Está en la página 1de 20

1

OPTIMIZACION
I. INTRODUCCION
La optimizacin o programacin matemtica es un instrumento fundamental en la
economa. Es empleada para modelizar la asignacin de recursos escasos entre fines
alternativos, y resolver problemas de distribucin econmica desarrollados en la teora
del consumidor, teora de la produccin, economa del bienestar, equilibrio general, etc.
1.1.

MODELOS DE OPTIMIZACION

Se distinguen diferentes modelos de optimizacin. La caracterstica es la


existencia de un nico decisor. Si existe mas de un decisor se tiene la optimizacin
multicriterio y la teora de juegos.
1.2.

CLASIFICACION DE LOS MODELOS


Los mas frecuentes son:

a) Segn la naturaleza de los datos:


- Modelos Deterministas.- Problemas donde se conocen con exactitud los datos que
intervienen en el modelo
- Modelos Estocsticos.- Problemas donde algunos o todos los datos dependen de
fenmenos aleatorios
b) Segn la variable tiempo:
- Modelos Estticos.- La variable tiempo no se toma en consideracin. Se tienen:
Optimizacin o programacin esttica, Programacin Clsica, Programacin No Lineal,
Programacin Lineal y Teora de Juegos.
- Modelos Dinmicos .- Cuando se considera la variable tiempo de forma explcita en el
modelo. Se tienen : Optimizacin o programacin dinmica, El principio del mximo,
Juegos diferenciales, etc.
c) Segn los objetivos del problema:
- Modelos de un nico objetivo
- Modelos Multiobjetivos
d) Segn existan restricciones :
- Modelos libres
- Modelos con restricciones
e) Segn linealidad :
- Modelos Lineales .- Todas las funciones que intervienen son lineales
1

- Modelos No Lineales.- Cuando al menos una de las funciones que interviene es no


lineal.
f) Segn tipo de variables:
- Modelos Continuos.- Todas las variables son contnuas
- Modelos Discretos.- Al menos una de las variables unicamente puede tomar valores
enteros.

II. PLANTEAMIENTO DEL MODELO


El planteamiento general de un problema de programacin matemtica :
* Optimizar
Sujeta a

f (X1 , X2 , ...... , Xn)


g1 ((X1 , X2 , ...... , Xn) < b1
g 2 (X1 , X2 , ...... , Xn) < b2
.............................
gm (X1 , X2 , ...... , Xn) < bm

* Forma abreviada : Opt. f ( x )


s. a. g( x ) < b
Donde :

f :Rn
g:R

xRn

R,
R ,
m

bR

f : Funcin objetivo. Es la funcin definida de un dominio de Rn sobre R


Representa una descripcin matemtica y cuantificada del objetivo que se pretende
alcanzar.
x : Vector de variables instrumentales o variables de decisin
De los valores posibles de las variables, se elige aquel o aquellos que proporcionen el
valor ptimo de la funcin f.
Conjunto de Oportunidades (S) : Llamado conjunto factible, es el conjunto de puntos X
R n que cumplen todas y cada una de las restricciones y al mismo tiempo pertenecen
al dominio de f.
X = { x R n / x S, g(x) < b }
Cada vector de X se llama solucin factible.
Luego, el problema de programacin matemtica consiste en elegir aquel o
aquellos valores de las variables instrumentales pertenecientes al conjunto S, es decir x
S, que proporcionen el mayor o menor valor de la funcin objetivo (f).

Representacin, en general :

Max f (x)
s. a. g (x) < b

En forma anloga se establece el planteamiento de los problemas de


minimizacin, ya que:
Mn f (x) = - Max [ - f (x) ]

III. PROGRAMACION ESTATICA


3.1. CLASIFICACION DE LA OPTIMIZACION ESTATICA
Se pueden clasificar de diversas formas, pero el mas comunmente utilizado es
segn el tipo de funciones que intervienen y segn las condiciones sobre las variables.
Se clasifican en:
3.1.1. Programacin Clsica
Todos aquellos problemas en los que independientemente de cual sea la funcin
objetivo, las restricciones son todas igualdades y las variables pueden tomar cualquier
valor real.
Planteamiento : Max f (X1 , X2 , ...... , Xn)
s. a.

h1 ((X1 , X2 , ...... , Xn) = b1


h2 (X1 , X2 , ...... , Xn) = b2
.............................
hm (X1 , X2 , ...... , Xn) = bm
- La funcin y las restricciones pueden ser de cualquier tipo
- Si tanto la funcin como las restricciones fueran todas lineales, se tiene un
problema de programacin lineal.
- Se debe cumplir m < n, osea nmero de restricciones < nmero de variables
- Si m > n, el conjunto de oportunidades (S) podra estar formado por un nico
punto o ser el conjunto vaco y el problema de optimizacin carecera de
significado.
- Si m = 0, es el caso de programacin clsica sin restricciones, cuyo
planteamiento es : Max f (X1, X2, ...., Xn)

3.1.2. Programacin No Lineal


Es el caso mas general de la programacin matemtica. La funcin puede ser de
cualquier tipo y las restricciones pueden ser tanto igualdades como desigualdades.
Planteamiento : Max f( X1, X2, ... , Xn)

s.a. g 1 ((X1 , X2 , ...... , Xn) < b1


g2 (X1 , X2 , ...... , Xn) < b2
.............................
g m (X1 , X2 , ...... , Xn) < bm
En este tipo de problemas, adems se puede aadir restricciones sobre el signo de
las variables.
3.1.3. Programacin Lineal
Aquellos modelos en que tanto la funcin objetivo como las restricciones son
lineales, y las restricciones pueden ser igualdades o desigualdades.
Planteamiento : Max Z (x) = C1 X1 + C2 X2 + .... + Cn Xn
s.a.

a 11 X1 + a12 X2 + ... a1n Xn < b1


a 21 X1 + a22 X2 + ... a2n Xn < b2
..............................................
a m1 X1 + am2 X2 + ...amn Xn < bm
X 1, X2 ...., Xn > 0

Forma matricial :

Max Z = ct x
s. a. A x < b
x>0

Siendo c, x Rn ; b Rm ; A M m x n
Observacin : Tanto la programacin clsica como la programacin lineal son casos
particulares de la programacin No Lineal.

3.2.

DEFINICIONES PREVIAS

3.2.1. OPTIMO
Sea la funcin Z = f(x, y), definida en un cierto intervalo S, S R2. Se supone
que la funcin Z:
i) Es continua en todo su dominio
ii) Posee 1a. y 2da. derivadas finitas.

Definicin de Optimo libre : Se dice que f(X,Y) posee un ptimo libre (o extremo) en
un punto Po(a,b) S, si en dicho punto posee un mximo o mnimo.
Definicin de mximo : f alcanza un mximo en Po , si :
f(Po) f(p), P V(Po)
V(Po) = Entorno cualquiera de Po.
Definicin de mnimo : Anlogamente, se dice que f alcanza un mnimo en Po si :
f(Po) < f(P), P V(Po)
Clases de Optimo
Los ptimos son locales o relativos cuando lo sean en el entorno de un punto Po
y son globales o absolutos cuando lo sean con respecto a todo el dominio (el entorno de
Po coincide con el dominio de f(P))
Grficamente :
Mx. Global
Mx. Relativo

f(X)
Mn Relativo
Mnimo Global

Observacines :

El mximo o mnimo relativo ser estricto si se cumple la desigualdad estricta :


Para mximo: f(Po) > f(P)
Para mnimo: f(Po) < f(P)

Las tcnicas clsicas de bsqueda de ptimos, usando diferenciabilidad, proporcionan


solamente ptimos locales o relativos; en cambio el anlisis de convexidad nos
proporciona ptimos globales o absolutos.

3.2.2. CONJUNTOS CONVEXOS


En la teora de optimizacin, el concepto de convexidad es importante, ya que
interesa que las funciones y conjuntos que intervienen en la programacin matemtica
verifiquen un conjunto de propiedades respecto a la convexidad.
Como se seal en una observacin anterior, es a travs del anlisis de
convexidad que se analizan los ptimos globales, lo cual es una ventaja frente a las
tcnicas clsicas de bsqueda de ptimos segn diferenciabilidad , que proporcionan
solamente ptimos locales.

Definicin : Un subconjunto S Rn es un conjunto convexo si el segmento que une


cualquier par de puntos de S est contenido en dicho conjunto. Es decir, el conjunto S es
convexo cuando x, y S se verifica que :
x + (1- ) y S,

0 1.

siendo

Donde: x, y Rn , R

Graficos :
S1

S2

S3

S1, S2 y S3 son conjuntos convexos

S5
S6
S4
S 4, S5 y S6 no convexos.
3.2.3. CONDICIONES NECESARIAS Y SUFICIENTES
En el anlisis de optimizacin es frecuente usar los conceptos de condicin
necesaria y condicin suficiente.
i) Una condicin necesaria es como un prerequisito. Supongamos que un
enunciado p es verdadero slo si otro enunciado q es verdadero; entonces q constituye
una condicin necesaria de p. Simblicamente se representa : p q.
Por ejemplo: Si p es el enunciado : una persona es un padre y q es una persona
es varn, entonces p q. Osea el ser varn(q) es una condicin necesaria para la
paternidad(p). El recproco no es cierto.
ii) Una condicin suficiente es una situacin en la que un enunciado p es
verdadero si q es verdadero, pero p tambin puede ser verdadero cuando q no es
verdadero. Osea q es una condicin suficiente para p, y se representa : p q. Entonces
la veracidad de q basta para establecer la veracidad de p.
Por ejemplo: El enunciado de p, Es da no laborable, y de q es Es 1. De
mayo. Entonces p q, puesto que un dia no laborable puede ser un domingo o
cualquier otro dia feriado , el hecho de que sea 1. de mayo(q) no es prerequisito para
que sea dia no laborable(p).
iii) Si la situacin es que q es necesario y suficiente para p, entonces se representa
como : p q, osea p si y slo si q.

Por ejemplo: Si p es el enunciado una figura tiene 4 lados y q establece es un


triangulo. Se trata de una implicancia recproca, un si y slo si.
iv) La metodologa para resolver problemas de optimizacin consiste en usar,
primero las condiciones necesarias(casi siempre condiciones de primer orden) y luego
las condiciones suficientes (casi siempre condiciones de segundo orden). Una condicin
de primer orden nos permite encontrar los puntos estacionarios o crticos, que vienen a
ser los candidatos a ser puntos mximos, mnimos o ninguno de ellos. Lo cual se
verifica o se concluye segn la condicin de segundo orden.
3.2.4. FUNCIONES CONVEXAS Y CONCAVAS
En la prctica se hace necesario buscar condiciones necesarias y suficientes para
caracterizar a las funciones convexas en general, y a las funciones convexas
diferenciables. Estas ltimas se obtienen usando la condicin de Primer Orden, con el
gradiente de la funcin, o con la condicin de Segundo orden con el Hessiano.
Definicin . Dado un conjunto convexo S de R n, se dice que una funcin real f,
definida f : S Rn
R, es convexa , si x1,x2 S, y [ 0,1 ], se verifica :
f ( x1 + (1-) x2 )

f(x1) + (1-) f(x2)

La funcin f ser estrictamente convexa si x1, x2 S, x1 x2 y (0,1),


se verifica :
f ( x1 + (1-) x2 ) f(x1) + (1-) f(x2)
Grficamente :

Funcin convexa

Funcin estrictamente

convexa
Sea x punto cualquiera entre x1 y x2

f(X)

f(x2)

f(x)

x = x1 + (1-) x2
f

f cualquier valor de f(x) entre f(x1) y f(x2) :


f = f(x1) + (1-) f(x2)

f(x1)
x1

Si cumple : f(x) f, es estrictamente


convexa. x x1,x2

Si f(x) f, la funcin f es convexa


x x1,x2

x2

Definicin. Una funcin real f, definida en un conjunto S Rn, es cncava


(estrictamente cncava) si la funcin (-f) es convexa (estrictamente convexa). Siendo (f) la funcin definida por (-f) (x) = - f(x)

Funcin concava

Funcin estrictamente cncava

El estudio de la convexidad o concavidad de una funcin a travs de las


definiciones puede ser algo difcil porque implica el uso de desigualdades.
Los dos primeros teoremas siguientes pueden ser mas prcticos para el anlisis de
convexidad o concavidad.
3.2.4. TEOREMAS
Teorema .- Sea f una funcin de clase dos en un conjunto abierto y convexo S; (f C2).
Entonces f es convexa si y slo si el Hessiano de f(x), en cualquier punto de S,
corresponde a una forma cuadrtica definida o semidefinida positiva.
Si el Hessiano es definido positivo solamente, entonces f(x) es estrictamente
convexa.
Teorema .- Sea f una funcin de clase dos en un conjunto abierto y convexo S; (f C2).
La condicin necesaria y suficiente para que f sea cncava es que su hessiano tenga
asociada una forma cuadrtica definida o semidefinida negativa en S.
Si el Hessiano es definido negativo solamente, entonces f(x) es estrictamente
cncavo.
Observacin : Las condiciones de estrictamente cncavo y convexo, no son necesarios y
suficientes.
Ejemplos :
1) Sea f(X,Y) = 2X Y X2 + 2XY Y2. Analizar segn teorema, si la funcin es
cncava o convexa.?
Formando el Hessiano :

f1 = 2- 2X +2Y ,
f11 = -2 ,
f2 = -1 +2X 2Y, f22 = -2 ,
8

f12 = 2
f21 = 2

-2 2
Luego : H = 2 -2

H1 = -2 < 0 ;

H2 = 0

El signo de los menores principales o hessianos indican que la funcin es semidefinida


negativa. Entonces la funcin ser cncava.
2) f(X,Y,Z) = X2 + Y Z2 . La funcin es cncava o convexa.?
f1 = 2X ,
f2 = 1 ,
f3 = -2Z,

f11 = 2,
f22 = 0,
f33 = -2

f12 = 0 ,
f23 = 0 ,

f13 = 0

2 0 0
El hessiano es : H = 0 0 0 H1 = 2 > 0; H2 = 0 y H3 = 0.
0 0 -2
La forma cuadrtica es indefinida, osea la funcin no es ni cncava ni convexa ni
an del tipo estricto. En este caso puede existir punto silla S(segn 4.2.2).
Observe que cuando un menor principal es cero, la forma cuadrtica no est
definida y entonces o puede ser semidefinida o simplemente indefinida. En el caso de ser
semidefinida positiva se asegura que no hay un mximo; y si es semidefinida negativa se
asegura que no es un mnimo.
El anlisis de ser indefinida se vale algunas veces del uso de derivadas terceras,
que es teoricamente posible, pero en la prctica resulta complejo, o tambin de un
riguroso tratamiento del punto crtico en cuestin; a travs de un estudio local o de
vecindades del punto. (Guerrero, F., ob.cit. pg. 64)
Puede ser prctico considerar indefinida, si mas de un menor principal es cero.
3) Estudiar la convexidad o concavidad de la funcin: f(X1,X2) = 2X1X2 3X12 5X22
Calculando las derivadas parciales, segn Hessiano:
f1 = 2X2 6X1 ,
f2 = 2X1 10X2,
El hessiano es :

f11 = -6,
f22 = -10,
H =

f12 = 2
f21 = 2

-6 2
2 -10

H1 = -6 < 0 ;

H2 = 56 > 0.

El signo de los menores principales o hessianos indican que se trata de una forma
cuadrtica definida negativa. Entonces la funcin ser estrictamente cncava.
4) En la funcin f(X,Y) = - 6X 2 + (2a + 4) XY Y2 + 4aY. Determine el valor de a
para que la funcin sea cncava.
f1 = -12X + (2a + 4)Y ;

f11 = -12 ;

f2 = (2a + 4)X 2Y + 4a ;

f21 = (2a + 4) ;

f12 = (2a + 4)
f22 = -2

10

El Hessiano es :

H =

-12
(2a + 4)

(2a + 4)
-2

H1 = -12 < 0 . Nunca ser convexa


Para que la funcin sea cncava(estrictamente cncava), el H2 deber
ser mayor o igual que cero :
H2 = 24 (2a + 4) 2 > 0
-4a 2 16a + 8 > 0
Se concluye que los valores de a son: a < -2 + 6 y a > -2 - 6
Teorema Local - Global
Sea el problema general de programacin matemtica :
Max f(x)
s.a. x X
Si X es un conjunto convexo y f es una funcin cncava en X, todo mximo local
de f es un mximo global.
Mn f(x)
s.a. x X
Si X es un conjunto convexo y f es una funcin convexa en X, todo mnimo local
de f es un mnimo global.
Teorema de Weierstrass
Si X es un subconjunto compacto (cerrado y acotado) de Rn y f una funcin real
contnua en X, entonces f posee un mximo y un mnimo globales.

IV. OPTIMIZACION DE FUNCIONES SIN RESTRICCIONES


(Programacin Clsica sin restricciones)
Se trata de hallar los valores de las variables x Rn que maximizan o minimizan
una funcin f : Rn
R diferenciable.
Max f(x) o Min f(x)
4.1. Condiciones Necesarias de Optimo Local
4.1.1. Condicin Necesaria de 1er. Orden. :
Si f : Rn
R es una funcin de clase uno, la condicin necesaria para que x*
sea un ptimo local es que f(x *) = 0
10

11

Si Z = f(x, y)
f/x
Z=

0
=

f/y

Los valores de x obtenidos en f(x*) son llamados puntos crticos o


estacionarios.
En la prctica, esta condicin implica el desarrollo de ecuaciones con el fin de
determinar los puntos crticos. Osea resolver : f / x = 0
f/y = 0
4.1.2. Condicin Necesaria de 2do. Orden.
Sea f C2 (Rn) y x* un punto crtico de f en el cual la matriz hessiana no es la
nula. Si x* es un mximo local (mnimo local) de f, entonces la forma cuadrtica
asociada a Hf(x*) es semidefinida negativa (semidefinida positiva).
Observar que Hf(x*) es el determinante hessiano H , correspondiente.
La condicin necesaria debe satisfacerse para que exista ptimo (o si existe
ptimo forzosamente ha de verificarse). Su no cumplimiento demostrara la inexistencia
del ptimo en ese punto, y su cumplimiento no garantiza la existencia de aquel, sino su
posibilidad.
4.2. Condiciones Suficientes de Optimo Local
4.2.1. Sea f C2 (Rn) y x* un punto crtico de f en el cual la matriz hessiana no es la
nula. Si la matriz hessiana en x* corresponde a una forma cuadrtica definida negativa
(definida positiva), entonces x* es un mximo local estricto (mnimo local estricto)
4.2.2. Sea f C2 (Rn) y x* un punto crtico de f en el cual la matriz hessiana no es la
nula. Si la matriz hessiana en x* corresponde a una forma indefinida, entonces x* es un
punto de silla.
Ejemplo :
Sea la funcin, f( X,Y ) = X2 Y2
1) Segn la condicin de 1er. Orden, encontramos el punto crtico al resolver :
f1 = 2X = 0
f2 = -2Y = 0

X=0
Y=0

El punto crtico es (0,0)


2) Segn la condicin de 2do. Orden, formamos el hessiano con las derivadas

11

12

parciales faltantes y analizamos el punto (0,0) :


Las derivadas parciales faltantes son :

El Hessiano es : H =

f11 = 2 ;
f 21 = 0 ;

f12 = 0
f22 = -2

2 0
0 -2

H1 = 2 > 0, H2 = -4 < 0
Segn los signos obtenidos, pareciera que se tratase de una forma definida; pero
no es as. Sera definida negativa si los signos de los menores principales empezara con
menor y luego mayor.
Por lo tanto el punto crtico (0,0) es un punto silla. Se trata de una forma
indefinida (segn 4.2.2).
4.3. Condiciones Suficientes de Optimo Global
4.3.1. Si f C1(Rn) es una funcin cncava y x* un punto crtico suyo, entonces x* es
un mximo global o absoluto de f.
Si f es estrictamente cncava, entonces el punto crtico x* es un mximo global
nico.
4.3.2. Si f C1(Rn) es una funcin cnvexa y x* un punto crtico suyo, entonces x* es
un mnimo global o absoluto de f.
Si f es estrictamente convexo, entonces el punto crtico x* es un mnimo global
nico.
Ejemplo : Calcular los ptimos globales de la funcin:
f(X,Y,Z) = 3 X 2 (Y-2)2 Z2

Solucin :
- Se obtienen puntos crticos segn condicin de 1er. Orden: f(x *) = 0
Ello implica el siguiente resolver las siguientes ecuaciones :
fx = -2X
= 0,
fy = -2(Y-2) = 0,
fz = -2z = 0,

fxx = -2,
fyy = -2,
fzx= 0,

fxy = 0,
fyx = 0,
fzy = 0,

fxz = 0
fyz = 0
fzz = -2

La solucin al resolver las ecuaciones, es el punto crtico (0,2,0)


- Segn la condicin de 2do. Orden, a partir del Hessiano :
H =

-2
0
0

0
0
2
0
0 -2

12

13

Donde : H1 = -2 < 0 ,

H2 = 4 > 0 ,

H3 = -8 < 0

Luego, la funcin es definida negativa y por lo tanto es estrictamente cncava, y el


punto crtico (0,2,0) es un mximo global nico(4.3.1).

Generalizacin para el caso de una funcin de n (n > 2) variables.


Para f, funcin real de n variables reales : f(x1, x2, ...., xn).
La condicin necesaria o de 1er. orden para la existencia de ptimo, requiere:
Que en Po(X1o, X2o, ..,Xno), se cumpla : f(Po) = 0
La condicin suficiente o de 2do. orden :
Si H es la matriz hessiana de f(x1, x2, ..., xn), debe cumplirse para H , si Hr es
el menor principal de orden r; r = 1,2, ....n-1.
a) Para el caso de mximo : H1 0, H2 0, ...., H n ;

> 0 si n = 2p
< 0, si n = 2p + 1

b) Para el caso de mnimo : H1 0, H 2 0, ...., H n > 0


As mismo se cumple que la condicin de 1er. Orden (o necesaria) ser suficiente
para la existencia de mnimo si la funcin es convexa en el punto sealado o habr un
mximo si la funcin es cncava.
Ejemplo : Analizar la existencia de ptimos para la funcin :
U = f (X, Y, Z) = (X-1)2 + (Y-1)2 + (Z-1)2

Solucin :
- Segn condicin de 1er. Orden : f(x *) = 0
f1 = 2(X-1)
f2 = 2(Y-1)
f3 = 2(Z-1)
En f(x *) = 0, se obtiene : X=1, Y = 1, Z = 1.
Entonces, en el punto P(1,1,1), se cumple la condicin necesaria.

- Segn la condicin de 2do. Orden, elaboramos la matriz Hessiana , H :

H =

2 0 0
0 2 0
0 0 2

H1 = 2 > 0
H2 = 4 > 0
H3 = 8 > 0

13

14

Como todos los menores principales son positivos, la expresin es definida


positiva. Entonces existe un mnimo. En P(1,1,1) tenemos un mnimo, siendo :
U = f (1,1,1) = 0.
Adems si es definida positiva solamente(no semidefinida positiva) entonces la
funcin es estrictamente convexa(segn teorema) y el punto (1,1,1) es un mnimo global.

Continuar...................
V. OPTIMIZACION DE FUNCIONES CON RESTRICCIONES DE
IGUALDAD
(Programacin Clsica con restricciones)
Planteamiento del problema general :
Optimizar f(x) s.a g(x) = b
n
n
Siendo f: R
R y g:R
Rm
f y g son funciones diferenciables y b R m
Supuesto : Nmero de variables (n) > nmero de restricciones (m)
m y n son finitos
n - m , es el nmero de grados de libertad
n = m , puede ser que el conjunto factible este formado por un slo punto.
Se considerar n > m. El problema ser de optimizacin
Aplicaciones en economa : Maximizacin de funciones de utilidad y de funciones de
produccin s.a. restriccin presupuestaria.
5.1. Funcin de Lagrange
Sea el problema : Max f(x) s.a. g(x) = b
El conjunto factible : X = {x Rn / g(x) = b }
En forma detallada, se puede escribir :

14

15

Max f (X 1, X2, .... , Xn)


s.a. g 1 (X1 , X2 , ...... , Xn) = b1
g 2 (X1 , X2 , ...... , Xn) = b2
.............................
g m(X1 , X2 , ...... , Xn) = bm
Se define la funcin de lagrange , L : R n+m

L (x, ) = f(x) - [ g(x) - b


Osea : L (X1, X2, ..., Xn, 1, 2, ... , m ) =
f(X1, X2, ...., Xn) - 1 [ g1(X1,...,Xn) - b1 - .....- m [ gm(X1,...,Xn) - bm
Donde : Vector m-dimensional, es el vector de multiplicadores de Lagrange
Las derivadas parciales de la funcin lagrangiana o su vector gradiente :

L (x, ) =

L (x, ) / X1
........................
L(x, ) / Xn
L(x, ) / 1
.......................
L(x, ) / m

x L (x, )
L (x, ) =

x f(x) - Jg(x)
[- g(x) - b

m
x f(x) - i gi (x)
i=1
- [ g(x) - b

Siendo Jg(x) la matriz jacobiana de la funcin vectorial g


g i (x) = g i (x) / x
En forma anloga se define la funcin de lagrange, para un problema de
minimizacin.
Condicin Necesaria de Optimo Local
Si x* es un ptimo local del problema de programacin clsica con restricciones
de igualdad, existe un vector de multiplicadores * tal que (x*, *) es un punto crtico
de la funcin de lagrange.
El punto (x*, *) Rn+m es un punto crtico de la funcin de lagrange, si
L (x* , *) = 0
Condicin Suficiente de Optimo Local

15

16

Si (x*, *) es un punto crtico de la funcin de Lagrange, la condicin suficiente


para que x* sea mximo local estricto(mnimo local estricto) del problema es que la
forma cuadrtica asociada a la matriz hessiana de la funcin lagrangiana relativa a la
variable x, Hx L(x*, *) sea definida negativa(definida positiva) respecto a los valores
del plano tangente a la superficie restriccin g(x) = b; es decir respecto a los vectores
h Rn tal que : ht Jg(x*) = 0
Ejemplo 1.-

Resolver,

Min Y- X2

s.a.

XY= 0

Solucin : La funcin de lagrange es : L (x, y, ) = - X2 + Y + (Y-X)

Segn la condicin necesaria o de 1er. Orden :


L (x , y, ) = 0
L/x
L (x* , *) = L / y
L/

-2X -
1+ = 0
Y- X

Resolviendo : -2X = , = -1
X=Y=
-Segn la condicin suficiente :
-2
La matriz hessiana, Hxy L (x , y, ) =

0
0 ,

H 1 = -2 , H2 = 0. Es semidefinida negativa
Si se restringe al subespacio de vectores del plano tangente a la superficie en el
punto (1/2,1/2), segn la condicin suficiente, se determinan los vectores de dicho
subespacio.
Son aquellos : h = [h1, h2 , talque : ht g (1/2,1/2) = 0. Y, como: g(x,y) = (1,-1),
(h1, h2) 1 = 0,
-1

entonces :

h1 h2 = 0

Consideramos la forma cuadrtica : (h1, h2)

-2 0
h1
0 0 h2

Restringida al subespacio de ecuacin : h1 h2 = 0


(h1, h2)

-2 0 h1 = -2h1 2 0
0 0 h2

Es una forma cuadrtica definida negativa. Luego segn la condicin suficiente,


el punto (1/2, 1/2) es un mximo local estricto
Condicin de Optimo Global

16

17

En los problemas convexos de programacin clsica con restricciones de


igualdad, la condicin necesaria y suficiente para que x* sea ptimo global es que (x* ,
*) sea punto crtico de la funcin de lagrange.
La exigencia de convexidad en el problema significa que f ha de ser cncava o
convexa (segn sea de maximizacin o minimizacin) y las funciones restriccin deben
ser lineales.
Si f es estrictamente cncava o estrictamente convexa, entonces el ptimo global
correspondiente es nico.
Ejemplo :

Mn

X2 + Y2

s.a.

X + Y+ Z=1

L = X2 + Y2 + (1- X - Y Z)

Solucin :

L1 = 2X - = 0 ,
L2 = 2Y - = 0 ,
L3 = - = 0
,

X = /2
Y = /2
=0

L = 1- X Y Z = 0, X + Y + Z = 0
Resolviendo el sistema de ecuaciones, el punto Crtico : (0,0,1,0)
Evaluando los menores principales en el hessiano :
0
H = 1
1
1

1 1 1
2 0 0
0 2 0
0 0 0

H1 = - 1 0
H2 = - 4 0
H3 = - 4 0

Es definida positiva, existe un mnimo.


Adems se trata de una funcin convexa (slo es semidefinido positiva), y el
punto crtico, es un mnimo global; segn la condicin suficiente(4.3.2)
Ejemplo : Dado la funcin de utilidad del consumidor :
U(X1, X2) = 2 LnX1 + LnX2,
s.a. X1 + 2X2 = 18 (restriccin presupuestaria)
Calcular los niveles X1 y X2 que el consumidor debe comprar de dos bienes A y
B respectivamente, con el fin de maximizar su utilidad.

Solucin :

L = 2 LnX1 + LnX2 + (18 X1 2X2)


L1 = 2 /X1 - = 0 ,
= 2 /X1
L2 = 1 /X2 - 2 = 0 ,
= 1 /2X2
L3 = 18 X1 2X2 = 0 , 18 = 2/ + 1/

Resolviendo el sistema de ecuaciones, el punto Crtico : (12, 3, 1/6)


Evaluando los menores principales en el hessiano :
17

18

H =

0
1
2

H1 = -1 0

1
2
-2
-2X1
0
0
-X2 -2

0
1
2
-2
1 -2(12) 0
2
0
-1/9

, H2 = 12/72 0

Es definida negativa, existe un mximo.


La funcin es estrictamente cncava ya que su hessiano es definido negativo,
(X1, X2). El conjunto factible es convexo, ya que la restriccin presupuestaria
viene dada por una funcin lineal.
Luego, el punto crtico (12,3) es el mximo global, esto es, el consumidor obtiene
una utilidad mxima cuando adquiera 12 u. de A y 3u. de B.
5.2. Interpretacin Econmica de los multiplicadores
Las restricciones : Empeoran el valor ptimo de la funcin objetivo. Hacen que
disminuya el valor mximo y que aumente el valor mnimo.
Las restricciones de igualdad adems de representar generalmente las limitaciones
de los recursos, indican la exigencia de la utilizacin de las mismas cantidades prefijadas.
La funcin de lagrange es : L (x, ) = f(x) - t [ g(x) - b
El multiplicador relaciona las variaciones del valor de la funcin en el ptimo,
cuando se modifican las limitaciones de los recursos. Osea i mide el grado de
sensibilidad de la funcin objetivo frente a cambios infinitesimales o cambios unitarios de
la limitacin del recurso i-simo.
, suele recibir el nombre de precio-sombra(valor marginal), seudoprecio o coste
de oportunidad.
As si la funcin es : U(X1, X2, ...., Xn) s.a. p1X1 + p2X2 + .... + pnXn = m
Sea U*(p1,p2,....,pn; m) la utilidad mxima que se obtiene cuando los precios son p1,
p2, ...., pn y la renta es m. A esta U* se le llama funcin de utilida(indirecta). El
multiplicador asociado = U*/m, se interpreta como que es aproximadamente el
aumento de utilidad mxima que proviene de aumentar la renta en una unidad. , se
llama generalmente la utilidad marginal de la renta.
Bibliografa:

18

19

UNIVERSIDAD NACIONAL AGRARIA


LAMOLINA
DEPARTAMENTO DE ECONOMIA

19

20

TEORIA BASICA SOBRE OPTIMIZACION

Fernndez Jeri

1999

20

Leoncio