Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Transparencia 7
Transparencia 7
Andrés Beltrán
febrero, 2019
Contenido:
Dado el programa,
Opt. f (x1 , . . . , xn )
s.a.
g1 (x1 , . . . , xn ) = c1
P : .. .. ,
. .
gm (x1 , . . . , xn ) = cm
c = (c1 , . . . , cm ) y g = (g1 , . . . , gm )
donde x = (x1 , . . . , xn ).
c = (c1 , . . . , cm ) y g = (g1 , . . . , gm )
donde x = (x1 , . . . , xn ).
Teorema (Teorema de Weierstrass)
Si f : S ⊆ Rn −→ R es una función continua en un conjunto
compacto S (es decir, cerrado y acotado), entonces existen puntos
a, b ∈ S tales que
Ejemplo
Resuelva
el siguiente programa
Opt. x + 2y
P:
s.a. (x − 1)2 + y 2 = 4
Ejemplo
max xy
P:
s.a. x2 + y 2 = 4
Observación
Si L(λ, x, y) = f (x, y) + λ(c − g(x, y)), entonces
∇f (x, y) = λ∇g(x, y)
⇔ ∇L(x, y, λ) = (0, 0, 0)
g(x, y) = c
∃λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ).
Observación
Observación
∇L(λ, x0 , y0 ) = (0, 0, 0)
Ejemplo
Resuelva el siguiente programa:
max x + y
P:
s.a. x2 + y 2 = 4
donde f, gi : U ⊆ Rn −→ R, g = (g1 , . . . , gm ) y
c = (c1 , . . . , cm ).
donde f, gi : U ⊆ Rn −→ R, g = (g1 , . . . , gm ) y
c = (c1 , . . . , cm ).
1 La función Lagrangiana asociada al programa P es dada por
donde f, gi : U ⊆ Rn −→ R, g = (g1 , . . . , gm ) y
c = (c1 , . . . , cm ).
1 La función Lagrangiana asociada al programa P es dada por
S = {x ∈ U : g1 (x) = c1 , . . . , gm (x) = cm }.
∂g1 (P ) ∂g1 (P )
···
∇g1 (P )
∂x1 ∂xn
Jg (P ) = .. .. ..
= ..
,
. . .
.
∂g (P ) ∂g (P ) ∇gm (P )
m m
···
∂x1 ∂xn m×n
donde
∂2L ∂2L
···
∂x1 ∂x1 (λ, x) ∂x1 ∂xn (λ, x)
Hx L(λ, x) =
.
.. .. ..
,
. .
∂2L ∂2L
∂xn ∂x1 (λ, x) · · · ∂xn ∂xn (λ, x) n×n
f : U ⊆ Rn −→ R, y g = (g1 , . . . , gm ) : U −→ Rm
Teorema (Continuación)
1 Si para todo v ∈ V , con v 6= 0, la forma cuadrática asociada
a la matriz Hx L(λ, P ) es definida positiva, entonces f
S
alcanza un mı́nimo local estricto restringido en el punto P .
Teorema (Continuación)
1 Si para todo v ∈ V , con v 6= 0, la forma cuadrática asociada
a la matriz Hx L(λ, P ) es definida positiva, entonces f
S
alcanza un mı́nimo local estricto restringido en el punto P .
2 Si para todo v ∈ V , con v 6= 0, la la forma cuadrática
asociada
a la matriz Hx L(λ, P ) es definida negativa, entonces
f alcanza un máximo local estricto restringido en P .
S
Teorema (Continuación)
1 Si para todo v ∈ V , con v 6= 0, la forma cuadrática asociada
a la matriz Hx L(λ, P ) es definida positiva, entonces f
S
alcanza un mı́nimo local estricto restringido en el punto P .
2 Si para todo v ∈ V , con v 6= 0, la la forma cuadrática
asociada
a la matriz Hx L(λ, P ) es definida negativa, entonces
f alcanza un máximo local estricto restringido en P .
S
Teorema (Continuación)
1 Si para todo v ∈ V , con v 6= 0, la forma cuadrática asociada
a la matriz Hx L(λ, P ) es definida positiva, entonces f
S
alcanza un mı́nimo local estricto restringido en el punto P .
2 Si para todo v ∈ V , con v 6= 0, la la forma cuadrática
asociada
a la matriz Hx L(λ, P ) es definida negativa, entonces
f alcanza un máximo local estricto restringido en P .
S
Observación
El subespacio dado por
{v ∈ Rn : Jg (P ) · v = 0}
Optimización restringida
Ejemplo
Dado el programa:
max x1 x2 x3
P:
s.a. x1 + x2 + x3 = 6
Optimización restringida
Ejemplo
Dado el programa:
max x1 x2 x3
P:
s.a. x1 + x2 + x3 = 6
L(λ; x1 , x2 , x3 ) = x1 x2 x3 + λ(6 − x1 − x2 − x3 )
0 = Lλ = 6 − x1 − x2 − x3 , 0 = Lx1 = x2 x3 − λ,
0 = Lx2 = x1 x3 − λ, 0 = Lx3 = x1 x2 − λ
resultando P = (2, 2, 2) y λ = 4. Además, como la función g es
lineal, el punto P verifica la condición de regularidad; esto es el
rango de la matriz jacobiana,
Jg (x1 , x2 , x3 ) = gx1 gx2 gx3 = 1 1 1
de g es 1.
Optimización restringida
Ejemplo (Continuación)
Por otro lado, la matriz Hx L(λ; x) es dada por
0 x3 x2
Hx L(λ; x1 , x2 , x3 ) = x3 0 x1
x2 x1 0
0 2 2
Hx L(4, 2, 2, 2) = 2 0 2
2 2 0
Optimización restringida
Ejemplo (Continuación)
Por otro lado, la matriz Hx L(λ; x) es dada por
0 x3 x2
Hx L(λ; x1 , x2 , x3 ) = x3 0 x1
x2 x1 0
0 2 2
Hx L(4, 2, 2, 2) = 2 0 2
2 2 0
Ahora analizamos la forma cuadrática restringida al subespacio V
definido por el jacobiano Jg (x1 , x2 , x3 ) de g; esto es,
V = {v = (v1 , v2 , v3 ) ∈ R3 : Jg (P ) · v = 0}
= {v = (v1 , v2 , v3 ) ∈ R3 : v1 + v2 + v3 = 0}.
Andrés Beltrán Matemática para Economı́a y Finanzas 2
Optimización con restricciones de igualdad
Optimización restringida
Ejemplo (Continuación)
La forma cuadrática asociada a la matriz Hx L(λ, P ) es
Q(v1 , v2 , v3 ) = v t Hx L(λ, P )v
0 2 2 v1
= v1 v2 v3 2 0 2 v2
2 2 0 v3
= 4(v1 v2 + v1 v3 + v2 v3 )
Optimización restringida
Ejemplo (Continuación)
La forma cuadrática asociada a la matriz Hx L(λ, P ) es
Q(v1 , v2 , v3 ) = v t Hx L(λ, P )v
0 2 2 v1
= v1 v2 v3 2 0 2 v2
2 2 0 v3
= 4(v1 v2 + v1 v3 + v2 v3 )
Optimización restringida
Ejemplo (Continuación)
La forma cuadrática asociada a la matriz Hx L(λ, P ) es
Q(v1 , v2 , v3 ) = v t Hx L(λ, P )v
0 2 2 v1
= v1 v2 v3 2 0 2 v2
2 2 0 v3
= 4(v1 v2 + v1 v3 + v2 v3 )
Optimización restringida
Teorema
Sea P un punto crı́tico del programa (P) con vector
λ = (λ1 , . . . , λm ) de multiplicadores de Lagrange asociado. Se
cumple
Optimización restringida
Teorema
Sea P un punto crı́tico del programa (P) con vector
λ = (λ1 , . . . , λm ) de multiplicadores de Lagrange asociado. Se
cumple
1 Si los (n − m) últimos menores principales dominantes de la
matriz HL(λ, P ) tienen todos el mismo signo que (−1)m ,
entonces la forma cuadrática restringida es definida positiva y
la función f alcanza en P un mı́nimo local
Optimización restringida
Teorema
Sea P un punto crı́tico del programa (P) con vector
λ = (λ1 , . . . , λm ) de multiplicadores de Lagrange asociado. Se
cumple
1 Si los (n − m) últimos menores principales dominantes de la
matriz HL(λ, P ) tienen todos el mismo signo que (−1)m ,
entonces la forma cuadrática restringida es definida positiva y
la función f alcanza en P un mı́nimo local
2 Si los (n − m) últimos menores principales dominantes de la
matriz HL(λ, P ) alterna el signo comenzando por (−1)m+1 ,
entonces la forma cuadrática restringida es definida negativa y
la función f alcanza en P un máximo local.
Optimización restringida
Observación
En el ejemplo anterior el análisis de la forma cuadrática restringida
al subespacio V puede ser realizada usando el teorema (6), para lo
cual basta analizar la matriz hessiana orlada de la función de
Lagrange L en el punto P ,
0 −1 −1 −1
−1 0 x3 x2
HL(λ; x1 , x2 , x3 ) =
−1 x3 0 x1
−1 x2 x1 0
,
0 −1 −1 −1
−1 0 2 2
HL(4, 2, 2, 2) =
−1 2
0 2
−1 2 2 0
Observación (Continuación)
cuyos dos últimos menores principales dominantes,
respectivamente son
0 −1 −1 −1
0 −1 −1
−1 0 2 2
M3 = −1 0
2 = 4 > 0,
M4 =
= −12 <
−1 2 0 −1 2 0 2
−1 2 2 0
Optimización restringida
Teorema (Condiciones suficiente o de segundo orden para
extremos locales)
Optimización restringida
Ejemplo
Resuelva el siguiente programa
xy + z 2
min
P: ,
s.a. 2x − y + z = 0
Solución
La función lagrangiana asociada al programa dado es
L(λ; x, y, z) = xy + z 2 + λ(−2x + y − z)
v1
V = {(v1 , v2 , v3 ) : 2 −1 1 v2 = 0}
v3
= {(v1 , v2 , v3 ) : 2v1 − v2 + v3 = 0}
v1
V = {(v1 , v2 , v3 ) : 2 −1 1 v2 = 0}
v3
= {(v1 , v2 , v3 ) : 2v1 − v2 + v3 = 0}
0 0 2 v3
= 2v32 + 2v1 v2 = 2v32 + 2v1 (2v1 + v3 )
= 4v12 + 2v1 v3 + v32 = (v1 + v3 )2 + 3v12 > 0, ∀ v 6= (0, 0, 0).
Optimización restringida
Observación
En el ejemplo anterior el análisis de la forma cuadrática restringida
al subespacio V puede ser realizada usando el teorema (6), para lo
cual basta analizar la matriz hessiana orlada de la función de
Lagrange L en el punto P ,
0 −2 1 −1
−2 0 1 0
HL(λ; x1 , x2 , x3 ) =
(0;0,0,0) 1 1 0 0
−1 0 0 2
min x2 + y 2
P: ,
s.a. x + y = 1
Solución
min x2 + y 2
P: ,
s.a. x + y = 1
Solución
La función lagrangiana asociada al programa dado es
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)
min x2 + y 2
P: ,
s.a. x + y = 1
Solución
La función lagrangiana asociada al programa dado es
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)
0 = Lλ = 1 − x − y, 0 = Lx = 2x − λ, 0 = Ly = 2y − λ,
min x2 + y 2
P: ,
s.a. x + y = 1
Solución
La función lagrangiana asociada al programa dado es
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)
0 = Lλ = 1 − x − y, 0 = Lx = 2x − λ, 0 = Ly = 2y − λ,
V = {v = (v1 , v2 ) : Jg (P ) · v = 0} = {(v1 , v2 ) : v1 + v2 = 0}
P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1
Solución
P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1
Solución
La función lagrangiana asociada al programa dado es
P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1
Solución
La función lagrangiana asociada al programa dado es
0 = Lx = 2x − 2λ1 x − λ2 − 2, 0 = Ly = 2y − 2λ1 y − λ2 − 2,
0 = Lz = 2z − 2λ1 z − λ2 , 0 = Lλ1 = 1 − x2 − y 2 − z 2 ,
0 = Lλ2 = −x − y − z
resultando
Andrés Beltrán Matemática para Economı́a y Finanzas 2
Optimización con restricciones de igualdad
En particular,
En particular,
4 4
− 23
0 0 2 3 3
Jg (P1 ) = , Jg (P2 ) =
1 1 1 1 1 1
0 = Ly = 2x + 2y − λ,
Ejemplo (Continuación)
resultando P1 = (−48, 1210) y el multiplicador asociado es
5 5
λ = 2324; P2 = ( 12 , − 12 ) con multiplicador de Lagrange asociado
λ = 0. Ambos puntos son regulares.
Ejemplo (Continuación)
resultando P1 = (−48, 1210) y el multiplicador asociado es
5 5
λ = 2324; P2 = ( 12 , − 12 ) con multiplicador de Lagrange asociado
λ = 0. Ambos puntos son regulares.
Además, el hessiano orlado es dado por
0 −25 −1
HL(λ; x, y) = −25 48x − 8 2 ,
−1 2 2
0 −25 −1
HL(λ; P1 ) = −25 −2312 2 ,
−1 2 2
Ejemplo (Continuación)
0 −25 −1
HL(λ; P2 ) = −25 12 2
−1 2 2
Ejemplo (Continuación)
0 −25 −1
HL(λ; P2 ) = −25 12 2
−1 2 2
cuyos menores principales dominantes de orden 3 respecivamente
son 1162 y −1162. Esto implica que el punto P1 es un máximo
local restringido, mientras que el punto P2 es un mı́nimo local
restringido.
Opt. x2 + y 2 + z 2
P: s.a. x+y+z = 0
2x − y + 2z = 1
Opt. x2 + y 2 + z 2
P: s.a. x+y+z = 0
2x − y + 2z = 1
Solución
Consideremos la función lagrangeana asociada al programa,
Opt. x2 + y 2 + z 2
P: s.a. x+y+z = 0
2x − y + 2z = 1
Solución
Consideremos la función lagrangeana asociada al programa,
Ejemplo
Por otro lado, la región factible
S = {(x, y, z) : x + y + z = 0, 2x − y + 2z = 1} es un conjunto
convexo. Y la matriz hessiana de f es dada por
2 0 0
Hf (x, y, z) = 0 2 0
0 0 2
Ejemplo
Por otro lado, la región factible
S = {(x, y, z) : x + y + z = 0, 2x − y + 2z = 1} es un conjunto
convexo. Y la matriz hessiana de f es dada por
2 0 0
Hf (x, y, z) = 0 2 0
0 0 2
Teorema de sensibilidad
Teorema
Dado el programa
max f (x)
P: ,
s.a. g(x) = c
y g = (g1 , . . . , gm ).
Si x(c) = (x1 (c), . . . , xn (c)) es una solución del programa P con
vector multiplicador de Lagrange λ = (λ1 , . . . , λm ) entonces el
valor óptimo de f sujeto a las restricciones descritas dependen de
c, esto es V (c) = f (x(c)). Se cumple
∂V ∂L
(c) = (x(c), λ(c)) = λj
∂cj ∂cj
Multiplicadores de Lagrange
Observación
λj describe el impacto marginal del cambio de la función objetivo
debido a un variación de una unidad de la constante cj . Como
consecuencia, la variación del óptimo de la función objetivo f (x)
ante una variación infinitesimal del parámetro c es
aproximadamente
∂V
∆V ≈ .∆cj = λj ∆cj .
∂cj
Multiplicadores de Lagrange
Ejemplo
Una empresa produce dos productos, las cantidades respectivas son
q1 y q2 . La empresa se ha comprometido a producir un total de
100 unidades de ambos productos para un cliente. La función de
coste de la firma es C(q1 , q2 ) = 2q1 + q1 q2 + 4q2 y las dos
funciones de demanda son
p1 = 20 − q1 + q2 , p2 = 30 + 2q1 − q2 .
Teorema de sensibilidad
Ejemplo
Resuelva el siguiente programa
max ln x + ln y
P: ,
s.a. px + qy = P
Teorema de sensibilidad
Ejemplo
Resuelva el siguiente programa
max ln x + ln y
P: ,
s.a. px + qy = P
Al resolver el sistema
1 1
0 = Lλ = P − px − qy, 0 = Lx = − λp, 0 = Ly = − λq
x y
P P
se obtiene, (x, y) = ( 2p , 2q ) con multiplicador de Lagrange
2
asociado λ = P . Puesto que g es lineal se verifica la condición de
regularidad.
Teorema de la envolvente
Teorema
Dado el programa
max f (x1 , . . . , xn , b1 , . . . , bk )
s.a.
g1 (x1 , . . . , xn , b1 , . . . , bk ) = c1
P: .. ,
.
gm (x1 , . . . , xn , b1 , . . . , bk ) = cm
verifica
∂Φ ∂L
(b) =
Andrés Beltrán (x(b), λ(b)).
Matemática para Economı́a y Finanzas 2
Optimización con restricciones de igualdad
Optimización restringida
Ejemplo (continuación)
Por otro lado, la función de utilidad es estrictamente cóncava en la
región factible S = {(x, y) : px + qy = P },
1
− x2 0
HU (x, y) = 1 .
0 − y2