Transparencia 7

Optimización con restricciones de igualdad
Matemática para Economı́a y Finanzas 2
Andrés Beltrán
Estudios Generales Letras
febrero, 2019
Andrés Beltrán Matemática para Economı́a y Finanzas 2

Contenido:
1 Optimización con restricciones de igualdad

Dado el programa,


 Opt. f (x1 , . . . , xn )
 s.a.

g1 (x1 , . . . , xn ) = c1
P : .. .. ,


 . .
gm (x1 , . . . , xn ) = cm

donde f, gi : U ⊂ Rn −→ R y c1 , . . . , cm constantes reales. La

función f es llamada función objetivo. El conjunto
S = {x = (x1 , . . . , xm ) : g1 (x) = c1 , . . . , = gm (x) = cm }
es llamado región o conjunto factible. Se trata de encontrar los

óptimos de f sobre la región factible S.


Si denotamos:
c = (c1 , . . . , cm ) y g = (g1 , . . . , gm )
El programa anterior puede reescribirse en la forma:

Opt. f (x)
P : ,
s.a. g(x) = c
donde x = (x1 , . . . , xn ).


Si denotamos:
c = (c1 , . . . , cm ) y g = (g1 , . . . , gm )
El programa anterior puede reescribirse en la forma:

Opt. f (x)
P : ,
s.a. g(x) = c
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
f (a) ≤ f (x) ≤ f (b), ∀ x ∈ S.


Ejemplo
Dado el programa

max x+y
P: .
s.a. x2 + (y − 1)2 = 2


Ejemplo
Dado el programa

max x+y
P: .
s.a. x2 + (y − 1)2 = 2

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

Los puntos de tangencia P entre la curva definida por la restricción

g(x, y) = c y la curva de nivel de la función objetivo f (x, y)
corresponde a los máximos y mı́nimos globales restringidos. Esto
es,
∇f (P ) = λ∇g(P ) ⇔ ∇f (P ) − λ∇g(P ) = (0, 0).
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

Optimización con restricciones de igualdad. Teorema de

Lagrange
Teorema (Condición necesaria o de primer orden para óptimos

restringidos)
Sean f, g : U ⊆ R2 −→ R funciones de clase C 1 en el abierto U .
Dado el programa

Opt. f (x, y)
P:
s.a. g(x, y) = c
Suponga que (x0 , y0 ) es un punto de U tal que ∇g(x0 , y0 ) 6= (0,

0)
y S = {(x, y) ∈ U : g(x, y) = c} es el conjunto factible. Si f

S
alcanza un óptimo local en (x0 , y0 ) ∈ S, entonces
∃λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ).

Observación
a) La condición ∃ λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ) es

equivalentemente a la siguiente
∇L(λ, x0 , y0 ) = (0, 0, 0),
donde L(λ, x, y) = f (x, y) + λ(c − g(x, y)).

Observación
a) La condición ∃ λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ) es

equivalentemente a la siguiente
∇L(λ, x0 , y0 ) = (0, 0, 0),
donde L(λ, x, y) = f (x, y) + λ(c − g(x, y)).

b) El punto (x0 , y0 ) que satisface la condición
∇L(λ, x0 , y0 ) = (0, 0, 0)
se llama punto crı́tico asociado al programa de optimización

restringido, y el valor correspondiente λ se llama
multiplicador de lagrange.

Ejemplo
Resuelva el siguiente programa:

max x + y
P:
s.a. x2 + y 2 = 4


Generalizando el caso anterior. Dado el programa,

Opt. f (x)
P: ,
s.a. g(x) = c
donde f, gi : U ⊆ Rn −→ R, g = (g1 , . . . , gm ) y
c = (c1 , . . . , cm ).



Opt. f (x)
P: ,
s.a. g(x) = c
c = (c1 , . . . , cm ).
1 La función Lagrangiana asociada al programa P es dada por
L(λ, x) = f (x) + λ1 (c1 − g1 (x)) + · · · + λm (cm − gm (x)),
donde x = (x1 , . . . , xn ) y λ = (λ1 , . . . , λm ).



Opt. f (x)
P: ,
s.a. g(x) = c
c = (c1 , . . . , cm ).
1 La función Lagrangiana asociada al programa P es dada por
L(λ, x) = f (x) + λ1 (c1 − g1 (x)) + · · · + λm (cm − gm (x)),
donde x = (x1 , . . . , xn ) y λ = (λ1 , . . . , λm ).

2 La región factible del programa es,
S = {x ∈ U : g1 (x) = c1 , . . . , gm (x) = cm }.

3) Un punto P ∈ S verifica la condición de regularidad si, la

matriz jacobiana Jg (P ) tiene rango m, donde
∂g1 (P ) ∂g1 (P )
 
··· 
∇g1 (P )

 ∂x1 ∂xn 

Jg (P ) =  .. .. .. 
= ..
,
 
 . . . 
 .
 ∂g (P ) ∂g (P )  ∇gm (P )
m m
···
∂x1 ∂xn m×n
esta condición equivale a que los gradientes de las funciones

gi sean linealmente independientes en el punto P . Todos los
puntos P ∈ S que verifican la condición de regularidad se
llaman puntos regulares.

4) El hessiano orlado es la matriz hessiana de su función

Lagrangiana,

0m×m −Jg (x)m×n
HL(λ, x) =
−Jgt (x) Hx L(λ, x)n×n (m+n)×(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
Jg (x) es la matriz jacobiana de g en x y Jgt (x) denota la

transpuesta de Jg (x).

Optimización con restricciones de igualdad: Teorema de

Lagrange
Teorema (Condición necesaria o de primer orden para óptimos
restringidos, caso general)
Sean f, g : U ⊆ Rn −→ R funciones de clase C 1 en el abierto U .
Dado el programa

Opt. f (x)
P:
s.a. g(x) = c
Suponga que P es un punto de la región factible

S ={x ∈ U : g(x) = c} verificando la condición de regularidad.
Si f alcanza un óptimo local en P , entonces existen escalares

S
λ1 , . . . , λm únicos tales que
∇L(λ, P ) = 0, donde λ = (λ1 , . . . , λm ).

Teorema (Condiciones suficientes o de segundo orden para

extremos locales restringidos)
Sea P un punto crı́tico y regular del programa (P) con

λ = (λ1 , . . . , λm ) vector de multiplicadores de Lagrange asociado.
Además,
f : U ⊆ Rn −→ R, y g = (g1 , . . . , gm ) : U −→ Rm
son funciones de clase C 2 en el abierto U . Sea V el subespacio

definido por
V = {v ∈ Rn : Jg (P ) · v = 0}.
Se cumple

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 .



S
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



S
asociada

S



S
asociada

S
Observación
El subespacio dado por
{v ∈ Rn : Jg (P ) · v = 0}
es el subespacio tangente a la región factible en el punto P .

Optimización restringida
Ejemplo
Dado el programa:

max x1 x2 x3
P:
s.a. x1 + x2 + x3 = 6

Ejemplo
Dado el programa:

max x1 x2 x3
P:
s.a. x1 + x2 + x3 = 6
Formamos la función de Lagrange,
L(λ; x1 , x2 , x3 ) = x1 x2 x3 + λ(6 − x1 − x2 − x3 )
Los puntos crı́ticos se obtienen al resolver el siguiente sistema de

ecuaciones:
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.

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

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}.
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 )

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 )
Esta forma cuadrática está definida sobre todo R3 , nuestro interés

es analizarla sobre V ; entonces usando la relación que caracteriza a
V se tiene

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 )
Esta forma cuadrática está definida sobre todo R3 , nuestro interés

es analizarla sobre V ; entonces usando la relación que caracteriza a
V se tiene

Q(v1 , v2 , v3 ) = −4(v12 + v1 v2 + v22 ) < 0

V
Por lo tanto, la forma cuadrática Q restringinda al subespacio V es

definida negativa, el teorema de condiciones suficiente (4) implica
que la función alcanza en el punto P un máximo local restringido.

Teorema
Sea P un punto crı́tico del programa (P) con vector
λ = (λ1 , . . . , λm ) de multiplicadores de Lagrange asociado. Se
cumple

Teorema
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

Teorema
cumple
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
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.

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

Optimización con restricciones
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
Como el signo del menor M3 coinciden con el signo de (−1)m+1 y

M4 < 0, concluimos que la matriz HL(λ, P ) es definida negativa,
el teorema (6) garantiza que la función f restringida a S alcanza
un máximo local en el punto P .

Teorema (Condiciones suficiente o de segundo orden para
extremos locales)
Sea P un punto crı́tico del problema de optimización restringido P

con multiplicadores de Lagrange asociado λ y f : U −→ R,
g = (g1 , . . . , gm ) : U −→ Rm funciones de clase C 2 en el abierto
U . Se cumple
a) Si Hx L(λ; P ) es definida positiva, entonces P es un mı́nimo
local restringido.
b) Si Hx L(λ; P ) es definida negativa, entonces P es un máximo
local restringido.
donde
 ∂2L ∂2L 
···
∂x1 ∂x1 (λ; P ) ∂x1 ∂xn (λ; P )
Hx L(λ; P ) = 
 .
.. .. .. 
,
. . 
2
∂ L ∂2L
∂xn ∂x1 (λ; P ) · · · ∂xn ∂xn (λ; P ) n×n

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)
Los puntos crı́ticos correspondiente se obtienen al resolver el

siguiente sistema de ecuaciones,
0 = Lλ = −2x+y−z, 0 = Lx = y−2λ, 0 = Ly = x+λ, 0 = Lz = 2z−λ,
resultando el punto P = (0, 0, 0), con multiplicador asociado

λ = 0. Puesto que la restricción es lineal, el punto P es un punto
regular.
Ahora procedemos a calcular el subespacio
V = {(u, v, w) : Jg (P ) · (u, v, w) = 0}, donde

Jg (x, y, z) = 2 −1 1 ⇒ Jg (P ) = 2 −1 1


 
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}
Si v = (v1 , v2 , v3 ), analizamos la forma cuadrática vt Hx L(λ, P ) · v,

  
0 1 0 v1
vt Hx L(λ, P ) · v = v1 v2 v3 1 0 0 v2 

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).
El teorema (4) implica que el punto P = (0, 0, 0) es un mı́nimo

local del programa.
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
, cuyos dos últimos menores principales dominantes,

respectivamente son

0 −2 1 −1
0 −2 1
−2 0 1 0
M3 = −2 0 1 = −4 < 0,
M4 = = −7 < 0
1 1 0 1 1 0 0
−1 0 0 2
Como los signos de estos menores con el signo de (−1)m ,

concluimos que la matriz HL(λ, P ) es definida positiva, el teorema
(6) garantiza que la función f restringida a S alcanza un mı́nimo
local en el punto P .

Optimiación cono restricciones

Ejemplo
min x2 + y 2

P: ,
s.a. x + y = 1
Solución


Ejemplo
min x2 + y 2

P: ,
s.a. x + y = 1
Solución
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)


Ejemplo
min x2 + y 2

P: ,
s.a. x + y = 1
Solución
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)
Los puntos crı́ticos asociados al programa dado se obtienen al

resolver el siguiente sistema de ecuaciones,
0 = Lλ = 1 − x − y, 0 = Lx = 2x − λ, 0 = Ly = 2y − λ,
resultando P = ( 21 , 21 ) con multiplicador asociado es λ = 1. El

punto P = ( 21 , 12 ) es regular, pues


Ejemplo
min x2 + y 2

P: ,
s.a. x + y = 1
Solución
L(λ, x, y) = x2 + y 2 + λ(1 − x − y)
Los puntos crı́ticos asociados al programa dado se obtienen al

resolver el siguiente sistema de ecuaciones,
0 = Lλ = 1 − x − y, 0 = Lx = 2x − λ, 0 = Ly = 2y − λ,
resultando P = ( 21 , 21 ) con multiplicador asociado es λ = 1. El

punto P = ( 21 , 12 ) es regular, pues

∇g(P ) = 1 1 = 1 1 6= (0, 0).
P
Ahora analizamos el subespacio
V = {v = (v1 , v2 ) : Jg (P ) · v = 0} = {(v1 , v2 ) : v1 + v2 = 0}


Ejemplo
Luego,

t
2 0 v1
v ·Hx (λ, P )·v = v1 v2 = 2v12 +2v22 > 0, ∀v 6= 0.
0 2 v2
Por lo tanto, P es un mı́nimo local del programa.


Ejemplo
Luego,

t
2 0 v1
v ·Hx (λ, P )·v = v1 v2 = 2v12 +2v22 > 0, ∀v 6= 0.
0 2 v2
Por lo tanto, P es un mı́nimo local del programa.

Otra forma de analizar la forma cuadrática restringida es usando la
matriz hessiana orlado en el punto crı́tico P ,
 
0 1 1
1 1
HL(λ; x, y) = 1 2 0 = HL(1, , )
2 2
1 0 2
cuyo menor principal de orden 3 es M3 = −4 < 0, coincide con el

signo de (−1)m < 0, cuando m = 1. Por lo tanto, P es un punto
mı́nimo local restringido.

Ejemplo
 max (x − 1)2 + (y − 1)2 + z 2


P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1

Solución


Ejemplo
 max (x − 1)2 + (y − 1)2 + z 2


P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1

Solución
L(λ1 , λ2 ; x, y, z) = (x−1)2 +(y−1)2 +z 2 +λ1 (1−x2 −y 2 −z 2 )+λ2 (1−x−y−z)


Ejemplo
 max (x − 1)2 + (y − 1)2 + z 2


P: s.a. x2 + y 2 + z 2 = 1 ,
x+y+z =1

Solución
L(λ1 , λ2 ; x, y, z) = (x−1)2 +(y−1)2 +z 2 +λ1 (1−x2 −y 2 −z 2 )+λ2 (1−x−y−z)
Los puntos crı́ticos correspondientes se obtienen al resolver el

siguiente sistema de ecuaciones,
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

P1 = (0, 0, 1) y multiplicadores de Lagrange asociados λ1 = 2, λ2 = −2

2 2 1 2
P2 = ( , , − ) y multiplicadores de Lagrange asociados λ1 = 0, λ2 = − .
3 3 3 3



2 2 1 2
3 3 3 3
Los puntos P1 y P2 verifican la condición de regularidad. En este
caso,
g(x, y, z) = (g1 (x, y, z), g2 (x, y, z)) = (x2 + y 2 + z 2 , x + y + z).
Luego, matriz jacobiana asociada a g es

2x 2y 2z
Jg (x, y, z) =
1 1 1
En particular,



2 2 1 2
3 3 3 3
Los puntos P1 y P2 verifican la condición de regularidad. En este
caso,
g(x, y, z) = (g1 (x, y, z), g2 (x, y, z)) = (x2 + y 2 + z 2 , x + y + z).
Luego, matriz jacobiana asociada a g es

2x 2y 2z
Jg (x, y, z) =
1 1 1
En particular,
4 4
− 23

0 0 2 3 3
Jg (P1 ) = , Jg (P2 ) =
1 1 1 1 1 1
En ambos casos el rango es 2.


Ejemplo
Analizamos la naturaleza del punto crı́tico:
 
2 − 2λ1 0 0
Hx L(λ1 , λ2 , x, y, z) =  0 2 − 2λ1 0 
0 0 2 − 2λ1


Ejemplo
 
2 − 2λ1 0 0
Hx L(λ1 , λ2 , x, y, z) =  0 2 − 2λ1 0 
0 0 2 − 2λ1
 
−2 0 0
Hx L(2, −2; P1 ) =  0 −2 0 
0 0 −2


Ejemplo
 
2 − 2λ1 0 0
Hx L(λ1 , λ2 , x, y, z) =  0 2 − 2λ1 0 
0 0 2 − 2λ1
 
−2 0 0
Hx L(2, −2; P1 ) =  0 −2 0
0 0 −2
 
2 0 0
Hx L(0, −2/3; P2 ) = 0 2
 0
0 0 2


Ejemplo
 
2 − 2λ1 0 0
Hx L(λ1 , λ2 , x, y, z) =  0 2 − 2λ1 0 
0 0 2 − 2λ1
 
−2 0 0
Hx L(2, −2; P1 ) =  0 −2 0
0 0 −2
 
2 0 0
Hx L(0, −2/3; P2 ) = 0 2
 0
0 0 2
Por lo tanto, P1 es un máximo local restringido y P2 es un mı́nimo
local restringido.

Ejemplo
Otra forma de analizar la naturaleza del punto crı́tico es usando el
hessiano orlado
 
0 0 −2x −2y −2z
 0
 0 −1 −1 −1  
HL(λ1 , λ2 ; x, y, z) = −2x −1 2 − 2λ1
 0 0 

−2y −1 0 2 − 2λ1 0 
−2z −1 0 0 −2 − 2λ1


Ejemplo
 
0 0 0 0 −2
0 0 −1 −1 −1
 
0 −1 −2 0
HL(2, −2; P1 ) =  0
,
0 −1 0 −2 0 
0 −1 0 0 −2
0 − 34 − 43 32
 
0
 4 0 −1 −1 −1
 0
10

HL(0, −2/3; P2 ) = − 3 −1 3
 0 0 
− 4 −1 0 10
0
3 3
2 10
3 −1 0 0 3
Puesto que los últimos menores de estas matrices son −16 y 80

3
respectivamente. Luego, el teorema (6) implica que P1 es un
máximo local, mientras que P2 es un mı́nimo local.

Ejemplo
opt. 8x3 + 2xy − 4x2 + y 2 + 1

P:
s.a. 25x + y = 10
Solución


Ejemplo
opt. 8x3 + 2xy − 4x2 + y 2 + 1

P:
s.a. 25x + y = 10
Solución
L(λ; x, y) = 8x3 + 2xy − 4x2 + y 2 + 1 + λ(10 − 25x − y)


Ejemplo
opt. 8x3 + 2xy − 4x2 + y 2 + 1

P:
s.a. 25x + y = 10
Solución
L(λ; x, y) = 8x3 + 2xy − 4x2 + y 2 + 1 + λ(10 − 25x − y)
Los puntos crı́ticos se obtienen al resolver el siguiente sistema de

ecuaciones,
0 = Lλ = 10 − 25x − y, 0 = Lx = 24x2 + 2y − 8x − 25λ,
0 = Ly = 2x + 2y − λ,

Optimización con restriciones
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.

Optimización con restriciones
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



0 −25 −1
HL(λ; P2 ) = −25 12 2
−1 2 2



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.

Proposición (Optimización global restringida)
Consideremos el siguiente programa

Opt. f (x)
P: ,
s.a. g(x) = c
donde f, gi : U ⊂ Rn −→ R funciones de clase C 1 en el conjunto

abierto U y c1 , . . . , cm constantes reales, g = (g1 , . . . , gm ).
Supongamos que la región factible S = {x : g(x) = c} es convexo
y P ∈ S es un punto crı́tico del programa. Se cumple:


Opt. f (x)
P: ,
s.a. g(x) = c

a) Si la función f (x) es convexa en S, entonces P es un mı́nimo
global restringido,


Opt. f (x)
P: ,
s.a. g(x) = c

a) Si la función f (x) es convexa en S, entonces P es un mı́nimo
global restringido,
b) Si la función f (x) es cóncava en S, entonces P es un máximo
global restringido.


Observación
En la proposición (1) se tiene:


Observación
a) Si la función objetivo es estrictamente convexa o
estrictamente cóncava, el óptimo global es único.


Observación
a) Si la función objetivo es estrictamente convexa o
estrictamente cóncava, el óptimo global es único.
b) Si la función es convexa (respectivamente cóncava) en la
región factible S = {x ∈ U : g1 (x) = c1 , . . . , gm (x) = cm }, y
las funciones gi (x) = ci , i = 1, . . . , m, son lineales se obtiene
el mismo resultado.


Ejemplo
 Opt. x2 + y 2 + z 2

P: s.a. x+y+z = 0
2x − y + 2z = 1



Ejemplo
 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,
L(λ1 , λ2 , x, y, z) = x2 +y 2 +z 2 +λ1 (−x−y−z)+λ2 (1−2x+y−2z)


Ejemplo
 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,
L(λ1 , λ2 , x, y, z) = x2 +y 2 +z 2 +λ1 (−x−y−z)+λ2 (1−2x+y−2z)
Al resolver el sistema generado por la condición

∇L(λ1 , λ2 , x, y, z) = (0, 0, 0, 0, 0) resulta, que el único punto
crı́tico es P = ( 16 , − 13 , 61 ), con multiplicadores de Lagrange
asociados λ = (− 13 , 13 ).
Optimización con restricciones: Continuación
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

Optimización con restricciones: Continuación
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
Luego, la matriz Hf (x, y, z) es definida positiva en S. Esto

significa que la función f es estrictamente convexa en S. Por lo
tanto, la proposición anterior implica que el punto P es un mı́nimo
global restringido, el cual es único.

Teorema de sensibilidad
Teorema
Dado el programa

max f (x)
P: ,
s.a. g(x) = c
donde f, gi : U ⊂ Rn −→ R son funciones de clase C 2 en el

abierto U , con S ⊆ U , donde
S = {x ∈ U : g(x) = 0}, c = (c1 , . . . , cm ), x = (x1 , . . . , xn )
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
Por lo tanto, el multiplicador de Lagrange es aproximadamente el

incremento que se produce en el valor óptimo de la función
objetivo cuando el parámetro se incrementa en una unidad.

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 .
Encuentre el máximo beneficio de esta firma sujeta a la cuota de

producción. Si el cliente aumenta su orden en 10 unidades, ¿cómo
cambia el máximo beneficio?

Ejemplo

max ln x + ln y
P: ,
s.a. px + qy = P
donde U es la función de utilidad de un consumidor y la ecuación

dada es la restricción presupuestaria.
Solución
Considerando la función Lagrangeana,
L(λ, x, y) = ln x + ln y + λ(P − px − qy)

Ejemplo

max ln x + ln y
P: ,
s.a. px + qy = P
donde U es la función de utilidad de un consumidor y la ecuación

dada es la restricción presupuestaria.
Solución
Considerando la función Lagrangeana,
L(λ, x, y) = ln x + ln y + λ(P − px − qy)
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

Supongamos que x(b) = (x1 (b), . . . , xn (b)) es una solución del

programa (P), con multiplicador de Lagrange
λ(b) = (λ1 (b), . . . , λm (b)) asociado. La función valor del
programa P, llamado también función objetivo indirecta
Φ(b) = f (x1 (b), . . . , xn (b), b)
verifica
∂Φ ∂L
(b) =
Andrés Beltrán (x(b), λ(b)).
Matemática para Economı́a y Finanzas 2
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
Por, lo tanto (x, y) es un máximo global del programa. El valor

máximo de la función objetivo es dada por
P P
Φ(p, q, P ) = f (x(p, q, P ), y(p, q, P )) = ln + ln
2p 2q
P2
= ln = ln P 2 − ln 4pq.
4pq
De manera que,
∂Φ 1 ∂Φ 1 ∂Φ 2
=− , =− , = .
∂p p ∂q q ∂P P

Transparencia 7

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transparencia 7

Cargado por

Copyright:

Formatos disponibles

Optimización con restricciones de igualdad

Matemática para Economı́a y Finanzas 2

Estudios Generales Letras

Andrés Beltrán Matemática para Economı́a y Finanzas 2

1 Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

donde f, gi : U ⊂ Rn −→ R y c1 , . . . , cm constantes reales. La

S = {x = (x1 , . . . , xm ) : g1 (x) = c1 , . . . , = gm (x) = cm }

es llamado región o conjunto factible. Se trata de encontrar los

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

El programa anterior puede reescribirse en la forma:

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

El programa anterior puede reescribirse en la forma:

f (a) ≤ f (x) ≤ f (b), ∀ x ∈ S.

Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

Los puntos de tangencia P entre la curva definida por la restricción

∇f (P ) = λ∇g(P ) ⇔ ∇f (P ) − λ∇g(P ) = (0, 0).

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad. Teorema de

Teorema (Condición necesaria o de primer orden para óptimos

Suponga que (x0 , y0 ) es un punto de U tal que ∇g(x0 , y0 ) 6= (0,

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

a) La condición ∃ λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ) es

∇L(λ, x0 , y0 ) = (0, 0, 0),

donde L(λ, x, y) = f (x, y) + λ(c − g(x, y)).

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

a) La condición ∃ λ ∈ R : ∇f (x0 , y0 ) = λ∇g(x0 , y0 ) es

∇L(λ, x0 , y0 ) = (0, 0, 0),

donde L(λ, x, y) = f (x, y) + λ(c − g(x, y)).

se llama punto crı́tico asociado al programa de optimización

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

L(λ, x) = f (x) + λ1 (c1 − g1 (x)) + · · · + λm (cm − gm (x)),

donde x = (x1 , . . . , xn ) y λ = (λ1 , . . . , λm ).

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

L(λ, x) = f (x) + λ1 (c1 − g1 (x)) + · · · + λm (cm − gm (x)),

donde x = (x1 , . . . , xn ) y λ = (λ1 , . . . , λm ).

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

3) Un punto P ∈ S verifica la condición de regularidad si, la

esta condición equivale a que los gradientes de las funciones

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad

4) El hessiano orlado es la matriz hessiana de su función

Andrés Beltrán Matemática para Economı́a y Finanzas 2

Optimización con restricciones de igualdad