Soluciones Problemas 08 09 Temas 8 Al 10

Soluciones a los ejercicios propuestos: Matemáticas III.
Curso 08–09 77
Tema 8
1. Clasificar los puntos crı́ticos de las siguientes funciones:
(a) f (x, y) = (x − 2)2 + (y − 1)2
∇f (x, y) = (2(x − 2), 2(y(− 1))

x∗ = 2
si ∇f (x∗ , y ∗ ) = (0, 0) →
y∗ = 1
El punto crı́tico es el x̄∗ = (2, 1)
Calculamos la matriz hessiana:
Ã !
2 0
Hf (x, y) =
0 2
Puesto que Hf (x, y) es definida positiva ∀(x, y) ∈ IR 2 , y en particular,
en x̄∗ = (2, 1), el punto x̄∗ es un mı́nimo local estricto de f .
(b) f (x, y) = 4 − x2 + y 2
∇f (x, y) = (−2x, 2y) (

∗ ∗ x∗ = 0
Si ∇f (x , y ) = (0, 0) → , por tanto, el punto crı́tico es el
y∗ = 0
x̄∗ = (0, 0)
Ã !
−2 0
La matriz hessiana es Hf (x, y) = , que es indefinida ∀(x, y) ∈
0 2
IR 2 , y en particular en x̄∗ = (0, 0), luego x̄∗ es un punto de silla.
(c) f (x, y) = x2 − xy + y 2 − 2y + x
∇f (x, y) = (2x − y + 1, −x(+ 2y − 2)

x∗ = 0
Si ∇f (x∗ , y ∗ ) = (0, 0) → , por tanto, el punto crı́tico es el
y∗ = 1
x̄∗ = (0, 1) Ã !
2 −1
La matriz hessiana es Hf (x, y) = , que es definida positiva
−1 2
∀(x, y) ∈ IR 2 , y en particular, en x̄∗ = (0, 1), luego el punto x̄∗ es un
mı́nimo local estricto de f .
Soluciones a los ejercicios propuestos: Matemáticas III. Curso 08–09 78
2 +y 2 )
(d) f (x, y) = (x2 + y 2 )e−(x
2 2 2 2 2 2 2 +y 2 )
∇f (x, y) = (2xe−(x +y ) − 2x(x2 + y 2 )e−(x +y ) , 2ye−(x +y ) − 2y(x2 + y 2 )e−(x )
2 2 2 2
= (2xe−(x +y ) [1 − (x2 + y 2 )], 2ye−(x +y ) [1 − (x2 + y 2 )])

∗ ∗
 x1 = 0, y1 = 0

Si ∇f (x∗ , y ∗ ) = (0, 0) → x∗2 = 0, y2∗ = 1

 ∗
x3 = 1, y3∗ = 0
Por tanto, los puntos crı́ticos son x̄∗1 = (0, 0), x̄∗2 = (0, 1) y x̄∗3 = (1, 0).
La matriz hessiana es
Ã 2 2 2 2
!
2e−(x +y ) [(1 − 2x2 )(1 − (x2 + y 2 )) − 2x2 ] − 4xye−(x +y ) [2 − (x2 + y 2 )]
2 2 2 2
−4xye−(x +y ) [2 − (x2 + y 2 )] 2e−(x +y ) [(1 − 2y 2 )(1 − (x2 + y 2 )) − 2y 2 ]
En particular,
Ã !
2 0
• Hf (0, 0) = , que es definida positiva, por tanto, el punto
0 2
x̄∗1 = (0, 0) es un mı́nimo local estricto de f .
Ã !
−4e−1 0
• Hf (1, 0) = , que es semidefinida negativa, por tanto,
0 0
el punto x̄∗3 = (1, 0), es un máximo global.
Ã !
0 0
• Hf (0, 1) = , que es indefinida, por tanto, el punto
0 −4e−1
x̄∗2 = (0, 1), es un punto de silla.
2. Calcular la matriz hessiana de la función f (x, y) = x2 + y 2 en el punto (1, 1)
y clasificar el punto (1, 1).
∇f (x, y) = (2x, 2y) Ã !

2 0
Calculamos la matriz hessiana, Hf (x, y) = , ∀(x, y) ∈ IR 2
0 2
Ã !
2 0
En particular Hf (1, 1) = , que es definida positiva, luego el punto
0 2
x̄∗ = (1, 1) es un mı́nimo local estricto de f .
3. Una empresa productora de dos bienes tiene las siguientes funciones de

demanda y coste:
Q1 (P1 , P2 ) = 40 − 2P1 − P2
Q2 (P1 , P2 ) = 35 − P1 − P2
C(Q1 , Q2 ) = Q21 + 2Q22 + 10
Hallar los niveles de producción (Q1 y Q2 ) y los precios (P1 y P2 ) que maxi-
mizan el beneficio. Discutir si dicho máximo es global.
q1 = 40 − 2p1 − p2
q2 = 35 − p1 − p2
Puesto que se vende todo lo que se produce, la cantidad total producida
será igual a la suma de las cantidades de los dos bienes vendidos, es decir,
q = q1 + q2 .
De las funciones de demandas dadas, obtenemos
p1 = −q1 + q2 + 5 y p2 = q1 − 2q2 + 30, por tanto, las funciones de ingreso de
cada bien son:
I1 (q1 , q2 ) = p1 q1 = (−q1 + q2 + 5)q1 = −q12 + q1 q2 + 5q1

I2 (q1 , q2 ) = p2 q2 = (q1 − 2q2 + 30)q2 = q1 q2 − 2q22 + 30q2
siendo la función de ingresos de la empresa,
I(q1 , q2 ) = I1 (q1 , q2 ) + I2 (q1 , q2 ) = −q12 − 2q22 + 2q1 q2 + 5q1 + 30q2
Por tanto, la función de beneficios es,
B(q1 , q2 ) = I(q1 , q2 )−C(q1 , q2 ) = −q12 −2q22 +2q1 q2 +5q1 +30q2 −q12 −2q22 −10 =
−2q12 − 4q22 + 2q1 q2 + 5q1 + 30q2 − 10
El programa queda,
máx B(q1 , q2 ) = −2q12 − 4q22 + 2q1 q2 + 5q1 + 30q2 − 10
Aplicamos las condiciones de primer orden:

∂B
∂q1
= 0 → −4q1 + 2q2 + 5 = 0
∂B
∂q2
= 0 → −8q2 + 2q1 + 30 = 0
³ ´
Resolvemos el sistema, obteniendo como punto crı́tico q̄ ∗ = 25 , 65
7 14
Ã !
−4 2
La matriz hessiana es HB(q1 , q2 ) = , que es definida nega-
2 −8
tiva en
³ todo ´ (q1 , q2 ), luego la función B(q1 , q2 ) es estrictamente cóncava y
∗ 25 65
q̄ = 7 , 14 es el máximo global.
Los precios de ambos bienes serı́an,
p1 = − 25
7
+ 6514
+ 5 = 8514
u.m.
25 65 170
p2 = 7 − 7 + 30 = 7 u.m.
y el
³ beneficio
´ total es:
25 65
B 7 , 14 = 68.5714u.m.
4. Discutir el carácter de los puntos crı́ticos de la función
f (x, y) = ax2 + 2bxy + cy 2 + dx + ey + f
según los valores de los parámetros reales a, b, c, d, e y f , siendo ac − b2 6= 0.
∇f (x, y) = (2ax + 2by + d, 2bx + 2cy + e)
Hallamos los puntos crı́ticos:

(
2ax + 2by + d = 0 (I)
∇f (x, y) = (0, 0) →
2bx + 2cy + e = 0 (II)
Multiplicamos (I) por ”-b” y (II) por ”a”:

−2abx − 2b2 y − bd = 0
2abx + 2acy + ae = 0
2y(−b2 + ac) + ae − bd = 0
bd−ae
y∗ = 2(ac−b2 )
siendo ac − b2 6= 0.
De (I) tenemos:
³ ´
bd−ae
2ax+ 6 2b 62(ac−b2) +d=0
b2 d−abe+d(ac−b2 ) b2 d−abe+d(ac−b2 )
2ax = (ac−b2 )
→ x∗ = 2a(ac−b2 )
Luego³ el punto crı́tico es, ´

2 2)
x̄∗ = b d−abe+d(ac−b
2a(ac−b2 )
, bd−ae
2(ac−b2 )
Calculamos Ãla matriz !hessiana,

2a 2b
Hf (x, y) = , ∀(x, y) ∈ IR 2
2b 2c
|Hf (x, y)| = 4ac−4b2 = 4(ac−b2 ) 6= 0, por la condición dada en el enunciado.
Puesto que |Hf (x, y)| 6= 0, la matriz hessiana no puede ser semidefinida
positiva, ni semidefinida negativa. Las posibilidades que tenemos son definida
positiva, definida negativa e indefinida. Estudiemos los distintos casos:
• Si a > 0 y ac − b2 > 0
Hf (x, y) es definida positiva ∀(x, y) ∈ IR 2 , luego x̄∗ es un mı́nimo local

estricto de f .
• Si a < 0 y ac − b2 > 0
Hf (x, y) es definida negativa ∀(x, y) ∈ IR 2 , luego x̄∗ es un máximo local

estricto de f .
• Si ac − b2 < 0 ó a = 0
Hf (x, y) es indefinida ∀(x, y) ∈ IR 2 , luego x̄∗ es un punto de silla.
5. Hallar y clasificar los puntos crı́ticos de la función

1 1
f (x1 , x2 ) = ax1 x2 + b( + )
x1 x2
siendo a, b ∈ IR, a 6= 0, b 6= 0.
³ ´
∇f (x1 , x2 ) = ax2 − xb2 , ax1 − xb2
1 2
Hallamos los puntos crı́ticos:

 ax2 − b2 = 0 → x2 = b
x1 ax21
∇f (x1 , x2 ) = (0, 0) →
 ax1 − xb2 = 0
2
Sustituyendo,
ba2 x2
ax1 − ³ b ´2 = 0 → ax1 − b2 1 = 0
b
ax1
³ ´
a2 x21 2
ax1 − b
= 0 → x1 a − a bx1 = 0
(
x1 = 0
→ 2
a − a bx1 = 0 → x∗1 = ab
x1 = 0 no lo tenemos en cuenta, pues x2 no estarı́a definida.
x∗2 = bb 2 = ab
a( a )
³ ´
Luego el punto crı́tico es, x̄∗ = ab , ab , con a 6= 0,b 6= 0 y a, b ∈ IR.
Calculamos lamatriz hessiana,

2b
3 a
Hf (x1 , x2 ) =  x1 2b  ∀(x1 , x2 ) ∈ IR 2
a x3
2 ³ ´
b a
Particularizamos para nuestro punto x̄∗ = ,
a b
y nos queda,
 
³ ´ 2a3
b a b2
a 
Hf , = 2b4
a b a a3
¯ ³ ´¯
y además ¯¯Hf ab , ab ¯¯ = 2b
4 63
6 63
a
· 26ba2 − a2 = 4b2 − a2
³ ´
b a
Estudiemos el carácter de Hf ,
a b
, para los distintos valores de ”a” y ”b”:
• Si a³> 0 ý 4b2 − a2 > 0, ³ ´

Hf ab , ab es definida positiva, luego el punto x̄∗ = ab , ab es un mı́nimo
local estricto de f .
• Si a³< 0 ý 4b2 − a2 > 0, ³ ´

Hf ab , ab es definida negativa, luego el punto x̄∗ = ab , ab es un máximo
local estricto de f .
• Si a³> 0 ý 4b2 − a2 = 0,
Hf ab , ab es semidefinida positiva (y por tanto, convexa), luego el punto
³ ´
b a
x̄∗ = ,
a b
es un mı́nimo global de f .
• Si a³< 0 ý 4b2 − a2 = 0,
Hf ab , ab es semidefinida negativa (y por tanto, cóncava), luego el punto
³ ´
b a
x̄∗ = ,
a b
es un máximo global de f .
• Si 4b³2 − a´2 < 0, ³ ´

Hf ab , ab es indefinida, luego el punto x̄∗ = ab , ab es un punto de silla.
6. Discutir el carácter de los puntos crı́ticos de la función

f (x, y, z) = ax2 + by 2 + cz 2 + dxz a, b, c, d 6= 0
según los valores de los parámetros a, b, c y d.
∇f (x, y, z) = (2ax + dz, 2by, 2cz + dx)

Hallamos los puntos crı́ticos,

 2ax + dz = 0(I)

∇f (x, y, z) = (0, 0, 0) → 2by = 0 → y ∗ = 0


2cz + dx = 0(II)
Multiplicamos (I) por ”d” y (II) por ”-2a”,
2adx + d2 z = 0
−2adx − 4caz = 0
(d − 4ac)z = 0 → z ∗ = 0
2
De (I) obtenemos x∗ = 0, luego el punto crı́tico es x̄∗ = (0, 0, 0)

Calculamos lamatriz hessiana,

2a 0 d
Hf (x, y, z) =  
 0 2b 0  ∀(x, y, z) ∈ IR
3
d 0 2c
y
¯ además,¯
¯ 2a 0 ¯
¯ ¯
¯ ¯ = 4ab
¯ 0 2b ¯
|Hf (x, y, z)| = 8abc − 2bd2 = 2b(4ac − d2 )
Estudiamos el carácter de Hf (0, 0, 0), según los distintos valores de ”a”,

”b”,”c” y ”d”:
• Si a > 0, b > 0 y 4ac − d2 > 0,

Hf (0, 0, 0) es definida positiva, luego el punto x̄∗ = (0, 0, 0) es un mı́nimo
local estricto de f.
• Si a < 0, b < 0 y 4ac − d2 > 0,
Hf (0, 0, 0) es definida negativa, luego el punto x̄∗ = (0, 0, 0) es un
máximo local estricto de f.
• Si a > 0, b > 0 y 4ac − d2 = 0,
Hf (0, 0, 0) es semidefinida positiva (y por tanto, convexa), luego x̄∗ =
(0, 0, 0) es un mı́nimo global de f.
• Si a < 0, b < 0 y 4ac − d2 = 0,
Hf (0, 0, 0) es semidefinida negativa (y por tanto, cóncava), luego x̄∗ =
(0, 0, 0) es un máximo global de f.
• Si ab < 0,
Hf (0, 0, 0) es indefinida, luego x̄∗ = (0, 0, 0)es un punto de silla.
7. Consideremos una empresa monopolı́stica que vende un único bien en tres
mercados separados para los que se tienen las tres funciones siguientes de
ingreso medio: P1 = 63 − 4Q1 , P2 = 105 − 5Q2 y P3 = 75 − 6Q3 . La función
de costes es C = 20 + 15Q + Q2 . Hallar las cantidades y los precios de
equilibrio.
Las funciones de ingreso en cada mercado son:

I1 (q1 ) = p1 q1 = (63 − 4q1 )q1 = 63q1 − 4q12
I2 (q2 ) = p2 q2 = (105 − 5q2 )q2 = 105q2 − 5q22
I3 (q3 ) = p3 q3 = (75 − 6q3 )q3 = 75q3 − 6q32
siendo la función de ingresos de la empresa,

I(q1 , q2 , q3 ) = I1 (q1 ) + I2 (q2 ) + I3 (q3 )
y por tanto, la función de beneficios es,

B(q1 , q2 , q3 ) = I(q1 , q2 , q3 ) − C(q1 + q2 + q3 ),
donde hemos supuesto que q = q1 + q2 + q3 , es la cantidad total producida.

Luego,
B(q1 , q2 , q3 ) = −5q12 − 6q22 − 7q32 − 2q1 q2 − 2q2 q3 − 2q1 q3 + 48q1 + 90q2 + 60q3 − 20
El programa es,
máxB(q1 , q2 , q3 )
Aplicamos las condiciones de primer orden,


∂B
∂q1
= 0 → −10q1 − 2q2 − 2q3 + 48 = 0  

∂B
∂q2
= 0 → −12q 2 − 2q 1 − 2q 3 + 90 = 0 quedando el sistema,


∂B
= 0 → −14q3 − 2q2 − 2q1 + 60 = 0 
∂q3

−10q1 − 2q2 − 2q3 + 48 = 0 

−12q2 − 2q1 − 2q3 + 90 = 0 que tiene por solución


−14q3 − 2q2 − 2q1 + 60 = 0
³ ´
282 633 285
q̄ ∗ = , ,
97 97 97
que es el punto crı́tico.
La matriz hessiana  es, 

−10 −2 −2
 
HB(q1 , q2 , q3 ) =  −2 −12 −2  , ∀(q1 , q2 , q3 ) ∈ IR 3
−2 −2 −14
Llamando Di, i = 1, 2, 3, a los menores principales, tenemos:
D1 = −10
¯ ¯
¯ −10 −2 ¯
¯ ¯
D2 = ¯¯ ¯ = 116
−2 −12 ¯
¯ ¯
¯ −10 −2 −2 ¯¯
¯
¯ ¯
D3 = |HB(q1 , q2 , q3 )| = ¯¯ −2 −12 −2 ¯¯ = −1552
¯ −2 −2 −14 ¯
Luego,
³ HB(q1 , q2 ,´q3 ) es semidefinida negativa (y por tanto, cóncava), entonces
q̄ = 282
∗
, 633 , 285 es un máximo global de B.
97 97 97
Las cantidades son,

q1 = 282
97
' 3 unidades
q2 = 633
97
' 6.5 unidades
285
q3 = 97 ' 3 unidades
vendiéndose a los precios,

p1 = 51.37 u.m.
p2 = 72.37 u.m.
p3 = 57.37 u.m.
y obteniéndose un beneficio de,

µ ¶
282 633 285
B , , = 431.57 u.m.
97 97 97
8. Obtener los máximos y mı́nimos locales y globales, si los hubiera, de la función
f (x, y) = 2x2 + y 2 + 8x − 6y + 20.
Hallamos los puntos (crı́ticos,

4x + 8 = 0 → x∗ = 2
∇f (x, y) = (0, 0) →
2y − 6 = 0 → y ∗ = 3
Luego el único punto crı́tico es el x̄∗ = (2, 3)
Calculamos la matriz hessiana,
Ã !
4 0
Hf (x, y) = , ∀(x, y) ∈ IR 2 que coincide con Hf (2, 3)
0 2
Tenemos que Hf (2, 3) es definida positiva, por tanto,x̄∗ = (2, 3) es un mı́nimo
local estricto de f.
Por otro lado tenemos que f es convexa, luego el punto x̄∗ = (2, 3) es también
un mı́nimo global.
9. Para las funciones y subconjuntos de IR 2 que se indican a continuación

estudiar en qué casos son aplicables los resultados de condiciones necesarias
y condiciones suficientes vistos en la teorı́a:
(a) f (x, y) = xy(1 − x2 − y 2 ), sobre el conjunto A = [0, 1] × [0, 1].
En virtud del teorema de Weierstrass, la función f alcanza el máximo y

el mı́nimo global en el conjunto A.
Calculamos los puntos

( crı́ticos,
∂f
∂x
= y(1 − 3x2 − y 2 ) = 0
∇f (x, y) = (0, 0) → ∂f
∂y
= x(1 − x2 − 3y 2 ) = 0
Resolviendo el³ sistema´ ³anterior, ´se³obtienen´ los ³puntos (0,´0), (1, −1),
(1, 0), (−1, 0), /2, /2 , 1/2, −1/2 , −1/2, 1/2 y −1/2, −1/2 , pero sólo
1 1
nos interesan aquellos puntos que pertenecen al conjunto³ A, por´ tanto,
sólo tendremos en cuenta los puntos (0, 0),(0, 1), (1, 0) y 1/2, 1/2 .
Hallamos laÃmatriz hessiana, !
−6xy 1 − 3x2 − 3y 2
Hf (x, y) = ∀(x, y) ∈ IR 2
1 − 3x2 − 3y 2 −6xy
En el caso de los puntos (0, 0),(1, 0) y (0, 1), las condiciones de segundo
orden no son aplicables, pues estos puntos no son interiores al conjunto
A, y además, dicho
³ conjunto
´ no es abierto.
∗ 1 1
El punto x̄ = /2, /2 es un punto interior de A, por tanto, sı́ es posible
aplicar las condiciones suficientes de segundo orden, obteniendo,
Ã !
³ ´ −3/ −1/ ³ ´
Hf 1/2, 1/2 = −1 2 −3 2 que es definida negativa, luego 1/2, 1/2
/2 /2
es un máximo local.
Por otro lado, en las rectas x = 0 e y = 0, la función f se anula. Para
la recta x = 1, f (1, y) = −y 3 es negativa (y > 0), y cuando y = 1, como
f (x, 1) = −x3 también es negativa la función (x > 0).
Ası́ pues, los puntos del conjunto,
{(x, y) ∈ IR 2 : x = 0, 0 ≤ y ≤ 1} ∪ {(x, y) ∈ IR 2 : y = 0, 0 ≤ x ≤ 1}
son mı́nimos locales de f en A.
En el punto (1, 1) la función, aunque ∇f (1, 1) 6= (0, 0) (obsérvese que no
se cumple³la condición
´ necesaria), tiene mı́nimo global.
1 1
El punto /2, /2 es el máximo global.
(b) f (x, y) = xy, sobre el triángulo de vértices (0, 0), (1, 0) y (0, 1).
Llamaremos D al triángulo de vértices (0, 0),(1, 0) y (0, 1).

Por el toerema de Weierstrass, la función f (x, y) = xy alcanzará máximo
y mı́nimo global en el conjunto D. Además los puntos óptimos pertenecen
a D.
Calculamos el gradiente,
∇f (x, y) = (y, x) → si ∇f (x, y) = (0, 0) → x∗ = y ∗ = 0 → x̄∗ = (0, 0) ∈
D es un punto crı́tico.
En (0, 0) no son aplicables las condiciones de segundo orden, pues (0, 0)

no es un punto interior a D.
Estudiemos el comportamiento de f en D,
• Si x = 0 → f (0, y) = 0
• Si y = 0 → f (x, 0) = 0
• Si x + y = 1 → f (x, 1 − x) = x(1 − x) = h(x)
Derivamos e igualamos a cero,
h0 (x) = 1 − 2x = 0 → x = 1/2
es máximo global de h.
h00 (x) = −2 < 0 → x = 1/2
El valor mı́nimo de f en D es 0, y se alcanza en cualquier punto de

los catetos del triángulo D, luego (0, 0)es un mı́nimo global de ³f en D. ´
El valor máximo de f en D es 1/4 y se alcanza en el punto 1/2, 1/2 .
Veámoslo:
- Supongamos que ∃(x∗1 , x∗2 ) ∈ D/f (x∗1 , x∗2 ) > 41 .
Dicho punto será tal que x∗1 + x∗2 < 1 o bien x∗1 + x∗2 = 1, siendo en ambos
casos x∗1 > 0 y x∗2 > 0.
• Si x∗1 + x∗2 = 1 → x1∗ = 1 − x∗2 y f (x∗1 , x∗2 ) = f (1 − x∗2 , x∗2 ) =

x∗2 (1 − x∗2 ) > 41 sı́ y sólo si (x∗2 )2 − x∗2 + 41 < 0 lo cual es contradicción
³ ´2
1 1
pues (x∗2 )2 − x∗2 + 4
= x ∗
2 − 2
> 0.
1
• Si x1 + x2 < 1 → x1 < 1 − x2 y 4 < f (x∗1 , x∗2 ) = x∗1 x∗2 < (1 − x∗2 )x∗2
∗ ∗ ∗ ∗
si
y sólo si 41 < x∗2 − (x∗2 )2 lo cual también es una contradicción.
³ ´
1 1
Por tanto, el máximo global de f en D se alcanza en ,
2 2
aunque no se
³ ´
1 1
cumple la condición necesaria ∇f ,
2 2
6= (0, 0).
10. Para la función f (x, y) = (3 − x)(3 − y)(x + y − 3), identificar los puntos
crı́ticos y clasificarlos. Estudiar su carácter global.
Hallamos los puntos crı́ticos,

∇f (x, y) = (0, 0)
∇f (x, y) = ((3 − y)(6 − 2x − y), (3 − x)(6 − 2y − x)) = (0, 0)
(
(3 − y)(6 − 2x − y) = 0
→
(3 − x)(6 − 2y − x) = 0
³ ´ ³ ´
obteniendo como puntos crı́ticos x̄∗1 = 3/2, 3 y x̄∗2 = 3, 3/2 .
Calculamos Ãla matriz hessiana, !
−2(3 − y) −9 + 2x + 2y
Hf (x, y) = ∀(x, y) ∈ IR 2
−9 + 2x + 2y −2(3 − x)
En particular,
Ã !
³ ´ 0 0 ³ ´
• Hf 3/2, 3 = que es indefinida, luego el punto x̄∗1 = 3/2, 3
0 −3
es un punto de silla.
Ã !
³ ´ −3 0
• Hf 3, 3/2 = que es semidefinida negativa, entonces x̄∗2 =
0 0
³ ´
3, 3/2 es un máximo local de f. Además, f es cóncava, por tanto
³ ´
x̄∗2 = 3, 3/2 es también un máximo global.
11. Sea A ⊂ IR n un conjunto abierto, f : A −→ IR y h : IR −→ IR una función

creciente o decreciente, y G = h ◦ f .
(a) Demostrar que los puntos de extremo local son los mismos para las
funciones f y G.
Para fijar ideas, supongamos que ”a” es un mı́nimo para f. Entonces

existe un entorno U de ”a” tal que f (x) ≥ f (a)∀x ∈ U , luego
(
≥ h(f (a)) = G(a)si h creciente
G(x) = (h ◦ f )(x) = h(f (x)) ∀x ∈
≤ h(f (a)) = G(a)si h decreciente
U
Por tanto, ”a” es un mı́nimo (respectivamente máximo) local para G.

Recı́procamente, supongamos que ”a” es un mı́nimo para G. Entonces
existe un entorno U de ”a” tal que
G(x) = h(f (x)) ≥ G(a) = h(f (a)), ∀x ∈ U .
En consecuencia, ∀x ∈ U , f (x) ≥ f (a), o f (x) ≤ f (a), según sea h

creciente o decreciente, lo que muestra que ”a” es un mı́nimo o máximo
local para f.
En resumen, si h es creciente, f y G tienen los mismos máximos y mı́nimos
locales. Si h es decreciente, los máximos (respectivamente mı́nimos)
locales de f son los mı́nimos (respectivamente máximos) locales de G.
(b) Aplicar el resultado del apartado anterior para determinar los extremos
de la función G definida en A = {(x, y) ∈ IR 2 /x > 0} en la forma
2 2
G(x, y) = e57x((ln x) +y ) .
Sea h(t) = e57t , que sabemos que es estrictamente creciente en IR, ya

que,
h0 (t) = 57e57t > 0, ∀t ∈ IR.
Si llamamos f (x, y) = x[(ln x)2 + y 2 ], con las notaciones del apartado
anterior, se tiene:
2 2
G(x, y) = (h ◦ f )(x, y) = h(f (x, y)) = e57x((ln x) +y )
Teniendo en cuenta el apartado (a), bastará calcular los extremos de f;
y puesto que f es continua,
 con derivadas continuas  en A, tenemos:
2 2

 (ln x) + y + 2 ln x = 0 

∇f (x, y) = (0, 0) → 2xy = 0

 

→ y = 0 → (ln x)2 + 2 ln x = 0
(
ln x = 0 → x = 1
ln(x)[ln x + 2] = 0
ln x + 2 = 0 → x = e−2
Los puntos crı́ticos son (1, 0) y (e−2 , 0).

Hallamos la matriz
Ã hessiana en
! dichos puntos,
2
−2e 0
Hf (e−2 , 0) = , que es indefinida, por tanto (e−2 , 0)es un
0 −2e2
punto de silla,
Ã y no es
! un punto de extremo local para f.
2 0
Hf (1, 0) = , que es definida positiva, por tanto, (1, 0)es un
0 2
mı́nimo local para f, y también es un mı́nimo para G.
(c) Supongamos que f es diferenciable en a y h es diferenciable en c = f (a),
demostrar que si h0 (c) 6= 0 entonces el punto a es crı́tico para f si y sólo
si a es crı́tico para G.
Teniendo en cuenta la condición necesaria de existencia de puntos

crı́ticos, G0 (a) = 0, entonces G0 (a) = h0 (c)f 0 (a) = 0 ↔ f 0 (a) = 0,
por ser h0 (c) 6= 0, tal y como dice el enunciado.
Por tanto, ”a” es estacionario para G, si y sólo sı́ lo es para f.
12. En el método de la regresión por mı́nimos cuadrados, la curva y = ax + b

es ajustada a los datos (xi , yi ) para i = 1, 2, ..., n, seleccionando los valores
de a y b que minimizan la suma de los cuadrados de los errores, S(a, b) =
Pn 2
i=1 (yi − (axi + b)) .
(a) Determinar las condiciones necesarias para minimizar S(a, b) (estas

ecuaciones se llaman ecuaciones normales) y demostrar que se satisfacen
las condiciones suficientes.
Hemos de resolver el programa

n
P
min S(a, b) = [axi + b − yi ]2
a,b i=1
Condición necesaria de primer orden:
Pn
∂S
∂a
= 2 [axi + b − yi ]xi = 0
i=1
n
P
∂S
∂b
=2 [axi + b − yi ] = 0
i=1
o µlo que ¶es equivalente,
n
P Pn Pn
a x2i + b xi − xi yi = 0
i=1 i=1 i=1
n
P n
P
a xi + nb− yi = 0
i=1 i=1
Dividiendo por ”n” en ambas ecuaciones resulta,
a(α20 ) + bx̄ − α11 = 0 (I)
b = −ax̄ + ȳ (II)
donde n n
P 2 P
α20 = n1 xi ; α11 = n1 xi yi
i=1 i=1
n
P n
P
1 1
x̄ = n
xi ; ȳ = n
yi
i=1 i=1
Sustituyendo (II) en (I), se tiene
aα20 + (y − ax̄)x̄ − α11 = 0 → aα20 + x̄ȳ − ax̄2 − α11 = 0
Despejamos ”a” y obtenemos:
a∗ = αα11 −x̄ȳ
20 −x̄
µ11
2 = σ2
x
b∗ = ȳ − µσ112 x̄
x
en donde µ11 es la covarianza muestral de (x1 , ..., xn ) e (y1 , ..., yn ) y σx2
es la varianza muestral de x1 , ..., xn ).
Condiciones de segundo orden.
 n n 
P2 P
 2 i=1 xi 2 i=1 xi 
HS(a, b) = 
 n
P


2 xi 2n
i=1
Utilizando el criterio de los menores principales, vemos que:

n
P
D1 = 2 x2i > 0
i=1 "
n
µ n ¶2 n
µ n
¶2 #
P P 1 P 1 P
D2 = |HS(a, b)| = 4n x2i −4 xi = 4n2 n
x2i − n
xi =
i=1 i=1 i=1 i=1
4n2 σx2 > 0
Por tanto, como S(a, b) es una función estrictamente convexa, el punto
crı́tico calculado será mı́nimo global estricto.
(b) Extender los resultados anteriores para ajustar la función cuadrática

y = a + bx + cx2 .
Hemos de resolver el programa

n
P 2
min S(a, b, c) = [cx2i + bxi + a − yi ]
a,b,c i=1
Condición necesaria de primer orden:

Pn
∂S
∂a
= 2 [cx2i + bxi + a − yi ] = 0
i=1
n
P
∂S
∂b
=2 [cx2i + bxi + a − yi ]xi = 0
i=1
n
P
∂S
∂c
=2 [cx2i + bxi + a − yi ]x2i = 0
i=1
o µlo que ¶es equivalente,

µ n ¶
n
P P n
P
c x2i + b xi + na − yi = 0
µi=1
n
¶ µi=1
n
¶ µ n i=1 ¶ n
P 3 P 2 P P
c xi + b xi + a xi − xi y i = 0
µi=1
n
¶ µi=1
n
¶ µ i=1
n
¶ i=1
n
P 4 P 3 P 2 P 2
c xi + b xi + a xi − xi y i = 0
i=1 i=1 i=1 i=1
Dividimos por n todas las ecuaciones,

n
P n
P n
P
c n1 x2i + b n1 xi + a − n1 yi = 0
i=1 i=1 i=1
n
P n
P n
P n
P
c n1 x3i + b n1 x2i + a n1 xi − 1
n
xi y i = 0
i=1 i=1 i=1 i=1
n n n n
1 P 4 1 P 3 1 P 2 1 P 2
cn xi + bn xi + an xi − n
xi y i = 0
i=1 i=1 i=1 i=1
que también puede escribirse como,

cα20 + bx̄ + a − ȳ = 0 (I)
cα30 + bα20 + ax̄ − α11 = 0 (II)
cα40 + bα30 + aα20 − α21 = 0 (III)
donde,
n
P n
P n
P n
P
α20 = n1 x2i ; α11 = 1
n
xi yi ; x̄ = 1
n
xi ; ȳ = 1
n
yi
i=1 i=1 i=1 i=1
n
P n
P n
P
1 1 1
α30 = n
x3i ; α40 = n
x4i ; α21 = n
x2i yi
i=1 i=1 i=1
Despejamos ”a” de (I), y sustituimos en (II) y (III)

a = ȳ − cα20 − bx̄
)
cα30 + bα20 + ȳx̄ − cα20 x̄ − bx̄2 − α11 = 0
2
cα40 + bα30 + ȳα20 − cα20 − bx̄α20 − α21 = 0
es
( decir,
cα30 − cα20 x̄ + bσx2 + ȳx̄ − α11 = 0 → b = µ11 −c(ασ230 −α20 )
x
2
cα40 − cα20 + bα30 − bx̄α20 + ȳα20 − α21 = 0
siendo µ11 la covarianza muestral de (x1 , ..., xn ) e (y1 , ...yn ) y σx2 es la
va-
rianza muestral de (x1 , ...xn ).
Por tanto,
2
c(α40 − α20 ) + b(α30 − x̄α20 ) + ȳα20 − α21 = 0
es decir,
h i
cσx22 + µ11 −c(ασ230 −α20 ) (α30 − x̄α20 ) + ȳα20 − α21 = 0
h x i
(α30 −α20 )
c σx22 − σx2
(α30 − x̄α20 ) = − µσ112 (α30 − x̄α20 ) − ȳα20 + α21
x
Finalmente,
h i
c = β1 − µσ112 (α30 − x̄α20 ) − ȳα20 − α21
x
(α30 −α20 )
siendo β = σx22 − σx2
(α30 − x̄α20 ) y σx22 la varianza muestral de
(x21 , ..., x2n ).
El ejercicio concluye, sustituyendo el valor de ”c”, en las expresiones de

”a” y ”b”.
Tema 9
1. Consideremos el problema min F (x, y)s.a.:g(x, y) = b. Siendo F y g funciones
con derivadas parciales continuas en IR 2 . Supongamos que (x? , y ? ) es un
mı́nimo local del programa, tal que ∇g(x? , y ? ) 6= 0. Demostrar que en
(x? , y ? ) se verifican las condiciones necesarias de Lagrange. Para ello utilizar
el teorema de la función implı́cita y las condiciones de primer orden para
problemas sin restricciones.
Teniendo en cuenta la condición necesaria de Lagrange, y aplicándola a

nuestro caso, nos queda:
Dado el programa
opt F (x, y)
s.a. g(x, y) = 0
donde F y g están definidas en un subconjunto abierto D ⊂ <2 en el que

ambas funciones tienen derivadas parciales primeras continuas, entonces, se
verifica que si
(x∗ , y ∗ ) ∈ B = {(x, y) ∈ <2 /(x, y) ∈ D, g(x, y) = 0}
es solución local del programa tal que ∇g(x∗ , y ∗ ) 6= 0 ,∃λ∗ ∈ < verificando el
sistema de ecuaciones
∇F (x∗ , y ∗ ) + λ∗ ∇g(x∗ , y ∗ ) = 0
Hemos de demostrar esta condición de Lagrange a partir de las

correspondientes para programas sin restricciones, por tanto, necesitamos
escribir una de las variables en función de la otra para poder sustituirla
posteriormente en la función objetivo, eliminando ası́ la restricción.
Si la ecuación g(x, y) = b permite despejar una de las variables, el problema
está resuelto. Sin embargo, esto en general no es posible. Para que, por
ejemplo, g(x, y) = b defina a ”y” como función de ”x” en el punto(x∗ , y ∗ ), han
de verificarse todas las hipótesis del Th de la función implı́cita para funciones
escalares, es decir:
• g(x∗ , y ∗ ) = b, obvio por ser (x∗ , y ∗ ) solución del programa.

• g es continua y con derivadas parciales primeras continuas en (x∗ , y ∗ ) (lo
es en todo <2 por hipótesis).
∂g
• ∂y
(x∗ , y ∗ ) 6= 0, por ser ∇g (x∗ , y ∗ ) 6= 0
En estas condiciones, existen Ux∗ y Uy∗ entornos de x∗ e y ∗ respectivamente,

y una función h : Ux∗ −→ Uy∗ tal que:
• y ∗ = h(x∗ )
• g(x, h(x)) = b, ∀x ∈ Ux∗
• h es continua y derivable en Ux∗ siendo la derivada de la función h en x∗
∂g
(x∗ ,y ∗ )
igual a h0 (x∗ ) = − ∂x
∂g
(x∗ ,y ∗ )
∂y
Por tanto, en un entorno de (x∗ , y ∗ ), el programa original se reduce a

min F (x, h(x)) ←→ min f (x) con f (x) = F (x, h(x)).
Las condiciones necesarias de primer orden para un programa sin restricciones
son f 0 (x) = 0.
Ahora bien, en x∗ se tiene
∂f ∂F ∂F ∂h
∂x
= ∂x
+ ∂y
· ∂x
=0
Sustituyendo la derivada de h respecto de ”x” por su valor tenemos:

 
∂F/
∂F
∂x
−  ∂g ∂y  ∂x
∂g
= 0 (1)
/∂y
Por otra parte, podemos escribir la siguiente identidad:

 
∂F/
∂F
∂y
−  ∂g ∂y  ∂y
∂g
= 0 (2)
/∂y
Si llamamos λ∗ = − ∂F /∂y
∂g/∂y
(x∗ , y ∗ ), entonces (1) y (2) se pueden expresar como:
∂F ∂g
)
∂x
(x∗ , y ∗ ) + λ∗ ∂x (x∗ , y ∗ )
∂F ∂g (3)
∂y
(x∗ , y ∗ ) + λ∗ ∂y (x∗ , y ∗ )
Obsérvese que las ecuaciones (3) junto con la restricción g(x, y) = b, son las
condiciones necesarias de primer orden para programas con restricciones de
igualdad.
2. Demostrar que, sobre la recta y = mx, la función f (x, y) = 3x3 − 4x2 y +

y 2 tiene un mı́nimo en (0, 0) pero que no existe mı́nimo en un entorno
bidimensional del origen.
)
min f (x, y) = 3x3 − 4x2 y + y 2
s.a. y = mx
Sustituyendo la restricción en la función objetivo, se obtiene un programa sin

restricciones con una única variable de decisión,
)
min 3x3 − 4mx3 + m2 x2
x∈<
Los puntos crı́ticos de la función objetivo f (x) = (3 − 4m)x3 + m2 x2 son las

soluciones de,
f 0 (x) = 3(3 − 4m)x2 + 2m2 x (

=0
x=0
x [3(3 − 4m)x + 2m2 ] = 0 →
3(3 − 4m)x + 2m2 = 0
Uno de los puntos crı́ticos es x = 0, ahora sólo basta demostrar que dicho
punto sea mı́nimo. Puesto que,
f 00 (x) = (18 − 24m)x + 2m2 → f 00 (0) = 2m2 > 0

Luego x = 0 es un mı́nimo del problema sin restricciones, por tanto, la solución
del problema inicial es (0, 0), ya que para x = 0, se obtiene y = 0.
3. Determinar los extremos de la función f (x, y) = x2 + y 2 restringida a la

condición y + x2 = 1.
)
opt f (x, y) = x2 + y 2
s.a. y + x2 = 1
Sustituimos la restricción en la función objetivo, y obtenemos un programa

sin restricciones con una única variable de decisión,
)
opt x2 + (1 − x2 )2
x∈<
Los puntos crı́ticos de la función objetivo f (x) = x2 + (1 − x2 )2 son las

soluciones de,
f 0 (x) = 2x + 2(1 − x2 )(−2x)

( =0
x=0
2x [1 − 2(1 − x2 )] = 0 →
1 − 2(1 − x2 ) = 0
1 − 2 + 2x2 = 0 q √
2x2 = 1 → x = ± 12 = ± 22
√ √
2 2
Por tanto, los puntos crı́ticos son x = − 2
, x=0yx= 2
.
Por otro lado,
f 00 (x) = 12x2 − 2
entonces,
³ √ ´ ³√ ´
f 00 − 22 = f 00 22 = 4 > 0
f 00 (0) = −2 < 0
√ √
Luego x = − 22 y x = 22 son mı́nimos del problema sin restricciones, y x = 0
es un máximo de dicho problema.
³ √ ´ ³√ ´
2 1 2 1
El problema inicial presenta mı́nimos en los puntos − ,
2 4
y ,
2 4
,
teniendo un máximo en (0,1).
4. Resolver los programas siguientes mediante las condiciones de Lagrange:

(a) min 7 + x2 + 2y 2 + 4y − 2x + (z − 2)2 s. a. 2x + 4y + z = 0.
La función lagrangiana es,
£(λ; x, y, z) = 7 + x2 + 2y 2 + 4y − 2x + (z − 2)2 + λ(2x + 4y + z)

y las condiciones necesarias de primer orden son,

∂£
∂x
= 2x − 2 + 2λ = 0 


∂£ 

∂y
= 4y + 4 + 4λ = 0
∂£ 
∂z
= 2(z − 2) + λ = 0 

∂£ 

∂λ
= 2x + 4y + z = 0
Llamamos,
f (x, y, z) = 7 + x2 + 2y 2 + 4y − 2x + (z − 2)2 y g(x, y, z) = 2x + 4y + z.
Despejando respectivamente x,y,z de las tres primeras ecuaciones, y

sustituyendo en la última, se obtiene el punto x∗ = (1, −1, 2) con
multiplicador de Lagrange λ∗ = 0 asociado a la restricción.
El gradiente de la función que define la restricción es
∇g(x, y, z) = (2, 4, 1) 6= 0 ∀(x, y, z) ∈ <3
y en particular, para el punto (1, −1, 2). Ası́ pues, se verifica la condición
de regularidad.
Comprobemos si en x∗ se cumplen las condiciones suficientes de segundo
orden. En primer lugar calculamos,
H£(λ;

x, y, z)= Hf
(x, y, z) + λHg(x,
 
y, z) = 
2 0 0 0 0 0 2 0 0
     
=  0 4 0  + λ 0 0 0  =  0 4 0 
0 0 2 0 0 0 0 0 2
que además coincide con H£(0; 1, −1, 2). La matriz anterior es definida
positiva, por tanto, x∗ = (1, −1, 2) es un mı́nimo local estricto.
(b) max z s. a. x2 + y 2 = 4, x + y + z = 5.

£(λ; x, y, z) = z + λ1 (x2 + y 2 − 4) + λ2 (x + y + z − 5)
y las condiciones necesarias de primer orden son,
∂£ 
∂x
= 2λ1 x + λ2 = 0 

∂£ 

= 2λ1 y + λ2 = 0 

∂y 
∂£
∂z
= 1 + λ2 = 0
∂£ 

∂λ1
= x2 + y 2 − 4 = 0 


∂£


∂λ2
=x+y+z−5=0
Llamamos,
f (x, y, z) = z
g1 (x, y, z) = x2 + y 2 − 4
g2 (x, y, z) = x + y + z − 5
Resolviendo el sistema anterior, se obtienen los puntos estacionarios con
sus multiplicadores de Lagrange asociados,
³√ √ √ ´
x∗1 = 2, 2, 5 − 2 ; λ11 = 2√1 2 ; λ12 = −1
³ √ √ √ ´
x∗2 = − 2, − 2, 5 + 2 ; λ21 = 2−1 √ ; λ2 = −1
2 2
La condición de regularidad se verifica ya que, como
∇g1 (x, y, z) = (2x, 2y, 0) y n³

∇g2 (x, y, z) = ´(1, 1, 1) o
∗
√ √
en x1 resultan los vectores 2 2, 2 2, 0 , (1, 1, 1) que son linealmente
n³ √ √ ´ o
independientes y, en x∗2 los vectores −2 2, −2 2, 0 , (1, 1, 1) que
también cumplen la propiedad de independencia lineal.
Calculamos la matriz H£(λ1 , λ2 ; x, y, z),
H£(λ , λ ; x, y,z) = Hf
 1 2 
(x, y, z) + λ Hg
 1 1 (x, y, z) +
λ2 Hg2 (x, y, z) =
0 0 0 2 0 0 0 0 0
     
=  0 0 0  + λ1  0 2 0  + λ2  0 0 0  =

0 0 0 
0 0 0 0 0 0
2λ1 0 0
= 0 2λ1 0  
0 0 0
• Particularizando en x∗ se tiene, 
 .√ 1
1 2 0 0
 .√ 
1 ∗ 
H£(λ1 , x1 ) =  0 1 2 0 

0 0 0
y como
M (x∗1 ) = {p̄ ∈ <3 /Jg(x∗1 )p̄ = 0} = {p̄ ∈ <3 /p1 + p2 = 0, p3 = 0}
entonces x∗1 es un mı́nimo local estricto, pues ∀p̄ = (p, −p, 0) ∈
M (x∗1 )con p̄ 6= 0 se tiene
p̄t H£(λ11 , x∗1 )p̄ = √2 p2 >0

2
• Para x∗2 la matriz  .√ 

−1 2 0 0
 .√ 
H£(λ21 , x∗2 ) =   0 −1 2 0 

0 0 0
y como M (x∗2 ) = M (x∗1 ) entonces x∗2 es un máximo local estricto ya
que, ∀p̄ ∈ M (x∗2 ), con p̄ = (p, −p, 0) 6= 0,
p̄t H£(λ21 , x∗2 )p̄ = − √22 p2 < 0
(c) Opt. x2 y s. a. x2 + y 2 = 1.
Sean f (x, y) = x2 y, g(x, y) = x2 + y 2 − 1;

la función lagrangiana es
£(λ; x, y) = f (x, y) + λg(x, y) = x2 y + λ(x2 + y 2 − 1)
y las condiciones necesarias de primer orden son:
∂£ 
∂x
= 2xy + 2λx = 0  
∂£
∂y
= x2 + 2λy = 0
∂£


∂λ
= x2 + y 2 − 1 = 0
Resolviendo el sistema anterior, obtenemos los puntos estacionarios con
sus multiplicadores de Lagrange asociados,
x∗1 = (0, 1); λ∗ = 0

x∗2 = (0,
³q
−1); λ´∗ = 0
2 √
x∗3 = 3
, −13 ; λ∗ = √1
3
³ q ´
2 √
x∗4 = − , −1 ; λ∗ = √13
3 ´3
³q
2 √1
x∗5 = 3
, 3 ; λ∗ = − √13
³ q ´
x∗6 = − 23 , √13 ; λ∗ = − √13
En este caso la matriz H£(λ; x, y) es Ã ! Ã !
2y 2x 2 0
H£(λ; x, y) = Hf (x, y) + λHg(x, y) = +λ =
Ã !
2x 0 0 2
2y + 2λ 2x
=
2x 2λ
Particularizando en los puntos estacionarios obtenemos:
Ã !
2 0
• Para x∗1 la matriz H£(λ∗ , x∗1 ) = es semidefinida positiva,
0 0
pero para los vectores p̄ 6= 0, p̄ ∈ <2 tales que ∇g(x∗1 )p̄ = 0
es definida positiva. En efecto, los vectores p̄ perpendiculares a
∇g(x∗1 )Ã= (0, 2)! son
Ã de!la forma p̄ = (p1 , 0), y se verifica
2 0 p1
(p1 , 0) = 2p21 > 0,
0 0 0
por tanto, x∗1 es un mı́nimo local estricto.
Ã !
∗ ∗ ∗ −2 0
• En el punto x2 se tiene H£(λ , x2 ) = y para los
0 0
( Ã ! )
∗ 2 p1
vectores p̄ 6= 0 con p̄ ∈ M (x2 ) = p̄ ∈ < / (0, −2) =0 =
p2
{p̄ ∈ <2 /p2 = 0} Ã !Ã !
−2 0 p1
se verifica (p1 , 0) = −2p21 < 0 ası́ pues, x∗2 es
0 0 0
máximo local estricto.
• En x∗3 se obtiene
 la matriz√ 
2√ 2
0
H£(λ∗ , x∗3 ) =  2√2 2
3 
√ √
3 3
que es indefinida,
n sin embargo,
q para los vectores,
o
p̄ ∈ M (x3 ) = p̄ ∈ < /2 3 p1 − √23 p2 = 0
∗ 2 2
se tiene  √ Ã !
³ √ ´ 0 2√32 p1
p1 2p1  2√2  √ = √123 p21 > 0
√ √2 2p1
3 3
por tanto, x∗3es un mı́nimo local estricto.

De manera análoga, se puede comprobar que x∗4 es mı́nimo local, y
x∗5 y x∗6 son máximos locales.
5. Hallar los máximos y mı́nimos de la función f (x, y, z) = x2 +y 2 +z 2 restringida

a las condiciones x2 − xy + y 2 − z 2 = 1 y x2 + y 2 = 1.
opt f (x, y, z) = x2 + y 2 + z 2
s.a. x2 − xy + y 2 − z 2 = 1
x2 + y 2 = 1
Sean g1 (x, y, z) = x2 − xy + y 2 − z 2 − 1, g2 (x, y, z) = x2 + y 2 − 1.

£(λ1 , λ2 ; x, y, z) = f (x, y, z) + λ1 g1 (x, y, z) + λ2 g2 (x, y, z) =
= x2 + y 2 + z 2 + λ1 (x2 − xy + y 2 − z 2 − 1) + λ2 (x2 + y 2 − 1)

∂£ 
∂x
= 2x + 2λ1 x − λ1 y + 2λ2 x = 0 

∂£ 

= 2y − λ1 x + 2λ1 y + 2λ2 y = 0 

∂y 
∂£
∂z
= 2z − 2λ1 z = 0
∂£ 

∂λ1
= x2 − xy + y 2 − z 2 − 1 = 0 


∂£


∂λ2
= x2 + y 2 − 1 = 0
Resolviendo el sistema anterior, obtenemos los puntos estacionarios con sus
multiplicadores
³√ √ de
´ Lagrange asociados,
2 2
x1 = 2 , 2 , 0 ; λ∗1 = 1; λ∗1
∗ −3/
³ √ √ ´ 2 = 2
∗ − 2 2 ∗
x2 = 2 , 2 , 0 ; λ1 = 1; λ2 = /2 ∗2 5
³√ √ ´
x∗3 = 22 , −2 2 , 0 ; λ∗1 = 1; λ∗3 −5/
³ √ √ ´ 2 = 2
∗ − 2 − 2 ∗
x4 = 2 , 2 , 0 ; λ1 = 1; λ2 = /2 ∗4 3
En este caso la matriz es

H£(λ , λ ; x, y,z) = Hf
 1 2 
(x, y, z) + λ1 Hg1
(x, y,z) + λ2 Hg
2 (x, y, z) =
2 0 0 2 −1 0 2 0 0
  
 0 2 0  + λ1  −1 2 0  
 + λ2  0 2 0  =

0 0 2

0 0 −2 0 0 0
=
2 + 2λ1 + 2λ2 −λ1 0
 
= −λ1 2 + 2λ1 + 2λ2 0 
0 0 2 − 2λ1
• Para x∗1 con λ∗1 = 1, λ∗1 = −3/2, la

 2 
matriz,
1 −1 0
H£(λ1 , λ2 , x1 ) =  −1 1 0 
∗ ∗1 ∗ 

0 0 0
y para los vectores p̄ 6= 0 con
p ∈ M (x∗1 ) = 
{p̄ ∈ <3 /Jg(x∗1 )p̄ = 0̄} = 
 q 
q 

 2/ 2/ 0 p 1 

= p ∈ <3 /  √ 2 √ 2  
 p2  = 0 =

 2 2 0 

p3
3
{p ∈ < /p1 + p2 = 0}
se verifica   
³ ´ 1 −1 0 p1
p1 −p1 p3   
 −1 1 0   −p1  = 4p21 > 0,
0 0 0 p3
∗
luego x1 es un mı́nimo local estricto.
³ √ √ ´
• Para x∗2 = −2 2 , 22 , 0 con λ∗1 = 1,λ∗2 5
2 = /2,
obtenemos la matriz,
 
9 −1 0

H£(λ∗1 , λ∗2
2 , x ∗
2 ) =  −1 9 0  
0 0 0
p ∈ M (x∗2 ) = {p̄ ∈ <3 /Jg(x∗2 )p̄ = 0̄} =
 
 √. √.  

 −3 2 3 2 p 1 

3  2 2 0  
p∈< / √ √  p2  = 0 =

 − 2 2 0 

p3
{p ∈ <3 / − p1 + p2 = 0}
³ ´ 9 −1 0 p1
p1 p1 p3   
 −1 9 0   p1  = 16p21 > 0,
0 0 0 p3
luego x∗2 es un mı́nimo local estricto.
³√ √ ´
• Para x∗3 = 22 , −2 2 , 0 con λ∗1 = 1;λ∗3 −5/ ,
2 = 2
obtenemos la matriz,  
−1 −1 0

H£(λ∗1 , λ∗3
2 , x ∗
3 ) =  −1 −1 0  
0 0 0
p ∈ M (x∗3 ) 
= {p̄ ∈ <3 /Jg(x∗3 )p̄ = 0̄} = 
 √. √.  

 3 2 −3 2 p1 

3  2 2 0  
= p∈< / √ √  p2 =0 =

 2 − 2 0 

p3
{p ∈ <3 /p1 − p2 = 0}
³ ´ −1 −1 0 p1
p1 p1 p3   
 −1 −1 0   p1  = −4p21 < 0,
0 0 0 p3
luego x∗3 es un máximo local estricto.
³ √ √ ´
• Para x∗4 = −2 2 , −2 2 , 0 con λ∗1 = 1, λ∗4 3
2 = /2
obtenemos la matriz,  
7 −1 0

H£(λ∗1 , λ∗4 ∗
2 , x4 ) =  −1 7 0  
0 0 0
= {p̄ ∈ <3 /Jg(x∗4 )p̄ = 0̄} =
p ∈ M (x∗4 )  
 √. √.  

 − 2 − 2 p1 

3  2 2 0  
= p∈< / √ √  p2 =0 =

 − 2 − 2 0 

p3
{p ∈ <3 / − p1 − p2 = 0}
se verifica
  
³ ´7 −1 0 p1
p1 −p1 p3   
 −1 7 0   −p1  = 16p21 > 0,
0 0 0 p3
6. Hallar la distancia máxima y la distancia mı́nima desde el origen a la elipse
de ecuación 5x2 + 6xy + 5y 2 = 8.
Hemos √ de resolver el siguiente

) problema,
2
opt x + y 2
s.a. 5x2 + 6xy + 5y 2 = 8

o equivalentemente el programa,
)
opt x2 + y 2
s.a. 5x2 + 6xy + 5y 2 = 8
Sean f (x, y) = x2 + y 2 y g(x, y) = 5x2 + 6xy + 5y 2 − 8.
£(λ; x, y) = f (x, y) + λg(x, y) = x2 + y 2 + λ(5x2 + 6xy + 5y 2 − 8)
y las condiciones necesarias de primer
 orden son:
∂£
∂x
= 2x + 10λx + 6yλ = 0 

∂£
∂y
= 2y + 6λx + 10λy = 0
∂£


∂λ
= 5x2 + 6xy + 5y 2 − 8 = 0
multiplicadores
³√ √ de
´ Lagrange asociados,
∗
x1 = 2, − 2 ; λ∗1 = − 12
³ √ √ ´
x∗2 = − 2, 2 ; λ∗2 = − 12
³√ √ ´
2 2
x∗3 = , ; λ∗3 = − 18
³ 2√ 2 √ ´
x∗4 = − 22 , − 22 ; λ∗4 = − 18
Hallamos la matriz H£(λ; x, y), Ã ! Ã !
2 0 10 6
H£(λ; x, y) = Hf (x, y) + λHg(x, y) = +λ =
0 2 6 10
Ã !
2 + 10λ 6λ
=
6λ 2 + 10λ
³√ √ ´
• Para x∗1 = 2, − 2 con λ∗1 = − 12 , la matriz,
Ã !
∗1 ∗ −3 −3
H£(λ , x1 ) =
−3 −3
p ∈(M (x∗1 ) = {p̄ ∈ <2 /Jg(xÃ∗1 )p̄ =! 0̄} =)

³ √ √ ´ p1
= p̄ ∈ <2 / 4 2 − 4 2 = 0̄ = {p̄ ∈ <2 /p1 − p2 = 0}
p2
se verifica
Ã !Ã !
−3 −3 p1
(p1 p1 ) = −12p21 < 0
−3 −3 p1
³ √ √ ´
• Para x∗2 = − 2, 2 con λ∗2 = − 12 , la matriz,
H£(λ∗2 , x∗2 ) coincide con H£(λ∗1 , x∗1 ), y de manera similar, llegamos a
que se trata de un máximo local estricto.
³√ √ ´
2 2
• Para x∗3 = ,
2 Ã2
con λ∗3 = − 81 , obtenemos la matriz,
,
!
3/ −3/4
∗3 ∗
H£(λ , x3 ) = 4
−3/4 3/4
p ∈ M (x∗3 ) = Ã {p̄
! ∈ <2 /Jg(x∗3 )p̄ = 0̄} = {p̄ ∈
³ √ √ ´ p1
<2 / 8 2 8 2 = 0̄}
p2
= {p̄ ∈ <2 /p1 + p2 = 0}
se verifica Ã !Ã !
³ ´ 3/ −3/4 p1
p1 −p1 4 = 3p21 > 0
−3/4 3/4 −p1
³ √ √ ´
• Para x∗4 = −2 2 , −2 2 , con λ∗4 = − 18 , la matriz H£(λ∗4 , x∗4 ), coincide
con H£(λ∗3 , x∗3 ), y de manera similar, llegamos a que se trata de un
mı́nimo local estricto.
Por tanto,
√ la distancia mı́nima es 1 unidad, y se obtiene sustituyendo x∗3
ó x∗4 en x2 + y 2 , y la distancia
√ máxima son 2 unidades, que se obtiene
sustituyendo x∗1 ó x∗2 en x2 + y 2 .
7. Determinar los extremos de la función f (x, y, z) = x3 + y 3 + z 2 − 3xy cuando

las variables están sujetas a las restricciones
x − y + z = 0, y + 2z = 1.

opt f (x, y, z) = x3 + y 3 + z 2 − 3xy 

s.a. x − y + z = 0


y + 2z = 1
Sean g1 (x, y, z) = x − y + z, g2 (x, y, z) = y + 2z − 1

£(λ1 , λ2 ; x, y, z) = f (x, y, z) + λ1 g1 (x, y, z) + λ2 g2 (x, y, z) =
= x3 + y 3 + z 2 − 3xy + λ1 (x − y + z) + λ2 (y + 2z − 1)
∂£ 
∂x
= 3x2 − 3y + λ1 = 0 

∂£ 

∂y
= 3y 2 − 3x − λ1 + λ2 = 0 


∂£
∂z
= 2z + λ1 + 2λ2 = 0
∂£ 

=x−y+z =0 

∂λ1 

∂£ 
∂λ2
= y + 2z − 1 = 0
multiplicadores de Lagrange asociados,
x∗1 = (1, ∗1
³ 1, 0); λ1 ´ = 0; λ∗12 = 0
∗ 9 17 44 ∗2 352 2068
x2 = − 35 , 105 , 105 ; λ1 = 1225 ; λ∗2
2 = − 3675
En este caso la matriz es

H£(λ , λ ; x, y, z) 
 1 2
= Hf (x,

y, z) + λ1Hg1 (x,y, z) + λ2 Hg
2
(x, y, z) =
6x −3 0 0 0 0 0 0 0
     
=  −3 6y 0  + λ1  0 0 0  + λ2  0 0 0  =

0 0 2  0 0 0 0 0 0
6x −3 0
= −3 6y 0 

0 0 2
• Para x∗1 = (1, 1, 0) con


λ∗1 ∗2
1 = 0, λ2= 0, la matriz,
6 −3 0
H£(λ1 , λ2 , x1 ) =  −3 6 0 
∗1 ∗1 ∗ 

0 0 2
p ∈ M (x∗1 ) = {p̄ ∈ <3 /Jg(x∗1 )p̄ 6=0̄} =
Ã ! p1
3 1 −1 1  
{p̄ ∈ < /  p2  = 0̄} = {p̄ ∈ <3 /p1 + 3p3 = 0, p2 +
0 1 2
p3
2p3 = 0
³ ´ 6 −3 0 −3p3
−3p3 −2p3 p3   
 −3 6 0   −2p3  = 44p23 > 0,
0 0 2 p3
∗
luego x1 es un mı́nimo local estricto.
³ ´
9 17 44 352 −2068
• Para x∗2 = − 35 , 105 , 105 con λ∗2 ∗2
1 = 1225 , λ2 = 3675
, obtenemos la
 
− 54
35
−3 0

matriz, H£(λ1 , λ2 , x2 ) =  −3 34
∗2 ∗2 ∗
35
0 
0 0 2
p ∈ M (x∗2 ) = {p̄ ∈ <3 /Jg(x∗2 )p̄ = 0} =
 
Ã ! p1
1 −1 1  
{p̄ ∈ <3 /  p2  = 0̄} = {p̄ ∈ <3 /p1 + 3p3 = 0, p2 +
0 1 2
p3
2p3 = 0}
³ − 54
´ 35
−3 0 −3p3

−3p3 −2p3 p3  −3 35 0   −2p3 
34 
 = −44p23 < 0,
0 0 2 p3
∗
luego x2 es un máximo local estricto.
8. Sea la función f (x, y, z) = x2 + y 2 + bxy + az donde a, b ∈ IR.
(a) Obtener una relación entre a y b que sea una condición necesaria para que
el punto (1, 1, 1) sea extremo relativo de f sobre la esfera x2 +y 2 +z 2 = 3.
)
opt f (x, y, z) = x2 + y 2 + bxy + az
a, b ∈ <
s.a. x2 + y 2 + z 2 = 3
Punto (1,1,1) es extremo relativo.
Sea g(x, y, z) = x2 + y 2 + z 2 − 3, la función lagrangiana es,
£(λ; x, y, z) = f (x, y, z) + λg(x, y, z) =
= x2 + y 2 + bxy + az + λ(x2 + y 2 + z 2 − 3)
y las condiciones necesarias de  primer orden son:
∂£
∂x
= 2x + by + 2λx = 0 


∂£ 

∂y
= 2y + 2λy + bx = 0
∂£ 
∂z
= a + 2zλ = 0 

∂£ 2 2 2 

∂λ
= x + y + z − 3 = 0
Particularizando en el punto (1,1,1) el sistema anterior, nos queda:
2 + b + 2λ = 0   → 2 + 2λ = −b (I)
b + 2 + 2λ = 0 → b − a = −2


a + 2λ = 0 → −a = +2λ (II)
La relación pedida entre ”a” y ”b”, es b − a = −2.
(b) Suponiendo que se verifica la condición anterior, estudiar para qué valores
de a y b el punto (1, 1, 1) es:
i. punto de máximo local o relativo.
ii. punto de mı́nimo relativo
iii. no es punto extremo.
Hallamos la matriz H£(λ; x, y, z),
H£(λ;

x, y,z) = Hf

(x, y, z) +

λHg(x,

y, z) = 
2 b 0 2 0 0 2 + 2λ b 0
    
 b 2 0  + λ 0 2 0  =  b 2 + 2λ 0 
0 0 0 0 0 2 0 0 2λ
Teniendo en cuenta, la condición (I), 2 + 2λ = −b, y (II) dada en el

apartado anterior,  nos queda, 
−b b 0
 
H£(λ; x, y, z) =  b −b 0 
0 0 −a
Particularizando en el punto x∗ = (1, 1, 1), con λ ∈ <, se obtiene la
misma matriz que  anteriormente,
−b b 0
H£(λ; 1, 1, 1) =  b −b 0 


0 0 −a
p ∈ M (x∗ ) = {p̄ ∈ <3 /Jg(x
∗
)p̄= 0̄} =
³ ´ p1
= {p̄ ∈ <3 / 2 2 2  
 p2  = 0̄} = {p̄ ∈ <3 /p1 + p2 + p3 = 0}
p3
se verifica, teniendo encuenta que −a = −b −2 
³ ´ −b b 0 p1
p1 p2 −p1 − p2   b −b 0 
 p2 
=
0 0 −2 − b −p1 − p2
2 2 2
= −b (2p1 + 2p2 ) − 2 (p1 + p2 )
Entonces,
2
i.Si b < −2(p2
1 +p2 )
2p1 +2p2 2 → −b (2p21 + 2p22 ) − 2 (p1 + p2 )2 > 0, luego x∗ es un
mı́nimo local estricto. 2
ii.Si b > −2(p 1 +p2 )
2p21 +2p22
→ −b (2p21 + 2p22 ) − 2 (p1 + p2 )2 < 0, luego x∗ es un
máximo local estricto.
9. Sea la función f (x, y) = x2 + y.
(a) Demostrar que f es convexa en IR 2 .

Ã !
2 0
Calculamos la matriz hessiana, Hf (x, y) = , que es semidefinida
0 0
positiva, y por tanto convexa.
(b) Demostrar que f carece de puntos crı́ticos.
Veamos si se cumple la condición necesaria de optimalidad

∇f (x, y) = (0, 0) → (2x, 1) = (0, 0)
y llegamos a la contradicción 1 = 0, por tanto, no se cumple la condición
necesaria de existencia de puntos crı́ticos.
(c) Estudiar si tendrı́an los mismos óptimos, los problemas
i. Optimizar f (x, y) sujeto a x2 + y 2 ≤ 1
ii. Optimizar f (x, y) sujeto a x2 + y 2 = 1.
Como ∇f (x, y) = (2x, 1) para todo punto (x, y) ∈ <2 , y siempre se

verifica que ∂f
∂y
= 1 6= 0, el óptimo no se puede alcanzar en el interior
del conjunto de soluciones factibles. Por tanto, serı́a equivalente resolver
cualquiera de los dos problemas.
10. Sea u(x, y) = x2 y la función de producción de una empresa, siendo x, y los

factores de producción.
(a) Determinar el equilibrio de dicha empresa, sabiendo que los precios de

los factores son unitarios y que los costes de la empresa son 9 u.m.
)
opt u(x, y) = x2 y
Sea g(x, y) = x + y − 9
s.a. x + y = 9
£(λ; x, y) = u(x, y) + λg(x, y) = x2 y + λ(x + y − 9),
y las condiciones necesarias
 de primer orden son,
∂l
∂x
= 2xy + λ = 0 

∂l 2
∂y
= x + λ = 0
∂l


∂λ
=x+y−9=0
Resolviendo el sistema anterior, obtenemos los puntos crı́ticos, con sus
x∗1 = (0, 9); λ∗1 = 0
x∗2 = (6, 3); λ∗2 = −36
En este caso la matriz H£(λ; x, y, z),

H£(λ;
Ã x, y) =! Hu(x,
Ã y) + λHg(x,
! Ã y) = !
2y 2x 0 0 2y 2x
= +λ =
2x 0 0 0 2x 0
Particularizando en los puntos estacionarios,
• Para x∗1 = (0, 9)Ã con λ∗1!= 0, obtenemos la matriz,

18 0
H£(λ∗1 , x∗1 ) =
0 0
p ∈ M (x∗1 ) = {p̄ ∈ <2Ã/Jg(x!∗1 )p̄ = 0̄} =
³ ´ p
1
= {p̄ ∈ <2 / 1 1 = 0̄} = {p̄ ∈ <2 /p1 + p2 = 0}
p2
se verifica, Ã !Ã !
³ ´ 18 0 p1
p1 −p1 = 18p21 > 0,
0 0 −p1
• Para x∗2 = (6, 3)Ã con λ∗2 =! −36, obtenemos la matriz,

6 12
H£(λ∗2 , x∗2 ) =
12 0
p ∈ M (x∗2 ) = {p̄ ∈ <2Ã/Jg(x!∗2 )p̄ = 0̄} =
³ ´ p
1
= {p̄ ∈ <2 / 1 1 = 0̄} = {p̄ ∈ <2 /p1 + p2 = 0}
p2
³ ´ 6 12 p1
p1 −p1 = −18p21 < 0,
12 0 −p1
(b) Estudiar si a dicha empresa le interesa dedicar a la producción una
unidad más de coste.
En el caso de maximizar, sı́ interesarı́a dedicar a la producción una

unidad más de coste, pues se obtendrı́a, ∆umax ≈ 1(−λ∗2 ) = 36
11. Sea la función f (x, y, z) = x2 + y 2 + bxy + az + z 2 .
(a) Determinar los puntos crı́ticos de f.
Calculamos ∇f (x, y, z), e igualamos al vector nulo:

∇f (x, y, z) = (2x + by, 2y + bx, a + 2z) = (0, 0, 0),
obteniendo el  sistema,
2x + by = 0   →x=y=0
2y + bx = 0
 z = −a
a + 2z = 0  2
Luego, los puntos crı́ticos obtenidos son de la forma

x∗ = (0, 0, −a2
)
(b) Clasificar los puntos crı́ticos hallados en el apartado anterior según los
valores de a y b.
Calculamos la matriz
 hessiana
 de la función f,
2 b 0
Hf (x, y, z) =  
 b 2 0 , hallamos el determinante de la matriz
0 0 2
hessiana, y los menores correspondientes.
¯ ¯
¯ 2 b 0 ¯
¯ ¯
|Hf (x, y, z)| = ¯¯ b 2 0 ¯
¯ = 8 − 2b2
¯ ¯
¯ 0 0 2 ¯
¯ ¯
¯ 2 b ¯
¯ ¯
¯ ¯ = 4 − b2
¯ b 2 ¯
Pueden darse dos posibilidades:
• Si −2 < b < 2, tenemos que Hf (x, y, z) es definida positiva, luego

x∗ es un mı́nimo local estricto de f.
• Si −2 ≥ b ≥ 2, tenemos que Hf (x, y, z) es indefinida, luego x∗ es un
punto de silla de f.
(c) Para a = b = 1, determinar los extremos de f sobre x2 + y 2 = 3.
)
Opt f (x, y, z) = x2 + y 2 + xy + z + z 2
s.a. x2 + y 2 = 3
Sea g(x, y, z) = x2 + y 2 − 3.
£(λ; x, y, z) = f (x, y, z) + λg(x, y, z) =
= x2 + y 2 + xy + z + z 2 + λ(x2 + y 2 − 3)

 de primer orden son:
∂£
∂x
= 2x + y + 2λx = 0 


∂£ 

∂y
= 2y + x + 2λy = 0
∂£ 
∂z
= 1 + 2z = 0 

∂£ 2 2 

∂λ
= x + y − 3 = 0
multiplicadores
³q q de´ Lagrange asociados,
∗
x1 = 3
, 32 , −1 ; λ∗1 = −3/2
³q 2 q2 ´
x∗2 = 3
2
, − 3 −1
, ; λ∗2 = −1/2
³ q q 2 2´
x∗3 = − 32 , 32 , −1 ; λ∗3 = −1/2
³ q q2 ´
x∗4 = − 32 , − 32 , −1 2
; λ∗4 = −3/2
En este caso la matriz H£(λ; x, y, z) es,
H£(λ;

x, y, z) =

Hf (x,

y, z) + λHg(x,

y, z) =
2 1 0 2 0 0
   
=  1 2 0  + λ 0 2 0  =

0 0 2 0 0 0
2 + 2λ 1 0
=  1 2 + 2λ 0  
0 0 2
Particularizando en los puntos estacionarios obtenemos,
³q q ´
• Para x∗1 = 3
2
, ,
2 2
con λ∗1 = −3/2, la matriz,
3 −1
 
−1 1 0
H£(λ∗1 , x∗1 ) = 
 1 −1 0 

0 0 2

p ∈ M (x∗1 ) = {p̄ ∈ <3 /Jg(x
1
∗
)p̄ =

0̄} =
³ q q ´ p 1
= {p̄ ∈ <3 / 2 32 ,2 32 ,0  
 p2  = 0̄} = {p̄ ∈ <3 /p1 + p2 = 0}
p3
Se verifica,   
³ ´ −1 1 0 p1
p1 −p1 p3   
 1 −1 0   −p1  = −4p21 + 2p23 ,
0 0 2 p3
y como el signo de la expresión anterior, depende de los valores de
p1 y p3 , no se cumple la condición necesaria de Lagrange de segundo
orden, luego el punto x∗1 no es un máximo ni mı́nimo.
³q q ´
• Para x∗2 = 3
2
, − 3 −1
,
2 2
con λ∗2 = −1/2, la matriz
 
1 1 0
H£(λ∗2 , x∗2 ) =  1 1 0 

0 0 2
p ∈ M (x∗2 ) = {p̄ ∈ <3 /Jg(x∗2 )p̄

= 0̄}

=
³ q q ´ p1
 
= {p̄ ∈ <3 / 2 32 , − 2 32 ,0  p2  = 0̄} = {p̄ ∈ <3 /p1 − p2 = 0}
p3
Se verifica,   
³ ´ 1 1 0 p1
p1 p1 p3   
 1 1 0   p1  = 4p21 + 2p23 > 0,
0 0 2 p3
³ q q ´
• Para x∗3 = − 32 , 32 , −12
con λ∗3 = −1/2, de manera similar que
para x∗2 , llegamos a que x∗3 es un mı́nimo local estricto.
³ q q ´
• El punto x∗4 = − 32 , − 32 , −1 2
con λ∗4 = −3/2, tiene un
∗
comportamiento análogo al x1 , luego no es ni máximo ni mı́nimo.
12. Consideremos el problema
max x1 + x2 sujeto a x21 + x22 = 1.
(a) Resolver el problema gráficamente.
Las curvas de nivel de la función objetivo son la familia de rectas

x2 = K − x1 , K ∈ <.
El conjunto de soluciones factibles es,
B = {(x1 , x2 ) ∈ <2 /x21 + x22 = 1},
cuya representación gráfica puede verse en la figura:
³√ √ ´
2 2
Como podemos observar, el punto x∗1 = 2
, 2
es el máximo global,
³ √ √ ´
− 2 − 2
y el punto x∗2 = 2
, 2
es un mı́nimo global. Ambos puntos se
obtienen haciendo la intersección de las rectas con la circunferencia.
(b) Resolver el problema mediante el método de los multiplicadores de

Lagrange.
Sea f (x1 , x2 ) = x1 + x2 , y g(x1 , x2 ) = x21 + x22 − 1.

La función lagrangiana es £(λ; x1 , x2 ) = f (x1 , x2 ) + λg(x1 , x2 ) =
= x1 + x2 + λ(x21 + x22 − 1).
Las condiciones necesarias

de primer orden son,
∂£
∂x1
= 1 + 2λx1 = 0  
∂£
∂x2
= 1 + 2λx 2 = 0
∂£


2 2
∂λ
= x 1 + x 2 − 1 = 0
Resolviendo el sistema anterior obtenemos los puntos crı́ticos, con sus
multiplicadores
³ √ √ ´ de Lagrange √ asociados:
∗ 2 2 ∗1 − 2
x1 = 2 , 2 con λ = 2
³ √ √ ´ √
− 2 − 2 2
x∗2 = 2
, 2
con λ∗2 = 2
La condición de regularidad se verifica en ambos, pues como

∇g(x1 , x2 ) = (2x1 , 2x2 ), entonces,
∇g(x∗1 ) 6= (0, 0) y ∇g(x∗2 ) 6= (0, 0)
por tanto, x∗1 y x∗2 son puntos estacionarios.
Calculamos la matriz,
Ã H£(λ;! x1 , x2 ) = Hf (x1 , x2 ) + λHg(x1 , x2 ) :
2λ 0
H£(λ; x1 , x2 ) =
0 2λ
∗ ∗
y particularizando
Ã √en x1 y x2!resulta Ã √ !
− 2 0
√ 2 0
√
H£(λ∗1 , x∗1 )= ; H£(λ∗2 , x∗2 )=
0 − 2 0 2
que son definida negativa y positiva respectivamente. Por tanto, ∀p̄ ∈ <2 :
• p̄t H£(λ∗1 , x∗1 )p̄ < 0, y en particular, para aquellos p̄ ∈ <2 tales que
∇g(x∗1 )p̄ = 0 por lo cual x∗1 es un máximo local estricto.
• p̄t H£(λ∗2 , x∗2 )p̄ > 0, y en particular, para aquellos p̄ ∈ <2 tales que
∇g(x∗2 )p̄ = 0 por lo cual x∗2 es un mı́nimo local estricto.
13. Probar que el producto de k números reales positivos cuya suma es constante
S
y vale S, es máximo si y solamente si todos esos números son iguales a .
k
El programa es, )
max a1 · a2 · a3 ...ak
s.a. a1 + a2 + a3 ... + ak = S
siendo ai > 0, con i = 1, ..., k.

Sin pérdida de generalidad, podemos resolver el problema para k = 2,
quedando, )
max a1 · a2
s.a. a1 + a2 = S
L(λ; a1 , a2 ) = a1 · a2 + λ(a1 + a2 − S)
y las condiciones de primer 
orden son,
∂L
∂a1
= a 2 + λ = 0 

∂L
∂a2
= a 1 + λ = 0
∂L


∂λ
= a 1 + a2 − S = 0
Resolviendo el sistema anterior, obtenemos que a1 = a2 = S2 . Recordar que
hemos tomado k = 2, y hemos visto que cada número ha de ser de la forma
a1 = a2 = ... = ak = Sk .
Sólo nos queda ver, que se trata de un máximo.
Hallamos la matriz Ã HL(λ; ! a1 , a
Ã2 ), ! Ã !
0 1 0 0 0 1
HL(λ; a1 , a2 ) = +λ =
1 0 0 0 1 0
y para los vectores p̄ 6= 0 con, Ã !
³ ´ p
∗ 2 ∗ 2 1
p ∈ M (a ) = {p̄ ∈ < /Jg(a )p̄ = 0̄} = {p̄ ∈ < / 1 1 = 0̄} =
p2
= {p̄ ∈ <2 /p1 + p2 = 0}
³ ´ 0 1 p1
p1 −p1 = −2p21 < 0,
1 0 −p1
³ ´
luego a∗ = Sk , Sk es un máximo local estricto.
14. Consideremos una empresa dedicada a la producción de un bien. Su función

de producción, que relaciona la cantidad q producida de dicho bien con la de
factores productivos, x1 y x2 , empleados para la fabricación de dicho bien es
q = 60x1 + 90x2 − 2x21 − 3x22 .
El precio unitario de dichos factores es p1 = 2 u.m. y p2 = 4 u.m.,
respectivamente y el coste de utilizarlos es 2x1 + 4x2 . Determinar la cantidad
de factores productivos que maximiza la producción con un coste de 68 u.m.
)
max q = 60x1 + 90x2 − 2x21 − 3x22
s.a. 2x1 + 4x2 = 68
Sea q(x1 , x2 ) = 60x1 + 90x2 − 2x21 − 3x22 y g(x1 , x2 ) = 2x1 + 4x2 − 68

£(λ; x1 , x2 ) = q(x1 , x2 ) + λg(x1 , x2 ) =
= 60x1 + 90x2 − 2x21 − 3x22 + λ(2x1 + 4x2 − 68)
y las condiciones de primerorden son,
∂£
∂x1
= 60 + 2λ − 4x1 = 0  
∂£
∂x2
= 90 − 6x 2 + 4λ = 0
∂£


∂λ
= 2x 1 + 4x 2 − 68 = 0
x∗ = (12, 11); λ∗ = −6
En este caso la matriz H£(λ; x1 , x2 ) es,
H£(λ;
Ã x1 , x 2 ) !
= Hq(x
Ã 1 , x2 ) +
! λHg(x
Ã 1 , x2 ) =!
−4 0 0 0 −4 0
= +λ =
0 −6 0 0 0 −6
∗
Particularizando
Ã en x , obtenemos
! la misma matriz que anteriormente,
−4 0
H£(λ∗ ; x∗ ) =
0 −6
p ∈ M (x∗ ) = {p̄ ∈ <2Ã/Jg(x!∗ )p̄ = 0̄} =
³ ´ p
1
= {p̄ ∈ <2 / 2 4 = 0̄} = {p̄ ∈ <2 /2p1 + 4p2 = 0}
p2
³ ´ −4 0 −2p2
−2p2 p2 = −22p22 < 0
0 −6 p2
luego x∗ = (12, 11) es un máximo local estricto.
Para que se maximice la producción con un coste de 68 u.m., es necesario
que se empleen 12 y 11 unidades, de los factores productivos x1 y x2
respectivamente, obteniendo una cantidad
q = 60 · 12 + 90 · 11 − 2 · 122 − 3 · 112 = 1059.
15. Resolver el problema:

Opt. xy + yz
s. a. x2 + y 2 = 2
y + z = 2.
Determinar si los óptimos obtenidos son o no globales. Estudiar la variación
del valor máximo de la función objetivo ante un cambio en la primera
restricción del tipo: y + z = 2.1
Sean f (x, y, z) = xy + yz, y g1 (x, y, z) = x2 + y 2 − 2, g2 (x, y, z) = y + z − 2

£(λ1 , λ2 ; x, y, z) = xy + yz + λ1 (x2 + y 2 − 2) + λ2 (y + z − 2)
Las condiciones necesarias de  primer orden son,

∂£
∂x
= y + 2λ 1 x = 0 

∂£ 

= x + z + 2λ 1 y + λ 2 = 0 

∂y 
∂£
∂z
= y + λ 2 = 0
∂£ 

∂λ1
= x2 + y 2 − 2 = 0 


∂£


∂λ2
= y + z − 2 = 0
multiplicadores de Lagrange asociados:
x∗1 = (1, 1, 1); λ11 = − 12 ; λ12 = 1
x∗2 = (1, −1, 3); λ21 = 12 ; λ22 = 1
x∗3 = (−1, 1, 1); λ31 = 12 ; λ32 = −1
x∗4 = (−1, −1, 3); λ41 = − 12 ; λ42 = 1

³ ³ √ ´ √ √ ´ √ √
1+ 3 3−1 5− 3 3 1− 3
x∗5 = − 2
, 2
, 2
; λ51 =1− 2
; λ52 = 2
³ ³ √ ´ √ √ ´ √ √
1+ 3 1− 3 3+3 3 3−1
x∗6 = − 2
, 2
, 2
; λ61 = 2
− 1; λ62 = 2
³√ √ √ ´ √ √
3−1 3+1 3− 3 3 3+1
x∗7 = 2
, 2
, 2
; λ71 = −1 − 2
; λ72 =− 2
³√ √ √ ´ √ √
3−1 1+ 3 3+5 3 3+1
x∗8 = 2
, − 2
, 2
; λ81 = 2
+ 1; λ82 = 2
En este caso la matriz H£(λ1 , λ2 ; x, y, z) es,

H£(λ1 , λ2 ; x, y, z) = Hf (x, y, z) + λ1 Hg1 (x, y, z) + λ2 Hg2 (x, y, z) =
     
0 1 0 2 0 0 0 0 0
=  
 1 0 1  + λ1  0 2 0  + λ2  0 0 0  =
  

0 0 1 
0 0 0 0 0 0
2λ1 1 0
 
=  1 2λ1 1 
0 0 1
Hallamos el 
hessiano de la función lagrangiana, 
es decir, el hessiano orlado,
..
 0 0 . 2x 2y 0 
 . 
 0
 0 .. 0 1 1 
 
 · · · · · · ... · · · · · · · · · 
 
Ho£ (x̄) =  .. 
 
 2x 0 . 2λ1 1 0 
 
 .. 
 2y 1 . 1 2x 1 
 
..
0 1 . 0 1 0
que está formado

por, 
..
 0 0 . 

 .. 

 0 0 . Jg(x, y, z) 
 .. 
 ··· ··· . ··· ··· ··· 
 
Ho£ (x̄) =   .. 



. 

 .
.. H£(λ1 , λ2 ; x, y, z) 
 Jg t (x, y, z) 
 
..
.
donde Jg(x, y, z) es el jacobiano de g(x, y, z), siendo g(x, y, z), una función de
dos componentes, g1 y g2 , formada por las restricciones del problema.
En nuestro caso m = 2 (número de restricciones) y n = 3 (dimensión
del espacio vectorial donde está definido el problema, <3 ),luego bastará
calcular el determinante (de dimensión 5 = m + n), de esta matriz en cada
uno de los puntos estacionarios para determinar su carácter a partir de las
condiciones suficientes de segundo orden de Lagrange. Ası́ pues, como para
todo (λ1 , λ2 , x, y, z) ∈ <5 ,
|Ho£ (x̄)| = 8(x2 (λ1 − 1) − xy + λ1 y 2 )
obtenemos que
|Ho£ (λ11 , λ12 ; x∗1 )| = −24 < 0 −→ x∗1 es un máximo local estricto.
|Ho£ (λ21 , λ22 ; x∗2 )| = 8 > 0 −→ x∗2 es un mı́nimo local estricto.
|Ho£ (λ31 , λ32 ; x∗3 )| = 8 > 0 −→ x∗3 es un mı́nimo local estricto.
|Ho£ (λ41 , λ42 ; x∗4 )| = −24 < √ 0 −→ x∗4 es un máximo local estricto.
5 5 ∗
|Ho£ (λ1 , λ2 ; x5 )| = 12(1 √ − 3) < 0 −→ x∗5 es un máximo local estricto.
|Ho£ (λ61 , λ62 ; x∗6 )| = 4( √ 3 − 7) < 0 −→ x∗6 es un máximo local estricto.
|Ho£ (λ71 , λ72 ; x∗7 )| = −4(√ 3 + 7) < 0 −→ x∗7 es un máximo local estricto.
|Ho£ (λ81 , λ82 ; x∗8 )| = 12( 3 + 1) > 0 −→ x∗8 es un mı́nimo local estricto.
Veamos cuáles de los óptimos anteriores, tienen carácter global.

El programa verifica el Teorema de Weierstrass, ya que la función objetivo
f (x, y, z) = xy + yz es continua en <3 y el conjunto factible B = {(x, y, z) ∈
<3 /x2 + y 2 = 2, y + z = 2} es acotado y además cerrado. Por tanto, hay
máximo y mı́nimo global. √
En particular,
f (x∗1 ) = 2; f (x∗5 ) = 3 23−5
√
' 0, 098
1− 3
f (x∗2 ) = −4; f (x∗6 ) =√ 2 ' −0, 36
f (x∗3 ) = 0; f (x∗7 ) = 3+1
2 √
' 1, 36
∗ ∗ −3 3−5
f (x4 ) = −2; f (x8 ) = 2
' −5, 09
luego x∗1 es el máximo global y x∗8 el mı́nimo global.
Si la primera restricción aumenta en 0,1 su término independiente la variación
del valor máximo será
∆fmax ≈ 0, 1(−λ12 ) = −0, 1 −→el valor de f se reduce aproximadamente en
0,1 unidades.
β 2 α 2
16. Sea la función f (x, y) = (x − 1)2 + y + x con β 6= 0.
2 2
(a) Hallar los puntos crı́ticos de f (x, y). Clasifı́calos según los valores de los
parámetros α y β. Indicar si los extremos son globales.
Calculamos ∇f (x, y), e igualamos al vector nulo,

∇f (x, y) = (2(x − 1) + αx, βy) = (0, 0)
obteniendo el sistema,
)
2
2(x − 1) + αx = 0 → x = 2+α
βy = 0 →y=0 ³ ´
2
El punto crı́tico obtenido es de la forma, x∗ = 2+α ,0
Hallamos laÃmatriz hessiana
! de la función f,
2+α 0
Hf (x, y) = , y su determinante es
0 β
|Hf (x, y)| = (2 + α)β
Según los valores de α y β , pueden darse varias posibilidades:
• Si α > −2 y β > 0, tenemos que Hf (x, y) es definida positiva, luego

x∗ es un mı́nimo local estricto de f. Además f es convexa, luego el
mı́nimo es global.
• Si α < −2 y β > 0, tenemos que Hf (x, y) es definida negativa, luego
x∗ es un máximo local estricto de f. Además f es cóncava, luego el
máximo es global.
• Si α = −2 ó β < 0, tenemos que Hf (x, y) es indefinida, luego x∗ es
un punto de silla.
(b) Para el caso α = 0 y β = 2, es decir cuando f (x, y) = (x − 1)2 + y 2 ,

determinar gráficamente los extremos de la función f (x, y) sobre el
conjunto A = {(x, y) ∈ IR 2 /x ≥ 0, y ≥ 0, x + y ≤ 3}. Indicar si hay
algún extremo local que no es global.
Las curvas de nivel, son la familia de circunferencias (x − 1)2 + y 2 = k,

y el conjunto de soluciones factibles es A = {(x, y) ∈ <2 /x ≥ 0, y ≥
0, x + y ≤ 3}, tal y como puede verse en la figura,
³ ´ ³ ´
En el punto 3/2, 1/2 se alcanza el mı́nimo global en f 3/2, 1/2 = 1/2, y
en el (3, 0) se alcanza el máximo local con f (3, 0) = 4. El máximo global
se alcanza en el punto (0, 3) con f (0, 3) = 10.
En el punto (0, 0), podemos localizar un mı́nimo local, con f (0, 0) = 1.
(c) Aplicando el método de los multiplicadores de Lagrange, hallar los
extremos de la función f (x, y) = (x − 1)2 + y 2 sujeta a la condición
x + y = 3. Qué puede decirse en este caso respecto del máximo de
f (x, y).
)
opt f (x, y) = (x − 1)2 + y 2
s.a. x + y = 3
£(λ; x, y) = f (x, y) + λg(x, y) = (x − 1)2 + y 2 + λ(x + y − 3), y las
condiciones de primer orden
 son,
∂£
∂x
= 2(x − 1) + λ = 0  
∂£
∂y
= 2y + λ = 0
∂£


∂λ
= x + y − 3 = 0
Resolviendo el sistema anterior, obtendremos los puntos crı́ticos con sus
multiplicadores de Lagrange asociados
x∗ = (2, 1) con λ∗ = −2
En este caso, la matriz H£(λ; x, y) es,
Ã ! Ã !
2 0 0 0
H£(λ; x, y) = Hf (x, y) + λHg(x, y) = +λ =
0 2 0 0
Ã !
2 0
=
0 2
∗
Particularizando
Ã en x !, obtenemos la misma matriz que anteriormente,
2 0
H£(λ∗ ; x∗ ) =
0 2
y para los vectores p̄ 6= 0 con Ã !
³ ´ p
∗ 2 ∗ 2 1
p ∈ M (x ) = {p̄ ∈ < /Jg(x )p̄ = 0̄} = {p̄ ∈ < / 1 1 =
p2
0̄} =
= {p̄ ∈ <2 /p1 + p2 = 0}
³ ´ 2 0 p1
p1 − p1 = 4p21 > 0,
0 2 −p1
luego x∗ = (2, 1) es un mı́nimo local estricto.
(d) Indicar cómo se altera el valor mı́nimo del apartado anterior si la
restricción cambia en la forma x + y = 3 + h con h suficientemente
pequeño.
Si la restricción aumenta en ”h” unidades, el valor mı́nimo varı́a en la

forma,
4fmin ≈ h(−λ∗ ) = 2h
Por tanto, el mı́nimo aumenta aproximadamente en 2h unidades.
17. Los ingresos obtenidos en una empresa se dividen en dos partes: los beneficios
declarados de la empresa y el sueldo del empresario. El empresario está
obligado a pagar dos impuestos: el de sociedades y el de la renta de las
personas fı́sicas. El impuesto de sociedades es el 30% de los beneficios
declarados de la empresa y el impuesto sobre la renta es el 10% del cuadrado
del sueldo del empresario. Si los ingresos totales obtenidos en la empresa son
3 unidades monetarias, qué sueldo se fijará el empresario si su objetivo es
minimizar el pago de impuestos?
(a) Formular y resolver el problema.
La función a minimizar es la que nos da los impuestos totales que ha

de pagar el empresario
I(x1 , x2 ) = Is (x1 ) + IRP F (x2 )
donde,
Is (x1 ) = 0, 3x1
IRP F (x2 ) = 0, 1x22
siendo
x1 ≡ beneficios declarados de la empresa

x2 ≡ sueldo del empresario
con la restricción x1 + x2 = 3.
Por tanto, hemos de ) resolver el programa
2
min 0, 3x1 + 0, 1x2
s.a. x1 + x2 = 3
£(λ; x1 , x2 ) = 0, 3x1 + 0, 1x22 + λ(x1 + x2 − 3)
cuyas condiciones necesarias
de primer orden son
∂£
∂x1
= 0, 3 + λ = 0 

∂£
∂x2
= 0, 2x 2 + λ = 0
∂£


∂λ
= x 1 + x 2−3 = 0
(b) Indicar cuál es el valor de los multiplicadores e interpretar este valor para
este problema.
Resolviendo el sistema anterior, obtenemos el punto estacionario

x∗ = (1, 5 , 1, 5) con λ∗ = −0, 3, que es un mı́nimo global, pues el
programa es convexo.
Si el empresario desea minimizar el pago de sus impuestos, deberá
asignarse un sueldo de 1,5 u.m. y declarar como beneficios de la empresa
1,5 u.m., siendo en este caso los impuestos a pagar I(x∗ ) = 0, 675 u.m.
(c) Haciendo uso del valor de los multiplicadores, indicar cuál será la
cantidad mı́nima de impuestos que deberá pagar el empresario si los
ingresos totales de la empresa son 3.0001 unidades monetarias?
Si el término independiente de la restricción aumenta en 0,0001, tenemos

que
4Imin ≈ 0, 0001(−λ∗ ) = 0, 00003
Es decir, los impuestos aumentarı́an en 0,00003 unidades.
Opt. x2 + y 2
x2 y 2
s.a. + = 1.
9 4
Las curvas de nivel de la función objetivo son circunferencias centradas

en (0,0), de la forma x2 + y 2 = k, k ∈ <, y el conjunto de soluciones
2 y2
factibles está formado por B = {(x, y) ∈ <2 / x9 + 4
= 1}, tal y como
puede verse en la figura:
El mı́nimo global se alcanza en los puntos (0,2) y (0,-2),

con f (0, 2) = f (0, −2) = 4, y el máximo global se alcanza en los puntos
(3,0) y (-3,0) con f (3, 0) = f (−3, 0) = 9
(b) Resolver el problema aplicando el método de los multiplicadores de

Lagrange.

³ 2 ´
y2
£(λ; x, y) = x2 + y 2 + λ x9 + 4
−1

 de primer orden son:
∂£ λx
∂x
= 2x + 2 9
= 0 


∂£ λy
∂y
= 2y + 2
= 0


∂£ x2 y2 
∂λ
= 9
+ 4
− 1 = 0
sus multiplicadores de Lagrange asociados:
x∗1 = (0, 2) con λ∗1 = −4
x∗2 = (0, −2) con λ∗2 = −4
x∗3 = (3, 0) con λ∗3 = −9
x∗4 = (−3, 0) con λ∗4 = −9
En este caso, laÃ matriz!H£(λ;

Ã
x, y) es, ! Ã !
2 0 2/ 0 2 + 2λ 0
H£(λ; x, y) = +λ 9 = 9
0 2 0 /2 1 0 2+ λ
2
Particularizamos para cada uno de los puntos estacionarios:
• Para x∗1 = (0, 2) ∗

Ã con λ1 =! −4 obtenemos,
10/ 0
H£(λ∗1 , x∗1 ) = 9
0 0
³ ´ p1
p ∈ M (x∗1 ) = {p̄ ∈ <2 /Jg(x1∗ )p̄ = 0̄} = {p̄ ∈ <2 / 0 1 =
p2
0̄} =
= {p̄ ∈ <2 /p2 = 0}
se verifica,Ã !Ã !
³ ´ 10/ 0 p
p1 0 9 1
= 10 p2 > 0
0 0 0 9 1
• Para x∗2 = (0, −2) ∗

Ã con λ2!= −4 obtenemos,
10/ 0
H£(λ∗2 , x∗2 ) = 9
0 0
p ∈ M (x∗2 )Ã = ! {p̄ ∈ <2 /Jg(x∗2 )p̄ = 0̄} = {p̄ ∈
³ ´ p
1
<2 / 0 −1 =
p2
= 0̄} = {p̄ ∈ <2 /p2 = 0}
³ ´ 10/ 0 p
p1 0 9 1
= 10 p2 > 0
0 0 0 9 1
• Para x∗3 = (3, 0) ∗

Ã con λ3 =!−9 obtenemos,
0 0
H£(λ∗3 , x∗3 ) = −5
0 /2
³ ´ p1
2
p ∈ M (x∗3 ) = {p̄ ∈ <2 /Jg(x∗3 )p̄ = 0̄} = {p̄ ∈ <2 / 0 =
3 p2
0̄} =
= {p̄ ∈ <2 /p1 = 0}
³ ´ 0 0 0
0 p2 = − 25 p22 < 0,
0 −5/2 p2
• Para x∗4 = (−3, 0) con λ∗4 = −9, se procede de manera análoga a

como se ha hecho con x∗3 , llegando a que x∗4 es un máximo local
estricto.
(c) Interpretar el valor del multiplicador de Lagrange en el punto de máximo.
En el punto máximo, tenemos que si la restricción aumenta en una unidad

su término independiente, la función objetivo aumenta en,
4fmax ≈ 1(−λ∗ ) = 1 · (9) = 9 unidades.
19. El volumen de ventas de un detergente es función del número de anuncios

en la prensa, x, ası́ como el número de minutos de publicidad en TV, y.
Estadı́sticamente se ha estimado que estas variables están relacionadas de la
forma
V = 12xy − x2 − 3y 2
Un anuncio en la prensa vale 60 euros y un minuto en TV, 600 euros. El
presupuesto de publicidad es de 9000 euros. Determinar la polı́tica publicitaria
óptima e interpretar para este problema el valor de los multiplicadores de
Lagrange.
El programa es, )
opt V (x, y) = 12xy − x2 − 3y 2
s.a. 60x + 600y = 9000
Sea g(x, y) = 60x + 600y − 9000. La función lagrangiana es,
£(λ; x, y) = V (x, y) + λg(x, y) = 12xy − x2 − 3y 2 + λ(60x + 600y − 9000)
y las condiciones necesarias de primer orden son,

∂£
∂x
= 12y − 2x + 60λ = 0 

∂£
∂y
= 12x − 6y + 600λ = 0
∂£


∂λ
= 60x + 600y − 9000 = 0
Resolviendo el sistema anterior obtenemos el punto estacionario con el
multiplicador
³ de´ Lagrange asociado,
x∗ = 9450 , 2400
223 223
con λ∗ = −165
223
En este caso laÃmatriz H£(λ; ! x, Ã
y) es, ! Ã !
−2 12 0 0 −2 12
H£(λ; x, y) = +λ =
12 −6 0 0 12 −6
∗
Si particularizamos en x , obtenemos la matriz anterior, y para los vectores
p̄ 6= 0 con
Ã !
³ ´ p1
p ∈ M (x∗ ) = {p̄ ∈ <2 /Jg(x∗ )p̄ = 0̄} = {p̄ ∈ <2 / 60 600 = 0̄}
p2
= {p̄ ∈ <2 /p1 + 10p2 = 0}
³ ´ −2 12 −10p2
−10p2 p2 = −446p22 < 0,
12 −6 p2
luego x∗ es un máximo local estricto.
La polı́tica publicitaria óptima será de contratar 9450
223
' 42anuncios en prensa
2400
y 223 ' 11 minutos en TV.
20. Consideremos el problema siguiente:
min x1 x2
s. a. x21 + x22 = 1
(a) Resolver el problema aplicando el método de los multiplicadores de

Lagrange.
Sea f (x1 , x2 ) = x1 x2 y g(x1 , x2 ) = x21 x22 − 1

£(λ; x1 , x2 ) = f (x1 , x2 ) + λg(x1 , x2 ) = x1 x2 + λ(x21 + x22 − 1)


de primer orden son,
∂£
∂x1
= x 2 + 2λx 1 = 0 

∂£
∂x2
= x 1 + 2λx 2 = 0
∂£


2 2
∂λ
= x 1 + x 2 − 1=0
sus multiplicadores
³ √ √ ´ de Lagrange asociados,
x = −2 2 , 22 con λ∗1 = 12
∗1
³√ √ ´
2 − 2 1
x∗2 = , con λ∗2 =
³ 2√ √ 2 ´ 2
− 2
x∗3 = , 2 con λ∗3 = − 12
³ √2 √2 ´
2 − 2
x∗4 = 2
, 2con λ∗4 = − 12
Hallamos la matriz H£(λ; x1 , x2 ), Ã ! Ã !
0 1 2 0
H£(λ; x1 , x2 ) = Hf (x1 , x2 ) + λHg(x1 , x2 ) = +λ =
1 0 0 2
Ã !
2λ 1
=
1 2λ
Ã !
³ √ √ ´
1 1
− 2 2
• Para x∗1 = , con λ∗1 = 12 , la matriz H£(λ∗1 , x∗1 ) =
2 2 1 1
p ∈ M (x∗1 ) = {p̄ ∈ <2 /Jg(x ∗1
Ã )p̄!= 0̄} =
³ √ √ ´ p1
= {p̄ ∈ <2 / − 2 2 = 0̄}
p2
= {p̄ ∈ <2 / − p1 + p2 = 0}
³ ´ 1 1 p1
p1 p1 = 4p21 > 0,
1 1 p1
³√ √ ´
• x∗2 = 22 , −2 2 con λ∗2 = 12 , se comporta de la misma manera que
x∗1 , obteniéndose las mismas matrices que anteriormente, luego x∗2
es un mı́nimo local estricto.
Para x∗3 y x∗4 , aplicaremos las condiciones suficientes de segundo orden,

hallando el hessiano orlado, con m = 1 (número de restricciones) y n = 2
(dimensión del espacio vectorial donde está definido el problema), es
decir,  
..
 0 . 2x1 2x2 
 
 · · · ... · · · · · · 
 
H0£ =  .. 

 2x1 . 2λ 1 
 
..
2x2 . 1 2λ
siendo ∇g(x1 , x2 ) = (2x1 , 2x2 ). Puesto que m = 1y n = 2, únicamente
hemos de calcular el menor de orden 2m+1 = 3, es decir, el determinante
de la matriz anterior.
• Para x∗3 se tiene que | H0£ (λ∗3 , x∗3 ) |= 8 > 0, luego x∗3 es un máximo
local estricto.
• De manera análoga, llegamos a que x∗4 es un máximo local estricto.
(b) Representar gráficamente el conjunto factible, varias curvas de nivel y la

solución óptima.
Las curvas de nivel de la función objetivo son la familia de hipérbolas de

ecuación x1 x2 = k, k ∈ <.
El conjunto factible es la circunferencia de centro (0,0) y radio la unidad,
B = {(x1 , x2 ) ∈ <2 /x21 + x22 = 1}
tal y como puede verse en la figura:
En la gráfica podemos observar, cómo la hipérbola corta a la

circunferencia en dos puntos, que son los nombrados anteriormente, y
en dichos puntos se alcanza el óptimo.
(c) Interpretar el valor de los multiplicadores de Lagrange.
En el caso del mı́nimo, un incremento en el término independiente en

la restricción, de una unidad, disminuirá en 0,5 unidades el valor de
la función objetivo. Y en el caso del máximo, un incremento en el
término independiente en la restricción, de una unidad, aumentará en
0,5 unidades el valor de la función objetivo.
Tema 10
(Nota: algunos de los ejercicios que aparecen a continuación han sido tomados de la
obra: Optimización: cuestiones, ejercicios y aplicaciones a la economı́a, R.Barbolla, E.
Cerdá y P. Sanz, Ed. Prentice–Hall, 2000. Tal y como ya aparece en la bibliografı́a de la
asignatura, se recomienda este texto para los temas 7 al 10 de la asignatura)
1. Determinar los extremos de la función f (x, y) = xy(1−x2 −y 2 ) en el cuadrado

[−1, 1] × [−1, 1].
Está resuelto en el tema 8, ejercicio 9.a).
Opt x2 + (y − 1)2
s. a. x + y ≤ 6
2x + y ≥ 4
x, y ≥ 0
Se pide:
(a) Estudiar qué restricciones saturan los puntos (2, 3), (2, 0), (3, 3).
El conjunto factible del programa es
B = {(x, y) ∈ <2 /x + y ≤ 6, 2x + y ≥ 4, x ≥ 0, y ≥ 0}
y las funciones que definen las restricciones son
g1 (x, y) = x + y − 6 → g1 (x, y) ≤ 0
g2 (x, y) = 4 − 2x − y → g2 (x, y) ≤ 0
g3 (x, y) = −x → g3 (x, y) ≤ 0
g4 (x, y) = −y → g4 (x, y) ≤ 0
• El punto (2, 3) ∈ B y como
g1 (2, 3) = −1 < 0
g2 (2, 3) = −3 < 0
g3 (2, 3) = −2 < 0
g4 (2, 3) = −3 < 0
en la solución factible (2,3) no se satura ninguna restricción.

• En (2,0) se saturan las restricciones segunda y cuarta ya que
g1 (2, 0) = −4 < 0
g2 (2, 0) = 0
g3 (2, 0) = −2 < 0
g4 (2, 0) = 0
• Por último, como
g1 (3, 3) = 0
g2 (3, 3) = −5 < 0
g3 (3, 3) = −3 < 0
g4 (3, 3) = −3 < 0
el punto factible (3,3) sólo satura la primera restricción.
(b) Estudiar los puntos regulares para el problema anterior.
Tenemos que,
∇g1 (x, y) = (1, 1) ; ∇g3 (x, y) = (−1, 0)

∇g2 (x, y) = (−2, −1) ; ∇g4 (x, y) = (0, −1)
∀(x, y) ∈ <2 , los vectores anteriores son linealmente independientes 2 a

2, luego todos los puntos del problema anterior, cumplen la condición de
regularidad.
(c) Resolver, si es posible, geométricamente el problema.
Las curvas de nivel de la función objetivo son circunferencias

√ de la forma
x2 + (y − 1)2 = k, con centro (0,1) y radio r = k, k > 0. Por tanto,
teniendo en cuenta la figura, el máximo global se encuentra
³ ´ en el punto
6 8
(6,0) y el mı́nimo global en el punto de tangencia 5 , 5 que se obtiene
(
2x + y = 4
como solución del sistema 2x
2
= 2(y−1)
1
Ası́ pues, como ilustra la figura y puede comprobarse analı́ticamente,

el punto donde se alcanza el máximo satura las restricciones primera
y cuarta pues dicho punto está situado sobre las rectas g1 (x, y) = 0 y
g4 (x, y) = 0. Del mismo modo puede observarse que el punto donde
se alcanza el mı́nimo, sólo satura³ la segunda
´ restricción, alcanzando el
máximo en (6,0) y el mı́nimo en 56 , 85
(d) Estudiar las condiciones de Kuhn–Tucker en los óptimos.
Las condiciones de Kuhn–Tucker son,

Ã ! Ã ! Ã ! Ã ! Ã ! Ã !
2x 1 −2 −1 0 0
+λ1 +λ2 +λ3 +λ4 =
2(y − 1) 1 −1 0 −1 0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0;
λ1 (x + y − 6) = 0; x + y − 6 ≤ 0
λ2 (4 − 2x − y) = 0; 4 − 2x − y ≤ 0
λ3 (−x) = 0; −x ≤ 0
λ4 (−y) = 0 ; −y ≤ 0
∗ ∗
Veamos
³ ´ si verifican las condiciones anteriores en x1 = (6, 0)y en x2 =
6 8
,
5 5
.
• En el punto x∗1 = (6, 0), estarı́amos en un problema de maximización,

y se verifican las condiciones de Kuhn–Tucker, obteniendo λ1 = −12,

λ2 = λ3 = 0 y λ4 = −14.
³ ´
6 8
• En el punto x∗2 = , , estarı́amos en un problema de
5 5
minimización, y no se verifican las condiciones de Kuhn–Tucker por
llegar a una incongruencia en las ecuaciones.
min y − x2
s. a. x2 − y ≤ 0
y≤4
x, y ≥ 0
Se pide:
(a) Probar que el punto x? = (1, 1), verifica las condiciones de Kuhn–Tucker.
Podemos escribir el programa como,


min y − x2 




s.a. x2 − y ≤ 0 

y−4≤0


−x ≤ 0 



−y ≤ 0 
Las condiciones de Kuhn–Tucker en este caso son:

Ã ! Ã ! Ã ! Ã ! Ã ! Ã !
−2x 2x 0 −1 0 0
+ λ1 + λ2 + λ3 + λ4 =
1 −1 1 0 −1 0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0;
λ1 (x2 − y) = 0; x2 − y ≤ 0
λ2 (y − 4) = 0; y − 4 ≤ 0
λ3 (−x) = 0; −x ≤ 0
λ4 (−y) = 0 ; −y ≤ 0
El punto x∗ = (1, 1) es factible y sólo satura la primera restricción, por

tanto, sustituyendo x = y = 1, λ2 = λ3 = λ4 = 0 en la ecuación resulta
)
−2 + 2λ1 = 0
↔ λ1 = 1 > 0
1 − λ1 = 0
Ası́ pues, x∗ = (1, 1) es un posible mı́nimo local del programa ya que

cumple las condiciones necesarias de Kuhn–Tucker.
(b) Probar que x? es un mı́nimo global del programa.
Sea B = {(x, y) ∈ <2 /x2 − y ≤ 0, y ≤ 4, x ≥ 0, y ≥ 0}
Dado que la función objetivo es
f (x, y) = y − x2
y todas las soluciones factibles (x, y) ∈ B verifican que

x2 − y ≤ 0, se tiene que ∀(x, y) ∈ B, f (x, y) ≥ 0 = f (1, 1)
Por tanto, x∗ = (1, 1) es un mı́nimo global del problema.
(c) Probar que en x? no se cumple la condición de segundo orden de mı́nimo
local.
En este punto, no se verifican las condiciones suficientes de segundo

orden. En efecto, como Ã ! Ã !
∗ ∗ −2 0 2 0
H£(λ , 1, 1) = Hf (1, 1) + λ1 Hg1 (1, 1) = +1
0 0 0 0
Ã !
0 0
=
0 0
y
M (1, 1) = {(p1 , p2 ) ∈ <2 /p2 = 2p1 , (p1 , p2 ) 6= (0, 0)}
y es claro que H£(λ∗ , 1, 1) no es difinida positiva en M (1, 1), ya que

∀p̄ ∈ M (1, 1) se verifica que p̄t H£(λ∗ , 1, 1)p̄ = 0.
Esto muestra que las condiciones de segundo orden no son necesarias.
Opt (x − 3)2 + (y − 3/2)2
s. a. − x + y ≥ 0
x2 + y 2 ≤ 4
x, y ≥ 0
(a) Resolverlo geométricamente.
El conjunto de soluciones factibles es
B = {(x, y) ∈ <2 /x − y ≤ 0, x2 + y 2 ≤ 4, x ≥ 0, y ≥ 0}
y las curvas de nivel de la función objetivo son circunferencias con centro

³ ´ √ ³ ´2
3 2
3, /2 y de radio k, k > 0, es decir, (x − 3) + y − /2 = k.3
Por tanto, como muestra la ³√figura,

√ ´ el mı́nimo global del programa se
∗
encuentra en el punto x1 = 2, 2 , solución del sistema de ecuaciones
)
x−y =0
x2 + y 2 = 4
El máximo global se encuentra en el punto x∗2 = (0, 0)
(b) Comprobar las condiciones de Kuh–Tucker en el óptimo.
Las condiciones de Kuhn–Tucker son:

Ã ! Ã ! Ã ! Ã ! Ã !
2(x
³ − 3)´ 1 2x −1 0
+ λ1 + λ2 + λ3 + λ4 =
2 y − 3/2 −1 2y 0 −1
Ã !
0
0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0;
λ1 (x − y) = 0; x − y ≤ 0
λ2 (x2 + y 2 − 4) = 0; x2 + y 2 − 4 ≤ 0
λ3 (−x) = 0; −x ≤ 0
λ4 (−y) = 0 ; −y ≤ 0
³√ √ ´
• Para el punto x∗1 = 2, 2 , se verifican las condiciones de Kuhn–
Tucker, obteniéndose λ1 = 1, 5 > 0, λ2 = 0, 59 > 0 y λ3 = λ4 = 0
• Para el punto x∗2 = (0, 0), el problema serı́a de maximización, y

cumple las condiciones de Kuhn–Tucker, obteniendo dos posibles
soluciones, una con λ1 = λ2 = 0, λ3 = −6 y λ4 = −3, y la otra con
λ2 = λ4 = 0, λ1 = −3 y λ3 = −9.
5. Hallar analı́ticamente las soluciones factibles x∗ en las que se verifican las

condiciones de Kuhn–Tucker en los siguientes problemas:
(a)
min 1 − x + y 2
s. a. x2 + y 2 − 1 ≤ 0
Consideramos los casos en los que el punto x∗ solución del programa sea
interior al conjunto de las soluciones factibles o un punto frontera que
satura la restricción.
• Supongamos que x∗ es un punto interior de
B = {(x, y) ∈ <2 /x2 + y 2 − 1 ≤ 0}
Las condiciones necesarias de primer orden serı́an las de óptimo

sin restricciones ya que, la restricción impuesta por g(x, y) ≤ 0 es
irrelevante para el problema considerado. El programa se reducirı́a
a estudiar los puntos crı́ticos de la función objetivo.
Como ∇f (x, y) = (−1, 2y), ∀(x, y) ∈ <2 , y siempre se verifica que
∂f
∂x
= −1 6= 0, el óptimo no se puede alcanzar en el interior del
conjunto de soluciones factibles.
• Si x∗ satura la restricción g(x, y) = x2 + y 2 − 1 = 0 entonces x∗ será

la solución del programa
)
min f (x, y)
s.a. g(x, y) = 0
y por tanto, será punto crı́tico de la función Lagrangiana,
£(λ; x, y) = f (x, y) + λg(x, y) = 1 − x + y 2 + λ(x2 + y 2 − 1)
con λ ≥ 0, ya que tiene que verificarse


∇f (x∗ ) + λ∇g(x∗ ) = 0̄ 

∇g(x∗ ) = 0


λ≥0
o explı́citamente

∂£
∂x
= −1 + 2λx = 0 


∂£ 

∂y
= 2x + 2λy = 0
g(x, y) = x2 + y 2 − 1 = 0 




λ≥0
Después de resolver el sistema anterior, obtenemos como punto que
verifica las condiciones de Kuhn-Tucker el x∗ = (1, 0) con λ = 1/2.
(b)
min −3x − y
s. a. x2 + y 2 − 5 ≤ 0
x−y−1≤0
El conjunto de soluciones factibles es
B = {(x, y) ∈ <2 /g1 (x, y) ≤ 0, g2 (x, y) ≤ 0}
Consideremos los siguientes casos:

1. Que el óptimo se alcanza en el interior de B, es decir,
g1 (x, y) < 0 y g2 (x, y) < 0
y por tanto, no se satura ninguna restricción. Entonces, se estarı́a en un
punto crı́tico de f sin restricciones en el que deberı́a verificarse que
∇f (x∗ ) = 0̄ ↔ ∂f
∂x
(x∗ ) = 0 y ∂f
∂y
(x∗ ) = 0
2. Que el óptimo está situado en la frontera porque al menos una de las
dos restricciones está saturada, es decir, se verifica que
i)g1 (x∗ ) = 0
g2 (x∗ ) < 0
ii)g1 (x∗ ) < 0
g2 (x∗ ) = 0
iii)g1 (x∗ ) = 0
g2 (x∗ ) = 0
Las condiciones necesarias de Kuhn-Tucker nos dicen que, si x∗ es

óptimo local del programa cuando se cumplen ciertas hipótesis, entonces,
−∇f (x∗ ) debe pertenecer al cono generado por ∇gi (x∗ ) con i ∈ I y
verificar,
∇f (x∗ , y ∗ ) + λ1 ∇g1 (x∗ , y ∗ ) + λ2 ∇g2 (x∗ , y ∗ ) = (0, 0)
λ1 ∇g1 (x∗ , y ∗ ) = 0
λ2 ∇g2 (x∗ , y ∗ ) = 0
λ1 ≥ 0, λ2 ≥ 0
g1 (x∗ , y ∗ ) ≤ 0
g2 (x∗ , y ∗ ) ≤ 0
Estudiemos si esto se cumple en los casos i), ii) y iii).
i) Si g1 (x, y) = 0 y g2 (x, y) < 0 → λ2 = 0
Las condiciones de Kuhn-Tucker son


−3 + 2λ1 x = 0  

−1 + 2λ1 y = 0  



x +y −5=0 
2 2
De las dos primeras ecuaciones se deduce que
λ1 ≥ 0 



x−y−1<0  



λ2 = 0
3 1
λ1 = 2x y λ1 = 2y → x = 3y
Sustituyendo
√
en la condición
√
g1 (x, y) = 0 obtenemos que
2 3 2
y = ± 2 → x = ±√2 .
Desechamos y = −2 2 , ya que en ese caso tenemos λ1 < 0, lo que es una
contradicción. ³ √ √ ´
En el caso que x∗ = 3 2 2 , 22 obtenemos λ1 = √12 que nos proporciona
una posible √ solución.
√ Veamos si x∗ es factible.
g2 (x∗ ) = 3 2 2 − 22 − 1 6< 0
Ası́ pues, podemos concluir que en esta situación no existe posible
solución.
ii) Si g1 (x, y) < 0 y g2 (x, y) = 0 → λ1 = 0, y las condiciones de Kuhn-

Tucker explı́citamente las podemos escribir como
−3 + λ2 = 0
−1 + λ2 (−1) = 0
x2 + y 2 − 5 < 0
λ1 = 0
x−y−1=0
λ2 ≥ 0
De la primera ecuación obtenemos λ2 = 3 y de la segunda λ2 = −1,

lo cual es incompatible. Esto prueba que no existe un x∗ solución del
problema tal que g1 (x∗ ) < 0 y g2 (x∗ ) = 0
iii) Si x∗ es un punto tal que satura las dos restricciones, es decir, verifica
que g1 (x, y) = 0 y g2 (x, y) = 0, entonces, las condiciones de Kuhn-Tucker
son
−3 + λ1 2x + λ2 = 0
−1 + λ1 2y + λ2 (−1) = 0
x2 + y 2 − 5 = 0
λ1 ≥ 0
λ1 (x2 + y 2 − 5) = 0
x−y−1=0
λ2 ≥ 0
λ2 (x − y − 1) = 0
El sistema formado por las restricciones saturadas
x2 + y 2 − 5 = 0
x−y−1=0
tiene como soluciones x = −1, y = −2 y también x = 2, y = 1.
Para x∗ = (2, 1), sustituyendo en las condiciones de Kuhn-Tucker
obtenemos
λ1 = 23 > 0 y λ2 = 13 > 0
Por tanto, el punto x∗ = (2, 1) es un posible mı́nimo del programa.
Para x∗ = (−1, −2) se tiene λ1 = − 32 < 0, lo que contradice la no
negatividad de los λi , i = 1, 2, por lo que x∗ = (−1, −2) no es óptimo del
programa.
En general, las condiciones de Kuhn-Tucker quedarán resumidas en
−3 + 2λ1 x + λ2 = 0
−1 + 2λ1 y − λ2 = 0
λ1 ≥ 0
λ2 ≥ 0
λ1 (x2 + y 2 − 5) = 0
λ2 (x − y − 1) = 0
x2 + y 2 − 5 ≤ 0
x−y−1≤0
Siendo los casos a considerar para encontrar los posibles mı́nimos x∗ los
siguientes:
- Si no se satura ninguna restricción, entonces λ1 = 0, λ2 = 0
- Si se satura únicamente la primera restricción, entonces λ2 = 0
- Si se satura sólo la segunda restricción, entonces λ1 = 0
- Si se saturan ambas restricciones, entonces λ1 ≥ 0 y λ2 ≥ 0
(c)
min x2 + (y − 2)2
s. a. x + y ≤ 1
−x + y ≤ 1
y≥0
Las condiciones necesarias de Kuhn-Tucker son:

2x + λ1 − λ2 = 0
2(y − 2) + λ1 + λ2 − λ3 = 0
λ1 (x + y − 1) = 0
λ2 (−x + y − 1) = 0
λ3 (−y) = 0
x+y−1≤0
−x + y − 1 ≤ 0
−y ≤ 0
λ1 ≥ 0
λ2 ≥ 0
λ3 ≥ 0
Las hipótesis que podemos hacer sobre los valores de los λi , i = 1, 2, 3 se
resumen en los 23 = 8 casos que a continuación enumeramos
I. λ1 = λ2 = λ3 = 0
II. λ1 = λ2 = 0
III.λ1 = λ3 = 0
IV. λ2 = λ3 = 0
V. λ1 = 0
VI. λ2 = 0
VII.λ3 = 0
VIII.λ1 ≥ 0, λ2 ≥ 0, λ3 ≥ 0
Se comprueba fácilmente que sólo en la hipótesis VII se complen las

condiciones de Kuhn-Tucker. Éstas se verifican en el punto x∗ = (0, 1)
para λ1 = λ2 = 1, λ3 = 0. Por tanto, sólo el punto x∗ = (0, 1) es posible
óptimo del programa.
max x · y
s. a. x + y + z ≤ 5
x2 + y 2 + z 2 ≥ 4
x, y, z ≥ 0
y el punto x? = (5/2, 5/2, 0). Se pide:

(a) Comprobar que se verifican las condiciones necesarias de Kuhn–Tucker

en el punto indicado.
Podemos escribir el programa de la siguiente forma,


max xy 



s.a. x + y + z − 5 ≤ 0 



4 − x2 − y 2 − z 2 ≤ 0 
−x ≤ 0 




−y ≤ 0 



−z ≤ 0
Las condiciones de Kuhn-Tucker para este problema son
x + λ1 − 2yλ2 − λ4 = 0
y + λ1 − 2xλ2 − λ3 = 0
λ1 − 2zλ2 − λ5 = 0
λ1 ≤ 0, λ2 ≤ 0, λ3 ≤ 0, λ4 ≤ 0, λ5 ≤ 0
λ1 (x + y + z − 5) = 0
λ2 (4 − x2 − y 2 − z 2 ) = 0
λ3 (−x) = 0
λ4 (−y) = 0
λ5 (−z) = 0
x+y+z−5≤0
4 − x2 − y 2 − z 2 ≤ 0
−x ≤ 0, −y ≤ 0, −z ≤ 0
³ ´
El punto 5/2, 5/2, 0 es una solución factible que sólo satura la primera
y la quinta restricción, ası́ pues λ2 = λ3 = λ4 = 0.
Finalmente, sustituyendo en las tres primeras ecuaciones
x = 52 ; y = 25 ;z = 0;λ2 = λ3 = λ4 = 0; λ1 = λ5 = −5
2
Ası́ pues, en el punto x∗ se verifican las condiciones necesarias de Kuhn-
Tucker.
(b) Comprobar si se cumplen las condiciones suficientes de segundo orden.
Dado que x∗ satura la primera y última restricción y λ∗1 < 0, λ∗5 < 0
comprobar que p̄t H£(λ∗ , x∗ )p̄ < 0, ∀p ∈ M (x∗ ) es equivalente a
comprobar que en (λ∗ , x∗ ) el determinante
¯ ¯
¯ 0 0 1 1 1 ¯¯
¯
¯ ¯
¯
¯
0 0 0 0 −1 ¯¯
¯ 1 0 0 1 0 ¯¯ = −2 < 0
¯
¯
¯ 1 0 1 0 0 ¯¯
¯ ¯
¯ 1 −1 0 0 0 ¯
3
tiene el mismo
³ signo
´ que (−1)
³ < 0. En ´ efecto, esto se cumple pues
∗ 5 5 ∗ −5 −5
para x = 2 , 2 , 0 y λ = 2 , 0, 0, 0, 2 este determinante es igual a
−2. Luego el punto x∗ es un máximo local estricto.
(c) Probar que se trata de un máximo global.
Para determinar si es o no máximo, y si es local o global, nos ayudamos

en este caso de la resolución gráfica del problema.
El conjunto de soluciones factibles es el tetraedro del primer ortante,

excepto el interior de la parte de la esfera contenida en el mismo .
Las superficies de nivel de la función objetivo son
Sk = {(x, y, z) ∈ <3 /xy = k}, k ∈ <
Ası́ pues, en x∗ está el máximo global de la función f (x, y, z) = xy sobre
el conjunto B de soluciones factibles.

min (x − 2)2 + (y − 1)2
s. a. x2 − y ≤ 0
x+y−2≤0
x, y≥0
Las curvas de√nivel de la función objetivo son circunferencias de centro

(2, 1) y radio k, k > 0, es decir, (x − 2)2 + (y − 1)2 = k.
B = {(x, y) ∈ <2 /x2 − y ≤ 0, x + y − 2 ≤ 0, x ≥ 0, y ≥ 0}, tal y como
puede verse en la figura:
Como podemos observar, el mı́nimo se alcanza en el punto x∗ = (1, 1),

que es el punto de corte entre la recta x + y = 2 y la parábola y = x2 ,
tomando en dicho punto el valor f (1, 1) = 1.
(b) Escribir las condiciones de Kuhn–Tucker para este problema e indicar si

puede asegurarse que son condiciones necesarias y suficientes.

Ã ! Ã ! Ã ! Ã ! Ã ! Ã !
2(x − 2) 2x 1 −1 0 0
+λ1 +λ2 +λ3 +λ4 =
2(y − 1) −1 1 0 −1 0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0;
λ1 (x2 − y) = 0; λ3 (−x) = 0;
λ2 (x + y − 2) = 0; λ4 (−y) = 0;
x2 − y ≤ 0;
x + y − 2 ≤ 0;
−x ≤ 0;
−y ≤ 0;
En el punto x∗ = (1, 1), se verifican las condiciones de Kuhn-Tucker

con λ1 = λ2 = 2/3 y λ3 = λ4 = 0
Hemos de recordar que las condiciones de Kuhn-Tucker son necesarias
pero no suficientes, por tanto, hay que hacer uso de las condiciones
de segundo orden, para determinar el carácter del punto x∗ = (1, 1),
o verificar que tanto la función objetivo como la región factible sean
convexas, para que con el hecho de que también se cumplan las
condiciones de Kuhn-Tucker, se verifique que x∗ es un mı́nimo global
del programa, y en tal caso, serı́an necesarias y suficientes.
max −x21 + x2
s. a. x21 + x2 ≤ 10
x1 ≥ 2
x1 , x 2 ≥ 0


max −x21 + x2 



s.a. x21 + x2 − 10 ≤ 0
2 − x1 ≤ 0 



−x2 ≤ 0
Las curvas de nivel de la función objetivo son parábolas de ecuación
x2 = x21 + k, k ∈ <.
B = {(x1 , x2 ) ∈ <2 /x21 + x2 ≤ 10, x1 ≥ 2, x2 ≥ 0}
tal y como puede verse en la figura:

Como podemos observar, el máximo se alcanza en el punto x∗ = (2, 6),

que es donde se cortan la recta x1 = 2 y la parábola x2 = 10 − x21 ,
tomando en dicho punto la función objetivo, el valor 2.
(b) Comprobar que las soluciones óptimas obtenidas verifican las condiciones
de Kuhn–Tucker e indicar cuál es el valor de los multiplicadores.
Las condiciones necesarias de Kuhn-Tucker son:

Ã ! Ã ! Ã ! Ã ! Ã !
−2x1 2x1 −1 0 0
+ λ1 + λ2 + λ3 =
1 1 0 −1 0
λ1 ≤ 0; λ2 ≤ 0; λ3 ≤ 0;
λ1 (x21 + x2 − 10) = 0;
λ2 (2 − x1 ) = 0;
λ3 (−x2 ) = 0;
x21 + x2 − 10 ≤ 0;
2 − x1 ≤ 0;
−x2 ≤ 0;
En el punto x∗ = (2, 6) se verifican las condiciones necesarias de Kuhn-

Tucker, obteniendo λ1 = −1, λ2 = −8 y λ3 = 0.
(c) Si la función objetivo representa una función de beneficios y la primera

restricción representa una limitación de capacidad de los recursos, indicar
si interesa aumentar esta capacidad suponiendo que incrementar una

unidad de recursos cuesta 2 unidades monetarias. Justificar la respuesta.
En nuestro caso tenemos que, ∆fmax ≈ 1(−λ1 ) = 1

Realmente no interesa aumentar dicha capacidad una unidad, pues se
obtendrı́a una unidad extra de beneficio, pero se han invertido 2 u.m. en
el aumento de la capacidad de los recursos, teniendo como pérdida 2 - 1
= 1 u.m.,
9. Resolver analı́ticamente el problema
min x + 2y
s. a. xy ≥ 1
x−y ≤2
x≥0
Decir qué puede contestarse si el problema fuera de máximo

min x + 2y 



s.a. 1 − xy ≤ 0
x−y−2≤0 



−x ≤ 0
La función objetivo f (x, y) = x + 2y es convexa (y también cóncava) y el

conjunto de soluciones factibles
B = {(x, y) ∈ <2 /1 − xy ≤ 0, x − y − 2 ≤ 0, −x ≤ 0}
es convexo.
Las condiciones de Kuhn-Tucker para este programa son
1 − λ1 y + λ2 − λ3 = 0;
2 − λ1 x − λ2 = 0;
λ1 (1 − xy) = 0;
λ2 (x − y − 2) = 0;
λ3 (−x) = 0;
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0;
1 − xy ≤ 0;
x − y − 2 ≤ 0;
−x ≤ 0;
Analicemos las distintas posibilidades:

De forma inmediata se comprueba que cuando
I. λ1 = λ2 = λ3 = 0
II. λ1 = λ2 = 0
III.λ1 = λ3 = 0
no hay soluciones que verifiquen √ estas condiciones.
IV. Si λ2 µ= λ3 √= 0 ¶→ λ1 = 2, obteniéndose sólo una solución factible en
√ .
el punto 2, 2 2 , luego en dicho punto se verifican las condiciones de
Kuhn-Tucker.
Puede comprobarse fácilmente que en los casos
V. λ1 = 0
VI. λ2 = 0
no existen soluciones factibles para las que se verifiquen las condiciones de
Kuhn-Tucker.
VII. Si λ3 = 0, se obtienen dos puntos, pero en uno de ellos no se verifican las
condiciones de Kuhn-Tucker, y el otro no es solución factible.
VIII. En este caso se saturarı́an las tres restricciones, pero no existe ninguna
solución factible que lo verifique.
En resumen,
µ√ √ hemos obtenido un único punto,
.¶ √
x∗ = 2, 2 2 con λ1 = 2; λ2 = λ3 = 0,
en el que se verifican las condiciones de Kuhn-Tucker, y puesto que tanto la
función objetivo como el conjunto de soluciones factibles son convexos, x∗ será
mı́nimo global.
En el caso de que se tratara de un ploblema de maximización, el programa

max x + 2y 



s.a. 1 − xy ≤ 0
x−y−2≤0 



−x ≤ 0
no tiene máximo global (tampoco local) ya que no existe ninguna solución
factible en la que se verifiquen las correspondientes condiciones de Kuhn-
Tucker. En efecto, para el programa de maximización, las condiciones
de Kuhn-Tucker coinciden con las del programa de minimización salvo las
referentes a la positividad de los multiplicadores, que se convierten en
λ1 ≤ 0; λ2 ≤ 0; λ3 ≤ 0
Teniendo esto en cuenta, si repasamos la resolución del problema de
minimización, es claro que, no existen soluciones factibles que cumplan las
condiciones necesarias para ser máximo local.
10. Una empresa desea minimizar sus costes totales, con la condición de que los
ingresos obtenidos por la venta de las cantidades x1 , x2 de los dos productos
que fabrica superen un cierto umbral mı́nimo. Sabiendo que los costes
unitarios de fabricación de cada bien son funciones lineales de los outputs
producidos de la forma C1 = x1 , C2 = 2x2 , que se vende todo lo que se
produce y que los precios de venta de los productos son p1 = 1, p2 = 3,

respectivamente. Se pide:
(a) Escribir el problema matemáticamente, suponiendo que se deben ingresar
como mı́nimo tres unidades monetarias.
El programa es 
 min C(x1 , x2 ) = x21 + 2x22 

min C(x1 , x2 ) = x21 + 2x22 
 

s.a. 3 − x1 − 3x2 ≤ 0
s.a. x1 + 3x2 ≥ 3 ↔

 −x1 ≤ 0 


x 1 , x2 ≥ 0 
−x2 ≤ 0
(b) Resolver el problema utilizando las condiciones de Kuhn–Tucker y
contestar si son necesarias y suficientes.
El programa es convexo, pues la función objetivo es convexa ya que

su matriz hessiana
Ã es !
2 0
HC(x1 , x2 ) =
0 4
que es definida positiva ∀(x1 , x2 ) ∈ <2 . El conjunto factible es convexo
pues las funciones que determinan las restricciones son lineales.
Por ser el programa convexo, las condiciones de Kuhn-Tucker son
necesarias y suficientes de optimalidad global. Además, si encontramos
una solución que verifique las condiciones de Kuhn-Tucker, ésta es un
óptimo global.
2x1 − λ1 − λ2 = 0;
4x2 − 3λ1 − λ3 = 0;
λ1 (3 − x1 − 3x2 ) = 0;
λ2 (−x1 ) = 0;
λ3 (−x2 ) = 0;
3 − x1 − 3x2 ≤ 0;
−x1 ≤ 0;
−x2 ≤ 0;
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0;
Resolviendo obtenemos,
³ ´
6 9 12
x∗ = ,
11 11
con λ1 = 11
, λ2 = λ3 = 0
que cumple las condiciones de Kuhn-Tucker. Como el programa es

convexo, esta solución es óptimo global y por ello no hace falta que
sigamos calculando otras posibles soluciones.
18
El coste mı́nimo es C(x∗ ) = 11
(c) Estudiar cuánto variará el coste óptimo con respecto a la situaciópn
anterior si como mı́nimo deben ingresarse 2.8 unidades monetarias.

Análogamente para 3.1
Como los ingresos por ventas debı́an ser al menos, 3 u.m., tenı́amos
que
g1 (x1 , x2 ) = 3 − x1 − 3x2 ≤ 0
por lo que, si cambiamos a la situación en la que deben ingresarse como
mı́nimo 2,8 u.m., la restricción será
g2 (x1 , x2 ) ≤ 0, 2
12
El multiplicador asociado a esta primera restricción es λ1 = 11
, luego,
12
∆C(x∗ ) ' 0, 2(−λ1 ) = − 55 u.m.
Por tanto, si deben ingresarse como mı́nimo 2,8 u.m., el coste óptimo
disminuirá aproximadamente en 1255
u.m. con respecto al caso en el que se
debı́an ingresar al menos 3 u.m.
Si suponemos que el ingreso debe ser como mı́nimo de 3,1 u.m. en lugar
de 3, entonces,
6
∆C(x∗ ) ' −0, 1(−λ1 ) = 55
u.m.
6
En este caso el coste mı́nimo aumentará aproximadamente en 55
u.m.
con respecto al coste óptimo en la situación inicial.
11. Resolver el problema

min 3 − x3
s. a. x2 + y 2 ≤ 4
x + 2y ≥ 2
x, y ≥ 0
Podemos escribir el programa de la forma,


min 3 − x3 




s.a. x2 + y 2 − 4 ≤ 0 

2 − x − 2y ≤ 0


−x ≤ 0 



−y ≤ 0 
La función objetivo f (x, y) = 3 − x3 es continua ∀(x, y) ∈ <2 , y además

el conjunto de soluciones factibles
B = {(x, y) ∈ <2 /x2 + y 2 − 4 ≤ 0, 2 − x − 2y ≤ 0, −x ≤ 0, −y ≤ 0}
es compacto (cerrado y acotado) en <2 , luego si existe algún punto candidato

a mı́nimo estará en el interior o en la frontera de B, y además dicho punto
será el mı́nimo global del programa.
Ahora veamos si existe algún punto x∗ que verifica las condiciones de Kuhn-
Tucker que en este caso son
Ã ! Ã ! Ã ! Ã ! Ã ! Ã !
−3x2 2x −1 −1 0 0
+ λ1 + λ2 + λ3 + λ4 =
0 2y −2 0 −1 0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0
λ1 (x2 + y 2 − 4) = 0;
λ2 (2 − x − 2y) = 0;
λ3 (−x) = 0;
λ4 (−y) = 0;
x2 + y 2 − 4 ≤ 0;
2 − x − 2y ≤ 0;
−x ≤ 0;
−y ≤ 0;
De las 16 posibilidades diferentes que pueden plantearse para este programa,
únicamente se encuentra solución cuando se analiza el caso λ2 = λ3 = 0,
obteniéndose

−3x2 + 2λ1 x = 0 



2λ1 y − λ4 = 0
x2 + y 2 − 4 = 0 



y=0
Es decir, el punto x∗ = (2, 0) con λ1 = 3, λ2 = λ3 = λ4 = 0.
Puesto que ∀(x, y) ∈ B,
f (x, y) ≥ −5 = f (2, 0), y por lo dicho anteriormente, se tiene que x∗ = (2, 0)
es el mı́nimo global del problema.
12. La función de producción de una empresa es de tipo Cobb–Douglas

Q ≡ f (K, L) = AK α Lβ ,
donde A, α > 0 y 0 < β < 1, K y L representan los factores capital y tra-
bajo, respectivamente. Supongamos que los precios de ambos son pK y pL ,
respectivamente, ambos positivos. Encontrar la combinación de ambos que

minimiza el coste cuando la producción debe de ser al menos de Q0 .
El programa que hemos de resolver es

 
min C(K, L) = Pk · K + PL · L 
 min C(K, L) = Pk · K + PL · L 

α β
s.a.K L ≥ Q0 ↔ s.a.Q0 − K α Lβ ≤ 0

 

K ≥ 0, L ≥ 0 −K ≤ 0, −L ≤ 0
Pk − λ1 αK α−1 Lβ − λ2 = 0;
PL − λ1 βK α Lβ−1 − λ3 = 0;
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0;
λ1 (Q0 − K α Lβ ) = 0;
λ2 (−k) = 0;
λ3 (−L) = 0;
Q0 − K α Lβ ≤ 0;
−K ≤ 0;
−L ≤ 0;
Puede comprobarse fácilmente que en los casos
I. λ1 = λ2 = λ3 = 0
II. λ1 = λ2 = 0
III. λ1 = λ3 = 0
IV. λ1 = 0
V. λ2 = 0
VI. λ3 = 0
VII. λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0
no existe ninguna combinación (K, L) que verifique las condiciones de Kuhn-

Tucker.
Sin embargo, si λ2 = λ3 = 0, y se satura la primera restricción existe (K, L)
que cumple
Pk − λ1 αK α−1 Lβ = 0
PL − λ1 βK α Lβ−1 = 0
Q0 − K α Lβ = 0
λ1 ≥ 0
En concreto, se obtiene
h ³ ´ i1 · ³ ´β ¸1/(β + α)
∗ βPk α /(β + α) ; K ∗ = Q αPL
L = Q0 αPL 0 βPK
con
³ ´α/(α+β)
(1/α+β)−1 PL βPK
λ1 = Q0 β αPL
>0
A continuación comprobaremos que (K ∗ , L∗ ) es un mı́nimo global. La función

objetivo es lineal y por tanto convexa y el conjunto de soluciones factibles
T
B = {(K, L) ∈ <2 /Q0 − K α Lβ ≤ 0} {(K, L) ∈ <2 /K ≥ 0, L ≥ 0}
es convexo por ser intersección de conjuntos convexos.

Teniendo en cuenta esto último, junto con el hecho de que se verifican las
condiciones de Kuhn-Tucker, concluimos que el punto (K ∗ , L∗ ) es un mı́nimo
global.
13. Una compañı́a petrolı́fera tiene que determinar cuántos barriles de petróleo
va a extraer de los pozos en los próximos tres años para maximizar los ben-
eficios. Conoce que si extrae x1 millones de barriles durante el primer año,
puede vender cada barril por (28 − x1 ) euros siendo el coste de extracción de
x21 millones de euros. Durante el segundo año, si extrae x2 millones de barriles
el precio de venta por barril es de (30 − x2 ) euros y 15 millones de euros el
coste de extracción. En el tercer año si se extraen x3 millones de barriles,
cada uno de ellos se puede vender a (32 − x3 ) euros, ascendiendo el coste a
2x23 millones de euros. La empresa, por otra parte, conoce que a lo largo de los
tres años puede extraer en total 30 millones de barriles y gastar 350 millones
de euros en la extracción. Supuesto que el tipo de interés anual es del 4%,
plantear el problema para determinar la polı́tica óptima de extracción en los
próximos tres años.
Las variables de decisión son:
x1 ≡millones de barriles extraı́dos en el primer año.

x2 ≡millones de barriles extraı́dos en el segundo año.
x3 ≡millones de barriles extraı́dos en el tercer año.
y el planteamiento del problema será,

1 1 1 1
max x1 (28 − x1 ) + 1,04 x2 (30 − x2 ) + (1,04)2
(x3 (32 − x3 )) − x21 − 1,04
15x22 − 1,04
2x23
2 2 2
s.a. x1 + 15x2 + 2x3 ≤ 350
x1 + x2 + x3 ≤ 30
x1 ≥ 0; x2 ≥ 0; x3 ≥ 0
14. Una empresa produce dos tipos de ordenadores cuyos precios son p1 y p2 ,
respectivamente y las cantidades que se pueden vender son:
q1 = 6000 − 8p1 + 2p2 ,
q2 = 5000 + p1 − 5p2 ,
respectivamente. La fabricación de un producto del primer tipo requiere 3

horas de trabajo y 2 chips y la de un ordenador del segundo tipo, 2 horas de
trabajo y 4 chips. Si para la fabricación de ordenadores se dispone de 8000
horas de trabajo (máximo) y un máximo de 7000 chips, plantear el problema
para determinar los precios y cantidades que maximizan los ingresos.
El programa matemático a resolver es el siguiente:


max p1 q1 + p2 q2 



s.a. q1 = 6000 − 8p1 + 2p2 



q2 = 5000 + p1 − 5p2 
3q1 + 2q2 ≤ 8000 




2q1 + 4q2 ≤ 7000 



q1 ≥ 0; q2 ≥ 0; p1 ≥ 0; p2 ≥ 0
obteniendo como precios y cantidades óptimas,
p∗1 = 723, 68; p∗2 = 1019, 73; q1∗ = 2250; q2∗ = 625 siendo el ingreso máximo
I ∗ = 2265625 u.m.
15. La función de utilidad de un individuo que consume dos bienes es
u = xy + 2x
siendo x e y las cantidades de estos bienes y px = 4 y py = 2, los precios

respectivos de los bienes. El individuo dispone de 460 unidades monetarias
(u.m.).
(a) Determinar las cantidades de bienes que el consumidor debe adquirir

para maximizar su utilidad.
El problema puede escribirse como


max U (x, y) = xy + 2x 

s.a. 4x + 2y − 460 ≤ 0 
−x ≤ 0 



−y ≤ 0
Las condiciones necesarias de Kuhn-Tucker son,
Ã ! Ã ! Ã ! Ã ! Ã !
y+2 4 −1 0 0
+ λ1 + λ2 + λ3 =
x 2 0 −1 0
λ1 ≤ 0; λ2 ≤ 0; λ3 ≤ 0;
λ1 (4x + 2y − 460) = 0;
λ2 (−x) = 0;
λ3 (−y) = 0;
4x + 2y − 460 ≤ 0;
−x ≤ 0;
−y ≤ 0
Tenemos que analizar 23 = 8 posibilidades:
I. λ1 = λ2 = λ3 = 0
II. λ1 = λ3 = 0
III. λ1 = λ2 = 0
IV. λ2 = λ3 = 0
V. λ1 = 0
VI. λ2 = 0
VII. λ3 = 0
VIII.λ1 ≤ 0, λ2 ≤ 0, λ3 ≤ 0
Después de analizar todas las posibilidades, llegamos a obtener el punto

x∗ = (58, 114) con λ2 = λ3 = 0 y λ1 = −29, es decir el caso IV, ya que
en el resto de los casos se llega a una contradicción.
Sólo nos queda probar que x∗ es un máximo. En nuestro caso, basta
calcular la matriz hessiana de U (x, y):
Ã !
0 1
HU (x, y) =
1 0
³ ´ p1
p ∈ M (x∗ ) = {p̄ ∈ <2 / 4 2 = 0̄} = {p̄ ∈ <2 /2p1 + p2 = 0}
p2
se verifica Ã !Ã !
³ ´ 0 1 p1
p1 −2p1 = −4p21 < 0
1 0 −2p1
luego x∗ = (58, 114) es un máximo con U (58, 114) = 6728.
(b) Indicar cúal es el valor de los multiplicadores e interpretar estos valores

para este problema.
Como se ha visto en el apartado anterior,

λ1 = −29, λ2 = λ3 = 0
El significado de los multiplicadores, en nuestro problema, es que
si aumentamos en una unidad el término independiente de la
primera, segunda o tercera restricción, el valor de la función objetivo
aproximadamente aumentará en 29, 0 y 0 unidades respectivamente.
16. Un paı́s productor de un cierto mineral se ve obligado a exportar anualmente

una cantidad de producto no inferior a 2000 toneladas ni superior a 4000
toneladas. La venta del producto se puede hacer en el mercado internacional
a 2000 unidades monetarias la tonelada o bien a un paı́s vecino a un precio
p1 = 4000 − x1 u.m. por tonelada, siendo x1 el numero de toneladas vendidas
a dicho paı́s. El gobierno desea saber, qué parte del mineral producido (x2 )
debe vender en el mercado internacional y qué parte (x1 ) al paı́s vecino si su
objetivo es maximizar beneficios.
El planteamiento del problema es,


max 4000x1 − x21 + 2000x2 




s.a. x1 + x2 − 2000 ≥ 0 

4000 − x1 − x2 ≥ 0


x1 ≥ 0 



x1 ≥ 0 
que es un programa convexo para maximización, por lo que, todo punto que
verifique las condiciones de Kuhn-Tucker es un máximo global.
Las condiciones de Kuhn-Tucker son las siguientes:
4000 − 2x1 + λ1 − λ2 + λ3 = 0
2000 + λ1 − λ2 + λ4 = 0
λ1 ≥ 0; λ2 ≥ 0; λ3 ≥ 0; λ4 ≥ 0;
λ1 (x1 + x2 − 2000) = 0;
λ2 (4000 − x1 − x2 ) = 0;
λ3 x1 = 0;
λ4 x2 = 0;
x1 + x2 − 2000 ≥ 0
4000 − x1 − x2 ≥ 0
x1 ≥ 0
x2 ≥ 0
y se verifican en el punto x∗ = (1000, 3000) con λ2 = 2000 y λ1 = λ3 = λ4 = 0,

en el que se alcanza el ingreso máximo que es I ∗ = 9000000
NOTA: Este problema se ha resuelto con las restricciones puestas en la forma
gi (x1 , x2 ) ≥ 0,
por eso λ1 ≥ 0, λ2 ≥ 0, λ3 ≥ 0, λ4 ≥ 0,, en este problema que es de

maximización. Si se formulase en la forma gi (x1 , x2 ) ≤ 0 los multiplicadores
deberı́an ser menores o iguales que cero.

Soluciones Problemas 08 09 Temas 8 Al 10

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

Soluciones Problemas 08 09 Temas 8 Al 10

Cargado por

Copyright:

Formatos disponibles

Soluciones a los ejercicios propuestos: Matemáticas III.

(a) f (x, y) = (x − 2)2 + (y − 1)2

∇f (x, y) = (2(x − 2), 2(y(− 1))

∇f (x, y) = (−2x, 2y) (

∇f (x, y) = (2x − y + 1, −x(+ 2y − 2)

∇f (x, y) = (2x, 2y) Ã !

3. Una empresa productora de dos bienes tiene las siguientes funciones de

I1 (q1 , q2 ) = p1 q1 = (−q1 + q2 + 5)q1 = −q12 + q1 q2 + 5q1

siendo la función de ingresos de la empresa,

I(q1 , q2 ) = I1 (q1 , q2 ) + I2 (q1 , q2 ) = −q12 − 2q22 + 2q1 q2 + 5q1 + 30q2

Por tanto, la función de beneficios es,

Aplicamos las condiciones de primer orden:

4. Discutir el carácter de los puntos crı́ticos de la función

f (x, y) = ax2 + 2bxy + cy 2 + dx + ey + f

según los valores de los parámetros reales a, b, c, d, e y f , siendo ac − b2 6= 0.

∇f (x, y) = (2ax + 2by + d, 2bx + 2cy + e)

Hallamos los puntos crı́ticos:

Multiplicamos (I) por ”-b” y (II) por ”a”:

Luego³ el punto crı́tico es, ´

Calculamos Ãla matriz !hessiana,

Hf (x, y) es definida positiva ∀(x, y) ∈ IR 2 , luego x̄∗ es un mı́nimo local

Hf (x, y) es definida negativa ∀(x, y) ∈ IR 2 , luego x̄∗ es un máximo local

Hf (x, y) es indefinida ∀(x, y) ∈ IR 2 , luego x̄∗ es un punto de silla.

5. Hallar y clasificar los puntos crı́ticos de la función

• Si a³> 0 ´y 4b2 − a2 > 0, ³ ´

• Si a³< 0 ´y 4b2 − a2 > 0, ³ ´

• Si 4b³2 − a´2 < 0, ³ ´

6. Discutir el carácter de los puntos crı́ticos de la función

∇f (x, y, z) = (2ax + dz, 2by, 2cz + dx)

De (I) obtenemos x∗ = 0, luego el punto crı́tico es x̄∗ = (0, 0, 0)

Estudiamos el carácter de Hf (0, 0, 0), según los distintos valores de ”a”,

• Si a > 0, b > 0 y 4ac − d2 > 0,

Las funciones de ingreso en cada mercado son:

siendo la función de ingresos de la empresa,

y por tanto, la función de beneficios es,

donde hemos supuesto que q = q1 + q2 + q3 , es la cantidad total producida.

Aplicamos las condiciones de primer orden,

La matriz hessiana  es, 

Las cantidades son,

vendiéndose a los precios,

y obteniéndose un beneficio de,

Hallamos los puntos (crı́ticos,

9. Para las funciones y subconjuntos de IR 2 que se indican a continuación

(a) f (x, y) = xy(1 − x2 − y 2 ), sobre el conjunto A = [0, 1] × [0, 1].

En virtud del teorema de Weierstrass, la función f alcanza el máximo y

Calculamos los puntos

Llamaremos D al triángulo de vértices (0, 0),(1, 0) y (0, 1).

En (0, 0) no son aplicables las condiciones de segundo orden, pues (0, 0)

El valor mı́nimo de f en D es 0, y se alcanza en cualquier punto de

• Si x∗1 + x∗2 = 1 → x1∗ = 1 − x∗2 y f (x∗1 , x∗2 ) = f (1 − x∗2 , x∗2 ) =

Hallamos los puntos crı́ticos,

11. Sea A ⊂ IR n un conjunto abierto, f : A −→ IR y h : IR −→ IR una función

Para fijar ideas, supongamos que ”a” es un mı́nimo para f. Entonces

Por tanto, ”a” es un mı́nimo (respectivamente máximo) local para G.

En consecuencia, ∀x ∈ U , f (x) ≥ f (a), o f (x) ≤ f (a), según sea h

Sea h(t) = e57t , que sabemos que es estrictamente creciente en IR, ya

Los puntos crı́ticos son (1, 0) y (e−2 , 0).

Teniendo en cuenta la condición necesaria de existencia de puntos

12. En el método de la regresión por mı́nimos cuadrados, la curva y = ax + b

(a) Determinar las condiciones necesarias para minimizar S(a, b) (estas

Hemos de resolver el programa

Utilizando el criterio de los menores principales, vemos que:

(b) Extender los resultados anteriores para ajustar la función cuadrática