Tema 1

INTRODUCCION A LA OPTIMIZACION
(parte I)

BIBLIOGRAFIA
 Barbolla, Cerdá y Sanz
 Sydsaeter y Hammond

Podéis consultar la bibliografía completa en la guía docente de la asignatura

M. Vázquez
 PROGRAMA MATEMATICO

Max f(x,y) min f(x,y)

(x,y)  S  R 2 (x,y)  S  R 2

Conjunto de soluciones
factibles (CSF)

Función objetivo

Se trata de buscar, de entre todos los puntos posibles, aquellos que asignen “el
mejor” valor a nuestra función.

2
 2
Para una función en R :

Max Global

Max Local

min local

Observa . En este caso no existe mínimo global pues la función toma

valores arbitrariamente pequeños. El conjunto de soluciones factibles es
toda la recta real.
3
 Definición
Decimos que un punto (x*, y*) es solución del problema de
Máximo global si es el punto que le asigna el mayor valor a la
función objetivo de entre todos los puntos factibles, es decir
( x*, y*)  S es Max global  f ( x*, y*)  f ( x, y ) ( x, y )  S

Si la desigualdad es estricta, el Máximo global es

único.
Si la desigualdad se verifica sólo en un entorno S del
punto, diremos que el Máximo es local.

Si le damos la vuelta a la desigualdad tenemos la definición de mínimo:

( x*, y*)  S es min global  f ( x*, y*)  f ( x, y ) ( x, y )  S
4
Si ahora suponemos que el conjunto de puntos candidatos es el intervalo
[1,5]

Max Global

Max Local

1 5

min local
min local

min global

Observa que el mínimo que antes era local ahora es global, pues hemos
cambiado el conjunto de soluciones factibles.
5
 3
En R
Máximos Globales

mínimos globales

mínimo global
6
 Queremos saber
Teorema de existencia
de soluciones
Cuándo podemos asegurar que existe solución?

Bajo qué condiciones la solución es global?

Programación Convexa

Cuándo podemos asegurar que la solución es única?

OBJETIVO

Encontrar condiciones que nos permitan asegurar que existe

una única solución global

7
EXISTENCIA DE SOLUCIONES

8
 EXISTENCIA DE SOLUCIONES. Teorema de Weierstrass.

Si la función objetivo es continua en el conjunto de soluciones factibles y el conjunto

de soluciones factibles es compacto, entonces existe AL MENOS un Máximo global
y un mínimo global.

Recuerda: un conjunto se dice compacto si es cerrado y acotado

Ejemplo. Sea el programa Opt 1- x - y

x+y  1, x  0, y  0

Analizamos el conjunto de soluciones factibles. El conjunto es

cerrado (contiene su frontera) . Para ver si es acotado, representamos
gráficamente las inecuaciones.

9
 x+y  1, x  0, y  0 El conjunto es compacto. Como la función
objetivo es continua, seguro que el
programa tiene al menos un Máximo y un
mínimo global.

2
 y2
opt e x
Ejemplo. Sea el programa ( x, y )  R 2

El conjunto factible es evidentemente no acotado, luego no se cumplen las hipótesis

del teorema. Por tanto, puede haber óptimo o no.

Si representamos la función

(0,0) mínimo global

No existe Máximo Global

10
CONVEXIDAD DE CONJUNTOS Y
FUNCIONES

11
 CONJUNTOS CONVEXOS

Un conjunto es convexo cuando, dados dos

elementos del conjunto, todos los elementos
que pertenecen al segmento que los une
también están en el conjunto. Más
formalmente:

Un conjunto S es convexo si para cualquier par de puntos x e y de S, el

segmento
 x , y   z  R n : z   x  (1   ) y ,  0,1}
también pertenece a S.

Cuidado: la intersección de conjuntos

convexos es siempre un conjunto
convexo, pero no ocurre lo mismo
con la unión.
12
Observación. En ocasiones conviene distinguir entre conjuntos convexos y
conjuntos estrictamente convexos. La diferencia se encuentra en que,
cuando el conjunto es estrictamente convexo, no puede haber tramos rectos.

Es convexo (estricto) Es convexo

No es convexo No es convexo 13
 FUNCIONES CONVEXAS Y CONCAVAS

Definición. Sea f : S  R n  R donde S es un conjunto convexo. Diremos que f es

cóncava en S si y sólo si
 x , y  S , f ( x  (1   ) y )   f ( x )  (1   ) f ( y ),   [0,1]
Diremos que la función es estrictamente cóncava cuando la desigualdad es
estricta para valores de  entre (0,1).

Por tanto, una función es cóncava cuando la gráfica comprendida entre

los dos extremos del segmento queda por encima del segmento que une los
valores por f de los puntos extremos. Gráficamente:

Estrictamente cóncava en R2 Cóncava en R2 14

14
Función estrictamente cóncava en R3

Función cóncava en R3 15
15
 Definición. Sea f : S  Rn  R donde S es un conjunto convexo.
Diremos que f es convexa en S si y sólo si

 x , y  S , f ( x  (1   ) y )   f ( x )  (1   ) f ( y ),   [0,1]

Diremos que la función es estrictamente convexa cuando la

desigualdad es estricta para valores de 
entre (0,1).

Análogamente al caso anterior, diremos que una función es convexa

cuando la gráfica comprendida entre los dos extremos del segmento
queda por debajo del segmento que une los valores por f de los puntos
extremos.

16
 Función estrictamente convexa R 2 Función convexa R 2

Función estrictamente convexa R3 Función convexa R3 17

17
 CRITERIO DE CONCAVIDAD-CONVEXIDAD
PARA FUNCIONES 𝐶 2

Si suponemos que la función que estamos estudiando tiene primeras y

segundas parciales continuas, tenemos un criterio muy útil para estudiar la
concavidad-convexidad de la misma. El criterio se obtiene directamente a
partir del desarrollo de Taylor de orden dos de la función f(x,y).

La función f (X) es cóncava si y sólo si Hf(x,y) es

semidefinida negativa en todo punto de su dominio

La función f (X) es convexa si y sólo si H f(x,y) es

semidefinida positiva en todo punto de su dominio
 si Hf(x,y) es definida negativa en todo punto de su
dominio entonces la función es estrictamente Cóncava

si Hf(x,y) es definida positiva en todo punto de su

dominio entonces la función es estrictamente Convexa

OBSERVA: puede ocurrir que una función sea estrictamente

cóncava pero su hessiana sea semidefinida negativa. La implicación
no funciona en los dos sentidos.

19
Podemos decir alguna cosa más sobre las funciones cóncavas y convexas.
Geométricamente, una función cóncava se caracteriza porque la
diferencial siempre aproxima por exceso (es decir, los planos tangentes
están siempre “encima” de la gráfica de la función)

Plano tangente

f ( x )  f ( x0 )  f ( x0 )( x  x0 )  f ( x )  f ( x0 )  f ( x0 )( x  x0 ), x , x0  S
20
En el caso de las funciones convexas, la diferencial siempre aproxima por defecto
(es decir, los planos tangentes están siempre “debajo” de la gráfica de la función)

Plano tangente

f ( x )  f ( x0 )  f ( x0 )( x  x0 )  f ( x )  f ( x0 )  f ( x0 )( x  x0 ), x , x0 
21
21 S
Función ni cóncava ni convexa

22
¿Cómo trabajaremos entonces?

Calcula la matriz Hessiana. Verifica que

1. las derivadas segundas son continuas.

Estudia el signo de la matriz . Utiliza el

2. criterio de los menores o el de los
autovalores.

Utiliza el criterio que acabamos de ver

3. para clasificar la función.
23
Ejemplo. Analiza la concavidad-convexidad de la función f(x,y)=xy .

Solución. Calculamos en primer lugar el vector gradiente

f ( x, y) f ( x, y)
f ( x, y)  ( , ) = (y,x)
x y

Ahora la matriz de derivadas segundas (matriz hessiana)

 2 f 2 f 
 2 
x yx   0 1 
HF ( x, y )   2  
 f 2 f   1 0 
 
 xy y 2 

Como el determinante de la matriz hessiana es negativo, la matriz es indefinida.

Por tanto, no es ni cóncava ni convexa.

Ejemplo. Analiza la concavidad-convexidad de la función f(x,y)=Lnxy

Solución. Aplicamos las propiedades de los logaritmos f(x,y)=lnx+lny. EL
vector gradiente será
 1 
  2 0 
f ( x, y ) f ( x, y ) 1 1 x
f ( x, y)  ( , ) = ( , ) y por tanto la matriz hessiana Hf(x,y)=  
x y x y  0 1 
  2
 y 
24
Aplicamos el criterio de Sylvester para matrices de orden dos:
• Los dos elementos de la diagonal son negativos (para cualquier punto del
dominio)
• El determinante es positivo (para cualquier punto del dominio)

La matriz hessiana es DN luego la función es estrictamente cóncava.

Ejemplo. Analiza la concavidad-convexidad de la función f(x,y)=x-Lny

Solución. Calculamos el vector gradientef ( x, y )  (1, 1) y la matriz hessiana

y
0 0 
Hf ( x, y )   1 
 0
 y 2 

• Los dos elementos de la diagonal son mayores o iguales que cero (para
cualquier punto del dominio)
• El determinante es positivo (para cualquier punto del dominio)

La matriz hessiana es SDP luego la función es convexa. Puede ser estrictamente

convexa pero el criterio no es en este caso concluyente.
25
RELACION ENTRE LA CONVEXIDAD DE
CONJUNTOS Y LA CONCAVIDAD-
CONVEXIDAD DE FUNCIONES

26
Podemos definir conjuntos convexos a partir de funciones cóncavas-convexas
de la siguiente manera:

•Sea f una función cóncava. Entonces el conjunto N c   x  S : f ( x )  c

es un conjunto convexo.
•Sea f una función convexa. Entonces el conjunto Nc  x  S : f ( x )  c
es un conjunto convexo.
•Sea f una función lineal. Entonces el conjunto Nc  x  S : f ( x )  c
es un conjunto convexo.

Recuerda: l a propiedad anterior es equivalente a esta

• El conjunto SOBRE NIVEL de una función CONCAVA
es CONVEXO.
• El conjunto BAJO NIVEL de una función CONVEXA es
CONVEXO.
• La CURVA DE NIVEL de una función LINEAL ES
CONVEXO 27
 ¿Cómo trabajaremos entonces?
 c prueba que la
Si el conjunto es de la forma ff ((xx)) 
1. función f ( x ) es cóncava. Sus conjuntos sobre nivel
serán convexos.

x )) 
Si el conjunto es de la forma ff (( x cc prueba que la
2. función f ( x ) es convexa. Sus conjuntos bajo nivel serán
convexos.

( x) )cc prueba que la

Si el conjunto es de la forma f f( x
3. función f ( x ) es lineal. Sus conjuntos bajo nivel, sobre
nivel y sus CURVAS DE NIVEL serán conjuntos
convexos.
Gráficamente:

F ( x, y)  x 2  y 2

 2 0
HF ( x, y)    ( x, y)  DP
 0 2

Función
convexa

x2  y 2  1
Conjunto
convexo
29
 F ( x, y )  x1/ 2 y1/ 2

 1 3/ 2 1/ 2 1 1/ 2 1/ 2 

 4 x y 4
x y 
HF ( x, y )    SDN( x, y)
 1 x 1/ 2 y 1/ 2  1 x1/ 2 y 3/ 2 
 
4 4 

Función
cóncava

x1 / 2 y1 / 2  1
conjunto
convexo

30
Observa que, sin embargo, los conjuntos anteriores NO SON
convexos si se permite sólo la igualdad:

NO convexo

x2  y 2  1

NO convexo

x1/ 2 y1/ 2  1
31
Observa: el conjunto f ( x )  c puede ser convexo aunque la función no sea cóncava.
Por ejemplo, la función f(x,y)=xy no es cóncava ni convexa (diapositiva 24) pero su
conjunto sobre nivel en el primer cuadrante es convexo:

xy  1
xy=1

Volveremos a este asunto más adelante

32
Ejercicio 1. Analiza la concavidad/convexidad de las funciones:
1. f ( x, y )  x 2  y 2 2. f ( x, y )  x1/ 2 y1/ 2 3.. f ( x, y )  log( x1/ 2 y1/ 2 )
x2  y 2
4. f ( x, y )  y  x 2
5. f ( x, y)  x  y +2 xy
2 2
6. f ( x, y)  e

Ejercicio 2. Estudia la convexidad de los conjuntos:

1.x 2  y 2  1 2.x1/ 2 y1/ 2  5 3. log( x1/ 2 y1/ 2 )  0
4. y  x 2 =1 5. x 2  y 2 +2 xy  4

33