Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NO-LINEAL
LEANDRO D. TORIANO1
l_toriano@yahoo.com.ar
Resumen
En el presente trabajo se exponen los aspectos fundamentales vinculados al
estudio de problemas de programacin no-lineal. Al respecto, se presenta la
deduccin y aplicabilidad de las condiciones de Kuhn-Tucker y se realiza
especial hincapi en la regla del multiplicador de John y su relacin con la
evaluacin de la calificacin de restricciones.
ABRIL DE 2012
1
Licenciado en Economa (UBA) y Magister en Finanzas (UCEMA). Desde 2009 se desempea como
ayudante de primera de Matemtica para Economistas de la Facultad de Ciencias Econmicas (UBA).
ASPECTOS FUNDAMENTALES DE LA PROGRAMACIN
NO-LINEAL
Leandro D. Toriano
INDICE:
Con m n o mn
Consideraciones
Funcin objetivo.
Conjunto de m restricciones.
Conjunto de restricciones de no-negatividad sobre las n variables de
eleccin.
Introduccin
En un problema de optimizacin clsica, sin restricciones sobre los signos de las
variables de eleccin y, sin desigualdades en las restricciones, la condicin de
primer orden para un extremo local es simplemente que las derivadas parciales
primeras de la funcin lagrangiana diferenciable con respecto a todas las variables
de eleccin y los multiplicadores de Lagrange sean cero. Es decir, dado el problema
m
L ( x1 , x2 ,..., xn , 1 , 2 ,..., m ) = f ( x1 , x2 ,..., xn ) + [c
j =1
j j g j ( x1 , x2 ,..., xn )]
L L L L L L
= = ... = =0 y = = ... = =0
x1 x2 xn 1 2 m
Max = f ( x1 ) sujeto a x1 0
A B C
x1 x1 x1
(a) (b) (c)
Diagrama (a): El punto A es mximo local y puede calificarse como una solucin
interior [ x1 > 0; f ( x1 ) = 0]. La CPO es igual que en el problema clsico.
Diagrama (b): El punto B es mximo local y puede calificarse como una solucin
de frontera [ x1 = 0; f ( x1 ) = 0].
En conclusin, para que x1 sea un mximo local de debe satisfacer una de las
tres siguientes condiciones:
f ( x1 ) = 0 y x1 > 0 [punto A]
f ( x1 ) = 0 y x1 = 0 [punto B]
f ( x1 ) 0 x1 0 y x1 f ( x1 ) = 0
Por su parte, para el caso de minimizacin, las condiciones pueden resumirse en:
f ( x1 ) 0 x1 0 y x1 f ( x1 ) = 0
el cual, con la ayuda de variables de holgura s1 , s2 ,..., sm , es decir que completan las
desigualdades, tenemos:
m
L* = f ( x1 , x2 ,..., xn ) + j [ rj g j ( x1 , x2 ,..., xn ) si ]
j =1
* m
L
xi = f i j g ij = 0 (i = 1, 2,..., n)
j =1
*
Ls j = j = 0 (j = 1, 2,..., m)
*
L j = rj g ( x1 , x2 ,..., xn ) s j = 0
j
Pero como las variables xi y s j son no-negativas, hay que modificar las condiciones
de primer orden. En consecuencia, obtenemos en su lugar el siguiente conjunto de
condiciones:
s j 0 rj g j ( x1 , x2 ,..., xn ) 0
L*s j 0 j 0
s j L*s j = 0 j [rj g j ( x1 , x2 ,..., xn )] = 0
Solo basta tener en cuenta las desigualdades a la hora de expresar las condiciones.
Ejemplos
x2 2
Maximizar = x12 x2 s.a.
x1 2
dx2
dx = 2 x1 = 0 x1 = 0
1
= x x2
2
1 x2 = + x1 2
2
d x2 = 2 > 0 Mnimo en x1 = 0
dx12
Las curvas de nivel decrecen conforme disminuye x2, cada una de ellas presentando un
mnimo en x1 = 0.
Restricciones.
Reexpresamos las restricciones de desigualdad como igualdad para graficar.
x2 2 x2 = 2
x1 2 x1 = 2
x2
2
Candidato a
mximo local
(2,2)
2 x1
b) Determinacin del ptimo (o los ptimos) observados.
El punto se encuentra en la interseccin de ambas restricciones x1 = 2 y x2 = 2
L = x12 x2 + 1 ( 2 + x2 ) + 1 ( 2 x1 )
Lx1 = 2 x1 2 0 x1 0 x1Lx1 = 0
L x2 = 1 + 1 0 x2 0 x2 Lx2 = 0
L 1 = 2 + x2 0 1 0 1L = 0
1
L 2 = 2 x1 0 2 0 2 L = 0
2
EJEMPLO II
(10 x12 x2 )3 0
Maximizar = x2 x12 s.a. x1 2
x 0, x 0
1 2
dx2
dx = 2 x1 = 0 x1 = 0
1
= x2 x12 x2 = + x12 2
d x2 = 2 > 0 Mnimo en x1 = 0
dx12
Las curvas de nivel crecen conforme aumenta x1 y x2, cada una de ellas presentando un
mnimo en x1 = 0.
x1 2 x1 = 2
dx2
dx = 2 x1 = 0 x1 = 0
1
x2 = 10 x12 2
d x2 = 2 < 0 mximo enx1 x=1 =
Mximoen 00
dx12
si x2 = 0 x12 = 10 x1 = 10 ( 10,0)
si x1 = 0 x2 = 10 (0,10)
x2 Mximo
Local
10 En el mximo local, las dos restricciones
(a)
se cumplen como igualdad (el ptimo se
encuentra en la interseccin de ambas
restricciones)
2 10 x1
Para la existencia de mximo local no tiene que ser posible alcanzar una curva de
nivel mayor dentro de la regin factible. Cualquier otra curva de nivel superior a la
que intercepta al punto (a) escapa la regin factible.
x1 = 2
(10 x1 x2 ) = 0
2 3
10 22 x2 = 0 x2 = 6
Condiciones marginales
L1 = (10 x1 x2 ) 0
2 3
L2 = 2 + x1 0
Condiciones de no-negatividad.
Cabe destacar que las condiciones no son excluyentes. Es decir, pueden cumplirse
algunas sin la necesidad otras lo hagan. Sin embargo, al no verificarse cualquiera
de las condiciones puede decirse que no se verifican las condiciones de Kuhn-
Tucker.
g j ( x1 , x2 ,..., xn ) b j ( j = 1, 2,..., k )
Se forma el lagrangiano
m
L ( x1 , x2 ,..., xn ; 1 , 2 ,..., m ) = 0 f ( x1 , x2 ,..., xn ) + j [b j g j ( x1 , x2 ,..., xn )]
j =1
a ) L'xi ( x * , * ) = 0 (i = 1, 2,..., n )
Similares a las condiciones de
b) [ g ( x ) b j ] = 0
* j *
( j = 1, 2,..., k )
j
Kuhn-Tucker (se contemplan
c ) *j 0 ( j = 1, 2,..., k ) tambin las restricciones de no-
d ) g j ( x* ) b j ( j = 1, 2,..., k ) negatividad con sus respectivos
multiplicadores.
e ) 0* = 0 o 1
f ) (0* , 1* ,..., k* ) (0, 0,..., 0)
El siguiente teorema resume una lista de elementos que garantizan que a 0* pueda
asignrsele el valor 1. De esta manera, si un problema de optimizacin no lineal
cumple uno de los elementos de esta lista, diremos entonces que se cumple la
calificacin de restricciones, con lo cual las condiciones de Kuhn- Tucker sern
necesarias en el ptimo.
h+1 h+2
restantes g , g ,..., g no lo son, y que las restricciones activas satisfacen una de
k
g1 * g1 *
x ( x ) ........ x ( x )
1 n
g 2 * g 2 *
x ( x ) ........ x ( x )
1 n
.......................................
g h ( x* ) ........ g h ( x * )
x x n
1
regin factible.
2
Recordemos que el rango es equivalente a la cantidad de vectores linealmente independientes que
tiene una matriz o, alternativamente, el orden del determinante de mayor orden no nulo.
c) Condicin de Slater: Existe una bola U con centro en x* R n tal que g1 , g 2 ,..., g h
son funciones convexas en U (es decir, son funciones convexas en el entorno) y
existe z U tal que g j ( z ) < b j
1 2 h
e) g , g ,..., g son funciones lineales.
x2 = 2
x1 = 2
b) dx2 0
Cumple con el teorema de Karush-
dx1 0
Kuhn-Tucker, dado que todos los
vectores tienen una curva tangente a
ellos enteramente contenidas en la
regin factible
(2,2)
a)
g 1 ( x1 , x2 ) = (10 x12 x2 ) 3
2
g ( x1 , x2 ) = x1 + 2
g 1 g 1
x2 3 (10 x12 x2 ) ( 2) x1 3 (10 x12 x2 ) ( 1)
2 2
x1
2 =
g g 2 1 0
x1 x2
3 (10 2 2 6 )2 ( 2) 2 Remplazando
3 (10 2 2 6 ) ( 1)
2
= en (2,6)
1 0
0 0
= Rango = 1 Rango maximal = 2
1 0
b)
3 (10 x 2 x )2 ( 2) x dx 3(10 x 2 x ) 2 ( 1) dx 0
1 2 1 1 1 2 2
dx1 0
g 1 (2; 6) = 0 0
2
g (2; 6) = dx1 0 (multiplicamos ambos trminos por -1)
dx1<0 dx1>0
x1
dx2 .
Todos estos vectores no tienen una curva tangente a ellos enteramente contenidas
en la regin factible.
Es claro que cualquier punto interior a la regin factible que no cumpla con las
condiciones de Kuhn-Tucker posiblemente no puede ser una solucin ptima.
Asimismo, un punto frontera que satisface la calificacin de restricciones pero falla
en las condiciones de Kuhn-Tucker se rechaza como solucin ptima. Sin embargo,
si un punto no cumple con las condiciones de Kuhn-Tucker, no se puede concluir a
priori que no constituya la solucin ptima. El cumplimiento de las condiciones de
Kuhn-Tucker implica la optimalidad de la solucin, slo si se cumple la calificacin
de restricciones.
3
La expresin condicin de primer orden para la existencia de extremos no es equivalente a
condicin necesaria para la existencia de extremo. Tampoco condicin de segundo orden es
equivalente a condicin suficiente. La primeras (condicin de primer y condicin de segundo
orden) son especficas del problema de optimizacin, mientras que condicin necesaria y
condicin suficiente son propiedades lgicas. De hecho, las condiciones de Legendre en
optimizacin dinmica son condiciones necesarias de segundo orden para la existencia del optimo.
a) x* es factible y se verifican:
b) L* x 0 ; xi 0 ; xi L* x = 0 (i = 1, 2,..., n )
i i
c) L j = rj g ( x1 , x2 ,..., xn ) 0 ;
* j
j 0 ; j L* = 0
j
( j = 1, 2,..., m)
ii. Lxi > 0 para alguna variable xi que pueda tomar un valor positivo sin violar
*
las restricciones.
iii. f ( x * ) 0 y la funcin es dos veces diferenciable en un entorno de x* .
Supongamos que un consumidor debe elegir entre dos bienes ( x1, x2 ) cuyos precios
de mercado son fijos ( p1, p2 ) y posee un ingreso monetario Y que puede gastar
parcial o totalmente. Suponemos que este consumidor tiene preferencias
representables por una funcin U : 2+ tal que:
L x2* = U x2* p2 0 x 0 x L =0
' ' * * '
2 2 x*
'
2
L = Y p1 x1 p2 x2 0
* *
* 0 * L' = 0
*
U x' * = 0
L'* > 0 * = 0 ' 1 Se viola el supuesto de no saciedad
U x2* = 0
x2 x2
Estrictamente No es estrictamente
cuasicncava cuasicncava
x1 x1
Ntese que si no se hubiera exigido la no saciedad, podramos haber tenido el
siguiente caso:
x1
Caso II: x1* = 0, x2* > 0 (anlisis similar para x1* > 0, x2* = 0 )
Entonces tenemos:
U x' *
L x* = U x* . p1 0 2
' '
U '*
1
( para que U )
1
p2 p2
' >0
x2 '
x1*
' U x' * U x1* p1
L x2* = U x2* . p2 = 0 = p
'
1
x2
Ntese que p2/p1 tiene pendiente menos
negativa (ms aplanada) que U '
x2*
U , entonces:
'
x1*
'
p2 U x2*
>
p1 U x' *
1
x1
p2 / p1
Hasta ahora hemos descripto las propiedades del ptimo (condiciones de Kuhn-
Tucker necesarias para la existencia de un mximo local) y por lo tanto, las
condiciones a), b) y c) necesarias y suficientes de Arrow-Enthoven. Slo queda
revisar la d) y la e) para asegurar la globalidad del ptimo obtenido:
= f (x1)
x1
= f (x1)
* n
L
xi
= ci
i =1
j aij 0 ; xi 0 ; xi L*xi = 0 (i = 1, 2,..., n)
n
L* = b a x 0
j j i =1
ij i ; j 0 ; j L* j = 0 (j = 1, 2,..., m)
Por otra parte, el programa dual (es decir, el programa de minimizacin asociado)
es:
m n
Min C = b j j s.a. a ij j cj (i = 1, 2,..., n) j 0 ( j = 1, 2,..., m)
j =1 i =1
* n
L
j
= b j
i =1
xi aij 0 ; j 0 ; j L*i = 0 (j = 1, 2,..., m)
m
L* = c a 0 ; xi 0 ; xi L*xi = 0 (i = 1, 2,..., n)
xi j
j =1
ij j
SIMON C. & BLUME, L. (1994) - Mathematical for Economists, W.W. Norton &
Company, Inc.