Optimización Optimización Sin Restricciones Dr. E Uresti ITESM Optimización Sin Restricciones Profr. E. Uresti - p. 1/38 Introducción En esta sección se verá un método analítico para optimizar una función real en el caso que no existan restricciones sobre el dominio de la función y cuando la función admite segundas derivadas continuas. Esta técnica generaliza la técnica de optimización de funciones en una variable utilizando cálculo diferencial: primeramente se determina cuáles son los candidatos a óptimos, y posteriormente se aplica un criterio basado en la segunda derivada para determinar si corresponden a un máximo o Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd mínimo relativo. Primeramente definiremos los puntos críticos, que son los únicos puntos candidatos a óptimos de la función. Seguido de esto, se formula el principal resultado que caracteriza los puntos máximos y mínimos locales e ilustraremos el proceso de optimización con un par de ejemplos detallados hechos a mano y usando la calculadora TI. En la última sección se listan los resultados teóricos que son los argumentos necesarios para el teorema que caracteríza los óptimos locales. Optimización Sin Restricciones Profr. E. Uresti - p. 2/38 Óptimos de una Función Definición Sea f una función de valor real definida sobre un conjunto D ⊆ Rn . Sea x0 un punto en D , x0 se dice un mínimo local de f si existe d > 0 tal que si x ∈ D y |xo − x| < d entonces f (x) ≥ f (x0 ). Por otro lado, se dice máximo local si se cumple f (x) ≤ f (x0 ). En general, el concepto óptimo local se refiere a mínimos o máximos locales. El valor del óptimo local x0 es f (x0 ). Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 3/38 Punto Crítico o Estacionario Definición Sea f una función de valor real definida sobre un conjunto D ⊆ Rn . Un punto x0 ∈ D se llama punto estacionario o punto crítico si todas las parciales de f se hacen cero cuando se evaluan en x0 . Es decir, si ∇f (x0 ) = 0 Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 4/38 Teorema Clave Teorema Sea f : D ⊆ Rn → R. Suponga que f tiene segundas derivadas parciales continuas en D. Si x0 es un punto estacionario de f entonces f tiene en x0 . . . Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 5/38 Teorema Clave Teorema Sea f : D ⊆ Rn → R. Suponga que f tiene segundas derivadas parciales continuas en D. Si x0 es un punto estacionario de f entonces f tiene en x0 . . . ■ un mínimo local si Hf (x0 ) es positiva definida. (Todos los valores propios de Hf (x0 ) son positivos) Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 5/38 Teorema Clave Teorema Sea f : D ⊆ Rn → R. Suponga que f tiene segundas derivadas parciales continuas en D. Si x0 es un punto estacionario de f entonces f tiene en x0 . . . ■ un mínimo local si Hf (x0 ) es positiva definida. (Todos los valores propios de Hf (x0 ) son positivos) ■ un máximo local si Hf (x0 ) es negativa definida. (Todos los valores propios de Hf (x0 ) son negativos) Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 5/38 Teorema Clave Teorema Sea f : D ⊆ Rn → R. Suponga que f tiene segundas derivadas parciales continuas en D. Si x0 es un punto estacionario de f entonces f tiene en x0 . . . ■ un mínimo local si Hf (x0 ) es positiva definida. (Todos los valores propios de Hf (x0 ) son positivos) ■ un máximo local si Hf (x0 ) es negativa definida. (Todos los valores propios de Hf (x0 ) son negativos) ■ un punto silla si Hf (x0 ) tiene valores propios negativos y también positivos. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 5/38 Ejemplo 1: Clasificación de puntos Para la función: f (x, y) = 27 x − Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd 1 3 x − 2 y2 + y4 9 clasifique los siguientes puntos: a) P (−3, 1) b) Q (9, −1) c) R (−9, 1) d) S (9, 0) e) T (−9, 0) respecto a las opciones: 1) Punto crítico: mínimo relativo 2) Punto crítico sin información por el criterio de la Hessiana 3) No punto crítico 4) Punto crítico: máximo relativo 5) Punto crítico: punto silla Optimización Sin Restricciones Profr. E. Uresti - p. 6/38 Solución La idea es sustituir cada uno de los puntos en el gradiente para determinar si el punto es punto crítico. Sólo en caso de serlo, debemos sustituir en la Hessiana para ver si es máximo o mínimo local. En nuestro ejemplo 1 3 x2 fx = 27 − fy = −4 y + 4 y 3 ∇f = < 27 − 1 3 x2 , −4 y + 4 y 3 > En la figura 1 se ilustra: limpieza de las variables, la captura de f (x, y) y la obtención de las parciales. Figura 1: Registro de f (x, y), fx y fy Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 7/38 En las pantallas de la figura 2 se registran la captura de los puntos en la variable p y el cálculo de la matriz hessiana. Figura 2: Registro de puntos y Cálculo de la hessiana Optimización Sin Restricciones Profr. E. Uresti - p. 8/38 Análisis de P (−3, 1) Como ∇f (P ) =< 24, 0 >6=< 0, 0 > P (−3, 1) no es un punto crítico y por tanto no puede ser ni máximo ni mínimo relativo. En la figura 3 se ilustra la sustitución del punto P (−3, 1) y del Q(9, −1) en ∇f . Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Figura 3: Cálculo de ∇f (P ) y de ∇f (Q) Optimización Sin Restricciones Profr. E. Uresti - p. 9/38 Análisis de Q (9, −1) Como ∇f (Q) =< 0, 0 > por tanto, Q(9, −1) es un punto crítico. Revisemos el criterio de la segunda derivada: −6 0 Hf (Q) = 0 8 y así los eigenvalores propios de Hf (Q) son -6 y 8. Por tanto, el punto Q(9, −1) es un punto silla. Los cálculos se ilustran en la figura 4. Figura 4: Criterio en Q(9, −1). Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 10/38 Análisis de R (−9, 1) Como ∇f (R) =< 0, 0 > por tanto, Q(−9, 1) es un punto crítico. Revisemos el criterio de la segunda derivada: 6 0 Hf (R) = 0 8 y aís los eigenvalores propios de Hf (R) son 6 y 8. Por tanto, el punto R(−9, 1) es un mínimo relativo. Los cálculos se ilustran en la figura 5. Figura 5: Criterio en R(−9, 1). Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 11/38 Análisis de S (9, 0) Como ∇f (S) =< 0, 0 > por tanto, S(9, 0) es un punto crítico. Revisemos el criterio de la segunda derivada: −6 0 Hf (S) = 0 −4 y así los eigenvalores propios de Hf (S) son -6 y -4. Por tanto, el punto S(9, 0) es un máximo relativo. Los cálculos se ilustran en la figura 6. Figura 6: Criterio en S(9, 0). Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 12/38 Análisis de T (−9, 0) Como ∇f (S) =< 0, 0 > por tanto, T (−9, 0) es un punto crítico. Revisemos el criterio de la segunda derivada: 6 0 Hf (T ) = 0 8 y así los eigenvalores propios de Hf (T ) son 6 y 8. Por tanto, el punto T (−9, 0) es un mínimo relativo. Los cálculos se ilustran en la figura 7. Figura 7: Criterio en T (−9, 0). Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 13/38 Notas Observe en las pantallas de la TI el uso de la variable i: este truco permite el reuso de las entradas anteriores evitando así el volver a escribir los comandos, para ello basta volver a localizar el comando utilizando el cursor. Observe también el comando | utilizado para sustituir valores por variables en una expresión sin necesidad de hacer una asignación. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 14/38 Ejemplo 2 Ejemplo Analice la función: f : R2 → R definida por: f (x, y) = x3 + y 3 − 3 x y Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 15/38 Ejemplo 2 Ejemplo Analice la función: f : R2 → R definida por: f (x, y) = x3 + y 3 − 3 x y Solución Determinemos primero los puntos críticos. Para ello determinemos el gradiente de la función: Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd ∇f (x) =< 3 x2 − 3 y, 3 y 2 − 3 x >′ Optimización Sin Restricciones Profr. E. Uresti - p. 15/38 Ejemplo 2 Ejemplo Analice la función: f : R2 → R definida por: f (x, y) = x3 + y 3 − 3 x y Solución Determinemos primero los puntos críticos. Para ello determinemos el gradiente de la función: Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd ∇f (x) =< 3 x2 − 3 y, 3 y 2 − 3 x >′ Los puntos críticos satisfacen ∇f (x) =< 0, 0 >′ , por tanto: Optimización Sin Restricciones Profr. E. Uresti - p. 15/38 Ejemplo 2 Ejemplo Analice la función: f : R2 → R definida por: f (x, y) = x3 + y 3 − 3 x y Solución Determinemos primero los puntos críticos. Para ello determinemos el gradiente de la función: Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd ∇f (x) =< 3 x2 − 3 y, 3 y 2 − 3 x >′ Los puntos críticos satisfacen ∇f (x) =< 0, 0 >′ , por tanto: 3 x2 − 3 y = 0 y 3 y 2 − 3 x = 0 Optimización Sin Restricciones Profr. E. Uresti - p. 15/38 De donde: x2 − y = 0 y y 2 − x = 0 Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 16/38 De donde: x2 − y = 0 y y 2 − x = 0 Despejando y de la primera y sustituyendo en la segunda obtenemos: (x2 )2 −x = x4 −x = x (x3 −1) = x (x−1) (x2 +x+1) = 0 Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 16/38 De donde: x2 − y = 0 y y 2 − x = 0 Despejando y de la primera y sustituyendo en la segunda obtenemos: (x2 )2 −x = x4 −x = x (x3 −1) = x (x−1) (x2 +x+1) = 0 Las raíces son Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd 1 1 √ 1 1 √ x1 = 0, x2 = 1, x3 = + i 3, x4 = − i 3 2 2 2 2 Optimización Sin Restricciones Profr. E. Uresti - p. 16/38 De donde: x2 − y = 0 y y 2 − x = 0 Despejando y de la primera y sustituyendo en la segunda obtenemos: (x2 )2 −x = x4 −x = x (x3 −1) = x (x−1) (x2 +x+1) = 0 Las raíces son Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd 1 1 √ 1 1 √ x1 = 0, x2 = 1, x3 = + i 3, x4 = − i 3 2 2 2 2 Puesto que estamos sólo interesados en las raíces reales, sólo consideraremos a x1 = 0 y x2 = 1. Optimización Sin Restricciones Profr. E. Uresti - p. 16/38 Los puntos críticos quedan: (como y = x2 ): Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) ■ x = 1 Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) ■ x = 1 , y = 1: Q(1, 1) Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) ■ x = 1 , y = 1: Q(1, 1) El siguiente paso es determinar cuáles son máximos o mínimos relativos y cuáles puntos silla. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) ■ x = 1 , y = 1: Q(1, 1) El siguiente paso es determinar cuáles son máximos o mínimos relativos y cuáles puntos silla. Para ello determinemos la matriz Hessiana de f : Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Los puntos críticos quedan: (como y = x2 ): ■ x = 0 , y = 0: P (0, 0) ■ x = 1 , y = 1: Q(1, 1) El siguiente paso es determinar cuáles son máximos o mínimos relativos y cuáles puntos silla. Para ello determinemos la matriz Hessiana de f : " # 6x −3 Hf (x) = −3 6y Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 17/38 Para P (0, 0): " Hf (P ) = 0 −3 −3 0 Optimización Sin Restricciones # → Valores propios: − 3, 3 Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 18/38 Para P (0, 0): " Hf (P ) = 0 −3 −3 0 # → Valores propios: − 3, 3 Da signos intercambiados: P (0, 0) es punto silla. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 18/38 Para P (0, 0): " Hf (P ) = 0 −3 −3 0 # → Valores propios: − 3, 3 Da signos intercambiados: P (0, 0) es punto silla. Para Q(1, 1): " Hf (Q) = 6 −3 −3 6 Optimización Sin Restricciones # Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd → Valores propios: 9, 3 Profr. E. Uresti - p. 18/38 Para P (0, 0): " Hf (P ) = 0 −3 −3 0 # → Valores propios: − 3, 3 Da signos intercambiados: P (0, 0) es punto silla. Para Q(1, 1): " Hf (Q) = 6 −3 −3 6 # Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd → Valores propios: 9, 3 Todos positivos: Q(1, 1) es punto mı́nimo relativo. Optimización Sin Restricciones Profr. E. Uresti - p. 18/38 Para terminar de convencernos de que efectivamente el criterio es válido tomemos el punto P (0, 0). La matriz Hessiana tuvo valores propios α1 = 3 y α2 = −3. Tomemos el valor propio α1 . Para este valor propio de Hessiana evaluada en P (0, 0) tiene como vector propio v1 =< 1, −1 >: esta dirección define en el punto P (0, 0) a la recta y = −x. Si sobre esta recta consideramos a la función f (x, y) tenemos: Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd F (x) = f (x, y = −x) = x3 + (−x)3 − 3x(−x) = 3 x2 Si analizamos esta función efectivamente descubriremos que en x = 0 la función tiene un mínimo. Optimización Sin Restricciones Profr. E. Uresti - p. 19/38 Para terminar de convencernos de que efectivamente el criterio es válido tomemos el punto P (0, 0). La matriz Hessiana tuvo valores propios α1 = 3 y α2 = −3. Tomemos el valor propio α1 . Para este valor propio de Hessiana evaluada en P (0, 0) tiene como vector propio v1 =< 1, −1 >: esta dirección define en el punto P (0, 0) a la recta y = −x. Si sobre esta recta consideramos a la función f (x, y) tenemos: Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd F (x) = f (x, y = −x) = x3 + (−x)3 − 3x(−x) = 3 x2 Si analizamos esta función efectivamente descubriremos que en x = 0 la función tiene un mínimo. Resumiendo: en el punto P (0, 0) y en la dirección v1 =< 1, −1 > la función f (x, y) tiene un minimo. Optimización Sin Restricciones Profr. E. Uresti - p. 19/38 Por otro lado, para el valor propio α2 = −3 la Hessiana evaluada en P (0, 0) tiene como vector propio v2 =< 1, 1 >: esta dirección define en el punto P (x, y) la recta y = x. Si sobre esta recta consideramos la función f (x, y) tenemos G(x) = f (x, y = x) = x3 + (x)3 − 3x (x) = 2 x3 − 3 x2 Si analizamos esta función efectivamente descubriremos que en x = 0 la función tiene un máximo en x = 0. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 20/38 Por otro lado, para el valor propio α2 = −3 la Hessiana evaluada en P (0, 0) tiene como vector propio v2 =< 1, 1 >: esta dirección define en el punto P (x, y) la recta y = x. Si sobre esta recta consideramos la función f (x, y) tenemos G(x) = f (x, y = x) = x3 + (x)3 − 3x (x) = 2 x3 − 3 x2 Si analizamos esta función efectivamente descubriremos que en x = 0 la función tiene un máximo en x = 0. Resumiendo: en el punto P (0, 0) y en la dirección v2 =< 1, 1 > la función f (x, y) tiene un máximo. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 20/38 Por otro lado, para el valor propio α2 = −3 la Hessiana evaluada en P (0, 0) tiene como vector propio v2 =< 1, 1 >: esta dirección define en el punto P (x, y) la recta y = x. Si sobre esta recta consideramos la función f (x, y) tenemos G(x) = f (x, y = x) = x3 + (x)3 − 3x (x) = 2 x3 − 3 x2 Si analizamos esta función efectivamente descubriremos que en x = 0 la función tiene un máximo en x = 0. Resumiendo: en el punto P (0, 0) y en la dirección v2 =< 1, 1 > la función f (x, y) tiene un máximo. De estos dos análisis concluimos que efectivamente la función f (x, y) tiene un punto silla en P (0, 0): Hay una dirección donde el punto se ve como mínimo y hay otra donde se ve como máximo. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 20/38 Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Optimización Sin Restricciones Figura 8: Graficas de F (x) y de G(x) Profr. E. Uresti - p. 21/38 Repitamos los cálculos en la TI. En la figura 9 se ilustra: la limpieza de las variables x y y; el registro de la función f ; el cálculo de las parciales de f ; y la determinación de los puntos críticos. Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Figura 9: Preparación para el ejemplo 2. Optimización Sin Restricciones Profr. E. Uresti - p. 22/38 En la figura 10 se ilustra la salida de la solución del sistema de ecuaciones que define los puntos críticos. Por conveniencia, se recomienda utilizar el comando exp◮list para convertir la solución dada por la calculadora en un formato más fácil de manipular. Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Figura 10: Puntos críticos de f . Optimización Sin Restricciones Profr. E. Uresti - p. 23/38 En la figura 11 se ilustra la salida del comando exp◮list el cual es una matriz donde las raíces están por renglones y el orden en las columnas está relacionado con el orden del segundo argumento de exp◮list. También se ilustra parcialmente el registro de la Hessiana de f en la variable h. Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Figura 11: Salida de exp◮list y cálculo de Hf . Optimización Sin Restricciones Profr. E. Uresti - p. 24/38 En las pantallas de la figura 12 se muestran los resultados de sustituir los puntos en la matriz Hessiana de f y el cálculo de sus eigenvalores. Recuerde que el primer renglón contiene las componentes del punto Q(1, 1), mientras que el segundo renglón las de P (0, 0). Estos resultados confirman que Q(1, 1) es un mínimo relativo y que P (0, 0) es un punto silla. Figura 12: Análisis de Q(1, 1) (p[1]) y de P (0, 0) (p[2]). Optimización Sin Restricciones Profr. E. Uresti - p. 25/38 Algunos comandos en la TI En esta lectura usamos ciertos comandos que quizá merecen una explicación: ■ DelVar ■ exp◮list ■ | ■ d Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 26/38 DelVar var1, var2, var3, . . . Este comando se usa para limpiar variables y es útil cuando se desea construir una expresión matemática que involucra a ciertas variables. Previo a definir la expresión se debe invocar este comando. Ud. puede teclear directamente la palaba delvar con minúsculas y su calculadora reconocerá el comando DelVar. Este comando puede ser invocado con una o variables variables. En caso de ser varias, éstas deben ir separadas por comas: los Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd espacios no son necesarios. Este comando equivale entrar al var-link y limpiar la o las variables declaradas. Optimización Sin Restricciones Profr. E. Uresti - p. 27/38 exp◮list(exp, {var1, var2, var3, . . .}) Este comando es útil para convertir las soluciones a un sistema de ecuaciones que proporciona la calculadora TI en una matriz cuyos renglones son cada una de las raíces. Se asume que exp es una expresión del tipo var1 = v11 and var2 = v12 and · · · and varN = v1N or .. . Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd or var1 = vM 1 and var2 = vM 2 and · · · and varN = vM N la cual es precisamente la forma de la salida del comando solve. La invocación de este comando crea la matriz: v11 v12 · · · v1N .. . .. .. . . . . . vM 1 vM 2 · · · vM N Optimización Sin Restricciones Profr. E. Uresti - p. 28/38 Hay dos maneras de conseguir el comando exp◮list. Una manera es ingresar desde catalog ( 2nd 2 , en la TI voyage 200) y luego moviéndose con las flechas hasta localizar la función (se puede presionar la letra e para moverse al principio de las funciones que inician con e y después continuar con el movimiento del cursor). La otra consiste en teclear directamente el comando ubicando adecuadamente el caracter ◮ en el teclado ( 2nd Y , en la TI voyage 200). Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Otra cosa importante de notar es que el orden de los valores en la columna va acorde con el orden declarado en el segundo argumento (exp, {var1, var2, var3, . . .}) y no con el orden de aparición de las variables en la solución. Optimización Sin Restricciones Profr. E. Uresti - p. 29/38 exp | var1 = v1 and var2 = v2 and · · · Esta construcción permite sustituir los valores vi de las variables vari en exp. Esto es muy conveniente pues no ocurre una asignación de las variables que puedan contaminar los siguientes cálculos. El caracter | se obtiene en la TI voyage 200 con la combinación 2nd K. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 30/38 d (exp, var) o d (exp, var, n) Este comando se usa para calcular derivadas de exp respecto a la variable var. El tercer argumento opcional n indica el número de veces consecutivas que se deriva exp. Note la diferencia entre escribir la letra d y y el comando d : El comando de derivación se obtiene en el menú de math en el submenú calculus, o con las teclas 2nd 8 en la TI voyage 200. Optimización Sin Restricciones Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Profr. E. Uresti - p. 31/38 Resultados requeridos La teoría detrás de este método de optimización se basa en ciertos resultados sobre matrices y otros referentes a cálculo. El siguiente resultado es uno de los más importantes del álgebra lineal y es conocido como el teorema espectral. Una de las cosas soprendentes es que un concepto simple como el de simetría de una matriz pueda tener repercusiones tan importantes. La demostración de este resultado viene en el teorema 8.8 del libro de A. Basilevsky (1983): Applied Matrix Algebra in Statistical Sciences Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd (North-Holland, New York). Los resultados sobre cálculo se relacionan con el desarrollo de Taylor (series de potencias) de una función en variables. Optimización Sin Restricciones Profr. E. Uresti - p. 32/38 Teorema Sea A una matriz n × n simétrica. Entonces todos los valores propios de A son reales y existe para Rn una base ortogonal formada por vectores propios de A. Más aún, si x1 , x2 ,. . . ,xn forman una base ortogonal de vectores propios asociados a los valores propios λ1 ,λ2 ,. . . ,λn respectivamente entonces si P es la matriz cuya columna i es el vector xi y D es la matriz diagonal cuyo elemento (i, i) es λi , entonces Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd A = P D P′ Bajo el supuesto de segundas derivadas parciales continuas de una función en varias variables f , el teorema de Clairaut afirma que las derivadas parciales cruzadas son iguales y por tanto la matriz hessiana Hf es simétrica. Y por tanto, evaluada en cualquier punto tendrá todos sus valores propios reales. Optimización Sin Restricciones Profr. E. Uresti - p. 33/38 El teorema espectral tiene un impacto inmediato sobre funciones llamadas formas cuadráticas: Teorema Sea A = [aij ] una matriz n × n simétrica. Si definimos la forma cuadrática en la variable x =< x1 , x2 , . . . , xn > Q(x) = x′ Ax = n X n X aij xi xj Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd i=1 j=1 entonces: ■ Q(x) > 0 para toda x 6= 0 si y sólo si todos los valores propios de A son positivos. ■ Q(x) < 0 para toda x 6= 0 si y sólo si todos los valores propios de A son negativos. Optimización Sin Restricciones Profr. E. Uresti - p. 34/38 Demostración Por el teorema espectral existen C ortogonal y D diagonal n × n tal que A = C′ D C por consiguiente Q(x) = x′ A x = x′ C′ D C x = (Cx)′ D (C x) Si definimos y = C x entonces lo anterior queda: Q(x) = y′ D y = n X Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd λi yi 2 i=1 Note que al ser C ortogonal, C es invertible y por lo tanto x 6= 0 si y sólo si y 6= 0. Optimización Sin Restricciones Profr. E. Uresti - p. 35/38 Dado que calcular valores y vectores propios de una matriz es un proceso numérico complejo, el siguiente resultado cambia el proceso de la determinación de valores propios por el proceso directo de cálculo de determinantes. La demostración de este resultado vienen en la prueba del teorema 2.14.4 del libro de P. Lancaster (1969): Theory of Matrices (Academic Press, New York). Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Teorema Sea A una matriz simétrica n × n. A tiene todos sus valores propios positivos si y sólo si todos los determinantes de las matrices principales primeras son positivos, esto es a11 a12 > 0, . . . , |A| > 0. a11 > 0, a21 a22 Optimización Sin Restricciones Profr. E. Uresti - p. 36/38 El teorema clave que da las condiciones suficientes que deben cumplir los óptimos locales para ser máximos relativos, mínimos relativos o puntos sillan se deduce de variantes del teorema de Taylor que da el desarrollo de potencias de una función. La prueba de este resultado aparece en la demostración del teorema 7.5.1 del libro de A. Khuri (1993): Advanced Calculus with Applications in Statistics (John Wiley and Sons, New York) Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd Teorema Sea f : D ⊆ Rn → R y sea B(xo ) una vecindad de xo ∈ D tal que B(xo ) ⊆ D. Si todas las parciales de f existen y son continuas hasta orden ≤ r en B(xo ), entonces para cualquier punto xo + x ∈ B(xo ) se cumple r−1 X 1 ′ i 1 ′ r f (xo + x) = f (xo ) + x ∇ f (xo ) + x ∇ f (zo ) i! r! i=1 donde zo está en la línea que une xo con xo + x. Optimización Sin Restricciones Profr. E. Uresti - p. 37/38 Demostración de la versión del teorema utilizada en la prueba de la suficiencia de las condiciones para máximos, mínimos y puntos silla y que se formula como sigue puede ser encontrada en la prueba del teorema 9.4 del libro de T. Apostol (1980): Calculus, Volumen 2 (Reverté, Barcelona). Teorema Sea f (x) una función escalar definida en una n-bola B(x0 ) y con derivadas parciales de segundo orden continuas en B(x0 ). Entonces para todo x0 + x ∈ B(x0 ) se tiene Introducción Óptimos locales Punto crı́tico Teorema Clave Ejemplo 1 Ejemplo 2 Comandos TI Bases -Teorema Espectral -F Cuadráticas -Taylor -Taylor 2nd 1 f (x0 +x)−f (x0 ) = ∇f (x0 ) • x+ x′ Hf (x0 ) x+kxk2 E2 (x0 , x) 2 donde E2 (x0 , x) → 0 cuando x → 0. Del teorema anterior se deduce que en un punto crítico x0 el signo de f (x0 + x) − f (x0 ) es el signo de x′ Hf (x0 ) x. Optimización Sin Restricciones Profr. E. Uresti - p. 38/38