curso de optimización restringida y estadística inferencial 2016
TRANSCRIPT
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
1/14
Principios de Optimizacin
1. Teorema de Weierstrass: Toda funcin real y continua definida sobre un compacto1
alcanza en dicho compacto mximo global y mnimo global.
fC0C! "#$Ccompacto x%C!fx%$ fx$! xC$ x&C!fx&$ fx$! xC$
2. Optimizacin esttica irrestricta
'ados U"#nyF C1U! "#$! se (uiere maxx)F x$.
TeoremaC*1erord$: +ix% int )$ x% es mximo local mnimo local deF!
entonces 'Fx%$, 0.
Ejemplo: ConFx!y$,x3-y3 /xy! se obtienen como candidatos a mximo local
mnimo local los puntos crticos0! 0$ y ! 2$.
TeoremaC+oord$: +iF CU! "#$ x% es punto crtico deF! entonces
i$ 'Fx*$ negati3o2definidax% es mximo local estricto4deF5
ii$ 'Fx*$ positi3o2definidax% es mnimo local estricto deF5
iii$ 'Fx*$ indefinida6x% no es mximo local ni mnimo local deF.
TeoremaC*oord$: +iF CU! "#$ x% es punto interior de U! entonces x% es
mximo local deFslo si 'Fx*$ , 0 'Fx*$ es negati3o2semidefinida: adems!
x% es mnimo local deFslo si 'Fx*$ , 0 'Fx*$ es positi3o2semidefinida.
Ejemplo: 7ara la funcinFdel e8emplo anterior! se obtiene (ue el punto crtico 0!
0$ es una ensilladura deF! y (ue el punto crtico ! 2$ es un mnimo local estricto.
#esol3er los e8ercicios 19.1 y 19. del texto! pg. 40$
Teorema: +iF CU! "#$ Ues abierto! entonces
a$ son e(ui3alentes las siguientes tres condiciones:
1 compacto : cerrado(contiene todos sus puntos fronterizos) y acotado(cabeen una bola bastante grande) en IRn
2 punto crtico de una funcin F : aquelxtal que DF() ! "#
$ %er de&niciones en tetos de referencia#
' io local estricto de F: aquelxtal que en alguna bola abierta* +(x)*
F(x) , F(z)* zde +(x) que no seax#
- .n tal caso se dice quex*es un punto silla una ensilladura de F#
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
2/14
i$ Fes cnca3a!
ii$ Fy$ -Fx$ 'Fx$y 2x$! x y!
iii$ 'Fx$ es negati3o2semidefinidax5
b$ son e(ui3alentes las siguientes tres condiciones:
i$Fes con3exa!
ii$Fy$ -Fx$ 'Fx$y 2x$! xy!
iii$ 'Fx$ es positi3o2semidefinida x5
c$Fes cnca3a 'Fx*$,0! x*x*es mximo globaldeF5
d$Fcon3exa 'Fx*$,0! x*x*es mnimo global deF.
'e +imon y ;lume! resol3er el e8ercicio 19.! pg.404! leer la seccin 19.6:Economic
Applications! pg.4042/ y resol3er los e8ercicios 19.421$
3. Optimizacin esttica restricta
l problema es: 'adas las funciones realesf! h1! ..! hm! C1"#n! "#$!
optfx1! ?!xn$ su8eto a h1x$ , a1? hmx$ , am .
+e llama regin factiblealRF:, @x"#n: hix$ , aiiA.
+e llama calificacin de restriccin no-degeneradaenx! *'#Bx$ a: m, rango 'hx$.
Teorema: +i x*FRx* es mximo local mnimo local de F en RF *'#Bx*$!
entonces %"#m! x*! %$ es punto crtico de la lagrangiana x! $:, f x$
1
m
k(akhk(x)) .
Ejemplo: maxxy!su8eto a 1 ,x"y"1 ,x!.
+e tiene (ue 'hx!y!!$ , [2x 2y 01 0 1 ] cuyo rango 3ale enRF! por lo (ue se cumplela *'#B en #.
Ddems!x!y$ ,xy! 11 -x"-y"$ 1 -x2!$.
/ io global de F : aquelxtal que F(x) F(z)* zde do(F).
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
3/14
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
4/14
Teorema: +ix*RFx*es mximo local deFsolo las #$primeras restricciones de
desigualdad son 3inculantes enx*#$& m, rango
x
xx
D g1
! entonces! con la lagrangiana
x! ! $ :,fx$ 1
k
j ( bjgj(x ))+1
m
j(ajhj(x)) ! se tiene (ue %! %$"#F"#m
! i! 0 ,
x,,
L x i
$$ %! 0 , 8%b% - g% x%$$$
%! h%x$ , a%$ % o bgx*$.
Ejemplo: max x - y$ su8eto a5 x y, 4 x!y0.
Ger pg. 462 y resol3er e8ercicios de pg. 4$
.4 ormulacin de !u"n#Tuc$er
>l problema es: 'adas las funciones realesf!g1! ..!g#C1"#n! "#$!
maxfx1! ?!xn$ su8eto ag1x$ b1? g# x$ b# x0.
Dsuncin:
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
5/14
Ejemplo: max Ux$ su8eto a:px 'x0 pg. 41 y 3er solucin en pg. 44$.
#esol3er los e8ercicios 1=.0 y 1=.1 en pg. 44.
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
6/14
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
7/14
$ +i .es "#! se toma como .a la menor -lgebra (ue contenga todos los inter3alos
llamada la -0lgebra de orel en "#$.
4$ +e exige (ue la coleccin de e3entos sea una -lgebra.
'efinicin: 'ados .y una -lgebra .en .! se llama medida probabil2sticaen .! .$ a una
funcin: .N0! 1O tal (ue:
.$,15 y si los elementos de una coleccin de e3entos @Ai: i "*A son mutuamente
dis8untos! entonces 7 i Ai $ ,
i
P(A i).
>stos son los llamados axiomas de 4olmogro/.
Ger e8emplo del lan!amiento de n dado$
PCmo puede definirse una medida probabilstica en .! .$Q
Teorema: +i ., @s1! ?!snA! entonces cual(uier @p1! ?!pnA N0! 1O tal (ue 1,ipi
determina una Hnica medida probabilstica!! en .. >lla es dada porA$ ,
{k:skA }
pk.
>n esto se adopta el (ue , 0. +e procedera igual si se partiera de @si: i"*A.
Teorema: +ies una medida probabilstica en .! .$! entonces $,0 Ac$,1 2A$!
Ade ..
Teorema: +ies una medida probabilstica en .! .$! entonces A+de .!Ac$,$
-A$ A$ ,A$ $ 2A$ A A$ $.
Teorema: +i @Ci: i"*A es una particin de .! entonces i$ A! de .! 7D$ , i7ACi$
cual(uiera sea @Ai: i"*A en .!iAi$ iAi$.
7robabilidad condicional e independencia:
'efinicin: 'ados cuales(uiera e3entosAy! si 0 R$! se llamaprobabilidad
condicional de A dado ! aA|$ :,A$I$.
>n consecuencia! siA$ S 0 $ S 0 A, ! entoncesA|$ , 0 |A$ , 0.
>s fcil comprobar (ue|$ satisface los axiomas de olmogro3! siempre (ue$ S 0.
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
8/14
Ger el e8emplo U prisionerosV en pg.121 acerca de cuan resbaloso puede ser el concepto
de probabilidad condicional$
TambiKn es fcil 3erificar (ue siA$ S 0 $ S 0! entoncesA|$ ,|A$A$I$.
Teoremaregla de ayes$: +ea @Ai: i"*A una particin de .tal (ue i!Ai$ S 0! y sea
un e3ento. >ntoncesAi |$ , |Ai$Ai$I 1
P(B/Aj)P(Aj) .
Ejemplo: codificacin$ Eay puntos y rayas (ue se dan en la proporcin de a 4. Ds!
en3iar $ , I9 en3iar 2$ , 4I9 recibir |en3a 2$ , 1I= ,recibir 2 |en3a $.
PCul esen3a |recibe $Q #pta.: 1I6.
'efinicin: +e dice (ue los e3entosAyson independientessiA$ ,A$$.
Ejemplo: 7robabilidad de sacar al menos u en 4 lanzamientos de un dado limpio.
Teorema: +i los e3entosAyson independientes! entoncesAyclo son5Acylos son5
Acyclo son.
Ger los e8emplos Utossing t5o diceV y UlettersV para apreciar (ue la generalizacin de la
nocin de independencia debe ser como sigue.$
'efinicin:
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
9/14
'efinicin: +i7es una 3aral en .! .!$! sufncin de distribcin cmlati/aes la
funcinF7 : "# "#!x4F7(x):! 7 x$! (ue no es sino 7 O2!xO$! (ue a su 3ez
es721O2!xO$$. >sto se abre3ia por:fdc.
Ger la continuacin del e8emplo de U coin tossesV en pg. 0 del texto$
Lbser3acin: Como consecuencia dela definicin! resulta (ue la funcinF7es diestro-
contina! es decir! x!F7(x) !
x+FXlim0
#
Teorema: 5na funcinF: "# "# es una fdc de alguna 3aral si! y solo si!
0 ,
xF(x)lim 1 ,
limx
F(x)Fes no decreciente Fes diestro2continua$.
Ger los e8emplos Utossing for headV y Ucontinuous cdfV en pg1 y $
'efinicin: )na 3aral!7! en .! .!$ es continasi suF7C0"#! "#$.
'efinicin: )na 3aral!7! en .! .!$ es discretasi suF7es una funcin escalonada.
'efinicin: sto no implica (ue7, 8.
Ger el e8emplo Uidentically distributed random 3ariablesV en pg. 24$
Teorema:
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
10/14
Ejemplo: ntonces! x"*!f7x$ ,7 ,x$ , 12p$x21p.
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
11/14
+i7es una 3aral continua! entonces con 8:,g67!F8y$ ,8 y$ , g1 (, y ] $ ,
g1 ( , y ]
fX(z)dz .
Ger el e8emplo de la Uuniform transformationV en pg. 4/$
'efinicin:
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
12/14
'efinicin: N7 2 7$O5 a su raz cuadrada
positi3a se la llama des/iacin est0ndarde7.
Ejemplo: 3ariancia exponencial$ +ea7una 3aral tal (ue fX(x) ,
x /
1
# . Xa se ha
3isto (ue >N7O , . Dhora! 3ar7$ , >N7 2 7$O ,
x2
0
, ? , 2
.
Teorema: +i7es una 3aral de 3ariancia finita! entonces! 3ar a7 b$ , a"3ar7$! a! b de
"#.
Lbser3acin: 3ar7$ , >N7 O - 7$.
Ejemplo: Gariancia binomial Ger pg. 1$.
'efinicin: )n /ector aleatorio n-dimensionalen .! .!$ es una funcin : ."#ntal
(ue la preimagen de cual(uier rect0nglo:de "#npertenezca a .. DbrK3iese por /ecal.
'efinicin: +i 7! 8$ es un 3ecal bidimensional con ambas discretas! entonces lafncin
con%nta de masa probabil2sticafcmp$ es la funcinf78x!y$ :,7,x8,y$.
Teorema: +i 7! 8$ es un 3ecal bidimensional con ambas discretas! entoncesf7 x$ ,
y fX$(x , y) 5 se la llama tambiKn marginal.
7 .s decir* producto cartesiano de ninter8alos de IR#
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
13/14
-
7/25/2019 Curso de Optimizacin Restringida y Estadstica Inferencial 2016
14/14
'efinicin: +i 7! 8$ es un 3ecal bidimensional con fdp con8unta fmp con8unta dada por
f78x!y$! siendo las marginalesfX(x) y f$(y ) ! entonces7y 8son /arales
independientessi xy!f78x!y$ , fX(x) f$(y) . >n tal caso!fy|x$ , f$(y ) fx|y$
, fX(x) .