Departamento de Economía Aplicada

(Matemáticas)
Grado en:
Adm. y Dirección de Empresas

2: Programación no lineal

1. Caso no sujeto a restricciones………………..………………………………...................................2

2. Caso sujeto a restricciones de igualdad. La función de Lagrange. Interpretación de los

multiplicadores de Lagrange………………………………………………...…………………………4

3. Caso sujeto a restricciones de desigualdad. Condiciones necesarias y suficientes de

optimalidad………………………………………………….……………………………………………8

1
1. Caso no sujeto a restricciones.

Aquí resolveremos problemas del tipo (PI):

Optimizar F(x1 , x2 ,..., xn )

donde F : D  Rn  R es al menos de clase 2 sobre D y D  Rn es abierto.

Puesto que el conjunto de oportunidades es Rn, el teorema de Weierstrass no se cumple

ya que X no es acotado y para el teorema local-global, aunque el conjunto es convexo, dependerá
de la convexidad de F. Por tanto, no podemos asegurar nada con estos teoremas en este tipo de
problemas. Para resolverlo, seguiremos los pasos que se siguen en R, generalizando la primera
derivada con el gradiente y la segunda derivada con la hessiana.

Teorema. Condición necesaria de 1er orden.

Si x*  D es un óptimo local de (PI), entonces F(x*) = 0.

Este teorema recoge las condiciones necesarias o de primer orden para estos problemas. Los
puntos que anulan el gradiente de F se denominan candidatos a óptimo (o puntos críticos).

DEFINICIÓN.

Un punto crítico que no sea ni máximo ni mínimo se denomina punto de silla.

Es decir, x*  D es un punto de silla si F(x*) = 0 y existen puntos en el entorno donde:

F(x) ≤ F(x*) ≤ F(y)

Gráficamente:

2
Teorema (condición suficiente).

Sea x*  D un punto crítico de F. Entonces:

a) x* es mínimo (máximo) local de (PI) si la forma cuadrática htHF(x)h es semidefinida positiva

(negativa) para todo x en algún entorno de x*.
b) x* es mínimo (máximo) local estricto (PI) si la forma cuadrática htHF(x*)h es definida positiva
(negativa).
c) x* es punto de silla de (PI) si la forma cuadrática htHF(x*)h es indefinida.

Ejemplo.

Determine los puntos candidatos a óptimo de la función: F(x, y) = x2 + y2 .

Solución:

Calculamos el gradiente de la función y lo igualamos a cero:

 2x   0
f ( x, y )      
 2 y   0
de donde obtenemos los puntos críticos, en este caso, (0,0).

Calculamos la hessiana:

 2 0
Hf ( x, y )   
 0 2

Como no depende del punto, Hf(0, 0) resulta la misma matriz; como es diagonal, observamos claramente
que es definida positiva, por lo que concluimos que el punto es mínimo local. □

3
2. Caso sujeto a restricciones de igualdad. La función de Lagrange.
Interpretación de los multiplicadores de Lagrange.

Planteamos la resolución de problemas del tipo (PNLRI):

Optimizar F(x1 , x2 ,..., xn )

Sujeta : g1 (x1 , x2 ,..., xn )  b1
..........
gm (x1 , x2 ,..., xn )  bm

X  x  D  H / g1 (x)  b1 ,..., gm (x)  bm  , donde D es el dominio de F y H la intersección de los

dominios de las restricciones.

Al ser las restricciones de igualdad, X resulta un conjunto no convexo (salvo que sean
lineales) de forma que, salvo ese caso, el teorema local-global no se suele cumplir en este tipo de
problemas. En cuanto al teorema de Weierstrass, tampoco se puede afirmar nada a priori.

Para resolverlo, vamos a construir una función asociada a él que denominamos función
de Lagrange, dependiente de n + m variables de la siguiente forma:

L(x, )  F(x)  1 (g1 (x)  b1 )  2 (g2 (x)  b2 )  ...  m (gm (x)  bm )

A las variables i las llamamos multiplicadores de Lagrange y se introduce una por cada
restricción.

Teorema. Condición necesaria de 1er orden.

 g 
Si x* es óptimo local del problema (PNLRI) tal que rg  ( x*)   m , entonces existe un
 x 
* tal que (x*, *) es punto crítico de la función de Lagrange asociada al problema.

Teorema. Condición suficiente de 2º orden.

Si (x*, *) es un punto crítico de la función de Lagrange asociada al problema (PNLRI). Si

la siguiente forma cuadrática
 2 L 
ht  (x*,  *)  h
 xi xj 
 
t
 (g1 ,..., gm ) 
Re stringida :  (x*)  h  0
 (x1 ,..., xn ) 

es definida positiva (negativa) entonces x* es un mínimo (máximo) local del problema.

Ejemplo.

4
 Maximizar F ( x, y )  x  y
sujeta a : xy  4
Solución:

Vamos a resolver este problema a mano y con ayuda del ordenador.

a) Para proceder a su resolución a mano, primeramente, construimos la función de Lagrange:

L(x, y)  x  y -  (xy - 4)

Obtenemos los puntos críticos, igualando el gradiente a cero:

 1
 y
 1-  y   0 
     1 1 1
L(x, y)   1 -  x    0    x   2 4  
  ( xy  4)   0     2
     x y  4

1 1
En este ejercicio hemos obtenido dos puntos críticos, (2,2, ) y (-2,-2,- ) . Obviamente, cumplen la
2 2
condición del rango.

Pasamos a aplicar las condiciones suficientes de segundo orden. Para ello, construimos la hessiana reducida:
 0 
H R L( x, y,  )   
  0 

Y la evaluamos en los puntos obtenidos. Tomando el primero:

 1
1  0  
H R L(2, 2, )   2
2  1 0 

 2 

Observamos que es indefinida sin restringir. Construimos la restricción a partir del gradiente de la
restricción evaluado en el punto:

 y  2
g ( x, y )     g (2,2)   
 x  2

Construimos la forma cuadrática restringida:

 (h1 , h2 )  h1h2
s.a 2h1  2h2  0

Despejando y sustituyendo, resulta:

5
 R ( h2 )  (h2 )h2  h22

1
Resulta positiva, por lo que concluimos que el punto (2,2, ) es mínimo local. Procediendo de igual forma,
2
1
llegamos a la conclusión que el punto (-2,-2,- ) es máximo local.□
2

Interpretación de los multiplicadores de Lagrange.

En este apartado vamos a ver qué significado tiene el multiplicador de Lagrange.

Sea el problema:
Opt. F(x)
s. a g(x) = b
cuya función de Lagrange asociada es:

L(x, ) = F(x) - t (g(x) - b)

Si se cumple que el determinante de la matriz orlada es distinto de cero, se cumple:

 F xb 
*t 
bi

Por tanto, según el signo del multplicador afirmamos:

 b crece  f crece
Si i  0 entonces:  i
bi decrece  f decrece

bi crece  f decrece

Si i  0 entonces: 
bi decrece  f crece

Ejemplo.

Sea el problema:

Maximizar 60 x + 90 y – 2x2 –3y2

s. a: 2x + 4y = 68

donde:
F(x, y)= 60x + 90y - 2x2 – 3y2

es la función de producción y la restricción viene dada por los costes de la empresa. ¿Qué ocurriría si en
lugar de tener un coste igual a 68 u.m. tuviéramos uno igual a 68+1=69?

6
Solución:

Si resolvemos el problema mediante la función de Lagrange, resulta el punto (12, 11) con *  6 . Para
contestar la pregunta nos tenemos que fijar en el valor del multiplicador. Al ser positivo, podemos afirmar
que la función pasará de valer:

F(12, 11) = 1059

a tomar el valor aproximado de 1059 + 6 = 1064 unidades cuando el recurso pasa de valer 68 a 69, cuestión
que podríamos comprobar sin más que volver a resolver el problema con este nuevo dato.

3. Caso sujeto a restricciones de desigualdad. Condiciones necesarias y

suficientes de optimalidad.

Trabajamos ahora con un problema de la forma (PNL):

Optimizar F(x1 , x2 ,..., xn )
Sujeta : g1 (x1 , x2 ,..., xn )  b1
..........
gm (x1 , x2 ,..., xn )  bm

donde el conjunto de oportunidades vendrá dado por:

X  x  D  H/ g1 (x)  b1 ,..., gm (x)  bm 

.

Dado que en este problema no tenemos ninguna particularidad sobre las funciones, no
podemos afirmar teóricamente nada a priori con las aplicaciones del teorema de Weierstrass y
teorema local-global, por lo que habrá que estudiar las características propias de cada uno de
ellos.

En estos problemas, a diferencia con la Programación Clásica, tenemos que distinguir

antes de comenzar si el problema es de mínimo o de máximo para la construcción de la función
de Lagrange.

Así, la función de Lagrange será, respectivamente:

Maximizar F(x)

s.a g(x)  b L(x,) = F(x) -  (g(x)-b)

Minimizar F(x)

s.a g(x)  b L(x,) = F(x) +  (g(x)-b)

Por lo que si queremos obtener los máximos y mínimos de un problema hemos de

resolverlo dos veces. Para su resolución nos basaremos en las condiciones de punto estacionario.

7
Obsérvese que las restricciones son de “menor o igual”; si son de “mayor o igual” hemos de
cambiarlas de signo antes de empezar a trabajar con el problema.

Teorema. Condición de punto estacionario.

Dado el problema:
Maximizar F(x)
sujeta a g(x)  b

Diremos que (x*, *) es Punto Estacionario de la función de Lagrange:

L(x, ) = F(x) -  (g(x)-b)

si verifica:

L L
I) (x*, *) = 0 II) (x*, *)  0
x 

L
III) * (x*, *) = 0 IV) *  0


La segunda condición implica claramente que g(x)  b, por lo que vemos que aquí pedimos
únicamente que el punto sea admisible.

Para un problema de mínimo, podemos cambiar de signo la función objetivo y aplicar las
condiciones de máximo o aplicar directamente las siguientes condiciones de punto estacionario.

Así, si el problema es de la forma:

Minimizar F(x)

Sujeto a g(x)  b

Diremos que (x*, *) es Punto Estacionario de la función de Lagrange:

L(x,) = F(x) + (g(x)-b)

si:

L L
I) (x*, *) = 0 II) (x*, *)  0
x 

8
 L
III) * (x*, *) = 0 IV) *  0


Obsérvese que la función de Lagrange se ha construido con signo “+” y que las
restricciones del problema inicial siguen siendo de “”. Las condiciones son muy parecidas al
problema de máximo, de hecho, el único cambio es que la segunda condición cambia de signo.

Teorema 1

Sea x* la solución del problema:

Maximizar F(x)
s. a g(x)  b

Si F( ) y g( ) son diferenciables en x* y si la matriz Jg(x*) (matriz Jacobiana de la función vectorial

g en x*) es de rango completo en las restricciones activas en dicho punto, entonces existe * de m
tal que (x*, *) es punto estacionario de la correspondiente función de Lagrange.

Teorema 2

Sea (x*, *) un punto estacionario de la función de Lagrange asociada al problema:

Maximizar F(x)
s. a g(x)  b

Si se verifican las condiciones de convexidad siguientes: F cóncava y g convexa en el conjunto de

oportunidades X, entonces x* es solución global del problema.

Por tanto, para resolver un problema no lineal, obtendremos los puntos estacionarios,
aplicaremos el teorema 1 y por último, el teorema 2. Observamos que las soluciones obtenidas
por este método son globales.

Ejemplo.

Resuelva analíticamente el problema:

Max 2 x  y
s.a. x2  y2  4
x  y 1

Solución:
En la gráfica que aparece más abajo, se ha coloreado de verde la zona que corresponde al conjunto de
oportunidades. Dicho conjunto es cerrado, puesto que las desigualdades contienen la igualdad, y es acotado
puesto que se encuentra dentro del círculo de radio uno. La función objetivo es lineal y, por tanto, continua.
Sus curvas de nivel son rectas, cuyo crecimiento es hacia arriba y a la derecha. En la gráfica, aparece
coloreada de rojo la última recta que toca al conjunto de oportunidades, que se puede observar lo hace sobre
un punto que está en la frontera de la primera restricción (el círculo centrado en el origen y de radio 2). Por

9
todo ello, podemos decir que se verifica el teorema de Weierstrass y tenemos asegurada la existencia de
solución global. Por otra parte, el conjunto factible es convexo, puesto que dados dos puntos cualesquiera
de él, el segmento que los une está contenido en el conjunto. Además, la función objetivo, al ser lineal, es
tanto cóncava como convexa. En consecuencia, también se verifica el teorema Local-Global para mínimo y
para máximo.

Para determinar el punto donde, de acuerdo con la gráfica, se alcanza el máximo, hemos de construir
la función de Lagrange y aplicar las condiciones necesarias de punto estacionario, pero hemos de tener en
cuenta que la segunda restricción, antes de incluirla en la función de Lagrange, tenemos que multiplicarla
por -1, (- x – y ≤ -1) para convertirla en una restricción del tipo ≤.

L( x, y,  1 , 2 )  2 x  y  1 ( x 2  y 2  4)  2 ( x  y  1)

L( x, y, 1 , 2 )
 2  2 x1  2  0 (a)
x

L( x, y,  )
 1  2 y1  2  0 (b)
y

L( x, y,  )
1
 
  x2  y 2  4  0 (c )

L( x, y,  )
  x  y 1  0 (d )
2

10
 
L( x, y,  )   0
1
1
 
 1 x 2  y 2  4  0   2 1 2
x  y  4

L( x, y,  )   0
2  2  x  y  1  0   2
2 x  y  1
1  0, 2  0

A partir de las condiciones de holgura complementaria, tenemos las siguientes opciones:

2=0
1=0

x + y= 1

2=0

x+y=1

Observando la gráfica y teniendo en cuenta las restricciones activas, tenemos que:

- La primera restricción es activa, por tanto tomamos x 2  y 2  4

-La segunda restricción no es activa, por tanto tomamos 2  0 .

Sustituyendo estas ecuaciones en las anteriores (a) y (b) y despejando 1 de ambas, obtenemos:
1 
2  2 x1  0  1 
x 
 x  2y
1 
1  2 y1  0  1 
2 y 

Sustituyendo en la ecuación x 2  y 2  4 , nos queda:

2 y 2  y 2  4  5 y 2  4  y   4
 y
2
5 5

Por tanto, tenemos dos posibles valores para la variable y:

2
1) Para y  , si calculamos el correspondiente valor de 1:
5
1 5
1   ,
2 4
2 
 5
resulta un valor negativo, y como esto no puede ocurrir en un punto estacionario, no seguimos calculando
el resto de variables.

11
 2
2) y  , calculamos el correspondiente valor de 1 y de la variable x:
5
5  2  4
1  , x  2 
4  5 5

Con lo cual, el punto inicialmente obtenido es:

 4 2 5 
 , , ,0 
 5 5 4
 

En consecuencia, el punto anterior es el punto estacionario.

Por último, como el conjunto de oportunidades es convexo y la función lineal, es decir cóncava y
convexa el punto estacionario es máximo global de nuestro problema.

12