Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Mtodos de Optimizacin
Clase 0
Clase 1
Contenidos
Programa
1
Modo de Calificacin
Pruebas
1era Prueba
Ponderacin 35 %
2era Prueba
Ponderacin 35 %
Examen
Ponderacin 30 %
Vectores y Matrices
En nuestro curso trabajaremos con matrices, donde designaremos por aij R
el elemento o componente de la matriz que se ubica en la fila i y en la columna
j. Por ejemplo, una matriz A sera:
A= .
..
.. .
..
.
.
am1
am2
amn
a1j
a2j
A j = . .
..
amj
v=
v1
v2
..
.
vn
v=
v1
v2
..
.
vn
v=
v1
v2
..
.
vn
v=
v1
v2
..
.
vn
v=
v1
v2
..
.
vn
X
a
v
1j j
j=1
a2j vj
Rm ,
Av =
j=1
.
..
amj vj
j=1
Ax + Ay, x, y Rn ,
A(x)
Ax, x Rn , R
n
X
aj vj R,
j=1
A = (aij )i=1,...,m ,
k=1,...,p
B = (bjk )j=1,...,n ,
k=1,...,p
n
X
k=1,...,p
= (Ai . B. k )i=1,..,m
AB =
aij bjk
j=1
i=1,...,m
A = (aij )i=1,...,m ,
k=1,...,p
B = (bjk )j=1,...,n ,
k=1,...,p
n
X
k=1,...,p
= (Ai . B. k )i=1,..,m
AB =
aij bjk
j=1
i=1,...,m
A = (aij )i=1,...,m ,
k=1,...,p
B = (bjk )j=1,...,n ,
k=1,...,p
n
X
k=1,...,p
= (Ai . B. k )i=1,..,m
AB =
aij bjk
j=1
i=1,...,m
- Para una matriz A = (aij )i=1,...,n de orden n, el menor Mij del elemento
aij es el valor del determinante de orden (n 1) que se obtiene eliminando de
la matriz A la fila i y la columna j,
- Para una matriz de orden n, el cofactor Aij del elemento aij se define
como Aij = (1)i+j Mij ,
El determinante de una matriz de orden n se calcula sumando el producto de
los elementos aij de cualquier fila o columna por sus cofactores:
det(A)
m
X
i=1
det(A)
n
X
j=1
air Air =
m
X
(1)i+r air Mir , r = 1, 2, ..., n,
i=1
n
X
arj Arj =
(1)r+j arj Mrj , r = 1, 2, ..., m.
j=1
cof (A)T
.
det(A)
i Ai = 0n .
i=1
Ntese que esto quiere decir que el vector x = (1 , ..., p )T es una solucin
no nula del sistema lineal homogneo:
p
X
Ai xi = 0n .
i=1
p
X
i Ai .
i=1
S = x + y S,
S, R = x S.
Una matriz cuadrada A = (aij )i=1,...,n es simtrica si sus componentes simtricas con respecto a la diagonal principal son iguales, i.e. aij = aji , i 6= j.
Toda matriz simtrica define una forma cuadrtica q(x) sobre Rn en la forma
siguiente:
q(x) = xT Ax, x Rn .
La matriz A se dice definida positiva si la forma cuadrtica asociada q(x) es
estrictamente positiva sobre todo vector no nulo.
La matriz A se dice semi-definida positiva si la forma cuadrtica asociada
q(x) es no negativa sobre todo Rn :
xT Ax > 0, x Rn , x 6= 0n ,
Semi-Def. Positiva
xT Ax 0, x Rn .
Las definiciones son anlogas para matrices definida negativas y semidefinida negativas, simplemente cambiando los signos:
Def. Negativa
xT Ax < 0, x Rn , x 6= 0n ,
Semi-Def. Negativa
xT Ax 0, x Rn .
Norma de vectores en Rn
En el espacio vectorial Rn se pueden definir varias normas para un vector
x = (x1 , x2 , ..., xn )t , las que a su vez inducen respectivas distancias. Las ms
comunes son:
1 La norma euclideana (que es la que ms se usa):
v
uX
u n 2
kxk = t
xj ,
j=1
2 La norma infinita:
kxk = max |xj | ,
1jn
Norma de vectores en Rn
En el espacio vectorial Rn se pueden definir varias normas para un vector
x = (x1 , x2 , ..., xn )t , las que a su vez inducen respectivas distancias. Las ms
comunes son:
1 La norma euclideana (que es la que ms se usa):
v
uX
u n 2
kxk = t
xj ,
j=1
2 La norma infinita:
kxk = max |xj | ,
1jn
f1 (x)
f2 (x)
F(x) = . .
..
fm (x)
La matriz Jacobiana o el Jacobiano de F en x0 es la matriz m n cuyas filas
son los vectores gradiente de cada fi :
f1 (x0 )
f2 (x0 )
F(x0 ) =
.
..
.
fm (x0 )
f (x0 ) =
2 f (x0 )
xi xj
j=1,...,n
i=1,...,n
Casi siempre, en los casos prcticos, las segundas derivadas cruzadas son
iguales:
2 f (x0 )
2 f (x0 )
=
,
xi xj
xj xi
y por eso la matriz Hessiana es (casi) siempre simtrica.
El hecho de que la matriz Hessiana sea signo-definida (positiva o negativa)
ser una propiedad muy importante en los problemas de optimizacin no lineal.