Está en la página 1de 39

Captulo 2

Optimizacin no lineal
2.1. Introduccin
En este captulo se estudian algunos aspectos relacionados con la que hemos dado en llamar cuestin
esttica de los problemas de optimizacin. Se presentan y utilizan condiciones necesarias y sucientes
para encontrar de forma explcita la solucin o soluciones de un problema de optimizacin de tipo
general.
Recordemos la formulacin general, que se introdujo en el captulo anterior, para un problema de
optimizacin no lineal
(PPNL)

Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
(2.1)
donde ), /
i
, q
)
: R son funciones reales de varias variables reales denidas sobre los puntos
x =(r
1
, . . . , r
a
) del conjunto R
a
. Por regla general el conjunto ser abierto y en las mayora
de las ocasiones ), /
i
, q
)
C
1
(), es decir, las funciones del problema sern derivables sobre con
derivadas parciales continuas.
Recordemos que resolver el problema de optimizacin PPNL es encontrar los ptimos (mximos
y/o mnimos) de la funcin )(x) no sobre todo el conjunto donde est denida, sino sobre el conjunto
factible de los puntos que cumplen todas las restricciones.
Como se coment en el primer captulo, si en el modelo general (2.1) ocurre : = j = 0, el problema
es de optimizacin sin restricciones y se expresa como
(PSR)

Optimizar )(x)
x

(2.2)
Un caso particular de este tipo de problemas aparece cuando : = 1, es decir, cuando slo hay una
variable de decisin, es un problema de optimizacin univariante
(P1D)

Optimizar ) (r)
Sujeto a r 1 R
En otro caso (o bien : o bien j son distintos de 0) el problema se dice de optimizacin con
restricciones y a sus extremos, ya sean locales o globales, se les conoce como extremos condicionados,
para distinguirlos de los extremos de los problemas sin restricciones.
35
36 Captulo 2. Optimizacin no lineal
Finalmente si : 6= 0 y j = 0, es decir, solamente hay restricciones de igualdad, entonces el problema
es un problema de Lagrange
(PRI)

Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :

(2.3)
En el problema general PPNL el comportamiento de las restricciones de igualdad y el de las de
desigualdad es ligeramente distinto.
Denicin 2.1 (Restricciones activas) Consideremos el problema de optimizacin PPNL y su
conjunto factible . Sea x ; entonces
q
)
(x) 0 es activa o saturada en x q
)
(x) = 0
en caso contrario la restriccin es inactiva o no saturada en x.
Observacin 2.1 Las restricciones activas se comportan como restricciones de igualdad; stas por su
propia naturaleza son activas en cualquier punto factible del problema.
Denicin 2.2 Consideremos el problema PPNL y su conjunto factible . Sea x . Se dene el
conjunto de actividad J (x) asociado a x como
J (x) = {, {1, . . . , j} : q
)
(x) = 0}
es decir, J (x) es el conjunto de los ndices de las restricciones que son activas en x.
Si x

es una solucin ptima para el problema PPNL, entonces las restricciones no activas en l son
irrelevantes puesto que no se alcanza la limitacin impuesta por dicha restriccin. De otro modo, si se
conocieran con antelacin, sera posible eliminar aquellas restricciones no saturadas de la formulacin
del problema, pero esto obviamente, no es posible en general.
Otra denicin importante en optimizacin es la de punto regular, aunque para ello es necesario
que las funciones del problema sean derivables. Damos a continuacin dicha denicin junto con la
denicin de espacio tangente en un punto.
Denicin 2.3 (Punto regular) Consideremos el problema NLPP con su conjunto factible. Di-
remos que x es regular para las restricciones, si y slo si el conjunto de vectores denido por
n
{5/
i
(x)}
i=1,...,n
, {5q
)
(x)}
)J(x)
o
constituye una familia de vectores linealmente independientes.
Notar que en la denicin slo se tienen en cuenta las restricciones de igualdad y las de desigualdad
activas.
En la denicin hay que distinguir dos casos particulares:
1. Caso sin restricciones (: = j = 0): En un problema sin restricciones todos los puntos son
regulares.
2. Caso con restricciones de desigualdad (: = 0, j 6= 0): El punto x tambin es regular si
no hay ninguna restriccin activa en l, es decir, en problemas que slo contienen restricciones
de desigualdad, el punto x tambin ser regular si J (x) = .
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 37
Denicin 2.4 (Espacio tangente) Consideremos el problema PPNL con su conjunto factible.
Sea x . Denimos el espacio tangente en x al conjunto denido por
' (x) =

d R
a
:
T
/
i
(x) d = 0, i = 1, . . . , :;
T
q
)
(x) d = 0, , J (x)

o de forma equivalente
' (x) =
(
d R
a
:
a
X
I=1
0/
i
0r
I
(x) d
I
= 0, i = 1, . . . , :;
a
X
I=1
0q
)
0r
I
(x) d
I
= 0, , J (x)
)
donde J (x) es el conjunto de actividad asociado a x.
Observacin 2.2 Como caso particular en problemas sin restricciones, el conjunto ' (x) sera todo
el espacio vectorial R
a
.
2.2. Condiciones de Karush-Kuhn-Tucker
En esta seccin se presentan algunas de las condiciones necesarias y sucientes que deben cumplir
los candidatos a solucin ptima del problema de optimizacin PPNL. Estas condiciones son las
llamadas condiciones de Karush-Kuhn-Tucker (CKKT).
Para una mayor claridad, se dan a continuacin las deniciones correspondientes a los problemas
de minimizacin y maximizacin de forma separada.
Denicin 2.5 Dado el problema

Optimizar ) (r
1
, . . . , r
a
)
Sujeto a /
i
(r
1
, . . . , r
a
) = 0 i = 1, . . . , :
q
)
(r
1
, . . . , r
a
) 0 , = 1, . . . , j
(2.4)
con ), /
i
, q
)
: R funciones de clase C
1
() y R
a
un conjunto abierto. Diremos que x

=
(r

1
, . . . , r

a
) es un punto de Karush-Kuhn-Tucker para el problema 2.4 si y slo si `
1
,. . . , `
n
,
j
1
, . . . , j
j
R, de forma que se cumplen las siguientes condiciones:
1. Condicin estacionaria:
) (r

1
, . . . , r

a
) +
n
X
i=1
`
i
/
i
(r

1
, . . . , r

a
) +
j
X
)=1
j
)
q
)
(r

1
, . . . , r

a
) = 0
2. Condicin de factibilidad
/
i
(r

1
, . . . , r

a
) = 0, i = 1, . . . , :
q
)
(r

1
, . . . , r

a
) 0, , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(r

1
, . . . , r

a
) = 0, , = 1, . . . , j
c SPH
38 Captulo 2. Optimizacin no lineal
4. Condicin de signo: Una vez que se cumplen las condiciones anteriores el punto es de
Mnimo (CKKTMin) j
)
0 , = 1, . . . , j
o de
Mximo (CKKTMax) j
)
0 , = 1, . . . , j
En ambos casos los valores `
1
, . . ., `
n
, j
1
, . . ., j
j
son los llamados multiplicadores y existe
uno por cada restriccin del problema: el multiplicador `
i
est asociado a la restriccin de igual-
dad /
i
(r
1
, . . . , r
a
) = 0 para i = 1, . . . , : y el multiplicador j
)
est relacionado con la restriccin de
desigualdad q
)
(r
1
, . . . r
a
) 0 para , = 1, . . . , j.
Los valores ( `
1
, . . . , `
n
) son los multiplicadores de Lagrange y los valores ( j
1
, . . . , j
j
) son los
multiplicadores de Karush-Kuhn-Tucker.
De la condicin de holgura se deduce que si una restriccin de desigualdad es no activa en el punto
solucin, entonces el multiplicador de Karush-Kuhn-Tucker asociado debe tomar el valor 0.
Los puntos x

, siendo el conjunto factible del problema, que cumplen la condicin esta-


cionaria se dice que son puntos crticos o estacionarios. Esta condicin estacionaria suele expresarse en
trminos de la llamada funcin Lagrangiana denida utilizando la funcin objetivo y las restricciones
como
1

r
1
, . . . , r
a
, `
1
, . . . , `
n
, j
1
, . . . , j
j

= ) (r
1
, . . . , r
a
) +
n
X
i=1
`
i
/
i
(r
1
, . . . , r
a
) +
j
X
)=1
j
)
q
)
(r
1
, . . . , r
a
)
o en forma vectorial
1(x, , ) = ) (x) +
T
h(x) +
T
g (x) (2.5)
siendo
= (`
1
, . . . , `
n
)
=

j
1
, . . . , j
j

h(x) = (/
1
(r
1
, . . . , r
a
) , . . . , /
n
(r
1
, . . . , r
a
))
g (x) = (q
1
(r
1
, . . . , r
a
) , . . . , q
j
(r
1
, . . . , r
a
))
En forma vectorial la condicin estacionaria se puede expresar de forma ms compacta como

x
1(x, , ) = 0
donde el subndice indica que estamos derivando respecto a las componentes de x.
Observacin 2.3 Para diferenciar los puntos estacionarios de problemas sin restricciones de los cor-
respondientes a problemas con restricciones, a estos ltimos se les suele aadir el adjetivo de condi-
cionados.
Cmo encontrar los puntos de KKT?
Para la bsqueda prctica de puntos que cumplan las condiciones de CKKT o puntos de Karush-
Kuhn-Tucker, ya sean de mnimo o mximo, primero hay que resolver el sistema de ecuaciones com-
puesto por: la condicin estacionaria, la condicin de fatibilidad para las restricciones de igualdad y
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 39
la condicin de holgura
0)
0r
I
(r

1
, . . . , r

a
) +
n
X
i=1
`
i
0/
i
0r
I
(r

1
, . . . , r

a
) +
j
X
)=1
j
)
0q
)
0r
I
(r

1
, . . . , r

a
) = 0 / = 1, . . . , :
/
i
(r

1
, . . . , r

a
) = 0 i = 1, . . . , :
j
)
q
)
(r

1
, . . . , r

a
) = 0 , = 1, . . . , j
Este sistema est compuesto por (: + : +j) ecuaciones y (: +: + j) incgnitas (las : coordenadas
de x

= (r

1
, . . . , r

a
), los : multiplicadores de Lagrange `
i
y los j multiplicadores de Karush-Kuhn-
Tucker j
)
).
La forma usual de resolver el sistema es comenzar por la condicin de holgura complementaria, ya
que dichas ecuaciones nos proporcionan dos opciones
j
)
q
)
(r

1
, . . . , r

a
) = 0

j
)
= 0
q
)
(r

1
, . . . , r

a
) = 0
para j restricciones de desigualdad tendramo 2
j
posibles casos.
Una vez resuelto el sistema, para ver cul o cules de las soluciones obtenidas son puntos de KKT
hay que, por una parte comprobar que son puntos factibles (notar que slo quedara por comprobar si
q
)
(r

1
, . . . , r

a
) 0) y por otra que sus multiplicadores de Karush-Kuhn-Tucker asociados tienen todos
el mismo signo, bien todos 0 para puntos de mnimo o bien todos 0 para puntos de mximo.
Casos Particulares
Las anteriores condiciones de Karush-Kuhn-Tucker se aplican al problema general de optimizacin
(NLPP), sin embargo se obtienen expresiones ms simplicadas de las mismas cuando se aplican a
problemas sin restricciones o cuando el el problema slo tiene restricciones de igualdad.
1. Problemas sin restricciones (: = j = 0): Si el problema no tiene restricciones de ningn tipo
(ecuacin 2.2), los multiplicadores no son necesarios y tampoco las condiciones relacionadas con
ellos. La nica condicin que queda es la estacionaria
) (r

1
, . . . , r

a
) = 0
0)
0r
I
(r

1
, . . . , r

a
) = 0 / = 1, . . . , :
que coincide para ambos objetivos de maximizar y minimizar.
Si adems : = 1, es decir, el problema es optimizar una funcin real de variable real, la condicin
estacionaria nos conduce a un resultado bien conocido del clculo diferencial
)
0
(r

) = 0
2. Problemas de Lagrange (j = 0): Si el problema slo tiene restricciones de igualdad el problema
considerado es un problema clsico de Lagrange (ecuacin 2.3) y las condiciones de Karush-Kuhn-
Tucker se obtienen eliminando aquellas ecuaciones relacionadas con restricciones de desigualdad,
quedando por tanto la condicin estacionaria y la condicin de factibilidad
0)
0r
I
(r

1
, . . . , r

a
) +
n
X
i=1
`
i
0/
i
0r
I
(r

1
, . . . , r

a
) = 0 / = 1, . . . , :
/
i
(r

1
, . . . , r

a
) = 0 i = 1, . . . , :
c SPH
40 Captulo 2. Optimizacin no lineal
que es el resultado que proporciona el teorema clsico de los multiplicadores de Lagrange. De
nuevo las condiciones de KKT para ambos objetivos de maximizar y minimizar coinciden.
A continuacin se presentan algunos ejemplos de bsqueda de puntos de Karush-Kuhn-Tucker.
Ejemplo 2.1 Encuentra los puntos de Karush-Kuhn-Tucker para el problema
Optimizar r + j + .
sujeto a (j 1)
2
+ .
2
1
r
2
+ (j 1)
2
+ .
2
3

Solucin: Se utilizan los multiplicadores correspondientes para construir la funcin Lagrangiana,


expresando previamente las restricciones en la forma q (r) 0
1(r, j, .) = (r + j + .) + j
1

(j 1)
2
+ .
2
1

+ j
2

r
2
+ (j 1)
2
+ .
2
3

y se plantean cada una de las condiciones de KKT


1. Condicin Estacionaria (
x
1 = 0)
01
0r
= 0 1 + 2j
2
r = 0 [1]
01
0j
= 0 1 + 2j
1
(j 1) + 2j
2
(j 1) = 0 [2]
01
0.
= 0 1 + 2j
1
. + 2j
2
. = 0 [3]
2. Condicin de factibilidad

(j 1)
2
+.
2
1

r
2
+ (j 1)
2
+.
2
3

0
3. Condicin de holgura
j
1
q
1
(r) = 0 j
1

(j 1)
2
+ .
2
1

= 0 [4]
j
2
q
2
(r) = 0 j
2

r
2
+ (j 1)
2
+ .
2
3

= 0 [5]
4. Condicin de signo
j
1
, j
2
0 Para mnimo
j
1
, j
2
0 Para mximo
El sistema que permite localizar los puntos de KKT estar formado por las tres ecuaciones que
proporciona la condicin estacionaria (ecuaciones [1], [2] y [3]) y las dos de la condicin de holgura
(ecuaciones [4] y [5]).
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 41
A partir de las ecuaciones de la condicin de holgura se obtienen cuatro casos

j
1
= 0 =

j
2
= 0 Caso I
r
2
+ (j 1)
2
+.
2
3 = 0 Caso II
(j 1)
2
+ .
2
1 = 0 =

j
2
= 0 Caso III
r
2
+ (j 1)
2
+.
2
3 = 0 Caso IV
De la ecuacin [1] de la condicin estacionaria se deduce que j
2
6= 0, ya que en caso contario se
llegara a una contradiccin; por ello los casos I y III no pueden darse y quedan por comprobar los
casos II y IV.
1. Caso II

j
1
= 0, r
2
+ (j 1)
2
+ .
2
3 = 0

: Sustituyendo el valor de j
1
= 0 en las ecuaciones
del sistema se obtiene
1 + 2j
2
r = 0 [6]
1 + 2j
2
(j 1) = 0 [7]
1 + 2j
2
. = 0 [8]
r
2
+ (j 1)
2
+.
2
3 = 0 [9]
Si restamos las ecuaciones [6] y [7] se obtiene
(1 + 2j
2
r) (1 + 2j
2
(j 1)) = 0 2j
2
(r j + 1) = 0
y como j
2
6= 0 , se llega a la conclusin de que
r j + 1 = 0 r = j 1
Restando las ecuaciones [6] y [8] obtenemos
(1 + 2j
2
r) (1 + 2j
2
.) = 0 2j
2
(r .) = 0
y como j
2
6= 0, se obtiene
(r .) = 0 r = .
Con las relaciones que se han obtenido entre las variables r, j y ., utilizamos la ecuacin [9]
r
2
+ (j 1)
2
+ .
2
3 = 0 3r
2
3 = 0 r = 1
y para las otras dos variables
. = r = 1
j = r + 1

j = 2
j = 0
c SPH
42 Captulo 2. Optimizacin no lineal
Como r 6= 0, despejamos j
2
de la ecuacin [6]
j
2
=
1
2r
=
1
2
Finalmente y para este caso se han obtenido 2 puntos, que son junto con sus respectivos multi-
plicadores
1
1
= (1, 2, 1) j =

0,
1
2

1
2
= (1, 0, 1) j =

0,
1
2

2. Caso IV

(j 1)
2
+ .
2
1 = 0, r
2
+ (j 1)
2
+ .
2
3 = 0

: En este ltimo caso, el sistema


que hay que resolver es
1 + 2j
2
r = 0 [10]
1 + 2j
1
(j 1) + 2j
2
(j 1) = 0 [11]
1 + 2j
1
. + 2j
2
. = 0 [12]
(j 1)
2
+ .
2
1 = 0 [13]
r
2
+ (j 1)
2
+ .
2
3 = 0 [14]
Restando las ecuaciones [13] y [14] se obtiene el valor de r

(j 1)
2
+.
2
1

r
2
+ (j 1)
2
+ .
2
3

= 0 r
2
2 = 0 r
2
= 2 r =

2
Se sustituye ese valor en la ecuacin [10] para calcular j
2
j
2
=
1
2r
=
1
2

2
=
1
2

2
Si ahora se restan las ecuaciones [11] y [12] se obtiene
(1 + 2j
1
(j 1) + 2j
2
(j 1)) (1 + 2j
1
. + 2j
2
.) = 0
y entonces podemos agrupar y sacar factor comn
2j
1
(j 1 .) + 2j
2
(j 1 .) = 0 2 (j
1
+ j
2
) (j 1 .) = 0
Esta ecuacin nos proporciona dos opciones. La primera de ellas es
j
1
+ j
2
= 0
pero utilizando la ecuacin [12]
1 + 2j
1
. + 2j
2
. = 0 1 + 2. (j
1
+ j
2
) = 0 1 = 0
c SPH
2.2. Condiciones de Karush-Kuhn-Tucker 43
que obviamente es imposible. Y la otra opcin es
j 1 . = 0 j 1 = .
y utilizando la ecuacin [13] se obtiene el valor de .
(j 1)
2
+ .
2
= 1 2.
2
= 1 . =
1

2
y por tanto el de j
j = 1 + . = 1
1

2
Queda por determinar el valor del multiplicador j
1
y para ello utilizamos la ecuacin [12]
1 + 2j
1
. + 2j
2
. = 0 j
1
= j
2

1
2.
Si se consideran los distintos valores que se han encontrado para j
2
(2 valores) y para . (otros
2 valores) tendremos 4 casos posibles
j
2
=
1
2

2
. =
1

2
j
1
=
1
2

2
j
2
=
1
2

2
. =
1

2
j
1
=
3
2

2
j
2
=
1
2

2
. =
1

2
j
1
=
3
2

2
j
2
=
1
2

2
. =
1

2
j
1
=
1
2

2
Se han obtenido cuatro puntos
1
3
=

2, 1 +
1

2
,
1

j =

1
2

2
,
1
2

1
4
=

2, 1
1

2
,
1

j =

3
2

2
,
1
2

1
5
=

2, 1 +
1

2
,
1

j =

3
2

2
,
1
2

1
6
=

2, 1
1

2
,
1

j =

1
2

2
,
1
2

c SPH
44 Captulo 2. Optimizacin no lineal
Para determinar cuales de estos puntos son de tipo KKT, hay que comprobar su factiblidad y el
signo de sus multiplicadores. Se expone a continuacin una tabla resumen con los resultados obtenidos
P = (r, j, .) = (j
1
, j
2
) Factibilidad Positividad/Negatividad CKKT
1
1
= (1, 2, 1) j =

0,
1
2

NO - -
1
2
= (0, 1, 1) j =

0,
1
2

NO - -
1
3
=

2, 1 +
1

2
,
1

j =

1
2

2
,
1
2

SI Negatividad Mximo
1
4
=

2, 1
1

2
,
1

j =

3
2

2
,
1
2

SI NO -
1
5
=

2, 1 +
1

2
,
1

j =

3
2

2
,
1
2

SI NO -
1
6
=

2, 1
1

2
,
1

j =

1
2

2
,
1
2

SI Positividad Mnimo
Los puntos 1
1
y 1
2
no son factibles ya que no cumplen la primera restriccin del problema
1
1
= (1, 2, 1) q
1
(1
1
) = (j 1)
2
+.
2
= (2 1)
2
+ (1)
2
= 2 1
1
2
= (0, 1, 1) q
1
(1
2
) = (j 1)
2
+ .
2
= (0 1)
2
+ (1)
2
= 2 1
y por tanto no son puntos vlidos para el problema.
Los puntos 1
4
y 1
5
s son factibles, sin embargo no tiene multiplicadores de signo constante y por
tanto tampoco son puntos de KKT.
Los puntos 1
3
y 1
6
son los nicos que cumplen con todas las condiciones para ser puntos de KKT;
en el caso de 1
3
sera un punto de mximo ya que j 0, mientras que 1
6
sera un punto de mnimo
puesto que j 0.
Ejemplo 2.2 Encuentra los puntos de Karush-Kuhn-Tucker del siguiente problema
Optimizar r
2
+ j
2
Sujeto a 2r +j 2 = 0
Solucin: En este caso : = 1 y j = 0, es decir hay solamente una restriccin de igualdad y el
problema es de Lagrange. La funcin Lagrangiana del problema es
1(r, j, `) =

r
2
+j
2

+ `(2r + j 2)
c SPH
2.3. Condiciones necesarias 45
y las condiciones que debe cumplir un punto para ser de Karush-Kuhn-Tucker sern la condicin
estacionaria y la condicin de factibilidad
(Condicin estacionaria)
x
1 = 0

01
0r
= 0 2r + 2`
1
= 0
01
0j
= 0 2j +`
1
= 0
(Condicin de factibilidad) /(r, j) = 0 2r + j 2 = 0
El sistema es lineal y tiene como solucin nica, y por tanto nico punto de KKT
r =
4
5
j =
2
5
`
1
=
4
5
Como el multiplicador est asociado a una restriccin de igualdad y su signo no inuye en el carcter
del punto, el punto 1 es un punto de KKT que puede ser de mximo o de mnimo.
2.3. Condiciones necesarias
Las condiciones de Karush-Kuhn-Tucker son necesarias para la mayora de los problemas de op-
timizacin no lineal, es decir, si x

es un ptimo local del problema no lineal (PPNL), entonces ser


un punto de Karush-Kuhn-Tucker. No obstante para que un ptimo local deba cumplir stas u otras
condiciones, las restricciones en dicho punto tienen que cumplir determinadas propiedades denomi-
nadas Hiptesis de Cualicacin de las Restricciones (H.C.R.). El estudio de estas hiptesis no cae
dentro del mbito de esta gua y solamente se indican algunas de ellas.
Denicin 2.6 (H.C.R. Sin Restricciones) En un problema de optimizacin no lineal sin restric-
ciones (: = j = 0), todos los puntos cumplen la primera hiptesis de cualicacin de las restricciones.
Denicin 2.7 (H.C.R. de Karlin o de Linealidad) En un problema de optimizacin no lineal
donde solamente hay restricciones de tipo lineal, todos los puntos factibles cumplen la hiptesis de
cualicacin de las restricciones de Karlin.
Denicin 2.8 (H.C.R. de Slater o de Convexidad) En un problema de optimizacin no lineal
en el que el conjunto factible, , es un conjunto convexo con interior no vaco, todos los puntos factibles
cumplen la hiptesis de cualicacin de las restricciones de Slater.
Denicin 2.9 (H.C.R. de Fiacco-McKormik o de Regularidad) En un problema de optimizacin
no lineal, todos los puntos factibles que sean regulares cumplen la hiptesis de cualicacin de las re-
stricciones de Fiacco-McKormik.
Condiciones necesarias de primer orden
Estamos en condiciones de establecer las llamadas condiciones necesarias de primer orden que
deben cumplir los extremos locales de un problema de optimizacin.
Teorema 2.1 (Condiciones necesarias de primer orden) Dado el problema general de la opti-
mizacin no lineal ( PPNL)
Optimizar ) (x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
(2.6)
c SPH
46 Captulo 2. Optimizacin no lineal
donde ), /
i
, q
)
: R son funciones de clase C
1
() en el conjunto abierto R
a
. Sea su
conjunto factible y x

un punto donde las restricciones del problema cumplen alguna hiptesis


de cualicacin ( H.C.R.) y en el que la funcin )(x) alcanza un mnimo o mximo relativo = x

cumple las condiciones de Karush-Kuhn-Tucker de Mnimo o Mximo respectivamente.


Ejemplos
Emplearemos el teorema de las condiciones necesarias de primer orden para resolver en esta seccin
algunos problemas de optimizacin con restricciones.
Ejemplo 2.3 Aplica las condiciones necesarias de primer orden y resuelve el problema 2.1
Optimizar ) (r, j, .) = r + j + .
sujeto a (j 1)
2
+ .
2
1
r
2
+ (j 1)
2
+ .
2
3

Solucin: Un anlisis inicial permitir deducir que el problema tiene solucin para ambos objetivos
de minimizar y maximizar. La funcin objetivo es continua y el conjunto factible es compacto ( es
cerrado porque contiene a la frontera que est expresada mediante igualdades y acotado porque es un
subconjunto de una esfera de centro (0, 1, 0) y radio

3), por tanto por el teorema Weierstrass existirn


tanto el mnimo como el mximo de la funcin sobre el conjunto. Podemos ver en ?? la representacin
grca de las dos restricciones, y en la gura 2.1el conjunto factible, que es la intereseccin de ambas.
Recordemos que para este problema, los nicos puntos que cumplan las condiciones de CKKT
eran
1
3
=

2, 1 +
1

2
,
1

j =

1
2

2
,
1
2

para mximo y
1
6
=

2, 1
1

2
,
1

j =

1
2

2
,
1
2

c SPH
2.3. Condiciones necesarias 47
Figura 2.1:
para mnimo.
Deduzcamos que el problema tiene un mnimo global en 1
6
, el razonamiento es el siguiente: Como
la funcin ) (r, j, .) tiene mnimo global, entonces tambin es local, si adems se cumple alguna de
las hiptesis de cualicacin de las restricciones en ese punto, entonces este mnimo local debe ser un
punto de Karush-Kuhn-Tucker de mnimo y por tanto debe ser el punto 1
6
. El razonamiento para
mximo y el punto 1
3
sera anlogo.
Slo resta por probar que se cumple alguna de las hiptesis de cualicacin; en particular, es fcil
comprobar que se cumple la hiptesis de cualicacin de Slater ya que el conjunto factible es convexo
con interior no vaco.
Para comprobar la convexidad de tenemos en cuenta que
=
n
(r, j, .) R : (j 1)
2
+ .
2
1; r
2
+ (j 1)
2
+ .
2
3
o
=
1

2
con

1
=
n
(r, j, .) R : (j 1)
2
+ .
2
1
o

2
=
n
(r, j, .) R : r
2
+ (j 1)
2
+ .
2
3
o
siendo los conjuntos
1
y
2
convexos, puesto que son conjuntos de la forma
= {(r, j, .) R : q (r, j, .) /}
con q (r, j, .) una funcin convexa (por qu?). El conjunto es convexo por ser interseccin de dos
conjuntos convexos. Queda por comprobar que el interior de es no vaco, pero eso es fcil ya que al
c SPH
48 Captulo 2. Optimizacin no lineal
menos el punto (0, 1, 0) est en su interior
q
1
(0, 1, 0) = (1 1)
2
+ 0
2
= 0 < 1
q
2
(0, 1, 0) = 0
2
+ (1 1)
2
+ 0
2
= 0 < 3
Los valores ptimos mnimo y mximo de ) (r, j, .) sobre se obtienen al evaluar la funcin
objetivo en cada uno de ellos
Valor ptimo Mximo ) (1
3
) =

1 +
1

= 1 + 2

2
y
Valor ptimo Mnimo ) (1
6
) =

1
1

= 1 2

2
Ejemplo 2.4 Aplica las condiciones necesarias de primer orden al problema
Minimizar rj +j. + .r
Sujeto a r + j + . = 3
Solucin: Como solamente tiene una restriccin de igualdad se trata de un problema de Lagrange;
dicha restriccin es lineal, luego se cumple la hiptesis de cualicacin de Karlin en todos los puntos del
conjunto factible. De este modo, si el problema tuviera solucin, es decir, si existiera el mnimo global
de la funcin sobre el conjunto factible, sera mnimo local, como debe ser factible, la consecuencia
es que debe ser un punto que cumpla las condiciones Karush-Kuhn-Tucker de Mnimo. Al ser un
problema de Lagrange estas condiciones se reducen a la condicin estacionaria y a la condicin de
factibilidad.
La funcin Lagrangiana para este problema es
1(r, j, ., `) = (rj +j. + .r) + `(r +j + . 3)
y las condiciones de Karush-Kuhn-Tucker proporcionan el siguiente sistema
(Condicin estacionaria)
x
1 = 0

01
0r
= 0 j + . +` = 0
01
0j
= 0 . +r + ` = 0
01
0.
= 0 r + j + ` = 0
(Condicin de factibilidad) /(r, j, .) = 0 r + j + . 3 = 0
que es lineal y con solucin nica
r = j = . = 1 ` = 2
El punto obtenido 1 = (1, 1, 1) junto con el multiplicador asociado ` = 2 es el nico que cumple las
condiciones de KKT. Notar que aunque `
1
= 2 < 0 y el objetivo sea de minimizar, el punto cumple
las condiciones de KKT puesto que ` es un multiplicador asociado a una restriccin de igualdad y
no est condicionado por su signo. No es posible determinar la naturaleza del punto, puesto que se
cumplen las condiciones de KKT tanto para mnimo, como para mximo.
c SPH
2.3. Condiciones necesarias 49
Ejemplo 2.5 Plantea y resuelve el problema de construir una caja de cartn rectangular de volumen
mximo y rea ja .
Solucin: El planteamiento para este problema viene dado por
Maximizar rj.
Sujeto a rj + j. + .r =

2
donde r, j, . son las dimensiones de la caja y 0 su rea. Se han omitido las restricciones de
positividad sobre las variables ya que por la naturaleza del problema, los valores de estas variables
deben 0, es decir, sern inactivas en cualquier punto, en particular en el punto solucin y por tanto
los multiplicadores asociados a estas restricciones sera 0.
Comprobaremos que se cumple la hiptesis de regularidad en todos los puntos factibles, para ello
calculamos el gradiente de la restriccin
/(r, j, .) =

j + .
r +.
r + j

y estudiamos su dependencia lineal en cada punto del conjunto factible. Como slo hay un vector, ste
ser linealmente dependiente cuando sea el vector nulo, es decir
j + . = 0
r + . = 0
r + j = 0
sistema que tiene por nica solucin el vector nulo
r = j = . = 0
sin embargo este punto es infactible
0 + 0 + 0 = 0 6=

2
de donde se deduce que todos los puntos de (conjunto factible) son regulares. Al cumplirse una de
las hiptesis de cualicacin de las restricciones, cualquier extremo local del problema que existiera
debera cumplir las condiciones de Karush-Kuhn-Tucker. La funcin Lagrangiana para este problema
es
1(r, j, ., `) = rj. +`

rj +j. + .r

2

aplicando las condiciones de KKT se obtiene el sistema


(Condicin estacionaria)
x
1 = 0

01
0r
= 0 j. +`(j +.) = 0
01
0j
= 0 r. + `(r + .) = 0
01
0.
= 0 rj + `(r + j) = 0
(Condicin de factibilidad) /(r, j, .) = 0 rj + j. + .r

2
= 0
c SPH
50 Captulo 2. Optimizacin no lineal
El sistema anterior tiene como nica solucin, teniendo en cuenta que r, j, . 0 a
r = j = . =
r

6
` =
r

24
y al ser un problema que slo tiene restricciones de igualdad, de momento con estos datos no es posible
determinar si el punto es de mnimo o de mximo.
Contraejemplos
El teorema de las condiciones necesarias de primer orden proporciona los requisitos que deben
cumplir los extremos de un problema de optimizacin con restricciones bajo ciertas hiptesis de cual-
icacin, sin embargo, es posible encontrar problemas en los que la solucin ptima no cumple estas
condiciones, y tambin es posible encontrar puntos que cumplen las condiciones de Karush-Kuhn-
Tucker pero que no son extremos de la funcin. Veamos algunos de estos ejemplos patolgicos.
Ejemplo 2.6 Consideremos el problema
Maximizar r
2
+ j
Sujeto a j
3
= 0
Su conjunto factible es
=

(r, j) R
2
: (r, 0)

El siguiente es un problema equivalente


Maximizar r
2
Sujeto a r R
y podemos obtener fcilmente que r

= 0 es su solucin ptimaen, y por equivalencia entre los dos


problemas, ser tambin la solucin ptima del problema inicial.
Vamos a comprobar si 1 = (0, 0) es un punto de Karush-Kuhn-Tucker. Si esto fuera cierto, debera
existir un multiplicador ` asociado a la restriccin j
3
= 0, de forma que se cumplan las ecuaciones
del sistema
(Condicin estacionaria)
x
1 = 0

01
0r
(1) = 0 2r = 0
01
0j
(1) = 0 1 + `3j
2
= 0
(Condicin de factibilidad) /(r, j, .) = 0 j
3
= 0
Sin embargo, este sistema no tiene solucin, ya que de la ltima ecuacin necesariamente j = 0 y al
sustituir en la segunda obtenemos una contradiccin.
El punto 1 = (0, 0) es un mximo local (de hecho es global puesto que la funcin objetivo siempre
es 0 y slo se anula en r = 0) para el problema de optimizacin planteado, sin embargo no cumple
las condiciones de Karush-Kuhn-Tucker. Contradice este ejemplo el teorema de las condiciones de
primer orden? La respuesta es no, ya que 1 no cumple ninguna de las hiptesis de cualicacin de
las restricciones necesarias en dicho teorema.
1. Hiptesis sin restricciones: Est claro que esta hiptesis no se cumple por la presencia de la
restriccin: j
3
= 0.
c SPH
2.3. Condiciones necesarias 51
2. Hiptesis de Karlin: Esta condicin tampoco se cumple, puesto que la nica restriccin del prob-
lema, /(r, j) = j
3
, es claramente no lineal.
3. Hiptesis de Slater: El conjunto factible es
=

(r, j) R
2
: (r, 0)

que es el eje OA, que en R


2
es un conjunto convexo, pero su interior es vaco, puesto que
cualquier bola de centro un punto de tiene puntos fuera de y tampoco se cumple esta hiptesis.
4. Hiptesis de Fiacco-McKormik: En este caso tenemos que comprobar si el punto es o no regular
para las restricciones del problema, es decir, habr que comprobar si el conjunto de vectores
formado por los gradientes de las restricciones activas en 1 est formado por vectores linealmente
independientes. Como solamente tenemos una restriccin activa en 1 (por ser de igualdad), la
familia de vectores estar formada por un nico vector
{/(r, j)} =

0, 3j
2

y al evaluar en 1 = (0, 0) obtenemos


{/(1)} = {(0, 0)}
que por ser el vector nulo, es linealmente dependiente; y como consecuencia el punto 1 = (0, 0)
es no regular para las restricciones.
Si en el planteamiento del problema cambiamos la restriccin j
3
= 0 por la restriccin equivalente
j = 0
la solucin del problema es la misma, pero en este caso s se cumple la hiptesis de Karlin, ya que todas
las restricciones son lineales. Ahora tendramos que ser capaces de encontrar el valor del multiplicador
` y comprobar que el punto 1 = (0, 0) cumple las condiciones de KKT. El sistema con este cambio es
2r = 0
1 + ` = 0
j = 0
que tiene por solucin
1 = (0, 0)
` = 1
y hemos encontrado el punto buscado y tambin su multiplicador correspondiente.
Ejemplo 2.7 Sea el problema de optimizacin
Maximizar ) (r, j, .) = j
Sujeto a /
1
(r, j, .) = (r 1)
2
+ j
2
1 = 0
/
2
(r, j, .) = (r + 1)
2
+ j
2
1 = 0
c SPH
52 Captulo 2. Optimizacin no lineal
El conjunto factible para este problema es
=

(r, j, .) R
3
: (0, 0, .)

y la solucin ptima del problema es cualquier punto de , puesto que ) (r, j, .) es constante sobre l.
La condicin estacionaria para este problema nos proporciona las siguientes ecuaciones
(Condicin estacionaria)
x
1 = 0

01
0r
= 0 2`
1
(r 1) + 2`
2
(r + 1) = 0
01
0j
= 0 1 + 2`
1
j + 2`
2
j = 0
01
0.
= 0 0 = 0
siendo 1(r, j, ., `
1
, `
2
) = ) +`
1
/
1
+ `
2
/
2
la funcin lagrangiana del problema.
Ninguno de los puntos de , (0, 0, .) , es solucin del sistema anterior, puesto que al sustituir
cualquiera de ellos en la segunda ecuacin nos llevara a una contradiccin: Ninguno de los extremos
locales del problema cumple las condiciones de KKT!
Podemos comprobar, como en el caso anterior, que ninguno de ellos cumple ninguna de las hiptesis
de cualicacin. Es un problema con restricciones, ambas no lineales y donde el conjunto factible
tiene interior vaco por ser una recta. Para comprobar si se cumple la hiptesis de regularidad
observamos que el conjunto de vectores que son gradiente de las restricciones activas (en este caso son
todas puesto que es un problema con slo igualdades) est dado por
{/
1
(r, j, .) , /
2
(r, j, .)} =

2 (r 1)
2j
0

2 (r + 1)
2j
0

y al evaluarlo en los puntos ptimos (0, 0, .) obtenemos

2
0
0

2
0
0

que es una familia de vectores linealmente dependientes y por tanto ningn punto de la forma (0, 0, .)
es regular.
Tambin podra suceder que un punto donde las restricciones no cumplan ninguna de las hiptesis
de cualicacin, sea extremo local del problema y cumpla las condiciones de Karush-Kuhn-Tucker.
Consideremos, por ejemplo, las restricciones del ejemplo anterior, pero cambiando la funcin objetivo
por ) (r, j, .) = r.
En este las condicin estacionaria para el problema es
(Condicin estacionaria)
x
1 = 0

01
0r
= 0 1 + 2`
1
(r 1) + 2`
2
(r + 1) = 0
01
0j
= 0 2`
1
j + 2`
2
j = 0
01
0.
= 0 0 = 0
c SPH
2.3. Condiciones necesarias 53
y teniendo en cuenta que el conjunto factible est formado por los puntos (0, 0, .), el sistema queda
como
1 2`
1
+ 2`
2
= 0
0 = 0
0 = 0
que tiene por solucin
`
1
`
2
=
1
2
Tomando ahora cualquier solucin de esta ecuacin, por ejemplo ` = (`
1
, `
2
) = (1, 1,2), vemos que
todos los puntos extremos cumplen las condiciones de Karush-Kuhn-Tucker, sin embargo, como se ha
comprobado, en ninguno de ellos las restricciones cumplen ninguna de las hiptesis de cualicacin.
Todos estos ejemplos son atpicos y en general suceder que los extremos locales del problema
tendrn que cumplir las condiciones de Karush-Kuhn-Tucker, pero ilustran la necesidad de comprobar
adecuadamente los resultados obtenidos.
Por ltimo hay que indicar que estas condiciones son necesarias, en el sentido de que bajo las
hiptesis del teorema, los extremos de un problema de optimizacin deben ser puntos de Karush-
Kuhn-Tucker. Sin embargo, las condiciones no son sucientes, ya que podemos encontrar puntos que
an cumpliendo las condiciones de Karush-Kuhn-Tucker, no son extremos, por ejemplo la funcin
) (r) = r
3
tiene como nico punto estacionario r = 0, que no es extremo puesto que la funcin es
siempre creciente.
Denicin 2.10 Los puntos factibles que cumplen la condicin estacionaria pero que no son extremos
de la funcin se denominan puntos de silla (que son condicionados si hay presencia de restricciones
en el problema). Para funciones reales de una variable a estos puntos se les conoce mejor por puntos
de inexin.
Condiciones necesarias de segundo orden
Si las funciones del problema son sucientemente derivables, entonces, podemos utilizar informacin
relativa a las segundas derivadas.
Teorema 2.2 (Condiciones necesarias de 2
c
orden) Dado el problema general de optimizacin
no lineal ( PPNL)
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R son funciones de clase C
2
() en el conjunto abierto R
a
. Sea su conjunto
factible y x

un punto donde las restricciones del problema cumplen alguna hiptesis de cuali-
cacin de las restricciones ( H.C.R.) y en el que la funcin )(x) alcanza un mnimo [respectivamente
mximo] relativo condicionado =x

es un punto que cumple las condiciones de Karush-Kuhn-Tucker


de Mnimo [respectivamente Mximo] es decir `
1
,. . . , `
n
, j
1
, . . . , j
j
R de forma que se cumplen
las siguientes condiciones:
c SPH
54 Captulo 2. Optimizacin no lineal
1. Condicin estacionaria
) (x

) +
n
X
i=1
`
i
/
i
(x

) +
j
X
)=1
j
)
q
)
(x

) = 0
2. Condicin de factibilidad
/
i
(x

) = 0, i = 1, . . . , :
q
)
(x

) 0 , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(x

) = 0 , = 1, . . . , j
4. Condicin de signo
j
)
0 para mnimo

j
)
0 para mximo

, = 1, . . . , j
y adems se cumple la siguiente condicin:
5. Condicin del Hessiano: La matriz H1(x

, , ) denida como
H1(x

, , ) = H)(x

) +
n
X
i=1
`
i
H/
i
(x

) +
j
X
)=1
j
)
Hq
)
(x

) (2.7)
es semidenida positiva [semidenida negativa respectivamente] sobre el espacio tangente '(x

)
en x

.
Cuando en el problema no hay restricciones o solamente hay restricciones de igualdad, las condi-
ciones KKT tienen formas particulares que indicamos a continuacin.
1. Caso sin restricciones y una variable (: = j = 0, : = 1): En el caso de problemas con una sola
variable, el Hessiano de la funcin ) (r) es su segunda derivada y la condicin 2.7 se convierte
en
)
00
(r

) 0
2. Sin restricciones y varias variables (: = j = 0): En este caso el espacio tangente es ' (x

) = R
a
,
H1 = H) y la condicin necesaria que debe cumplirse es
x

es mnimo local H)(x

) es semidenida positiva
x

es mximo local H)(x

) es semidenida negativa
3. Problemas de Lagrange (j = 0): Para problemas que tengan solamente restricciones de igual-
dad la condicin del Hessiano no cambia, salvo que en este caso no hay trminos asociados a
restricciones de desigualdad.
Ejemplo 2.8 Aplica las condiciones necesarias de segundo orden al problema 2.1
Optimizar ) (r, j, .) = r + j + .
sujeto a (j 1)
2
+ .
2
1
r
2
+ (j 1)
2
+ .
2
3

c SPH
2.3. Condiciones necesarias 55
Solucin: Vamos a comprobar que las soluciones que se encontraron para este problema, cumplen
las condiciones de segundo orden.
(Mximo) 1
3
=

2, 1 +
1

2
,
1

j =

1
2

2
,
1
2

(Mnimo) 1
6
=

2, 1
1

2
,
1

j =

1
2

2
,
1
2

Para aplicar las condiciones de segundo orden tendremos que construir la matriz H1(1
I
) en cada
punto y evaluarlar sobre el espacio tangente correspondiente ' (1
I
).
Comenzamos por denir la matriz H1
H1(x) = H) (x) + j
1
Hq
1
(x) +j
2
Hq
2
(x) =

2j
2
0 0
0 2 (j
1
+ j
2
) 0
0 0 2 (j
1
+ j
2
)

Para el punto 1
3
tendremos
H1(1
3
) =

2
0 0
0

2 0
0 0

que es una matriz semidenida negativa sobre todo R


3
puesto que es diagonal negativa. Como el
espacio tangente ' (1
3
) es un subespacio vectorial de R
3
, la matriz H1(1
3
) tambin ser semidenida
negativa sobre l y por tanto 1
3
cumple las condiciones necesarias de segundo orden para mximo,
como era de esperar.
Para el punto 1
6
tendremos
H1(1
6
) =

2
0 0
0

2 0
0 0

2

que es una matriz semidenida positiva sobre todo R


3
, puesto que es diagonal positiva. Como de
nuevo, el espacio tangente ' (1
6
) es un subespacio vectorial de R
3
, la matriz H1(1
6
) tambin ser
semidenida positiva sobre l y por tanto 1
6
cumple las condiciones necesarias de segundo orden para
mnimo.
Ejemplo 2.9 Aplica las condiciones de segundo orden al problema 2.5 de la caja.
Solucin: Recordemos que el problema de optimizacin poda plantearse como
Maximizar rj.
Sujeto a rj + j. + .r =

2
y que habamos encontrado como nico punto de KKT el siguiente
1 =

6
,
r

6
,
r

6
!
` =
1
2
r

6
Construiremos a continuacin tanto la matriz H1(1) como el espacio tangente ' (1)
H1 = H) + `H/ =

0 . j
. 0 r
j r 0

+ `

0 1 1
1 0 1
1 1 0

0 . + ` j +`
. + ` 0 r + `
j + ` r +` 0

c SPH
56 Captulo 2. Optimizacin no lineal
evaluando en 1 y teniendo en cuenta que r = j = . = 2`
r + ` = j + ` = . + ` = ` =
1
2
r

6
y la matriz hessiana en 1 es
H1(1) =
1
2
r

0 1 1
1 0 1
1 1 0

Para determinar el espacio tangente ' (1) necesitamos calcular /(1)


/(r, j, .) = (j + ., . + r, r + j) /(1) = 2
r

6
(1, 1, 1)
y entonces
' (1) =

d R
3
: /(1) d = 0

(d
1
, d
2
, d
3
) R
3
: 2
r

6
(1, 1, 1)

d
1
d
2
d
3

= 0

=

(d
1
, d
2
, d
3
) R
3
: d
1
+ d
2
+ d
3
= 0

y el espacio tangente estar descrito por


' (1) =

(d
1
, d
2
, d
3
) R
3
: (d
1
, d
2
, (d
1
+d
2
))

Si construimos la forma cuadrtica asociada a H1(1) sobre ' (1) tendremos


,
11(1)
(d)

A(1)
= (d
1
, d
2
, (d
1
+ d
2
))

0 1 1
1 0 1
1 1 0

d
1
d
2
(d
1
+ d
2
)

=
= (d
1
, d
2
, (d
1
+ d
2
))

d
1
d
2
(d
1
+ d
2
)

= d
2
1
d
2
2
(d
1
+ d
2
)
2
=

d
2
1
+ d
2
2
+ (d
1
+ d
2
)
2

que claramente toma siempre valores negativos, lo que implica que H1(1) es semidenida negativa
sobre ' (1) y el punto 1 cumple las condiciones necesarias de segundo orden para ser un mximo
del problema.
Con las condiciones necesarias obtenemos condiciones que permiten eliminar aquellos puntos que
no son candidatos a extremo de la funcin, sin embargo, necesitamos unas condiciones que permitan
asegurar que los puntos encontrados son realmente las soluciones buscadas.
2.4. Condiciones sucientes
En el apartado anterior se han proporcionado condiciones necesarias de primer y segundo orden
que permitan descartar como soluciones a aquellos puntos que no las cumplieran, sin embargo, en oca-
siones, en algunos problemas, es posible encontrar puntos que cumplan tanto las primeras condiciones
como las segundas, sin ser la solucin al problema.
c SPH
2.4. Condiciones sucientes 57
Ejemplo 2.10 Comprueba que el punto 1 = (0, 0) cumple las condiciones necesarias de primer y
segundo orden para el problema
Minimizar

r j
2

r 3j
2

s.a. (r, j) R
2
pero que no es su solucin.
Solucin: Al tratarse de un problema sin restricciones se cumple una de las hiptesis de cuali-
cacin, por tanto cualquier mnimo debe cumplir las condiciones de Karush-Kuhn-Tucker que en este
caso se reducen a la condicin estacionaria
) (r, j) = 0

2r 4j
2
12j
3
8rj

0
0

Este sistema tiene como nica solucin el punto 1 = (0, 0), es decir, 1 cumple las condiciones necesarias
de primer orden.
Las condiciones de segundo orden para problemas sin restricciones se reducen a comprobar el
Hessiano de la funcin ) (r, j) en el punto en cuestin. Si calculamos la matriz Hessiana de ) (r, j)
H) (r, j) =

2 8j
8j 36j
2
8r

y lo evaluamos en 1 = (0, 0)
H) (0, 0) =

2 0
0 0

La matriz H) (1) es semidenida positiva, puesto que sus valores propios son `
1
= 2 0 y
`
2
= 0 0; esto implica que el punto 1 tambin cumple las condiciones necesarias de segundo orden,
concretamente las condiciones de mnimo. Sin embargo vamos a comprobar que el punto 1 no es un
mnimo. Por una parte el valor de la funcin en 1 es nulo
) (0, 0) = 0
y por otra parte si evaluamos la funcin sobre los puntos de la curva
r = 3j
2
obtenemos
) (r, j) = )

3j
2
, j

=

3j
2
j
2

3j
2
4j
2

= 2j
4
0
es decir sobre los puntos de esa curva sucede
) (r, j) 0 = ) (0, 0)
y 1 no podra ser el mnimo, puesto que hay valores cerca de l (tomando j 0) donde el valor de
la funcin es menor.
Este tipo de problema provoca el estudio de condiciones cuyo cumplimiento garantice el hallazgo
de la solucin. Este tipo de condiciones son las llamadas sucientes.
Con el n de dar estas condiciones de suciencia es necesario exigir que la matriz Hessiana corre-
spondiente sea por una parte denida (positiva o negativa para mnimo o mximo, respectivamente)
y por otra que lo sea en un espacio mayor que el espacio tangente.
c SPH
58 Captulo 2. Optimizacin no lineal
Denicin 2.11 Dado el problema general con restricciones
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R, son funciones de clase C
1
() en R
a
abierto. Sea su conjunto factible y
x

un punto de Karush-Kuhn-Tucker para el problema. Diremos que una restriccin de desigualdad


q
)
(x) es degenerada en x

q
)
(x

) = 0 y j
)
= 0.
Denicin 2.12 Denimos el conjunto de ndices de restricciones no degeneradas en un punto x

de
KKT como
e
J (x

) =

, {1, . . . , j}| q
)
(x

) = 0 y j
)
6= 0

Notar que si en el problema no hay restricciones o son todas de igualdad entonces


e
J (x

) = .
Denicin 2.13 Denimos el espacio tangente ampliado como
f
'(x

) =
n
d R
a
|
T
/
i
(x

) d = 0, i = 1, . . . , :;
T
q
)
(x

) d = 0, ,
e
J (x

)
o
Notar que en el caso de un problema sin restricciones el espacio tangente y el espacio tangente ampliado
coinciden:
f
'(x

) = ' (x

) = R
a
y para un problema de Lagrange
f
'(x

) = ' (x

)
Teorema 2.3 (Condiciones sucientes) Dado el problema general de optimizacin
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
donde ), /
i
, q
)
: R son funciones de clase C
2
() en R
a
un conjunto abierto. Sea su conjunto
factible y x

un punto donde las restricciones del problema cumplen alguna de las hiptesis de
cualicacin. Si x

es un punto de Karush-Kuhn-Tucker de Mnimo [Mximo], es decir `


1
,. . . , `
n
,
j
1
, . . . , j
j
R de forma que se cumplen las siguientes condiciones:
1. Condicin estacionaria
) (x

) +
n
X
i=1
`
i
/
i
(x

) +
j
X
)=1
j
)
q
)
(x

) = 0
2. Condicin de factibilidad
/
i
(x

) = 0, i = 1, . . . , :
q
)
(x

) 0 , = 1, . . . , j
3. Condicin de holgura
j
)
q
)
(x

) = 0 , = 1, . . . , j
c SPH
2.4. Condiciones sucientes 59
4. Condicin de signo
j
)
0 para Mnimo

j
)
0 para Mximo

, = 1, . . . , j
5. Condicin del Hessiano: La matriz H1(x

) denida como
H1(x

) = H)(x

) +
n
X
i=1
`
i
H/
i
(x

) +
j
X
)=1
j
)
Hq
)
(x

)
es denida positiva [denida negativa respectivamente] sobre el espacio tangente ampliado
f
'(x

) =
Entonces en x

hay un mnimo [mximo] relativo condicionado estricto de ) sobre .


Si la matriz H1(x

) es indenida sobre
f
'(x

) entonces en x

hay un punto de silla condicionado.


Casos Particulares:
Teorema 2.4 1. Sin restricciones y una variable (: = j = 0, : = 1): En el caso de problemas con
una sola variable, la condicin del Hessiano se convierte en
)
00
(r

) 0.
2. Sin restricciones y varias variables (: = j = 0): En este caso ' (x

) = R
a
y la condicin del
Hessiano es
Si la matriz H)(x

) es denida positiva [negativa] x

es un mnimo [mximo] local estricto


Ejemplo 2.11 Resuelve el problema
Minimizar rj +j. + .r
Sujeto a r + j + . = 3
Solucin: Se comprob anteriormente que el nico punto crtico obtenido era:
r = j = . = 1 `
1
= 2
Si ahora tratamos de emplear las condiciones sucientes descritas en la proposicin anterior, tendremos:
H) (r, j, .) =

0 1 1
1 0 1
1 1 0

que no es ni denida positiva, ni denida negativa si consideramos todos los vectores de R


3
, sin
embargo si restringimos la matriz a los puntos del espacio tangente ampliado
f
' (x

), que por ser


un problema de Lagrange que continene solamente restricciones de igualdad, coincide con el espacio
tangente ' (x

)
' (x

) =

d R
3

/
T
(x

) d =0

=
n
d R
3

(1, 1, 1)|
(1,1,1)
d =0
o
=
=

d R
3

(1, 1, 1)

d
1
d
2
d
3

=0

=

d R
3

d
1
+ d
2
+ d
3
=0

c SPH
60 Captulo 2. Optimizacin no lineal
la forma cuadrtica asociada ser
,|
1)(a

)
(d) = (d
1
, d
2
, d
3
)

0 1 1
1 0 1
1 1 0

d
1
d
2
d
3

= (d
1
, d
2
, d
1
d
2
)

0 1 1
1 0 1
1 1 0

d
1
d
2
d
1
d
2

=
= (d
1
, d
2
, d
1
d
2
)

d
1
d
2
d
1
+d
2

= d
2
1
d
2
2
(d
1
+ d
2
)
2
=

d
2
1
+d
2
2
+ (d
1
+ d
2
)
2

0
y solamente ser 0, cuando
d
1
= d
2
= (d
1
+ d
2
) = 0
y por tanto
d = (0, 0, 0)
Por tanto la forma cuadrtica ,|
1)(a

)
(d) asociada a la matriz H) (r

) es denida negativa sobre el


espacio tangente ' (x

) y por la proposicin anterior el punto x

ser un mximo local estricto.


En el caso de los problemas convexos las condiciones necesarias de primer orden son tambin
sucientes.
Teorema 2.5 (Problemas Convexos) Dado el problema
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
con ), /
i
, q
)
: R , funciones de clase C
1
(), con R
a
un conjunto abierto y su conjunto
factible. Si es convexo y ) (x) es convexa [cncava respectivamente] sobre , entonces, si existe
x

y multiplicadores `
1
, . . . , `
n
, j
1
, . . . , j
j
R tales que se cumplen las condiciones necesarias
de primer orden para mnimo [mximo] local, entonces x

es un mnimo [mximo] global del problema.


Proposicin 2.6 (Problemas con desigualdades) Dado el problema PPNL
Optimizar )(x)
Sujeto a q
)
(x) 0 , = 1, . . . , j
con ), q
)
: R , funciones de clase C
1
(), con R
a
un conjunto abierto y su conjunto factible.
Supongamos que ) (x) es convexa [cncava] sobre y supongamos tambin que q
1
(x), . . ., q
j
(x) son
funciones convexas sobre entonces si existe un x

punto CKKTMin [ CKKTMax] entonces x

es solucin del problema PPNL.


Adems si ), q
1
, . . ., q
j
son estrictamente convexas x

es la nica solucin del problema PPNL.


Proposicin 2.7 (Problemas Anes Convexos) Dado el problema PPNL
Optimizar )(x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) 0 , = 1, . . . , j
con ), /
i
, q
)
: R , funciones de clase C
1
(), con R
a
un conjunto abierto y su conjunto
factible. Supongamos que ) (x) es convexa [cncava respectivamente] sobre y supongamos tambin
que /
1
(x), . . ., /
n
(r) son funciones anes y q
1
(x), . . ., q
j
(x) son funciones convexas sobre entonces
si existe un x

punto CKKTMin [ CKKTMax] entonces x

es solucin del problema PPNL.


Una funcin /(x) es afn si es de la forma
h(x) = a
1
r
1
+ + a
a
r
a
+ /
c SPH
2.4. Condiciones sucientes 61
Ejemplo 2.12 Resuelve el siguiente problema PPNL
Optimizar j
Sujeto a r + j + . = 1
r
2
+ .
2
9
Solucin: Planteamos las condiciones de KKT para 1(r, j, ., `, j) = j + `(r +j + . 1) +
j

r
2
+ .
2
9

1. Condicin Estacionaria (
x
1 = 0)
01
0r
= 0 ` + 2jr = 0 (1)
01
0j
= 0 1 + ` = 0 (2)
01
0.
= 0 ` + 2j. = 0 (3)
2. Condicin de factibilidad
r +j +. = 1 (4)
r
2
+.
2
9 (5)
3. Condicin de holgura
jq (r) = 0 j

r
2
+ .
2
9

= 0 (6)
4. Condicin de positividad o negatividad
j 0 Para mnimo
j 0 Para mximo
De la ecuacin [2] obtenemos directamente
` = 1
Utilizando ahora la condicin de holgura [6] obtenemos dos opciones
j = 0
r
2
+ .
2
9 = 0
pero la primera opcin (j = 0) no es vlida, puesto que si sustituimos en [1] obtenemos
` = 0
que es una contradiccin con el valor anterior que hemos obtenido para `.
c SPH
62 Captulo 2. Optimizacin no lineal
Las ecuaciones que quedan son (sustituyendo el valor de `)
1 + 2jr = 0 (7)
1 + 2j. = 0 (8)
r + j + . = 1 (9)
r
2
+ .
2
9 = 0 (10)
Utilizando [7] y [8] y puesto que j 6= 0 (porqu?) obtenemos
r = .
que sustituido en [10]
r
2
+ .
2
= 9 2r
2
= 9 r =
3

2
El valor de j se obtiene de [9]
j = 1 r . = 1 2r = 1 2

= 1 3

2
y el valor de j se obtiene de [7]
1 + 2jr = 0 j =
1
2r
=
1
2

2
=
1
3

2
Se han obtenido 2 puntos
1 =

3

2
, 1 3

2,
3

` = 1 j =
1
3

2
Q =

2
, 1 + 3

2,
3

` = 1 j =
1
3

2
Para 1 obtenemos un valor de j 0, por tanto se cumplen las condiciones de Karush-Kuhn-Tucker
de mnimo, mientras que para Q obtenemos un valor j < 0 y por tanto se cumplen las condiciones de
mximo.
La funcin objetivo ) (r, j, .) = j, es lineal, por tanto es cncava y convexa (por qu?). Por otra
parte hay una restriccin de igualdad que es afn (r + j + . = 1) y la otra restriccin de desigualdad
es convexa (por qu?), luego estamos en condiciones de aplicar el teorema anterior y podemos decir
que 1 y Q son respectivamente el mnimo y mximo globales del problema.
Aunque es posible extender las condiciones necesarias y sucientes a rdenes superiores, en la
prctica la aplicacin de estas condiciones requiere de un excesivo esfuerzo y solamente tienen una
utilidad prctica en el caso de funciones reales de variable real, es decir, cuando : = 1 y : = j = 0.
Teorema 2.8 (Condicin suciente de ptimo local) Supongamos que, para r

1, la funcin
) : 1 R es sucientemente derivable y verica
)
(I)
(r

) = 0 / = 1, . . . , : 1
)
(a)
(r

) 6= 0
Donde )
(I)
(r) es la derivada /sima de la funcin
c SPH
2.5. Interpretacin de los multiplicadores de KKT 63
1. Si : es impar = r

es un punto de inexin.
2. Si : es par = r

es un ptimo local. Adems


a) Si )
(a)
(r

) 0 r

es un mnimo local estricto.


b) Si )
(a)
(r

) < 0 r

es un mximo local estricto.


2.5. Interpretacin de los multiplicadores de KKT
En esta seccin trataremos de explicar de forma no rigurosa el signicado de los multiplicadores
que aparecen en las condiciones de Karush-Kuhn-Tucker para un problema con restricciones y sus
aplicaciones en el anlisis de la sensibilidad de los problemas no lineales.Planteemos en primer lugar
un problema no lineal con restricciones de igualdad y de desigualdad de la siguiente forma
Optimizar )(x)
Sujeto a /
i
(x) = /
i
i = 1, . . . , :
q
)
(x) c
)
, = 1, . . . , j
(2.8)
donde ), /
i
, q
)
: R, son funciones de clase C
2
() en R
a
abierto y /
1
, . . . , /
n
, c
1
, . . . , c
j
R.
Est claro que el conjunto factible del problema 2.8 depender de los valores de los vectores
b =(/
1
, . . . , /
n
) y c =(c
1
, . . . , c
j
), es decir
(b, c)
y tambin es obvio que los puntos ptimos del problema, si existen, dependern de estos valores
x

= x

(b, c)
Supongamos que para ciertos valores de estos parmetros, (b

, c

), el problema general con restric-


ciones 2.8 posee un ptimo en el punto x

, con multiplicadores de Karush-Kuhn-Tucker `


1
, . . . , `
n
y
j
1
, . . . , j
j
asociados. Podemos denir una funcin
1 : l
(b

,c

)
R
con l
(b

,c

)
un entorno de (b

, c

) R
n+j
, de forma que
1

b, c

= )

x

b,c

b, c l
(b

,c

)
siendo x

b,c

el ptimo del programa para cuando se utilizan en el problema 2.8, los trminos
independientes

b,c

l
(b

,c

)
.
El siguiente teorema da una relacin entre las variaciones del trmino independiente y las varia-
ciones que experimenta el valor ptimo de la funcin objetivo.
Teorema 2.9 Dado el programa de optimizacin con restricciones dado en la ecuacin 2.8. Si para
ciertos valores de los parmetros b y c, (b

, c

) =

/

1
, . . . , /

n
, c

1
, . . . , c

, el punto x

es un punto de
Karush-Kuhn-Tucker y junto con los multiplicadores asociados, `
1
, . . ., `
n
y j
1
, . . ., j
j
; cumple las
condiciones de suciencia para que la funcin ) (x) posea en ese punto un extremo relativo sobre el
conjunto (b

, c

) y si no hay restricciones de desigualdad activas degeneradas, entonces


`
i
=
01 (b

, c

)
0/
i
=
0)

x

,c

0/
i
i = 1, . . . , :
j
)
=
01 (b

, c

)
0c
)
=
0)

x

,c

0c
)
, = 1, . . . , j
c SPH
64 Captulo 2. Optimizacin no lineal
Los multiplicadores `
i
y j
)
, asociados a la i-sima restriccin de igualdad y a la ,sima restriccin
de desigualdad respectivamente, nos mide la tasa de variacin del valor de la funcin objetivo ) (r, j),
en el punto ptimo respecto a la variacin de su correspondiente trmino independiente (/
i
, c
)
).
Notar nalmente que utilizando diferencias nitas obtenemos
1 (b

, c

) =
n
X
i=1
`
i
/
i

j
X
)=1
j
)
c
)
=
n
X
i=1
`
i

/
i
/

n
X
i=1
j
i

c
)
c

La ecuacin anterior nos proporciona un valor aproximado del incremento que se producir en el valor
del objetivo ptimo al variar el trmino independiente de las restricciones de (b

, c

) a

b, c

.
2.6. Dualidad
Sea el siguiente problema de optimizacin con objetivo de minimizacin
Minimizar ) (x)
Sujeto a
/
i
(x) = 0 i = 1, . . . , :
q
)
(x) c , = 1, . . . , j

(1)
que llamaremos problema Primal, podemos construir el llamado problema Dual.
Mientras que en el problema primal los multiplicadores se utilizan como parmetros auxiliares
para resolver el problema y se minimiza sobre las variables del problema, en el problema dual los
multiplicadores seran las variables, mientras que las variables de decisin del problema primal haran
el papel de multiplicadores.
Denicin 2.14 Para el problema de optimizacin P, denimos su problema dual (P*) como
Maximizar 0 (, )
Sujeto a
0

(1

)
donde la funcin 0 (, ) est denida por
0 (, ) = 0

`
1
, . . . `
n
, j
1
. . . j
j

= nf
x

) (x) + `
1
/
1
(x) + . . . + `
n
/
n
(x) + j
1
q
1
(x) + . . . + j
j
q
j
(x)

y siendo el conjunto factible del problema P.


Ejercicio 2.1 Construye el problema dual del siguiente problema de optimizacin
Minimizar ) (r, j) =
r
2
2
+
j
2
2
Sujeto a r + j 4
r j 4
Solucin: La funcin Lagrangiana es
1(r, j, j
1
, j
2
) =
r
2
2
+
j
2
2
+ j
1
(r j + 4) + j
2
(r + j 4)
c SPH
2.6. Dualidad 65
Si buscamos el mnimo sobre (r, j) en
01
0r
= r j
1
j
2
= 0 r = j
1
+j
2
01
0j
= j j
1
+ j
2
= 0 j = j
1
j
2
y la funcin 0 (j
1
, j
2
) es
0 (j
1
, j
2
) =
(j
1
+j
2
)
2
2
+
(j
1
j
2
)
2
2
+ j
1
((j
1
+j
2
) (j
1
j
2
) + 4) +j
2
((j
1
+ j
2
) + (j
1
j
2
) 4)
= j
2
1
j
2
2
+ 4j
1
4
2
El problema dual ser entonces
Maximizar 0 (j
1
, j
2
) = j
2
1
j
2
2
+ 4j
1
4j
2
Sujeto a j
1
, j
2
0
Teorema 2.10 (Teorema de Dualidad) Dado el problema de optimizacin P
Minimizar ) (x)
Sujeto a /
i
(x) = 0 i = 1, . . . , :
q
)
(x) c , = 1, . . . , j
con ) (r), q
)
(r) convexas y /(r) afn. Entonces el problema primal NLPP tiene solucin si y slo s
su problema dual NLPP* tiene solucin. Adems en este caso si x

es la solucin ptima del primal


y (

) la solucin ptima del dual se tiene


) (x

) = 0 (

)
Lema 2.11 (Lema de Dualidad Dbil) Dado el problema de optimizacin NLPP
Minimizar ) (x)
Sujeto a
/
i
(x) = 0 i = 1, . . . , :
q
)
(x) c , = 1, . . . , j
con ) (r), q
)
(r) y /(r) de clase C
1
(), entonces:
1.
max {0 (, )| 0} mn{) (x)| x }
2. Si (

) son factibles para el problema dual NLPP* y x

, y si adems se cumple
) (x

) = 0 (

)
entonces (

) y x

son las soluciones ptimas del problema dual y primal respectivamente.


Adems
max {0 (, )| 0} = mn{) (x)| x }
c SPH
66 Captulo 2. Optimizacin no lineal
Ejemplo 2.13 Resuelve por dualidad el problema
Minimizar ) (r, j) =
r
2
2
+
j
2
2
Sujeto a
r + j 4
r j 4
Solucin: Es sencillo comprobar que la funcin objetivo y las restricciones de desigualdad son
convexas, como en este caso no hay restricciones de igualdad podemos aplicar el teorema de dualidad
para indicar que este problema tendr solucin si y slo si la tiene su problema dual, que como vimos
en el ejercicio anterior viene dado por
Maximizar 0 (j
1
, j
2
) = j
2
1
j
2
2
+ 4j
1
4j
2
Sujeto a
j
1
, j
2
0
Para resolver este problema aplicaremos la teora de KKT, ya que las restricciones son lineales (y por
tanto convexas) mientras que la funcin objetivo es cncava (por qu?), en este caso un punto que
cumpla las condiciones de KKT de mximo ser la solucin. Si llamamos c
1
y c
2
a los multiplicadores
de KKT para este problema, el Lagrangiano vendr dado por
1
1
(j
1
, j
2
, c
1
, c
2
) = j
2
1
j
2
2
+ 4j
1
4j
2
c
1
j
1
c
2
j
2
y las condiciones de KKT seran
1. Condicin estacionaria:
j
1
1
(j
1
, j
2
, c
1
, c
2
)
01
1
0j
1
= 2j
1
+ 4 c
1
= 0
01
1
0j
2
= 2j
2
4 c
2
= 0
2. Condicin de holgura:
c
1
j
1
= 0
c
2
j
2
= 0
El resto de condiciones las utilizaremos posteriormente.
De las condiciones de holgura tendremos 4 casos

c
1
= 0 =

c
2
= 0 = Caso I
j
2
= 0 = Caso II
j
1
= 0 =

c
2
= 0 = Caso III
j
2
= 0 = Caso IV
que resolvemos de forma independiente:
c SPH
2.6. Dualidad 67
1. Caso I: c
1
= c
2
= 0. Sustituyendo en la primera y segunda ecuaciones, se obtiene
2j
1
+ 4 = 0 j
1
= 2
2j
2
4 = 0 j
2
= 2
que no es un punto factible puesto que j
2
< 0.
2. Caso II: c
1
= j
2
= 0. Sustituyendo
2j
1
+ 4 = 0 j
1
= 2
4 c
2
= 0 c
2
= 4
que cumples las condiciones y por tanto ser el mximo buscado.
3. Caso III: j
1
= c
2
= 0. En este caso
4 c
1
= 0 c
1
= 4
2j
2
4 = 0 j
2
= 2
que no es factible puesto que j
2
< 0.
4. Caso IV: j
1
= j
2
= 0
4 c
1
= 0 c
1
= 4
4 c
2
= 0 c
2
= 4
que no es un punto de KKT de Mximo, puesto que c
1
0.
Hemos obtenido un nico punto para este problema
j = (2, 0) c = (0, 4)
que como hemos comentado cumle las condiciones de KKT para mximo, luego por las condiciones
del problema es la solucin buscada.
Teniendo en cuenta ahora la relacin existente entre los valores de j
1
y j
2
y las variables de
decisin del problema primal, podemos hallar el valor de estas ltimas
r = j
1
+j
2
= 2 + 0 = 2
j = j
1
j
2
= 2 0 = 2
y comprobar que se trata de un punto factible para el problema primal.
Por ltimo es sencillo comprobar que ambos problemas coinciden en sus respectivos valores ptimos
) (r

, j

) = ) (2, 2) =
2
2
2
+
2
2
2
= 4
0 (j

1
, j

2
) = 0 (2, 0) = 2
2
0
2
+ 4 2 4 0 = 4
c SPH
68 Captulo 2. Optimizacin no lineal
2.7. Temporal
Ejemplo 2.14 Encuentra los puntos que cumplen las condiciones de Karush-Kuhn-Tucker para el
problema
Optimizar r
2
+ j
2
Sujeto a r + j = 6
r
2
+ j
2
26
r 1 0
Solucin: En primer lugar transformamos el problema en la forma general, es decir, los trminos
independientes de las restricciones deben ser cero y las restricciones de desigualdad de la forma
Optimizar r
2
+ j
2
Sujeto a r +j 6 = 0
r
2
+ j
2
26 0
1 r 0
La funcin Lagrangiana del problema ser
1(r, j, `
1
, j
1
, j
2
) = r
2
+ j
2
+ `(r + j 6) + j
1

r
2
+ j
2
26

+ j
2
(1 r)
y planteamos las condiciones de KKT:
1. Condicin estacionaria (
a
1 = 0)
01
0r
= 0 2r + ` + 2rj
1
j
2
= 0 [1]
01
0j
= 0 1 + ` + 2jj
1
= 0 [2]
2. Condicin de factibilidad
r + j 6 = 0 [3]
r
2
+ j
2
26 0
1 r 0
3. Condicin de positividad o negatividad
j
1
, j
2
0 Para mnimo
j
1
, j
2
0 Para mximo
4. Condiciones de holgura
j
1
q
1
(r) = 0 j
1

r
2
+ j
2
26

= 0 [4]
j
2
q
2
(r) = 0 j
2
(1 r) = 0 ([5])
El sistema que permite localizar los puntos de KKT estar formado por las dos ecuaciones que
proporciona la condicin estacionaria (ecuaciones [1], [2]), la restriccin de igualdad ([3]) y las dos de
la condicin de holgura (ecuaciones [4] y [5]).
c SPH
2.7. Temporal 69
Resolvemos el sistema utilizando la condicin de holgura. Este anlisis produce dos opciones por
cada ecuacin, con un total de cuatro casos:

j
1
= 0 =

j
2
= 0 Caso I
(1 r) = 0 Caso II
r
2
+ j
2
26 = 0 =

j
2
= 0 Caso III
(1 r) = 0 Caso IV
que resolvemos de forma independiente
1. Caso I (j
1
= j
2
= 0): El sistema para estos valores queda
2r + ` = 0
1 + ` = 0
r + j = 6
que es lineal y tiene como nica solucin
` = 1
r =
`
2
=
1
2
j = 6 r = 6 +
1
2
=
13
2
Tenemos por tanto un punto para este caso
1
1
=

1
2
,
13
2

` = 1 =(0, 0)
Sin embargo, este punto no es factible ya que no cumple ninguna de las restricciones de desigual-
dad del problema
r
2
+ j
2
=

1
2

2
+

13
2

2
=
1
4
+
169
4
=
85
2
26 No se cumple
1 r = 1

1
2

=
3
2
0 No se cumple
y por tanto no es de KKT.
2. Caso II (j
1
= 0, r = 1): Con estos datos el sistema queda
2 + ` j
2
= 0
1 +` = 0
1 + j = 6
c SPH
70 Captulo 2. Optimizacin no lineal
que es lineal y cuya nica solucin es
j = 5
` = 1
j
2
= 2 +` = 2 + 1 = 3
Obtenemos otro punto
1
2
= (1, 5) ` = 1 =(0, 3)
Comprobamos si es un punto factible
r
2
+j
2
26 = 1 + 25 26 0 S cumple la primera restriccin
1 r = 1 1 = 0 0 S cumple la segunda restriccin
como adems se cumple la condicin de positividad, 1
2
es un punto que cumple las condiciones
de KKT de mnimo.
3. Caso III (r
2
+ j
2
= 26, j
2
= 0): Para este caso el sistema es
2r + ` + j
1
2r = 0
1 + ` + j
1
2j = 0
r + j = 6
r
2
+ j
2
26 = 0
cuya solucin se obtiene fcilmente despejando una de las variables de la tercera ecuacin, j =
6 r, y sustituyendo en la cuarta para obtener una ecuacin de segundo grado
r
2
+ (6 r)
2
26 = 0 2r
2
12r + 10 = 0
con soluciones
r
1
= 5 y r
2
= 1
Se obtiene un valor de j para cada valor de r
r
1
= 5 j
1
= 6 r
1
= 1
y
r
2
= 1 j
1
= 6 r
1
= 5
Se comprueba la factibilidad de estos dos puntos, 1
3
= (5, 1) y 1
4
= (1, 5), sustituyendo en las
restricciones de desigualdad
1
3
= (5, 1)

5
2
+ 1
2
26 = 0 0
1 5 = 4 0
1
4
= (1, 5)

1
2
+ 5
2
26 = 0 0
1 1 = 0 0
c SPH
2.7. Temporal 71
Finalmente se calculan los valores de los multiplicadores asociados a cada uno de ellos, para
determinar si se cumplen algunas de las condiciones de positividad o negatividad y establecer si
los puntos son de KKT. Utilizando las dos primeras ecuaciones, que forman un sistema lineal en
` y j
1
y evaluando en cada punto obtenemos
j
1
=
1 + 2r
2 (j r)
=

j
1
(1
3
) =
11
8
j
1
(1
4
) =
3
8
` =
r(1 + 2j)
r j
=

`(1
3
) =
15
4
`(1
4
) =
11
4
En resumen, los puntos con sus respectivos multiplicadores son:
1
3
= (5, 1) ` =
15
4
j
1
=
11
8
0 j
2
= 0
y
1
4
= (1, 5) ` =
11
4
j
1
=
3
8
0 j
2
= 0 0
de donde se obtiene que que 1
4
es un punto de KKT para el problema de minimizacin
(j
1
, j
2
0), mientras que 1
3
cumple las condiciones de KKT para mximo (j
1
, j
2
0).
4. Caso IV (r
2
+ j
2
= 6, r = 1): En este ltimo caso queda el siguiente sistema:
2 + ` + 2j
1
j
2
= 0
1 + ` + j
1
2j = 0
1 + j = 6
1 + j
2
26 = 0
De la tercera y cuarta ecuacin tenemos el punto
1
5
= (1, 5)
que es uno de los puntos encontrados en el apartado anterior y por tanto ya se ha discutido. Sin
embargo, el clculo de los multiplicadores se obtiene a partir de las dos primeras ecuaciones, en
las que al sustituir por los valores de r e j correspondientes obtenemos el sistema
2 + ` + 2j
1
j
2
= 0
1 + ` + j
1
10 = 0
que es lineal y con ms incgnitas que ecuaciones, por tanto ser indeterminado. Su solucin es
en forma paramtrica
` = t; j =

1 t
10
,
11 + 4t
5

c SPH
72 Captulo 2. Optimizacin no lineal
Notar, por ejemplo, que si
Si t = 1 ` = 1; j = (0, 3)
Si t =
11
4
` =
11
4
; j =

3
8
, 0

que corresponden a los multiplicadores de los puntos 1


2
y 1
4
, respectivamente. En todos los
casos se trata del mismo punto. El hecho de que existan diversos multiplicadores para el mismo
punto es debido, como veremos posteriormente, a que ste problema es singular.
Ejemplo 2.15 (Entropa) Sea A una variable aleatoria discreta que toma valores dentro del con-
junto {r
1
, . . . , r
a
}. Sabiendo que el valor medio obtenido para A es A, se plantea el problema de
encontrar la probabilidad j
I
de que A tome el valor r
I
de forma que la entropa sea mxima.
Solucin: Para una variable aleatoria discreta se dene la entropa de la densidad como
- =
a
X
I=1
j
I
lnj
I
mientras que la esperanza de A es
A =
a
X
I=1
r
I
j
I
Si la probabilidad asociada a cada r
I
es j
I
, entonces debe cumplirse j
I
0 y
P
a
I=1
j
I
= 1. Si adems
sabemos cual es la media (A), el argumento de entropa mxima requiere que la densidad debe tomarse
como aquella que resuelve el problema
Maximizar
a
X
I=1
j
)
lnj
)
Sujeto a
a
X
I=1
j
I
= 1
a
X
I=1
r
I
j
I
= A
j
I
0
Como todas las restricciones del problema son lineales se cumple la hiptesis de cualicacin de Karlin,
luego cualquier solucin ptima del problema debe cumplir las condiciones de Karush-Kuhn-Tucker y
deben existir los multiplicadores correspondientes `
1
, `
2
, j
1
, . . . , j
a
.
La funcin Lagrangiana del problema ser
1(j
1
, . . . , j
a
, `
1
, `
2
, j
1
, . . . , j
a
) =
a
X
I=1
j
I
lnj
I
+ `
1

a
X
I=1
j
I
1
!
+ `
2

a
X
I=1
r
I
j
I
A
!

a
X
I=1
j
I
j
I
y las condiciones de KKT:
c SPH
2.7. Temporal 73
1. Condicin estacionaria (
a
1 = 0): En este caso las variables independientes son las j
I
01
0j
I
= 0 lnj
I
1 + `
1
+ `
2
r
I
j
I
= 0 Para / = 1, . . . , :
2. Condicin de factibilidad:
a
X
I=1
j
I
= 1
a
X
I=1
r
I
j
I
= A
j
I
0 Para / = 1, . . . , :
3. Condicin de negatividad: Puesto que estamos buscando el mximo de la funcin, los multipli-
cadores asociados a las restricciones de desigualdad deben ser negativos
j
I
0 Para / = 1, . . . , :
4. Condicin de holgura:
j
I
(j
I
) = 0 Para / = 1, . . . , :
De la condicin de holgura se deduce que j
I
= 0, puesto que para la otra opcin j
I
= 0 la funcin
logaritmo no estara denida. Todos los multiplicadores j
)
, asociados a las restricciones de desigualdad
deben ser nulos. Sustituyendo en las ecuaciones de la condicin estacionaria
lnj
I
1 + `
1
+ `
2
r
I
= 0 / = 1, . . . , :
y podemos despejar j
I
de cada ecuacin
lnj
I
= 1 + `
1
+ `
2
r
I
j
I
= c
A
2
a

+(A
1
1)
Notar que j
I
0.
Los valores de `
1
y `
2
deben seleccionarse de forma que se cumplan las 2 restricciones
a
X
I=1
j
I
= 1
a
X
I=1
r
I
j
I
= A
c SPH