3.

2 Puntos de inflexin programacin no lineal

Puntos estacionarios.
Procedemos entonces, tras haber establecido ciertos conceptos bsicos en la seccin anterior, a
resolver el problema
Maximizar sujeta a :f (x)g(x) b(PRD)
donde suponemos que se dan condiciones de diferenciabilidad sobre f y g y que el conjunto D es
abierto. En esta situacin, tenemos aseguradas ciertas condiciones de diferenciabilidad sobre la
funcin de Lagrange L. Empezaremos definiendo el concepto de punto estacionario de Kuhn-Tucker
a partir de L. Tras ello, estudiaremos su relacin con las soluciones del problema (PRD). Como
veremos, sern necesarias condiciones de convexidad en los teoremas de suficiencia, y no as en los
de necesariedad (donde, eso s, har falta incluir cualificaciones de restricciones).
As pues, definimos
supuesto que x0 es
un punto factible:

Una vez definido este concepto, veamos seguidamente los teoremas que lo relacionan con las
soluciones del problema (PRD). Empezaremos dando el teorema de condiciones necesarias, es decir,
el teorema en el que se establecen qu condiciones necesariamente deben verificar los ptimos de
(PRD).

Como se observa, gracias a la formulacin de punto estacionario de Kuhn-Tucker (4), este teorema
afirma que, si se verifica la cualificacin de restricciones de independencia lineal en x0, entonces
necesariamente todo ptimo local del problema es un punto estacionario de Kuhn-
Tucker. Existe otro concepto de punto estacionario (punto estacionario de Fritz-John) ms
general que el de Kuhn-Tucker, que no necesita de la cualificacin de restricciones para que se
establezca esta condicin necesaria.
Este teorema admite exactamente la misma formulacin para el problema de
mnimo, teniendo simplemente en cuenta las definiciones de punto estacionario para mnimo.
As, por ejemplo, la condicin quedara:
f (x ) + igi (x ) = 0 .00iI
Pasamos ahora a dar el teorema de condiciones suficientes, es decir, el teorema que
afirma bajo qu condiciones un punto estacionario de Kuhn-Tucker es mximo del problema.
Ya se ha comentado que hace falta en este caso exigir condiciones de convexidad
sobre las funciones del problema. Realmente, basta con unas suposiciones un poco ms suaves que
la convexidad global, si bien aqu no vamos a especificarlas:
24 sobre las funciones del problema. Realmente, basta con unas suposiciones un poco ms suaves
que la convexidad global, si bien aqu no vamos a especificarlas

Este teorema admite una formulacin similar para el problema de mnimo, con las correspondientes
definiciones de los puntos estacionarios, y suponiendo que la funcin f sea convexa.
Si observamos con detenimiento las condiciones de punto estacionario que hemos
desarrollado en esta seccin, podremos ver su analoga con el caso en el que existan
restricciones de igualdad. En concreto, desde un punto de vista intuitivo, el proceso se podra
interpretar de la siguiente forma: en primer lugar, se identifican las restricciones activas en el punto
en cuestin. Posteriormente, se toman las condiciones de primer orden para problemas con
restricciones de igualdad, teniendo en cuenta slo las mencionadas restricciones activas (que, en el
punto bajo estudio, se pueden considerar de igualdad). Finalmente, se aade la condicin adicional
de no negatividad sobre los multiplicadores ptimos, que, segn vimos previamente, garantizan que
la funcin objetivo no mejora al moverse hacia el interior relativo de las restricciones activas.
3.1.2 MXIMOS Y MNIMOS
Mximos y mnimos y Puntos de
inflexin
Desde la dcada de los 60 la programacin lineal (PL) ha sido aplicada en diversas reas de la vida
como por ejemplo: sistemas militares, agrcolas, econmicos, de transporte y de salud. La PL ofrece
bases importantes en el desarrollo de mtodos de solucin de otras tcnicas de la Investigacin de
operaciones, como lo son la programacin entera, la estocstica y la no lineal [Taha 1991]. La PL
juega un papel muy importante en el estudio de los problemas continuos de optimizacin
considerados como la frontera de los problemas de optimizacin combinatoria, ya que en los
continuos se tienen las caractersticas necesarias para que sean considerados dentro del tipo
combinatorio [Papadimitriou and Steiglitz, 1982]: Un problema de optimizacin combinatoria
siempre se le involucra un conjunto de instancias, donde cada una de ellas cuenta con un conjunto
finito de posibles soluciones (caracterstica imprescindible de los problemas continuos).
Por otra parte la teora de optimizacin clsica se usa para la obtencin de los mximos y mnimos
de funciones no lineales restringidas y no restringidas, en los que se hace uso del clculo
diferencial.
MAXIMOS Y MINIMOS
Mnimo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mnimo de la funcin si
f(X0+h) > f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente
pequea.
Mximo (fuerte): Un punto extremo X0 de una funcin f(X0) define un mximo de la funcin si
f(X0+h) < f(X0), donde X0 es cualquier punto de la funcin y h en valor absoluto es suficientemente
pequea.
Una funcin puede contener varios mximos y mnimos, identificados por los puntos extremos de la
funcin. En la figura 1 se puede observar esto, los puntos x1, x3 y x6 son mximos, de la figura
notamos que f(x6) es el mayor que f(x1) y f(x3), a este punto se le conoce como mximo global de
la funcin y a los restantes como mximos locales. Lo mismo se puede ver para los mnimos, en los
que tambin existe un mnimo global f(x2) y un mnimo local f(x4). Como es de lgico, solo puede
existir un solo global y posiblemente varios locales.

Fig. 1. Representacin de mximos y mnimos en una funcin con una sola variable [Taha 1991].
Una condicin necesaria pero no suficiente para que X0 sea un punto extremo, es que para una
funcin con mas de una variable, el gradiente f(X0) = 0. Si es cierto esto entonces X0 ser
conocido como punto estacionario.
Una condicin suficiente para que un punto estacionario sea extremo es que la matriz
Hessiana H obtenida en X0 del sistema de ecuaciones sea positiva cuando X0 es un punto extremo
de mnimo. Y negativa cuando X0 es un punto extremo de mximo.
Un mximo dbil implica un numero finito de mximos alternativos (ver figura 1) y se define como
X0 es un mximo dbil, si f(X0 + h) <= f(X0). Un anlisis similar es para los mnimos dbiles.
Un punto de inflexin se encuentra cuando la evaluacin del gradiente da cero y no es un extremo,
esto es, se debe de cumplir la condicin de la matriz Hessiana.

3.3 Problemas no restringidos programacin
no lineal
Caso con restricciones de igualdad.
Como paso previo al tratamiento del problema general de Programacin Matemtica, vamos a
estudiar el caso especial en el que todas las restricciones sean de igualdad. Ello nos permitir,
cuando abordemos el estudio del caso general, distinguir el caso en que el ptimo sea interior al
conjunto de oportunidades (anlogo al caso irrestricto), y el caso en que el ptimo est en la
frontera (anlogo a este problema con restricciones de igualdad, si se consideran slo aquellas que
se satisfacen con igualdad). As pues, los resultados obtenidos en este captulo sern un punto de
partida para el estudio del caso general.
El problema que estudiamos en este caso es:

donde se supone que f est definida sobre el conjunto de oportunidades determinado por las
restricciones, que son m relaciones de la forma gi(x) = bi,i = 1, , m. Supondremos que tanto la
funcin objetivo f como las restricciones gi son de clase 2 en X.
A lo largo del tratamiento de estos problemas, es de vital importancia la definicin de la
llamada funcin de Lagrange asociada, que es una funcin que de alguna forma engloba todo el
problema, al aadir a la funcin objetivo las restricciones, cada una de ellas acompaada por un
multiplicador (multiplicador de Lagrange):
Definicin 3.

En lo que sigue, veremos que las condiciones de primer y segundo orden en este caso son anlogas
al caso irrestricto, pero exigindolas sobre la funcin de Lagrange en lugar de sobre la funcin
objetivo f. Previamente, vamos a estudiar algunas propiedades interesantes de la funcin de
Lagrange.
La primera nos asegura que cuando trabajamos con puntos factibles, el valor de la funcin de
Lagrange coincide con el de la funcin objetivo. La segunda nos permite afirmar que cualquier punto
crtico de la funcin de Lagrange es factible para el problema (PRI):
Teorema 9.

Demostracin.
Si x es un punto arbitrario de X:
g(x) b = 0,
de donde: L(x, ) = f(x) t 0 = f(x).
Antes de enunciar la siguiente proposicin, expresemos el gradiente de la funcin de
Lagrange de una forma operativa:
L(x, ) = f(x) t [g(x) - b]
resultando que:

Ahora bien:
x L(x, ) = x [f(x) - t (g(x) - b)] = f(x) t [Jg(x)]t
Luego, en definitiva:
Demostracin.
Si (x* ,*) es punto crtico de L, entonces, por la forma de su gradiente,

de donde se deduce que x* D pues existen f(x*) y g(x*), y adems:
- (g(x*) b) = 0. Luego x* X, como queramos demostrar.
Segn hemos visto, la funcin de Lagrange incorpora tanto la funcin objetivo del
problema original, como las restricciones del mismo. Adems, tambin se verifica que todo punto
crtico de la funcin de Lagrange es factible para el problema (PRI), y, en esta situacin, el valor
de L coincide con el de f. En estas circunstancias, cabe preguntarse si existir alguna relacin entre
los ptimos locales de (PRI) y los puntos crticos de L. El siguiente teorema demuestra que, en
efecto, todo ptimo local de (PRI) produce un punto crtico de la lagrangiana:

Demostracin.
Supongamos que x* es un ptimo local de (PRI), lo cual implica que x* es factible, es decir, g(x*)
= b, y que existe un entorno de x*, E1(x*), tal que x* es ptimo global de f en el conjunto de puntos
de E1(x*) que satisfacen las restricciones del problema. Por otro lado, por hiptesis, las restricciones
verifican ser de rango completo en x*, es decir,
en cuyo caso x = (x1t, x2t), resulta que lo anterior es suficiente (teorema de la funcin implcita)
para que existan un entorno de x1*, E1(x1*), un entorno de x2*, E2(x2*), y una funcin

h : E2(x E1(x1*), tal que:
(i) h(x2*) = x1*(ii) x2 E2(x2*), g(h(x2), x2) = b.
Podemos suponer, sin prdida de generalidad, que
E (x *) E(x *) E1 (x*) ,

es decir, que x* es ptimo global de f en el entorno en el que podemos ponerx1 como funcin
de x2. Sustituyendo en la funcin objetivo, podemos definir una nueva funcin:
F: E 2 (x 2 *) R
F (x 2 ) =f (h(x 2 ), x 2 )
funcin en las variables x2 = (xm+1, xm+2, , xn) que no est restringida por ninguna relacin en
un entorno del punto x*, pudiendo aplicarle las tcnicas desarrolladas en el apartado anterior.
Como, por hiptesis, x* es ptimo en E1(x*), entonces, x2* lo ser de la nueva funcin F, y por
tanto: es decir,
F(x2*) = 0.

Por otro lado, en todo E2(x2*), se verifica que
g(h(x2), x2) = b, lo cual implica que:



y estas parciales no se pueden anular en (0, 0) para ningn valor del multiplicador , por lo que (0,
0) no es punto crtico de L.
Al igual que ocurre en el caso irrestricto, tambin en el problema restringido existen condiciones de
segundo orden que garantizan la optimalidad de los puntos crticos de la funcin de Lagrange. Esta
condicin de segundo orden, tambin supone condiciones sobre la matriz hessiana, pero, en este
caso, se tomar restringida a una condicin que garantiza que comparamos el ptimo slo con los
puntos de su entorno que pertenecen al conjunto de oportunidades del problema.
Teorema 12.Si (x*, *) es un punto crtico de la funcin de Lagrange asociada al problema (PRI), una
condicin suficiente para que x* sea un mximo (resp. mnimo) local del problema es que la forma
cuadrtica


3.3.1 Multiplicadores de Lagranje Lambda
Interpretacin de los multiplicadores de Lagrange.
Uno de los resultados ms importantes de la Programacin Matemtica, que desarrollamos a
continuacin, es que la valoracin marginal de los recursos, cuyo uso esta fijado por las
restricciones, viene dada por los multiplicadores (variables duales) asociados a los mismos.
Sea el problema:
Max f(x)
s.a g(x) = b.
Sea (x*, *) una solucin ptima de dicho problema. Se trata, por tanto, de un punto crtico de la
funcin de Lagrange asociada al problema:
L(x, ) = f(x) t (g(x) b)
es decir, (x*, *) verifican:
xL(x*, *) = x f(x*) Jg(x*)* = 0
L(x*, *) = g(x*) + b = 0
Para distintos valores del segundo miembro de las restricciones (vector b), se obtendran,
lgicamente, distintas soluciones ptimas del problema anterior. Consideremos entonces la solucin
optima como una funcin del vector b, y supongamos que esta funcin es diferenciable (lo cual es
cierto si se verifican las condiciones suficientes de optimalidad):
x* = x(b)
* = (b)
Los valores ptimos de la funcin objetivo pueden considerarse como una funcin de b, f(x(b)), e
igualmente la funcin vectorial de las restricciones,g(x(b)). Derivando, tanto una como otra con
respecto a b, obtenemos, respectivamente:
b f(x(b)) = Jb(x(b)) x f(x(b))
Jb g(x(b)) = Jb(x(b)) Jx g(x(b))
Teniendo en cuenta las condiciones de optimalidad de primer orden
x f(x*) Jx g(x*) * = 0
y multiplicndolos por Jb(x(b)):
Jb(x(b)) x f(x(b)) Jb(x(b)) Jx g(x(b)) * = 0
sustituyendo por las expresiones anteriormente obtenidas, resulta:
b f(x(b)) Jb g(x(b)) * = 0
Finalmente, como g(x(b)) = b, derivando esta expresin con respecto a las variables
bi, obtenemos que Jb g(x(b)) = I(mm), por tanto:

es decir, la variacin del valor ptimo de la funcin objetivo f(x*) producida por variaciones
infinitesimales del segundo miembro de una restriccin, est representada por el
multiplicador ptimo i asociado a la misma. En otras palabras, el valor ptimo del
multiplicador de Lagrange asociado a una determinada restriccin nos proporciona un medida de la
sensibilidad del valor ptimo de la funcin objetivo ante cambios en el recurso de dicha restriccin.
Nota. En los problemas de mnimo, se suele tomar la funcin de Lagrange como:
L(x, ) = f(x) + t [g(x) - b],

Esta interpretacin general tiene una traduccin econmica concreta segn sea la funcin objetivo y
la expresin de las restricciones. Si la funcin objetivo consiste, por ejemplo, en maximizar la
funcin de utilidad del consumidor sometido a una restriccin presupuestaria de igualdad, el
multiplicador de Lagrange se interpreta como la utilidad marginal por unidad monetaria. Si el
problema consiste en determinar el plan de produccin compatible con la funcin de produccin de
la empresa y tal que resulte mnimo el coste de produccin, el multiplicador de Lagrange se
interpretara como el coste marginal de produccin del producto.
Es por ello que los multiplicadores de Lagrange reciben la denominacin de precios de clculo por
cuanto permiten determinar las consecuencias de una modificacin marginal de una restriccin.
Pueden considerarse como la medida del pago mximo que podra efectuarse a cambio de un
desplazamiento de la restriccin. Por ejemplo, si el problema es maximizar el beneficio eligiendo los
niveles de factores productivos y de produccin, sujetos a la limitacin impuesta por la cantidad
disponible de un factor, b. En este problema, * mide la rentabilidad marginal del factor o la tasa a
la que aumenta el beneficio mximo como consecuencia de un pequeo incremento en la cantidad
fija del factor. Por consiguiente, *mide la cantidad mxima que la empresa estara dispuesta a
pagar por el incremento en el factor, ya que si pagase menos el resultado sera un incremento neto
en el beneficio, y si pagase ms se producira una reduccin neta del mismo. Por esta razn, a * se
le puede denominar precio sombra del factor, utilizndose dicho adjetivo para indicar que el precio
puede diferir del precio real del mercado.
Otro aspecto digno de resaltarse es el comportamiento e interpretacin del signo del multiplicador.
As, si la lagrangiana se toma para mximo (es decir, los multiplicadores entran restando), en el
supuesto de multiplicador positivo

En el caso en que la funcin de Lagrange se formule para mnimo, estas relaciones se dan justo a la
contra.