ASPECTOS FUNDAMENTALES DE LA PROGRAMACIN

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.

Palabras clave: Programacin No-lineal, Kuhn-Tucker.

rea temtica: Matemtica para economistas.

UNIVERSIDAD DE BUENOS AIRES

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

Los errores remanentes son exclusiva responsabilidad del autor

INDICE:

I. Definicin general de un problema de programacin no lineal............................ 3

II. Definicin y anlisis de condiciones de Kuhn-Tucker ........................................ 4

III. Calificacin de restricciones ........................................................................ 13

IV. Condiciones suficientes: Programacin cncava y cuasicncava ..................... 18

V. Aplicacin econmica: Optimizacin del consumidor ....................................... 20

VI. Apndice ................................................................................................... 23

VI. 1 Relacin entre un problema de programacin no lineal y uno de programacin lineal .. 23

VI. 2 Programa primal y dual..................................................................................... 24

VII. Bibliografa ............................................................................................... 26

Matemtica para economistas |

I. Definicin general de un problema de programacin no lineal

Un problema de programacin no lineal puede ser definido bajo la siguiente forma:

Maximizar = f ( x1 , x2 ,..., xn ) ..Minimizar C = f ( x1 , x2 ,..., xn )

Sujeto a g ( x1 , x2 ,..., xn ) r1
1
Sujeto a g 1 ( x1 , x2 ,..., xn ) r1
g 2 ( x1 , x2 ,..., xn ) r2 g 2 ( x1 , x2 ,..., xn ) r2
................................. .................................
g m ( x1 , x2 ,..., xn ) rm g m ( x1 , x2 ,..., xn ) rm
xi 0 (i = 1, 2, ...., n) xi 0 (j = 1, 2, ...., n)

Con m n o mn

Consideraciones

Minimizar la funcin objetivo f (x) es equivalente a maximizar f (x) . Asimismo, en

el caso de que el sentido de la desigualdad de las restricciones sea otra (ej.: mayor-
igual en un problema de mximo), pueden invertirse fcilmente multiplicando
ambos miembros por -1.

Al igual que un problema de programacin lineal, su estructura posee tres

elementos fundamentales:

Funcin objetivo.
Conjunto de m restricciones.
Conjunto de restricciones de no-negatividad sobre las n variables de
eleccin.

El conjunto de vectores xn que verifican las restricciones del problema se

denomina conjunto admisible o factible.

Considerando solo la funcin objetivo, es decir, sin restringir el conjunto factible,

estamos ante un problema de extremos libres. Por otro lado, si las restricciones son
de igualdades estrictas y con m < n estamos ante un problema de optimizacin
restringida clsica.

Es posible transformar un problema de programacin no lineal en uno clsico

mediante (1) la introduccin de m variables artificiales para convertir las
restricciones de desigualdad en igualdades; (2) considerando cada una de las n
variables de eleccin y cada una de las m variables artificiales como el cuadrado de
una nueva variable artificial para asegurar la no-negatividad.

Matemtica para economistas | Programacin No-Lineal 3

II. Definicin y anlisis de condiciones de Kuhn-Tucker

Condicin Necesaria (Def.): Si A es condicin necesaria de B, entonces B no

puede ser verdadera a menos que A sea verdadera. Es decir, A es verdadera si B
lo es. << B A >> A es condicin necesaria de B

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

Max = f ( x1 , x2 ,..., xn ) sujeto a g 1 ( x1 , x2 ,..., xn ) = 0

g 2 ( x1 , x2 ,..., xn ) = 0
.........................
g m ( x1 , x2 ,..., xn ) = 0

con n variables de eleccin y m restricciones (m < n) y donde f se supone

diferenciable y siendo la funcin lagrangiana,

m
L ( x1 , x2 ,..., xn , 1 , 2 ,..., m ) = f ( x1 , x2 ,..., xn ) + [c
j =1
j j g j ( x1 , x2 ,..., xn )]

Las condiciones de Primer Orden (CPO) son:

L L L L L L
= = ... = =0 y = = ... = =0
x1 x2 xn 1 2 m

En programacin no lineal existe una condicin de primer orden de tipo similar,

conocida como condiciones de Kuhn-Tucker. Sin embargo, mientras la condicin
clsica de primer orden es siempre necesaria, las condiciones de Kuhn-Tucker
pueden no serlo si no se satisface cierto requisito que ser visto ms adelante. Por
otra parte, bajo ciertas circunstancias especficas, las condiciones de Kuhn-Tucker
resultan ser condiciones suficientes o incluso condiciones necesarias y suficientes.

Presentaremos en primer lugar las condiciones de Kuhn-Tucker y en el siguiente

apartado las condiciones para las cuales stas se convierten en necesarias.

Matemtica para economistas |

Presentacin del problema de optimizacin con restricciones de no negatividad
Consideremos un problema de maximizacin con restricciones de no-negatividad,
pero sin ningn otro tipo de restriccin adicional. Para el caso particular de una
variable:

Max = f ( x1 ) sujeto a x1 0

donde f se supone diferenciable.

De acuerdo con la restriccin de no negatividad, x1 0 , pueden surgir tres

situaciones:
= f (x1) = f (x1) = f (x1)

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].

Diagrama (c): El punto C es mximo local ya que el candidato a ptimo

simplemente tiene que ser mayor que los puntos de su entorno pero dentro de la
regin factible [ x1 = 0; f ( x1 ) > 0]. El punto D [ x1 = 0; f ( x1 ) < 0] puede excluirse con
toda seguridad porque en un punto donde la curva tiene pendiente creciente,
nunca podremos tener un mximo. Como puede observarse, D constituye un
mnimo local.

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]

Matemtica para economistas | Programacin No-Lineal 5

 f ( x1 ) < 0 y x1 = 0 [punto C]

Resumidas en una nica expresin:

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

Estas expresiones, en su conjunto, constituyen las condiciones necesarias de primer

orden para la existencia de un mximo (mnimo) local donde la variable de eleccin
debe ser no negativa. Asimismo, podemos tomarlas como condiciones necesarias
para un mximo (mnimo) global, ya que por definicin un mximo (mnimo) global
es tambin un mximo (mnimo) local.

Extendiendo el problema a n variables de eleccin, para un problema de mximo:

Max = f ( x1 , x2 ,..., xn ) s.a. xi 0 (i = 1, 2,..., n)

Condiciones necesarias de primer orden para mximo local y mximo global:

fi 0 xi 0 y xi fi = 0 (i =1,2,..., n) donde fi es la derivada parcial / xi

Para un problema de mnimo:

Min C = f ( x1 , x2 ,..., xn ) s.a. xi 0 (i = 1, 2,..., n)

Condiciones necesarias de primer orden para mnimo local y mnimo global:

fi 0 xi 0 y xi fi = 0 (i =1,2,..., n) donde fi es la derivada parcial / xi

Incorporacin de las restricciones de desigualdad

Incorporando las restricciones de desigualdad, tenemos el siguiente problema para
n variables:

Max = f ( x1 , x2 ,..., xn ) s.a. g1 ( x1 , x2 ,..., xn ) r1

...............................
g m ( x1 , x2 ,..., xn ) rm
x1 , x2 ,..., xn 0

el cual, con la ayuda de variables de holgura s1 , s2 ,..., sm , es decir que completan las
desigualdades, tenemos:

Matemtica para economistas |

Max = f ( x1 , x2 ,..., xn ) s.a. g1 ( x1 , x2 ,..., xn ) + s1 = r1
......................................
g m ( x1 , x2 , ..., xn ) + sm = rm
x1 , x2 ,..., xn ; s1 , s2 ,..., sm 0

En lnea con el mtodo clsico y desestimando por el momento las restricciones de

no-negatividad de las variables xi y s j es posible formar la funcin lagrangiana:

m
L* = f ( x1 , x2 ,..., xn ) + j [ rj g j ( x1 , x2 ,..., xn ) si ]
j =1

siendo las condiciones de primer orden respectivas

* 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:

L*x 0; xi 0; xi L*xi = 0 (i = 1, 2,..., n)

i
*
Ls j 0; s j 0; s j L*s j = 0 (j = 1, 2,..., m)
*
L j = 0

donde la derivada L* j permanece igualada a 0 porque, en principio, no existen

restricciones de no-negatividad en las j .

Ntese que s j rj g j ( x1 , x2 ,..., xn ) , con lo cual podemos reemplazar las variables de

holgura s j y rescribiendo s j 0 en la segunda lnea:

s j 0 rj g j ( x1 , x2 ,..., xn ) 0

A su vez, como L*s j = j 0 implica j 0 entonces:

L*s j 0 j 0
s j L*s j = 0 j [rj g j ( x1 , x2 ,..., xn )] = 0

Matemtica para economistas | Programacin No-Lineal 7

Con lo cual, las condiciones para el problema de mximo quedan reformuladas de la
siguiente manera:
Cond. Marginales Cond. de no-negatividad Cond. de holgura complementaria

L*xi 0 ; xi 0 ; xi L*xi = 0 (i = 1, 2,..., n)

L* j = rj g j ( x1 , x2 ,..., xn ) 0 ; j 0 ; j L* = 0
j
(j = 1, 2,..., m)

las cuales reciben el nombre de condiciones de Kuhn-Tucker para mximo.

De manera anloga puede demostrarse que para el problema de mnimo lo nico

que cambia es el sentido de la desigualdad de la derivada de L, con lo cual tenemos
las condiciones de Kuhn-Tucker para mnimo.
Cond. Marginales Cond. de no-negatividad Cond. de holgura complementaria

L*xi 0 ; xi 0 ; xi L*xi = 0 (i = 1, 2,..., n)

L* j = rj g j ( x1 , x2 ,..., xn ) 0 ; j 0 ; j L* = 0
j
(j = 1, 2,..., m)

Ntese que las condiciones pueden obtenerse sin incorporar la s j mediante un

lagrangiano comn:
m
L* = f ( x1 , x2 ,..., xn ) + j [ rj g j ( x1 , x2 ,..., xn )]
j =1

Solo basta tener en cuenta las desigualdades a la hora de expresar las condiciones.

Ejemplos

Pasos sugeridos para la resolucin de problemas en dos variables:

a) Determinacin del ptimo (o los ptimos) a travs de la resolucin grfica
del ejercicio:
Curvas de nivel.
Restricciones.
b) Determinacin del ptimo (o los ptimos) observados.
c) Verificacin de las condiciones de Kuhn-Tucker.
Condiciones marginales.
Condiciones de no-negatividad.
Condiciones de holgura complementaria

Matemtica para economistas |

EJEMPLO I

x2 2
Maximizar = x12 x2 s.a.
x1 2

a) Determinacin del ptimo (o los ptimos) a travs de la resolucin grfica del

ejercicio:
Curvas de nivel de la funcin objetivo.

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

En funcin de la regin factible y las curvas de nivel resultantes es posible obtener

el ptimo (los ptimos):

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

El candidato a mximo local es el punto (2,2)

Matemtica para economistas | Programacin No-Lineal 9

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 (2,2) escapa la regin factible.

c) Verificacin de las condiciones de Kuhn-Tucker.

En primer lugar, reescribimos la restricciones que no estn establecidas como
menor igual.
x2 2 x2 2
Y luego armamos el Lagrangiano y escribimos las condiciones de Kuhn-Tucker
respectivas:

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

Finalmente las evaluamos en el punto (2, 2)

Cumple con las
x1 = 2 > 0 Lx1 = 2 x1 2 = 0 2 = 4 > 0 L1 = 2 + 2 = 0
condiciones de
x2 = 2 > 0 Lx2 = 1 + 1 = 0 1 = 1 > 0 L2 = 2 2 = 0 Kuhn- Tucker

EJEMPLO II

(10 x12 x2 )3 0

Maximizar = x2 x12 s.a. x1 2
x 0, x 0
1 2

a) Determinacin del ptimo (o los ptimos) a travs de la resolucin grfica del

ejercicio:
Curvas de nivel de la funcin objetivo.

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.

Matemtica para economistas |

 Restricciones.

Reexpresamos las restricciones de desigualdad como igualdad para graficar.

x1 2 x1 = 2

(10 x12 x2 )3 0 (10 x12 x2 )3 = 0 (10 x12 x2 ) = + 3 0

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)

En funcin de la regin factible y las curvas de nivel resultantes es posible obtener

el ptimo:

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.

b) Determinacin del ptimo (o los ptimos) observados.

El punto se encuentra en la interseccin de ambas restricciones.

x1 = 2

(10 x1 x2 ) = 0
2 3
10 22 x2 = 0 x2 = 6

El punto es entonces (2,6)

Matemtica para economistas | Programacin No-Lineal 11
c) Verificacin de las condiciones de Kuhn-Tucker.
En primer lugar, reescribimos la restricciones que no estn expresadas como
menor-igual.
x1 2 x1 2
Luego armamos el Lagrangiano:
L = x2 x12 + 1 (10 x12 x2 )3 + 2 (2 + x1 )

Condiciones marginales

Lx1 = 2 x1 + 31 (10 x12 x2 )2 (2) x1 + 2 0

L x2 = 1 + 31 (10 x1 x2 ) (1) 0
2 2

L1 = (10 x1 x2 ) 0
2 3

L2 = 2 + x1 0

Reemplazando el punto (2,6) en Lx2 Lx2 = 1 31 (10 2 2 6) 2 = 1 0 inconsistencia.

No se cumple la condicin marginal

Condiciones de no-negatividad.

Ya hemos mostrado que las restricciones se cumplen en el punto (2,6).

Condiciones de holgura complementaria

Si x2 > 0 Lx2 = 0 (por condicin de holgura complementaria ( x1 Lx2 = 0).

Sin embargo, dado que Lx2 = 1 no se cumple la condicin.

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.

Matemtica para economistas |

III. Calificacin de restricciones

Como fue mencionado en el apartado anterior, las condiciones de Kuhn-Tucker son

condiciones necesarias para la existencia de un ptimo solo si se satisface cierto
requisito. Este requisito, que recibe el nombre de calificacin de restricciones,
permite desechar ciertas irregularidades en la frontera factible que invalidaran las
condiciones de Kuhn-Tucker en caso de que la solucin ptima se diera all. En este
sentido, el inters de estudiar las condiciones de Kuhn-Tucker pasa por describir las
propiedades en el entorno del ptimo.

Regla de multiplicador de John: Sean f , g1, g 2 ,..., g n funciones de n variables

continuamente diferenciables, y sea x* n un maximizador local de f sobre el
conjunto de restriccin definido por las k desigualdades

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

con el multiplicador 0 para la funcin objetivo. Entonces existen multiplicadores

* = (0* , 1* ,..., k* ) tales que en el ptimo se verifica:

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)

Ntese que si 0* = 0 , la funcin objetivo que estamos maximizando desaparecera

completamente de las condiciones de primer orden. Dado que la regla de John es
siepre vlida, si el nico valor que puede tomar 0* es 0, a los efectos de las
condiciones de Kuhn-Tucker se obtendra algo similar a la igualacin a cero de las
derivadas primeras parciales de la funcin objetivo. De esta manera es como si se
estuviera exigiendo que la maximizacin sea libre, cuando en realidad no lo es. A su
vez, como al mismo tiempo se estara exigiendo que alguna de las restricciones se
cumpla como igualdad, podran darse situaciones en las cuales las condiciones de
Kuhn-Tucker resultan inconsistentes en el ptimo. De hecho, son precisamente en

Matemtica para economistas | Programacin No-Lineal 13

situaciones de ptimos en la frontera de la regin factible donde el problema de la
necesariedad de las condiciones de Kuhn-Tucker se torna relevante.

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.

Propiedad: Sean f , g , g ,..., g como en el teorema de John y supngase que

1 2 n

x* n es un maximizador local de f sobre el conjunto de restricciones definido

por g j ( x1 , x2 ,..., xn ) b j ( j = 1, 2,..., k )

Supngase adems, que g , g ,..., g son restricciones activas en x* , que las

1 2 h

h+1 h+2
restantes g , g ,..., g no lo son, y que las restricciones activas satisfacen una de
k

las siguientes condiciones:

a) La matriz jacobiana de las restricciones activas tiene rango2 maximal h en x*, es

decir, tiene el mayor rango posible.

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

b) Teorema de Karush-Kuhn-Tucker: Para todo vector v en n que satisface

Dg i ( x* ) ( v ) 0 para todo i = 1, 2,..., h , existe un > 0 y una curva continua

diferenciable : 0, ) n tal que:

(i) (0) = x* es decir, con origen en x*

(ii) ' (0) = v es decir, con pendiente v

(iii ) g j ( (t ) ) b j para todo j = 1, 2,..., k y para todo t 0, ) es decir, contenida en la

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.

Matemtica para economistas |

 Se exige que la curva exista para todo v con las condiciones requeridas.

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

d) g , g ,..., g son funciones cncavas.

1 2 h

1 2 h
e) g , g ,..., g son funciones lineales.

Entonces se puede hacer 0* = 1 en el teorema de John, asegurndose el

cumplimiento de las condiciones de Kuhn-Tucker en el ptimo.

En el caso de que se trate de un problema de minimizacion con restricciones de

desigualdad la forma g j ( z) bj , lo mencionado previamente se cumple
asegurndose los reemplazos " " por " " por convexa por cncava.

Es evidente que e ) d ) c ). Resulta menos obvio que d ) b ) . La condicin a ) es

la ms fcil de verificar pero no hay nada que asegure que su cumplimiento
implique alguna de las restantes (o que su incumplimiento implique el no-
cumplimiento de todas las otras). Solo basta el cumplimiento de una de ellas para
concluir que se satisface la calificacin de restricciones. En este sentido, el
cumplimiento de una calificacin de restricciones es condicin suficiente
para que las condiciones de Kuhn-Tucker sean necesarias para la
existencia de un ptimo en un programa no-lineal.

Es conveniente remarcar que este listado de condiciones no es exhaustivo. Existen

tambin condiciones ms dbiles que la a) y que no necesariamente se implican
mutuamente, tanto entre ellas como con las restantes condiciones antes
mencionadas.

En la prctica, son preferidas calificaciones de restricciones ms dbiles dado que

proveen condiciones de optimalidad ms fuertes (dicen ms respecto de las
propiedades del entorno del ptimo) pero pueden ser ms difciles de verificar.

Retomando el EJEMPLO I verificamos las condiciones mencionadas previamente:

a) Restricciones que se cumplen como igualdad:

x2 = 2

x1 = 2

Matemtica para economistas | Programacin No-Lineal 15

 g 1 g 1
x1 x2 0 1
2 = Rango = 2 = Rango maximal = 2
g g 2 1 0
x1 x2

Cumple la calificacin de restricciones de matriz Jacobiana.

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 continuacin verificamos las condiciones para el EJEMPLO II:

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

No cumple la calificacin de restricciones de matriz Jacobiana.

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)

Matemtica para economistas |

 x2

dx1/dx2 refleja la pendiente

del vector (direccin)

dx1<0 dx1>0

x1

Los vectores v n que satisfacen la exigencia sobre el diferencial primero de la

restriccin con igualdad son del tipo ( dx1 , dx2 ) : dx1 0 . No hay restricciones sobre

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.

Condiciones de K-T Condiciones de K-T

Cumplimiento de alguna de las
son necesarias son propiedades del
calificaciones de restricciones
ptimo

Matemtica para economistas | Programacin No-Lineal 17

IV. Condiciones suficientes: Programacin cncava y cuasicncava

Condicin Suficiente (Def.): Si A es condicin suficiente de B, entonces A no

puede ocurrir sin B. Es decir, si A es verdadera B tambin lo es.

<< A B >> A es condicin suficiente de B

Las condiciones de Kuhn-Tucker antes expuestas, cuando se satisfacen la

calificacin de restricciones son condiciones necesarias para la existencia de un
extremo local. Si lo que se quiere es estudiar extremos globales se requieren
condiciones ms fuertes.

A continuacin se mostrar, que bajo ciertas circunstancias, las condiciones de

Kuhn-Tucker pueden tomarse como condiciones suficientes para un extremo global
e incluso como condiciones necesarias y suficientes3.

Programacin cncava: Teorema de suficiencia de Kuhn-Tucker

Considerando el problema de programacin no lineal

Max = f ( x1 , x2 ,..., xn ) s.a. g j ( x1 , x2 ,..., xn ) c x

n
(i = 1, 2,..., m ) x0

con m no acotado por el nmero de variables, donde la funcin objetivo y las

restricciones son continuamente diferenciables, f es cncava y las restricciones son
convexas. Suponiendo que existen j ( j = 1, 2,..., m ) y un vector x* n tales que:

L*xi 0 ; xi 0 ; xi L*xi = 0 (i = 1, 2,..., n)

L* j = rj g j ( x1 , x2 ,..., xn ) 0 ; j 0 ; j L* = 0
j
(j = 1, 2,..., m)

Entonces en el ptimo x* la funcin se maximiza y constituye un mximo global. Es

decir, si f es cncava, las restricciones son convexas y en x* se cumplen
las condiciones de Kuhn-Tucker para mximo, entonces existe un mximo
global en x* . Para las condiciones de mnimo global basta con reemplazar
cncava por convexa para la f , convexa por cncava para las
restricciones y cambiar el sentido de las desigualdades de las condiciones
marginales.

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.

Matemtica para economistas |

Programacin cuasicncava: Teorema de suficiencia de Arrow-Enthoven
Considerando el problema de programacin no lineal

Max = f ( x1 , x2 ,..., xn ) s.a. g j ( x1 , x2 ,..., xn ) c (i = 1, 2,..., m ) x0 x n

donde la funcin objetivo y las restricciones son continuamente diferenciables.

Suponiendo que existen j ( j = 1, 2,..., m ) y un vector x* n tales que:

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)

d) f ( x1 , x2 ,..., xn ) es cuasicncava y g j ( x1 , x2 ,..., xn ) es cuasiconvexa con ( j = 1, 2,..., m )

en el ortante no-negativo.
e) Se satisface cualquiera de las siguientes:

i. Lxi < 0 para al menos una variable xi .

*

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* .

iv. f ( x1 , x2 ,..., xn ) es cncava.

Entonces en el ptimo x* la funcin se maximiza y constituye un mximo global. Es

decir, si se verifica a), d) y e) en x* y se cumplen las condiciones de Kuhn-
Tucker para mximo, entonces existe un mximo global en x* . Para las
condiciones de mnimo global basta con reemplazar cuasicncava por
cuasiconvexa para la f , cuasiconvexa por cuasicncava para las
restricciones y cambiar el sentido de las desigualdades de las condiciones
marginales.

La cuasiconcavidad no implica que las condiciones de Kuhn-Tucker sean suficientes

para tener un mximo global al no ser lo suficientemente restrictivas. Por esto se
exige el cumplimiento de la condicin e). Ntese que las condiciones suficientes de
Arrow-Enthoven implican las condiciones de suficiencia de Kuhn-Tucker, con lo cual
las primeras son ms generales.

Matemtica para economistas | Programacin No-Lineal 19

V. Aplicacin econmica: Optimizacin del consumidor

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:

Es dos veces continuamente diferenciable, es decir U C2

U
Es insaciable > 0 para todo i = 1,2,3,..., n
xi U es explcitamente cuasicncava
Es cuasicncava

Entonces, el problema de optimizacin es el siguiente:

Max U = U(x1; x2 ) s.a. p1.x1 + p2.x2 Y

Siendo el Lagrangiano del problema: L ( x1, x2 , ) = U ( x1, x2 ) + (Y p1x1 p2 x2 )

Las condiciones de Kuhn-Tucker resultan ser:

L' x* = U x' * p1 0 x1* 0 x1* L' x* = 0

1 1 1

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
*

Ntese que al ser lineal la restriccin, se cumple inmediatamente la calificacin de

restricciones Condiciones de Kuhn-Tucker son necesarias para mximo local
(describen las propiedades del ptimo).

Caso I: x1* > 0, x2* > 0

Las condiciones de Kuhn-Tucker quedan:

L' x* = 0 U x' * . p1 =0 U x' * p2

1 1
'
2
=
L x2* = 0 U x2* . p2 =0 U p1
' '
x1*
'
L* 0 Tasa marginal de sustitucin = precio relativo

(pendiente de la curva = (pendiente de la recta

de indiferencia) presupuestaria)

Matemtica para economistas |

Para asegurarnos que la restriccin se cumple como igualdad, supondremos que no
lo hace (absurdo):

U x' * = 0

L'* > 0 * = 0 ' 1 Se viola el supuesto de no saciedad
U x2* = 0

Grficamente tenemos entonces una de las dos situaciones:

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:

x2 Curva de indiferencia gruesa (todas

las canastas tienen la misma utilidad)
Ux' * = Ux' * = 0
1 2

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

La restriccin se cumple como igualdad, caso contrario:

L'* > 0 * = 0 Ux' * = 0 Se viola el supuesto de no saciedad

2

Matemtica para economistas | Programacin No-Lineal 21

Grficamente, tenemos la siguiente situacin:

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:

d) U ( x1, x2 ) es cuasicncava (por hiptesis) en x*

Se cumple d)
p1.x1 + p2.x2 es lineal es cuasicncava en x*

e) Por no-saciedad, Ux' * > 0 para algn i = 1,2,..., n Se cumple e.ii)

i

Por lo tanto, las condiciones de Kuhn-Tucker son necesarias y suficientes para la

existencia de un mximo global. Es decir,

-Todo mximo global tiene propiedades descriptas por Kuhn-Tucker.

-Todas canasta que tenga las propiedades descriptas por Kuhn-Tucker es

mximo global.

Matemtica para economistas |

VI. Apndice

El presente apndice tiene por objetivo mostrar, en primer lugar, la relacin

existente entre un problema de programacin no lineal y uno de programacin
lineal como caso particular. Por otro lado, se describe el vnculo entre un programa
de maximizacin primal y un programa de minimizacin dual relacionado.

VI. 1 Relacin entre un problema de programacin no lineal y uno de programacin

lineal
Para el caso particular de un problema de programacin lineal, tanto la funcin
objetivo como las restricciones son lineales, es decir:
n n
Max = ci xi s.a. a x b
ij i j ( j = 1, 2,..., m) xi 0 (i = 1, 2,..., n)
i =1 i =1

Cada restriccin define un subespacio cerrado en n , cuya interseccin (el conjunto

factible) es un poliedro convexo (si es acotado) o, en general, un conjunto poliedral
convexo.

Por lo general, la solucin al problema existe y no es un punto interior (se

encuentra en la frontera del conjunto del conjunto factible). Sin embargo, existen
dos casos en los cuales puede no haber solucin al problema:

= f (x1)

Restricciones inconsistentes: Ningn punto puede

satisfacer simultneamente todas las restricciones.

x1

= f (x1)

Conjunto factible no acotado: La solucin no es

solucin de frontera.
Ejemplo:
x1 x2 8
Max f ( x1 , x2 ) = x1 + x2 s.a.
x1 , x2 0
x1

Matemtica para economistas | Programacin No-Lineal 23

VI.2 Programa primal y dual
En programacin lineal todo programa de maximizacin primal tiene un programa
de minimizacin vinculado dual.

Sea el programa primal:

n n
Max = ci xi s.a. a x b ij i j ( j = 1, 2,..., m) xi 0 (i = 1, 2,..., n)
i =1 i =1

del cual, de acuerdo a las condiciones de Kuhn-Tucker tenemos

n m n
L ( x, ) = ci xi + j (b j - aij xi )
i =1 j =1 i =1

* 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

cuyas condiciones de Kuhn-Tucker son:

* 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

Las condiciones de Kuhn-Tucker coinciden para el programa primal y dual, con lo

cual generan la misma solucin y pueden considerarse problemas equivalentes. Por
su parte, las condiciones de Kuhn-Tucker siempre son necesarias ya que el
conjunto factible est acotado por las restricciones lineales.

Existen tres teoremas fundamentales en programacin lineal que se derivan de

estas condiciones.

Teorema de existencia: Una condicin necesaria y suficiente para la

existencia de solucin a un problema de programacin lineal es que los
conjuntos factibles del problema primal y dual sean no-vacos.

Teorema de dualidad: Una condicin necesaria y suficiente para que un

vector factible represente una solucin al problema de programacin lineal es

Matemtica para economistas |

 que exista un vector factible del problema dual para los cuales los valores de
las funciones objetivo de ambos problemas sean iguales.

Teorema de falta de holgura complementaria: Una condicin necesaria y

suficiente para que los vectores x* y * resuelvan los problemas duales es
que satisfagan las condiciones:
n m
j (b j - aij xi ) = 0 (i = 1, 2,..., n) xi (c j - ij xi ) = 0 ( j = 1, 2,..., m)
i =1 j =1

Matemtica para economistas | Programacin No-Lineal 25

VII. Bibliografa

ARROW, K. ENTHOVEN, A. (1964) Quasi-concave programming,

Econometrica, Vol. 29, No 4, pp. 779-800.

CHIANG, A. (1987) Mtodos fundamentales de economa matemtica,

McGraw-Hill.

INTRILIGATOR, M. (1973) Optimizacin matemtica y teora

macroeconmica, Prentice/Hall.

SIMON C. & BLUME, L. (1994) - Mathematical for Economists, W.W. Norton &
Company, Inc.

TAKAYAMA, A. (1991) - Mathematical Economics, Cambridge U.P.

YAMANE, T. (1981) - Matemtica para economistas, Ariel.

Matemtica para economistas |