un

j
= 0
d) q(x) es semidefinida negativa si y slo
i
s 0 i, siendo al menos un
j = 0
e) q(x) es indefinida si y slo si algn
i
> 0 y algn
j
< 0

Funciones Convexas
Estamos particularmente interesados en la optimizacin de este tipo
de funciones sobre los llamados conjuntos convexos
Definicin: Un conjunto X en E
n
(R
n
) es convexo si y slo si para dos
puntos cualquiera x
1
y x
2
en X y cualquier valor escalar 0 s s 1, el
punto x = x
1
+ (1 - ) x
2
tambin est dentro de X
x
1
x
2
x
2
x
1
Convexo No Convexo
x
1
x
2
x
1
x
2
x
2
x
1
x
2
x
1
Convexo No Convexo
Una esfera, un tringulo, el espacio R
n
, una lnea recta y un punto son conjuntos
convexos. Un hiperplano tambin es un conjunto convexo
Funciones Convexas
Definicin: Una funcin escalar f(x) es una funcin convexa
definida sobre un conjunto convexo X en E
n
si para dos puntos
cualquiera x
1
y x
2
en X


donde 0 s s 1

( ) ( ) ( ) ( ) ( )
2 1 2 1
1 1 x f x f x x f

+ s +
a c b
A
B
a c b
A
B
( ) ( ) ( )
( ) ( ) b a f BC
b f a f AC


+ =
+ =
1
1
Funciones Convexas
Las funciones convexas tienen una caracterizacin geomtrica
simple e informativa
Teorema: Cualquier funcin lineal f(x) = c
T
x es tanto cncava como
convexa
Teorema: Si f(x) es convexa -f(x) es cncava (y viceversa)
Teorema: La suma de 2 o ms funciones convexas es convexa
Teorema: Cualquier forma cuadrtica semidefinida positiva
q(x) = x
T
Dx donde D es simtrica, es una funcin convexa en todo
E
n
, y si D es definida positiva es estrictamente convexa
Teorema: Cualquier forma cuadrtica semidefinida negativa
q(x) = x
T
Dx donde D es simtrica, es una funcin cncava en todo
E
n
, y si D es definida negativa es estrictamente cncava
Funciones Convexas
Dada una funcin cuadrtica representada como



es convexa o cncava si q(x) es convexa o cncava

Podemos notar la similitud con el polinomio de Taylor
( ) ( )
0
c x c x q x f
t
+ +

( ) ( ) ( ) ( ) ( ) ( )( )
0 0 0 0 0 0
2
1
x x x x x x x x f x f x f
t
t
+ V + ~ H

Funciones Convexas
Teorema: Si la funcin f(x) est definida y es convexa sobre un
conjunto convexo X en E
n
, luego cualquier mnimo local (con
restriccin) de f(x) en X es un mnimo global en X
Teorema: Si la funcin f(x) est definida y es cncava sobre un
conjunto convexo X en E
n
, luego cualquier mximo local (con
restriccin) de f(x) en X es un mximo global en X
Teorema: Si una funcin f(x) es convexa sobre un conjunto X
compacto y convexo (cerrado y limitado) en E
n
entonces al menos
un mximo global se encuentra sobre el borde de X
Criterios de la primera y segunda
derivada
Teorema: Supongamos que f(x) tiene primeras derivadas parciales
continuas. Luego f(x) es cncava sobre alguna regin R en E
n
si y
slo si



similarmente, f(x) es convexa sobre alguna regin R en E
n
si y slo
si


( ) ( ) ( ) ( )
- - -
V + s x x x f x f x f
t

( ) ( ) ( ) ( )
- - -
V + > x x x f x f x f
t
Convexa
x
*
x
Cncava
x
*
x
P
l
a
n
o

t
a
n
g
e
n
t
e
P
l
a
n
o

t
a
n
g
e
n
t
e
Convexa
x
*
x
Cncava
x
*
x
P
l
a
n
o

t
a
n
g
e
n
t
e
Cncava
x
*
x
P
l
a
n
o

t
a
n
g
e
n
t
e
P
l
a
n
o

t
a
n
g
e
n
t
e
Criterios de la primera y segunda
derivada
Teorema: Sea f(x) una funcin e C
2
(segundas derivadas parciales
existen y son continuas). Entonces f(x) es convexa sobre una regin
R en E
n
si y slo si su Hessiano es definido o semidefinido positivo
para toda x de la regin R
Criterios de la primera y segunda
derivada
Teorema de Schwartz: Si f(x,y) es tal que

son continuas en un entorno de un punto (x
0
,y
0
), entonces

existe y se cumple que


Como la matriz Hessiano es simtrica la definicin definida y
semidefinida positiva para formas cuadrticas es aplicable
directamente

Una funcin puede ser convexa o concava y su Hessiano puede
desaparecer en algunos puntos (matriz de ceros)
y x
f
y
y
f
x
f
c c
c
c
c
c
c
2
,
( )
0 0
2
y x
x y
f
c c
c
( ) ( )
0 0
2
0 0
2
, , y x
y x
f
y x
x y
f
c c
c
=
c c
c