Professional Documents
Culture Documents
1 of 18
Sumario
1. INTRODUCCION
2. MATRIZ HESSIANA
3. FORMULA DE TAYLOR DE SEGUNDO ORDEN
CONVEXA Y MINIMO
4. FUNCION
CONVEXA
5. PROPOSICION1:
HESSIANA Y FUNCION
2 of 18
INTRODUCCION
Mientras la prueba de la primera derivada identifica los puntos que
pueden ser extremos, esta prueba no distingue si un punto es mnimo,
maximo, o ninguno de los dos. Cuando la funci
on objetivo es dos
veces diferenciable, estos casos pueden ser distinguidos estudiando la
segunda derivada o la matriz de las segundas derivadas (llamada
matriz Hessiana) en problemas irrestrictos, o la matriz de las
segundas derivadas de la funci
on objetivo y las restricciones llamada
la frontera Hessiana en problemas restrictos.
Las condiciones que distinguen a los maximos, o mnimos, de otros
puntos estacionarios son llamadas condiciones de segundo orden. Si
un candidato a solucion satisface las condiciones de primer orden y las
condiciones de segundo orden tambien, es suficiente para establecer,
al menos, optimalidad local..
3 of 18
MATRIZ HESSIANA
Definici
on: Dada una funci
on real f : Rn R. Si todas las
segundas derivadas parciales de f existen, se define la matriz hessiana
2 f (x)
de forma
de f como: Hf (x), donde Hf (x)i,j =
xi xj
2f
x 2
21
f
Hf (x) := x2 x1
.
..
2f
xn x1
2f
x1 x2
2f
x22
..
.
2f
xn x2
...
...
..
...
2f
x1 xn
2f
x2 xn
.
..
.
2
f
xn2
1
yHf (x + cy )y T , donde 0 < c < 1
2!
1
yHf (x + cy )y T + ||y ||2 E2 (x, y ),
2!
5 of 18
n
X
j=1
6 of 18
Dj f (r (u))yj
n X
n
X
i=1 j=1
1
y [H(x + cy ) H(x)]y T si Y 6= O
2!
1
yHf (x + cy )y T + ||y ||2 E2 (x, y ),
2!
n X
n
X
i=1 j=1
CONVEXA Y MINIMO
FUNCION
Definici
on: Sean A Rn , un conjunto no vaci
o y convexo y sea
f : A R se dice que f es una funci
on convexa si solo si se cumple
que:
f (x + (1 )y ) f (x) + (1 )f (y ),
[0, 1] y x, y A
Definici
on: Sea f : A Rn R una funci
on donde
Se dice que f alcanza en x A un mnimo local en A si existe una
bola B(x ) tal que
f (x ) f (x) , x B(x )
Se dice que f alcanza en x A un mnimo global en A tal que
f (x ) f (x) , x A
9 of 18
PROPOSICION1:
HESSIANA Y FUNCION
CONVEXA
Proposici
on Sea A Rn abierto y convexo y f : A Rn R una
funcion con derivadas parciales segundas Dij f en A cuyo hessiana es
semidefinida positiva en todo punto de A. Entonces f es convexa.
10 of 18
HESSIANA Y FUNCION
CONVEXA
PROPOSICION:
Prueba: Dados x, y A y t [0, 1], probemos que f es convexa.
consideremos la funcion auxiliar g : [0, 1] R dada por
g (s) = f (sy + (1 s)x), donde se cumple que g (0) = f (x),
g (1) = f (y ) y g 00 (u) = Hf (sx + (1 s)y )(x y ) 0 para todo
s [0, 1]. El desarrollo de Taylor de g de orden 2 en el punto t nos
dice, para cada s [0, 1], existe [0, 1] tal que
g (s) g (t) + g 0 (t)(s t) + g 00 ()(s t)2 g (t) + g 0 (t)(s t)
Evaluando en s = 0 y s = 1, tenemos g (0) g (t) tg 0 (t) y
g (1) g (t) + (1 t)g 0 , luego tenemos que
(1 t)(g (0)) (1 t)(g (t) tg 0 (t)) y tg (1) t(g (t) + (1 t)g 0 )
tg (1)+(1t)(g (0) (1t)(g (t)tg 0 (t))+t(g (t)+(1t)g 0 ) = g (t)
11 of 18
PROPOSICION1:
HESSIANA Y FUNCION
CONVEXA
12 of 18
t [0, 1] y x, y A
CONVEXA Y MINIMO
PROPOSICION2:
FUNCION
GLOBAL
Proposici
on Sea A Rn convexo y : f : A Rn R si f es
convexa en A, todo mnimo local en A es global.
Prueba: Sea x A un mnimo local, probaremos que si f no alcanza
en x A un mnimo global, entonces no puede ser mnimo local:
Si x A no fuese mnimo global, se tendra para alg
un Y A
tendramos f (y ) < f (x). Como f es convexa en A se tiene
f (x + (1 )y ) f (x) + (1 )f (y ),
[0, 1] y x, y A
Ademas
f (x) + (1 )f (y ) < f (x) + (1 )f (x) = f (x)
13 of 18
CONVEXA Y MINIMO
PROPOSICION2:
FUNCION
GLOBAL
de donde concluimos
f (x + (1 )y ) f (x)
Es decir, en todos los puntos del segmento que une [y , x] , salvo el
mismo x , claro esta, f tomara valores inferiores a f (x) . Por tanto, x
no sera mnimo local. Una contradicci
on que surge de supones que x
no es un mnimo global.
14 of 18
Proposici
on: supongamos que f (x) es una funci
on con segundas
derivadas parciales continuas Cuya Hessiana es semidefinida positiva
en todos los puntos de Rn . Demostrar Que cualquier punto crtico
del f (x) es un mnimo global del f(x).
15 of 18
1
yHf (x + cy )y T , donde 0 < c < 1
2!
Como f (x ) = 0
1
f (y + x ) f (x ) = yHf ((x + cy )y T
2
Ademas Hf (x + cy ) es semidefinida positiva
16 of 18
f (y + x ) f (x ) 0
f (x) f (x ), x B(x ) donde x = x + y
Luego tenemos que x es un mnimizador local de B(x ), de la
proposici
on1 tenemos que f es convexa y de la proposici
on2
17 of 18
MUCHAS GRACIAS
18 of 18