Conceptos Fundamentales de Optimización y Funciones en Cálculo Multivariable
Clasificado en Matemáticas
Escrito el en
español con un tamaño de 3,98 KB
Condiciones de Optimización en Cálculo Multivariable
Condición Suficiente de Optimalidad (Criterio de la Segunda Derivada)
Si para una función escalar f, se cumple que:
- Si el gradiente de f en a es cero (∇f(a) = 0) y la matriz Hessiana Hf(a) es definida positiva, entonces f tiene un mínimo local en a.
- Si el gradiente de f en a es cero (∇f(a) = 0) y la matriz Hessiana Hf(a) es definida negativa, entonces f tiene un máximo local en a.
Optimización Convexa
Una función f es convexa en un conjunto A si para cualquier x, y en A y cualquier λ en [0, 1], se cumple:
f(λx + (1-λ)y) ≤ λf(x) + (1-λ)f(y)
Teoría Local-Global
Sea A un conjunto convexo y f : A ⊂ ℝⁿ → ℝ una función escalar. Se verifica que:
- Si f es cóncava, entonces todo
catalán con un tamaño de 2,48 KB
vasco con un tamaño de 2,17 KB
gallego con un tamaño de 2,44 KB