Programacin No lineal

Se sabe que optimizar es encontrar el mejor valor de todos los posibles ,

en este caso se denominara optimo global sin embargo en programacin
no lineal existir un optimo local

En este caso se usa la primera derivada para determinar si el ejercicio

tiene un mximo o un minimo. , en el caso de la segunda derivada siver
para ver si la curva presenta un mximo o un minimo.

Si la segunda derivada es menor a 0 , entonces tiene un mximo relativo

Si la segunda derivda es mayor a 0 , entonces tiene un minimo relativo
Si la segunda derivada es igual a 0 este criterio falla y quizs tenga un
mximo o minimo

A este ltimo se le denomina punto de inflexin

Vecindad: Sea x* un punto perteneciente al dominio de la funcin f(x).

Un punto cualquiera x se dice en la vecindad de x* si y slo si pertenece
a S, donde;

Global v/s local: Un punto x* es un mximo (mnimo) global cuando su

valor es mayor (menor) que todos los dems valores de la funcin en
todo su dominio. Ser un mximo (mnimo) local cuando su valor es
mayor (menor) que todos los valores de la funcin en al menos una
vecindad de x*. ptimo global hay a lo ms uno, mientras que ptimos
locales pueden haber ms de uno.

Estricto v/s no estricto: Un punto x* mximo (mnimo) ser estricto si

es estrictamente mayor (menor) que los dems valores de la funcin en
al menos una vecindad. Ser no estricto si es mayor o igual (menor o
igual) que los dems valores de la funcin en toda vecindad.

La primera derivada f(x) de una funcin objetivo de una variable o el

vector gradiente f(x) de una funcin objetivo de varias variables,
describe la pendiente o la tasa de cambio en f con pequeos cambios
en los valores actuales de las variables de decisin

Despus de todo esto es necesario analizar los puntos que puedan

entregar si el ejercicio es un ptimo y que clase de ptimo.

Para eso se tiene condiciones necesarias y condiciones suficientes.

Codicion necesaria es aquella que todo punto ptimo debe cumplir. El

no cumplimiento de esta condicin garantiza que el punto en cuestin
no es ptimo. Sin embargo, el cumplimiento no garantiza optimalidad,
ya que no slo los puntos ptimos cumplen con la condicin necesaria.

Una condicin de suficiencia complementa la condicin necesaria

f(x) = 0 Condicin necesaria de 1er orden

Todo ptimo de una funcin no lineal debe cumplir con la condicin

necesaria de primer orden f(x) = 0, sin embargo no todas las
soluciones que cumplan con esta condicin son ptimos.

Segundo orden

Menores principales para un funcin de n variables.

Si los menores principales de H(x0) son todos > 0, entonces la
matriz es definida positiva.
Si los menores principales de H(x0) son alternados partiendo por <
0, entonces la matriz es definida negativa.
Si los menores principales de H(x0) son todos 0, entonces la
matriz es semidefinida positiva.
Si los menores principales de H(x0) son alternados partiendo por
0, entonces la matriz es semidefinida negativa.
En otro caso la matriz en indefinida.

Anlogamente,
f es cncava si y slo si la matriz Hessiana (funcin Hessiano) es
semidefinida negativa.
f es estrictamente convexa si la matriz (funcin) es definida
positiva, esto es para cualquier x* en S, tenemos que xTH(x*)x > 0
para todo x 0 lRn.
f es estrictamente cncava si la matriz (funcin) es definida
negativa, esto es para cualquier x* en S, tenemos que xTH(x*)x <
0 para todo x 0 lRn.

Ejercicio 1

a) f(x) = 0,5x12 + x1x2 + 2x22 4x1 4x2 x23

f(x) = 0
(x1 + x2 4, x1 + 4x2 4 3x22) = (0, 0)

b) f(x) = x13 + x22

f(x) = 0
 (3x12, 2x2) = (0, 0)

c) f(x) = x14 + x22

f(x) = 0
(4x13, 2x2) = (0, 0)