OPTIMIZACIN

Tema 1 Tema 2 Tema 3 Tema 4 Tema 5 Tema 6 CONJUNTOS CONVEXOS FUNCIONES CNCAVAS Y CONVEXAS CONSIDERACIONES GENERALES SOBRE LA OPTIMIZACIN OPTIMIZACIN SIN RESTRICCIONES LAGRANGE Y KHUN TUCKER PROGRAMACIN LINEAL

www.fonemato.com

Tema 5

Optimizacin con restricciones

5.01 5.02 5.03 5.04 5.05 5.06 5.07 5.08 5.09 Optimizacin con restricciones de igualdad ............................................. 66 La funcin de Lagrange ................................................................................. 66 Condicin necesaria de ptimo local ......................................................... 66 Condicin suficiente de ptimo local ........................................................ 68 Condicin suficiente de ptimo global ...................................................... 68 Interpretacin de los multiplicadores de Lagrange .................................. 69 Mtodo directo de resolucin ................................................................... 88 Optimizacin con restricciones de desigualdad ....................................... 90 Condiciones de Khun Tucker ..................................................................... 90 Test Lagrange ................................................................................................ 99 Test Khun Tucker ......................................................................................... 104

Tema 5: Optimizacin con restricciones

65

5.1 OPTIMIZACIN CON RESTRICCIONES DE IGUALDAD

Si n > m y g : A n 6 m es diferenciable, buscamos los puntos de n que verifican el sistema de "m" ecuaciones g ( x ) = b m y hacen que la funcin diferenciable f : A n 6 presente un mximo o un mnimo:

Opt. f ( x ) sujeto a g ( x ) = b
5.2 LA FUNCIN DE LAGRANGE
De la funcin L : n + m 6 tal que L( x ; ) = f ( x ) t g ( x ) b se dice que es la funcin de Lagrange asociada a nuestro problema de optimizacin, siendo = ( 1 ; 2 ; ... ; m ) m el vector de multiplicadores de Lagrange. De j se dice que es el multiplicador de Lagrange asociado a la restriccin g j ( x ) = b j. 1) En todo punto x del conjunto de soluciones factibles X = x n / g ( x ) = b del problema sucede que L( x ; ) = f ( x ) . En efecto:

L( x ; ) = f ( x ) t g ( x ) b = f ( x ) x X g ( x ) = b g ( x ) b = 0 m

2) Si ( x *; *) es un punto crtico de la funcin de Lagrange, el punto x* pertenece al conjunto de soluciones factibles X = x n / g ( x ) = b . En efecto, si ( x *; *) es un punto crtico de L( x ; ) = f ( x ) t g ( x ) b , sucede que
L( x *; *) = g j ( x *) b j = 0 g j ( x *) = b j , j = 1, 2 , ... , m j

5.3 CONDICIN NECESARIA PTIMO LOCAL

Si x* es un ptimo local y rg ( Jf ( x *)) = m < n , hay un vector * de multiplicadores de Lagrange tal que ( x *; *) es un punto crtico de L( x ; ); as, es:
m R f ( x *) * | j g j ( x *) = 0 j= 1 |   
| Expresa que ( x * ; *) es punto S crtico de L( x ; ) | g ( x *) = b | | debido a 2) T
m

Observa: si f ( x *) * j g j ( x *) = 0 ,
j= 1

es f ( x *) = * j g j ( x *) ; o
j= 1

sea, el vector f ( x *) es combinacin lineal de los vectores g 1 ( x *), ... , g m ( x *), y los coeficientes de dicha CL son los multiplicadores de * Lagrange * 1 , ... , m .
Tema 5: Optimizacin con restricciones 66

Deduccin geomtrica de la condicin necesaria de ptimo local en el caso bidimensional:

Considera que x = ( x 1 ; x 2 ) y nos planteamos el problema de minimizar de f ( x ) bajo la restriccin g ( x ) = 0. Siendo X = x 2 / g ( x ) = 0 el conjunto de soluciones factibles del problema y S k = x 2 / f ( x ) = k la curva de nivel "k" de "f", sabemos que la solucin del problema corresponde al punto del CSF por el que pasa la curva de nivel de "f" con menor valor de "k" ..... y como muestra la figura, a dicho punto se llega recorriendo la grfica de g ( x ) = 0 (el CSF) hasta el punto x* en que dicha grfica y la curva de nivel son tangentes.

x2

x0

x*

f (x) = k
g( x ) = 0

x1

x1

Si el recorrido por la grfica de g ( x ) = 0 se hace partiendo de x 0 o de x 1 , debe continuarse hasta x*, pues a lo largo del recorrido se van atravesando curvas de nivel que corresponden a valores cada vez menores de "f". Una vez situados en x*, es imposible obtener valores menores de "f" sin abandonar el CSF (la grfica de g ( x ) = 0 ).

Como el vector f ( x ) es perpendicular a la curva de nivel de "f" que pasa por el punto x y el vector g ( x ) es perpendicular en el punto x a la grfica de g ( x ) = 0 , si ambas curvas son tangentes en el punto x*, los vectores f ( x *) y g ( x *) deben ser colineales; es decir f ( x *) y g ( x *) deben ser linealmente dependientes, por lo que es posible encontrar sendos escalares y no nulos y tales que f ( x *) g ( x *) = 0 .... y haciendo * = / , resulta ser

f ( x *) * g ( x *) = 0
Que quede requeteclaro: lo nico que deducimos del razonamiento geomtrico es que los vectores f ( x *) y g ( x *) son colineales .... y siendo colineales pueden tener el mismo sentido o no, lo que depende de "f" y de "g". Por tanto, el escalar * puede ser positivo o negativo.

Del multiplicador de Lagrange * tambin se dice que es la variable dual correspondiente a la restriccin g ( x ) = 0
Tema 5: Optimizacin con restricciones 67

De otro modo: si la curva de nivel S k = x 2 / f ( x ) = k y la grfica de g ( x ) = 0 son tangentes en el punto x*, tienen igual pendiente en x*. Como la pendiente de S k en x* es f x 1 ( x *)/f x 2 ( x *) y la pendiente de g ( x ) = 0 en x* es

sea, si existe * tal que f ( x *) = * g ( x *), es decir: f ( x *) * g ( x *) = 0.

, lo que sucede slo si f x 2 ( x *) g x 2 ( x *) f ( x *) = ( f x 1 ( x *); f x 2 ( x *)) y g ( x *) = ( g x 1 ( x *); g x 2 ( x *)) son proporcionales; o

g x 1 ( x *)/g x 2 ( x *), ha de ser

f x 1 ( x *)

g x 1 ( x *)

5.4 CONDICIN SUFICIENTE DE PTIMO LOCAL

Sea el problema Opt. f ( x ) sujeto a g ( x ) = b, donde f : n 6 y g : n 6 m son de clase C 2 en su dominio. Si ( x *; *) es un punto crtico de L( x ; ) , la condicin suficiente para que x* sea mximo (mnimo) local estricto es que la forma cuadrtica asociada a la matriz hessiana H x L( x *; *) sea definida negativa (definida positiva) si se restringe a los vectores h n tales que Jg ( x *) h t = 0 .

5.5 CONDICIN SUFICIENTE DE PTIMO GLOBAL

cncava la funcin objetivo "f", si ( x *; *) es un Siendo convexo el CSF y convexa punto crtico de L( x ; ) , el punto x* es un mximo mnimo global del problema; o sea: si el problema es convexo, la condicin necesaria de optimalidad lo-

cal es una condicin necesaria y suficiente de optimalidad global.

En efecto, supuesto que "f" es cncava, para todo par de puntos x y x 0 del CSF, sucede que f ( x ) f ( x 0 ) f ( x 0 ) ( x x 0 ) t ( I ) Para la i-sima ( i = 1, 2 , ... , m ) restriccin g i ( x ) = b i , por ser diferenciable g i , el producto g i ( x 0 ) ( x x 0 )t es la derivada de g i en x 0 segn el vector x x 0 , y resulta ser nula si el CSF es convexo: g i ( x 0 + ( x x 0 )) g i ( x 0 ) g i ( x 0 ) ( x x 0 )t = lim. = 0

definicin de derivada de una campo escalar en un punto segn un vector = lim. g i ( x + (1 ) x 0 )) g i ( x 0 ) = 0 ( II) 0

Si x y x 0 son puntos del CSF, por ser convexo ste, podemos garantizar que el punto x + (1 ) x 0 tambin es del CSF, por lo que g i ( x + (1 ) x 0 )) = g i ( x 0 ) = b i
Tema 5: Optimizacin con restricciones 68

Si ( x *; *) es un punto crtico de L( x ; ) , entonces:

f ( x *) = * i g i ( x *)
i =1 m

As, si x es otro punto del CSF, multiplicando los dos miembros de la ecuacin anterior por ( x x *)t , resulta:

f ( x *) ( x x *)t =

m F I * g ( x *) ( x x *)t = 0 GH i =1 i i JK

segn (II), sin ms que considerar que x 0 x *, es g i ( x *) ( x x *)t = 0, i = 1, 2 , ... , m f ( x ) f ( x *) 0 f ( x ) f ( x *) x * es mximo global segn (I), sin ms que considerar que x 0 x * cncava , el mximo global es Si el CSF es convexo y "f" es estrictamente convexa mnimo nico .... y para acreditarlo (en el caso de que "f" sea estrictamente cncava) basta sustituir el por < en la demostracin precedente.

} {

5.6 INTERPRETACIN ECONMICA DE LOS MULTIPLICADORES DE LAGRANGE

Sea el problema Opt. f ( x ) sujeto a g ( x ) = b donde f : n 6 y g : n 6 m son de clase C 2 en su dominio. Si ( x *; *) es un punto crtico de L( x ; ) que verifica la condicin suficiente de optimalidad local, puede demostrase que

f ( x *; *) = * i bi
O sea, * i mide el grado de sensibilidad del valor ptimo de la funcin objetivo ante variaciones del segundo miembro b i de la i-sima restriccin g i ( x ) = b i .

Tema 5: Optimizacin con restricciones

69

FONEMATO 5.6.1

A fin de racionarte el consumo de kalimocho, el gobierno te entrega una chapa de 27. dm 2 para que con ella construyas un recipiente cilndrico que gratuitamente te llenar de kalimocho semanalmente. 1) Determina el cilindro ptimo, comprobando que se trata de un mximo. 2) Si un litro de kalimocho vale 30 euros, cunto estaras dispuesto a pagar semanalmente por disponer de 1 dm 2 ms de chapa?
SOLUCIN

Si x 1 es el radio de la base del cilindro y x 2 es la altura, su volumen es

2 . x rea de la base altura f ( x 1 ; x 2 ) = . x 1 2

f a

Como no somos gilipollas, el cilindro carecer de base superior; as el rea del 2 + 2. . x . x = 27. cilindro ser 27. cm 2 si . x 1 1 2 2. . x 1
x2

x1

La funcin de Lagrange es:

2 . x . . x 2 + 2. . x . x 27. L( x 1 ; x 2 ; ) = . x 1 2 1 2 1

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange:

R L x 1 = 2. . x 1 . x 2 . a2. . x 1 + 2. . x 2 f = 0 | 2 . a2. . x f = 0 L( x 1 ; x 2 ; ) = 0 SL x 2 = . x 1 1 | | TL = c. x12 + 2. . x1. x 2 27. h = 0 { }

ecuacin se deduce que = x 1 . x 2 /( x 1 + x 2 ) , por tanto: De la 1 2 = x 1 /2

{}

x1. x 2 x x2 = 1 = 1 x1 = x 2 x1 + x 2 x1 + x 2 2 2 Haciendo x 1 = x 2 en la 3 ecuacin del sistema, resulta:

2 + 2. . x 2 27. = 0 x = 3 = x . x 1 1 2 1

Haciendo x 1 = x 2 = 3 en la 2 ecuacin del sistema, resulta = 3/2 .

Tema 5: Optimizacin con restricciones 70

 Condicin suficiente
2 + 2. . x . x 27. , el carcter del punto x 0 = ( 3 ; 3), para el Si g ( x ) = . x 1 1 2 que es 0 = 3/2 , est determinado por el signo que la forma cuadrtica de ma-

triz asociada H x L( x 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 tales que g ( x 0 ) h = 0 . Es:

LM 2L( x 0 ; 0 ) 2L( x 0 ; 0 )OP 2 x 1x 2 P x 1 0 0 t t M h H x L( x ; ) h = h MM 2L( x 0 ; 0 ) 2L( x 0 ; 0 )PP h = x 2 PQ MN x 2x1 2 2. . x 2 2. . 2. . x 1 2. . O = ht L MN2. . x1 2. . PQ( x 0 ; 0 ) h = 0 3. 3. O = ht L NM3. 0 QP h = h g ( x 0 ) h = 0 2. . x 1 + 2. . x 2 2. . x 1 x 0 L 1 O = 0 MNh2 PQ h 12. 6. L 1 O = 0 h 2 = 2. h1 MNh2 PQ 3. 3. O L h1 O = h1 2. h1 L NM3. 0 QP NM2. h1 QP = 2 + 2. a3. . h .( 2. h f = 9. . h 2 < 0 , h 0 = 3. . h1 1 1 1 1

Como la forma cuadrtica de matriz asociada H x L( x 0 ; 0 ) es definida negativa si se restringe al subespacio g ( x 0 ) h = 0 , el punto x 0 = ( 3 ; 3) corresponde a un mximo local estricto.

2) Es:

Variacin del volumen ptimo del cilindro 0 = 3 2 Variacin de rea del cilindro x0 Por tanto, si el rea sufre una variacin de 1 dm 2 , la variacin aproximada del volumen ptimo es de 3 dm 3 ...... y como cada dm 3 de kalimocho vale 30 eu2 3 ros (1 litro tiene 1 dm ), semanalmente estaramos dispuestos a pagar como mximo 3 . 30 euros por disponer de 1 dm 2 ms de chapa. 2

F H

I K

Tema 5: Optimizacin con restricciones

71

FONEMATO 5.6.2
2 . x , siendo x y x las respectivas cantidaLa produccin de una empresa es x 1 2 1 2 des empleadas de dos ciertos inputs.

La funcin de coste es C( x 1 ; x 2 ) = 2. x 1 + 3. x 2 . 1) Halle la cantidad a emplear de cada input si se deben producir 9000 unidades. 2) Determine la variacin de coste si se producen 9002 unidades
SOLUCIN
2 . x = 900 . Debemos minimizar C( x 1 ; x 2 ) = 2. x 1 + 3. x 2 sujeto a x 1 2
2 . x 9000 . La funcin de Lagrange es L( x 1 ; x 2 ; ) = 2. x 1 + 3. x 2 . x 1 2

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange: L x 1 = 2 2. . x 1 . x 2 = 0 2 =0 L ( x 1 ; x 2 ; ) = 0 L x 2 = 3 . x 1 2 . x 9000 = 0 L = x1 2

R | S | h T c ecuacin se deduce que R = 1/( x 1 . x 2 )U, por tanto: De la {1 S 2 } T = 3/x12 V W

1 = 3 x 2 = 3. x . x x = 3. x 1 2 1 2 1 x1. x 2 x 2 1 al dividir los dos miembros por x 1 eliminamos posibles soluciones del sistema para las que x 1 = 0 ..... pero si x 1 = 0 no se cumple la 2 . x = 9000 restriccin x 1 2 Haciendo x 1 = 3. x 2 en la 3 ecuacin del sistema, resulta: 9.x 3 2 9000 = 0 x 2 = 10 x 1 = 30 Haciendo x 1 = 30 y x 2 = 10 en la 2 ecuacin del sistema, resulta = 1/300 . Condicin suficiente
2 . x 9000 , el carcter del punto x 0 = ( 30 ; 10 ), para el que es Si g ( x ) = x 1 2 0 = 1/300 , est determinado por el signo que la forma cuadrtica de matriz

asociada H x L( x 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 tales que g ( x 0 ) h = 0. Es:

LM 2L( x 0 ; 0 ) 2 x 1 h t H x L( x 0 ; 0 ) h = h t M MM 2L( x 0 ; 0 ) MN x 2x1

2 L( x 0 ; 0 ) x 1x 2

OP PP h = 0 2 L( x ; 0 ) PP x 2 Q 2
72

Tema 5: Optimizacin con restricciones

2. . x 2 2. . x 1 O LM N 2. . x1 0 QP( x 0 ; 0 ) h = 1/15 1/5O = ht L NM 1/5 0 QP h = h 2 g ( x 0 ) h = 0 2. x 1 . x 2 x 1 L 1O = 0 0 MNh2 PQ x h 600 900 L 1 O = 0 h1 = 3 . h 2 2 NMh2 QP 1/15 1/5O L 3 . h 2 O = 3 . h2 h2 L MN 1/5 0 PQ MNM 2h2 PQP = 2 2 > 0, h2 0 = 1 . e 3 . h 2 j + 2.( 1 ). e 3 . h 2 j. h 2 = 27 . h 2 15 2 5 2 60 2 = ht Como la forma cuadrtica de matriz asociada H x L( x 0 ; 0 ) es definida positiva si se restringe al subespacio g ( x 0 ) h = 0 , el punto x 0 = ( 30 ; 10 ), corresponde a un mnimo local estricto. 2) Es Variacin coste ptimo 0 = 1 300 Variacin de produccin x 0 Por tanto, si la produccin aumenta 2 unidades, es: Variacin coste ptimo 0 = 1 300 2 x0 As, la variacin aproximada del coste ptimo es de 2 . 300

F H

I K

F H

I K

Tema 5: Optimizacin con restricciones

73

FONEMATO 5.6.3

Determinar los ptimos de f ( x ; y ; z) = e x + e y + e z si x + y + z = 3.

SOLUCIN

La funcin de Lagrange es L( x ; y ; z ; ) = e x + e y + e z . x + y + z 3 . La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange:

L x = e x = 0 = e x R | |L = e y = 0 = e y L ( x ; y ; z ; ) = 0 S y L z = e z = 0 = e z | | TL = ax + y + z 3f = 0

Obviamente, ha de ser x = y = z. Haciendo x = y = z en la 4 ecuacin del sistema, resulta x = y = z = 1. Haciendo x = y = z = 1 en la 1 ecuacin del sistema, resulta = 1/e . Condicin suficiente Si g ( u ) = x + y + z 3, el carcter del punto u 0 = (1 ; 1 ; 1), para el que es 0 = 1/e , est determinado por el signo que la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0 . Es:

LM 2L( u0 ; 0 ) MM 2 x02 0 L( u ; ) h t H u L( u 0 ; 0 ) h = h t M MM 2 y0x 0 MN L(zux; ) LM1/e 0 t = h 0 1/e MN 0 0

2 L( u 0 ; 0 ) 2 L( u 0 ; 0 ) xy xz 2 L( u 0 ; 0 ) y 2 2 L( u 0 ; 0 ) zy 0 0 h 1/e

OP PQ

OP P 0 0 P 2 L( u ; ) PP h = yz 2 L( u 0 ; 0 ) P PQ z2

en todo subespacio de 3 ; por tanto, el punto u 0 = (1 ; 1 ; 1) corresponde a un mnimo local estricto, que tambin es global, pues el problema es convexo, ya que el CSF es convexo (pues la restriccin x + y + z = 3 es lineal) y la funcin objetivo "f" es convexa.

Yuppi!: como H u L( u 0 ; 0 ) es definida positiva en 3 , es definida positiva

Tema 5: Optimizacin con restricciones

74

FONEMATO 5.6.4

Determinar los ptimos de f ( x ; y ; z ) = x 2 + y 2 + z 2 si x + y + z = 3.

SOLUCIN

La funcin de Lagrange es

L( x ; y ; z ; ) = x 2 + y 2 + z 2 . x + y + z 3

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange: L x = 2. x = 0 = 2. x R |L y = 2. y = 0 = 2. y L ( x ; y ; z ; ) = 0 S L z = 2. z = 0 = 2. z | | TL = ax + y + z 3f = 0

Obviamente, ha de ser x = y = z. Haciendo x = y = z en la 4 ecuacin del sistema, resulta x = y = z = 1. Haciendo x = y = z = 1 en la 1 ecuacin del sistema, resulta = 2 . Condicin suficiente Si g ( u ) = x + y + z 3, el carcter del punto u 0 = (1 ; 1 ; 1), para el que es 0 = 2 , est determinado por el signo que la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0 . Es:

LM 2L( u0 ; 0 ) 2L( u 0 ; 0 ) MM 2 x02 0 2 x0y 0 L( u ; ) L ( u ; ) h t H u L( u 0 ; 0 ) h = h t M MM 2 y0x 0 2 y02 0 MN L(zux; ) L(zuy; ) 2 0 0O L t = h M0 2 0 P h MN0 0 2PQ

OP P 0 0 P 2 L( u ; ) PP h = yz 2 L( u 0 ; 0 ) P PQ z2
2 L( u 0 ; 0 ) xz

en todo subespacio de 3 ; por tanto, el punto u 0 = (1 ; 1 ; 1) corresponde a un mnimo local estricto, que tambin es global, pues el problema es convexo, ya que el CSF es convexo (pues la restriccin x + y + z = 3 es lineal) y la funcin objetivo "f" es convexa.

Yuppi!: como H u L( u 0 ; 0 ) es definida positiva en 3 , es definida positiva

Tema 5: Optimizacin con restricciones

75

FONEMATO 5.6.5

Determine el paraleleppedo recto de rea mnima y volumen unidad.

SOLUCIN

Siendo "x", "y" y "z" las aristas paraleleppedo, su volumen es x. y. z , y su rea est determinada por f ( x ; y ; z) = 2. x. y + 2. x. z + 2. y. z La funcin de Lagrange es L( x ; y ; z ; ) = 2. x. y + 2. x. z + 2. y. z . x. y. z 1 La condicin necesaria: 2.( y + z) R L = 2 .( y + z ) . y . z = 0 = x | y. z | 2.( x + z) | L = 2 .( x + z ) . x . z = 0 = y L ( x ; y ; z ; ) = 0 S x. z 2.( x + y ) | L z = 2.( x + y ) . x. y = 0 = | x. y | TL = ax. y. z 1f = 0 Por tanto: y + z x + z U Ry + z x + z U R = = | y. z x. z | | y x | S x=y=z S V x+y x + yV x + z x z + | T x. z = x. y | T z = y | W | W

Haciendo x = y = z en la 4 ecuacin del sistema, resulta x = y = z = 1. Haciendo x = y = z = 1 en la 1 ecuacin del sistema, resulta = 4 . Condicin suficiente Si g ( u ) = x. y. z 1, el carcter de u 0 = (1 ; 1 ; 1), para el que 0 = 4 , lo determina el signo que la FC de matriz asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio de los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0. Es:

As, el punto u 0 = (1 ; 1 ; 1), corresponde a un mnimo local estricto.

2O LM 0 02 MN2 2 02PPQ h = LM h1 OP 0 g ( u ) h = 0 1 1 1 h 2 = 0 h1 = h 2 h 3 MNh3 PQ 0 2 2O L h 2 h 3 O L = h 2 h 3 h 2 h 3 M2 0 2P M h 2 P = MN2 2 0 PQ MN h3 PQ = 2.( 2 ). a( h 2 h 3 ). h 2 + ( h 2 h 3 ). h 3 + h 2 . h 3 f = 2 O Lh2 O L4 2 = 4. h 2 2 + 4. h 2 . h 3 + 4. h 3 = h 2 h 3 M N2 4PQ MNh3 PQ Definida positiva h H u L( u ; 0 ) h = h t 2
t 0

Tema 5: Optimizacin con restricciones

76

FONEMATO 5.6.6

Determine el paraleleppedo de volumen mximo y rea 6.

SOLUCIN

Siendo "x", "y" y "z" las aristas paraleleppedo, su volumen es f ( x ; y ; z) = x. y. z , y si su rea es 6, debe ser 2. x. y + 2. x. z + 2. y. z = 6. La funcin de Lagrange es L( x ; y ; z ; ) = x . y. z . 2. x. y + 2. x. z + 2. y. z 6 La condicin necesaria:
y. z R L = y . z 2 . .( y + z ) = 0 = x | 2.( y + z) | L y = x. z 2. .( x + z ) = 0 = x. z | 2.( x + z) L ( x ; y ; z ; ) = 0 S x. y | L z = x. y 2. .( x + y ) = 0 = | 2.( x + y ) | TL = a2. x. y + 2. x. z + 2. y. z 6f = 0 Por tanto: y. z R x. z U R y = x U = | 2.( y + z) 2.( x + z ) | | y + z x + z | y. z = x . z S { x=y=z S V V x. z = x. y} x. y y x . z z | T 2.( x + z) = 2.( x + y )| W | Tx + z = x + y| W Haciendo x = y = z en la 4 ecuacin del sistema, resulta x = y = z = 1. Haciendo x = y = z = 1 en la 1 ecuacin del sistema, resulta = 1/4 .

Condicin suficiente Si g ( u ) = 2. x. y + 2. x. z + 2. y. z 6, el carcter del punto u 0 = (1 ; 1 ; 1), para el que 0 = 1/4 , est determinado por el signo que la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0. Es:

As, el punto u 0 = (1 ; 1 ; 1), corresponde a un mximo local estricto.

Tema 5: Optimizacin con restricciones

LM 0 1/2 1/2OP 0 1/2 h = MN1/2 1/2 0 PQ LM h1 OP 0 g ( u ) h = 0 4 4 4 h 2 = 0 h1 = h 2 h 3 MNh3 PQ LM 0 1/2 1/2OP LMh2 h3 OP = = h 2 h 3 h 2 h 3 1/2 0 1/2 2 MN1/2 1/2 0 PQ MN h P h3 Q = 2.(1/2 ). a( h 2 h 3 ). h 2 + ( h 2 h 3 ). h 3 + h 2 . h 3 f = L 1 1/2OP LMh2 OP Definida negativa 2 = h2 2 h2 . h3 h3 = h2 h3 M N1/2 1 Q Nh3 Q
h H u L( u ; 0 ) h = h t 1/2
t 0

77

FONEMATO 5.6.7

Una cooperativa de aceite te entrega 12 m 2 de chapa para que construyas un depsito paralelepipdico que te llenar gratuitamente de aceite. 1) Determina el paraleleppedo ptimo. 2) Si un litro de aceite vale 3 euros, cunto estara dispuesto a pagar por disponer de 1 m 2 ms de chapa?
SOLUCIN

Siendo "x", "y" las dimensiones de la base del paraleleppedo y "z" su altura, el volumen es f ( x ; y ; z) = x. y. z . Como no somos gilipollas, el paraleleppedo carecer de base superior; as su rea es 12, debe ser x. y + 2. x. z + 2. y. z = 12 La funcin de Lagrange es: L( x ; y ; z ; ) = x. y. z . x. y + 2. x. z + 2. y. z 12

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange: y. z R L = y . z .( y + 2 . z ) = 0 = x | y + 2. z | L y = x. z .( x + 2. z ) = 0 = x. z | x + 2. z L ( x ; y ; z ; ) = 0 S x. y | . . .( ) L x y x y = 2 + = 0 = z | 2.( x + y ) | TL = ax. y + 2. x. z + 2. y. z 12f = 0
y. z y U U R R x. z x = = | y + 2. z x + 2. z | | y + 2. z x + 2. z | R x = y U S V S x. y V S z y z = y/2 V T W x z . | | | | = = T x + 2. z 2.( x + y ) W T x + 2. z 2.( x + y )W

Por tanto:

Haciendo x = y , z = y/2 en la 4 ecuacin del sistema, resulta y = 2, por lo que x = 2 y z = 1. Sustituyendo en la 1 ecuacin del sistema, resulta = 1/2 . Condicin suficiente Si g ( u ) = x. y + 2. x. z + 2. y. z 12 , el carcter del punto u 0 = ( 2 ; 2 ; 1), para el que 0 = 1/2 , est determinado por el signo que la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0. Es:
Tema 5: Optimizacin con restricciones 78

LM 0 1/2 1OP 0 1 h= MN 1 1 0P Q LM h1 OP 0 g ( u ) h = 0 4 4 8 h 2 = 0 h1 = h 2 2. h 3 MNh3 PQ LM 0 1/2 1OP LM h2 2. h3 OP = h 2 2. h 3 h 2 h 3 1/2 0 1 = 2 MN 1 1 0PQ MN h P h3 Q = 2.. e 1 .( h 2 2. h 3 ). h 2 + ( h 2 2. h 3 ). h 3 + h 2 . h 3 j = 2

h H u L( u ; 0 ) h = h t 1/2
t 0 2 = h2 2 2. h 2 . h 3 4. h 3 = h 1 1 2 Definida negativa = h2 h3 1 4 h3

As, el punto u 0 = ( 2 ; 2 ; 1), corresponde a un mximo local estricto. 2) Es: 0 = 1 2

LM N

OP LM OP Q N Q

F Variacin del volumen ptimoI H Variacin de rea K u 0

Por tanto, si dispones de 1 m 2 cuadrado ms de chapa, la variacin aproximada del volumen ptimo es de 1 m 3 ...... y como cada m 3 de aceite vale 3000 2 euros, estaremos dispuestos a pagar como mximo 1 . 3000 euros por disponer 2 2 de 1 m ms de chapa.

Tema 5: Optimizacin con restricciones

79

FONEMATO 5.6.8

Determnense las dimensiones de la caja de zapatos de mayor volumen que puede inscribirse en una esfera de radio unidad.
SOLUCIN Si el origen de coordenadas es el centro de la esfera y las dimensiones de la caja son 2. x , 2. y y 2.z , su volumen es f ( x ; y ; z) = 8. x. y. z , y ha de ser x 2 + y 2 + z2 = 1, pues los vrtices de la caja son puntos de una esfera de radio unidad. La funcin de Lagrange es: L( x ; y ; z ; ) = 8. x. y. z . x 2 + y 2 + z2 1

La condicin necesaria:

De las tres primeras ecuaciones se deduce que x = y = z. Haciendo x = y , z = y en la 4 ecuacin del sistema, resulta y = 1/3 , por lo que x = z = 1/3 . Sustituyendo en la 1 ecuacin del sistema, resulta = 4. 1/3 . Condicin suficiente Si g ( u ) = x 2 + y 2 + z 2 1, el carcter de u 0 = ( 1/3 ; 1/3 ; 1/3 ), para el que 0 = 4. 1/3 , lo determina el signo que la FC de matriz asociada H u L( u 0 ; 0 ) en el subespacio de los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0 . Es: h H u L( u ; 0 ) h = h
0 t 0 t

L x = 8. y. z 2. . x = 0 = 4. y. z/x R | L y = 8. x. z 2. . y = 0 = 4. x. z/y | L ( x ; y ; z ; ) = 0 S L z = 8. x. y 2. . z = 0 = 4. x. y/z | | TL = cx 2 + y 2 + z2 1h = 0

LM h1 OP g ( u ) h = 0 2. 1/3 2. 1/3 2. 1/3 h 2 = 0 h1 = h 2 h 3 MNh3 PQ LM8. 1/3 8. 1/3 8. 1/3 OP Lh2 h3 O = h 2 h 3 h 2 h 3 8. 1/3 8. 1/3 8. 1/3 M h 2 P = MM 8. 1/3 8. 1/3 8. 1/3 PP MN h3 PQ N Q 2 = 8. 1/3. c ( h 2 h 3 )2 h 2 2 h 3 + 2.( h 2 h 3 ). h 2 + +2.( h 2 h 3 ). h 3 + 2. h 2 . h 3 f =
2 = 4. h 2 2 4. h 2 . h 3 4. h 3 = h 4 2 = h2 h3 2 Definida negativa 2 4 h3

LM8. 1/3 8. 1/3 MM 8. 1/3 N

8. 1/3 8. 1/3 8. 1/3 8. 1/3 h = 8. 1/3 8. 1/3

OP PP Q

As, el punto u 0 = ( 1/3 ; 1/3 ; 1/3 ) corresponde a un mximo local estricto.

Tema 5: Optimizacin con restricciones 80

LM N

OP LM OP Q N Q

FONEMATO 5.6.9

Un examen consta de tres problemas y la puntuacin que se obtiene en el i-simo ( i = 1, 2 , 3) es P1 = 2. i. x i , siendo x i el tiempo empleado en l. La duracin del examen es de 14.a minutos, donde a > 0 depende del humor del profesor. 1) Determina el tiempo a dedicar a cada problema para obtener la mxima puntuacin, comprobando que se trata de un mximo. 2) Determina la variacin de la puntuacin mxima producida por una variacin unitaria del tiempo total disponible
SOLUCIN

Maximizar f ( x 1 ; x 2 ; x 3 ) = 2. x 1 + 4. x 2 + 6. x 3 s.a x 1 + x 2 + x 3 = 14. a . La funcin de Lagrange es: Condicin necesaria:

L( x 1 ; x 2 ; x 3 ; ) = 2. x 1 + 4. x 2 + 6. x 3 . x 1 + x 2 + x 3 14. a

1/ 2 = 0 = x 1/ 2 R L x1 = x1 1 | / 1/ 2 1 2 | L = 2 . x = 0 = 2 . x x 2 2 L ( x 1 ; x 2 ; x 3 ; ) = 0 S 2 1/ 2 = 0 = 3. x 1/ 2 L x 3 = 3. x 3 | 3 | TL = ax1 + x 2 + x 3 14. af = 0 Por tanto, ha de ser: 1/ 2 = 2. x 1/2 U R x1 9. x 2 x 1 = x 2 /4 U x 2 | | R 2 + + 14. a = 0 x S V S V 2 1/ 2 = 3. x 1/ 2 | x 3 = 9. x 2 /4 W 4 4 T | 2 . x T 2 W 3

sustituyendo en la 4 ecuacin

x 2 = 4. a x 1 = a , x 3 = 9. a , = 1/ a Condicin suficiente Si g ( x ) = x 1 + x 2 + x 3 14. a , el carcter del punto x 0 = ( a ; 4. a ; 9. a ), para el que 0 = 1/ a , lo determina el signo de FC de matriz asociada H x L( x 0 ; 0 ) en el subespacio de los vectores h t = h1 h 2 h 3 tales que g ( x 0 ) h = 0. h H x L( x ; 0 ) h = h
t 0 t

Como H x L( x 0 ; 0 ) es definida negativa en 3 , es definida negativa en todo subespacio de 3 ; as, x 0 = ( a ; 4. a ; 9. a ) es un mximo local estricto. Variacin de la puntuacin mxima ; por tanto, si se dis2) Es 0 = 1/ a Variacin de tiempo disponible x 0 pone de una unidad ms de tiempo, la puntuacin mxima aumentar aproximadamente 1/ a .

LMa 3/2 /2 MMN 0 0

0 0 3/2 0 ( 4. a ) h 0 3.( 9. a )3/2 /2

OP PPQ

F H

I K

Tema 5: Optimizacin con restricciones

81

FONEMATO 5.6.10

Determinar los ptimos de f ( x ; y ; z) = x. y. z sujeto a

SOLUCIN

. x + y + 2. z = 50 . {2x + 3. y + z = 30 }

La funcin de Lagrange es Condicin necesaria:

L( x ; y ; z ; ; ) = x. y. z . 2. x + y + 2. z 50 . x + 3. y + z 30 .
L x = y. z 2. = 0 R | L y = x. z 3. = 0 | L( x ; y ; z ; ; ) = 0 SL z = x. y 2. = 0 | L = a2. x + y + 2. z 50f = 0 | TL = ax + 3. y + z 30f = 0 (1) (2) ( 3) (4 ) (5 )

f a

Restando miembro a miembro (1) y (3), resulta y. z x. y = 0 z = x. Haciendo z = x en ( 4 ) y (5), resulta: . x + y + 2. x 50 = 0 x = 12 z = 12 { {2x } } y=2 + 3. y + x 30 = 0 Haciendo x = z = 12 , y = 2 en (1) y (2): = 18/25 24 2. = 0 { {144 } 3. = 0 = 264/5 Condicin suficiente Si g ( u ) = ( 2. x + y + 2. z 50 ; x + 3. y + z 30 ), el carcter de u 0 = (12 ; 2 ; 12 ), para el que es 0 = 18/25 y 0 = 264/5 , est determinado por el signo que la FC de matriz asociada H u L( u 0 ; 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que Jg ( u 0 ) h = 0 . Es: h H u L( u ; 0 ; 0 ) h = h t 12
t

= h1

As, el punto u 0 = (12 ; 2 ; 12 ), corresponde a un mximo local estricto.

2O LM 0 12 0 12P h = MN 2 12 0P Q h 2 1 2 O L 1 O L0 O 0 L Jg ( u ) h = 0 2 P = M0 P NM1 3 1QP MMNh h3 P Q NQ R2. h + h2 + 2. h3 = 0U R h =0 S 2 S 1 V T h1 + 3. h2 + h3 = 0 W Th3 = h1 0 12 2 O L h1 O L 2 < 0, h 0 0 h1 M12 0 12P M 0 P = 4. h1 1 MN 2 12 0 PQ MN h1 PQ

0

Tema 5: Optimizacin con restricciones

82

FONEMATO 5.6.11

Resuelva el siguiente problema en funcin de a 0. Opt. a. x.( x + 1) + a. y.( y + 1) + a. z.( z + 1) s. a: 2. x + y + z = 2

SOLUCIN

La funcin de Lagrange es:

L( x ; y ; z ; ) = a. x.( x + 1) + a. y.( y + 1) + a. z.( z + 1) . 2. x + y + z 2

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange:
L x = a.( 2. x + 1) 2. = 0 = a.( 2. x + 1)/2 R |L y = a.(2. y + 1) = 0 = a.(2. y + 1) L ( x ; y ; z ; ) = 0 S L z = a.( 2. z + 1) = 0 = a.( 2. z + 1) | | TL = a2. x + y + z 2f = 0

De las tres primeras ecuaciones se deduce que x = 2. y + 1 , z = y. Haciendo 2 1 x = 2. y + , z = y en la 4 ecuacin del sistema, resulta y = 1/6 por lo que 2 z = 1/6 y x = 5/6. Sustituyendo en la 2 ecuacin del sistema, resulta = 4. a/3.

Condicin suficiente Si g ( u ) = 2. x + y + z 2 , el carcter del punto u 0 = (5/6 ; 1/6 ; 1/6), para el que 0 = 4. a/3, est determinado por el signo que la forma cuadrtica de matriz
asociada H u L( u 0 ; 0 ) tiene si se restringe al subespacio que forman los vectores h t = h1 h 2 h 3 tales que g ( u 0 ) h = 0 . Es:

2. a 0 0 h t H u L( u 0 ; 0 ) h = h t 0 2. a 0 h 0 0 2. a

LM MN

OP PQ

Yuppi!:
Si a > 0, la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) es definida positiva en 3 , por lo que es definida positiva en todo subespacio de 3 ; as, el punto u 0 = (5/6 ; 1/6 ; 1/6), corresponde a un mnimo local estricto Si a < 0, la forma cuadrtica de matriz asociada H u L( u 0 ; 0 ) es definida negativa en 3 , por lo que es definida negativa en todo subespacio de 3 ; as, el punto u 0 = (5/6 ; 1/6 ; 1/6), corresponde a un mximo local estricto.

Tema 5: Optimizacin con restricciones

83

FONEMATO 5.6.12
/2 1/2 La funcin de utilidad de un consumidor es U( x 1 ; x 2 ) = x 1 1 . x 2 , siendo x 1 y x 2 las cantidades consumidas de sendos bienes de precios unitarios 3 y 5 u.m.

1) Si el consumidor gasta la totalidad de su renta, 90 u.m, en adquirir esos bienes, determine la cantidad que debe consumir de cada uno para maximizar su utilidad. Utilice el mtodo de los multiplicadores de Lagrange. 2) Si el consumidor no tuviese que gastar toda su renta, se modificara la cantidad a consumir de estos bienes? Qu cantidad consumira de cada uno? Resulvalo grficamente.
SOLUCIN
/2 1/2 1) Debemos maximizar U( x 1 ; x 2 ) = x 1 1 . x 2 sujeto a 3. x 1 + 5. x 2 = 90 . / 2 1/2 La funcin de Lagrange: L( x 1 ; x 2 ; ) = x 1 1 . x 2 . 3. x 1 + 5. x 2 90

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange:

Por tanto:

R x2 x2 L = 3 . = 0 = x | 1 2. x 6. x 1 1 | | L ( x 1 ; x 2 ; ) = 0 S x1 x1 = = = L 5 . 0 x2 | 2. x 2 10. x 2 | | TL = a3. x1 + 5. x 2 90f = 0

x2 x1 = 10. x 2 = 6. x 1 x 1 = 5 . x 2 3 6. x 1 10. x 2

Haciendo x 1 = 5 . x 2 en la 3 ecuacin del sistema, resulta: 3 3. 5 . x 2 + 5. x 2 90 = 0 x 2 = 9 x 1 = 15 3 Sustituyendo en la 2 ecuacin del sistema, resulta = 1 . 2. 15

Condicin suficiente
1 , como la forma cuadrtica de matriz asocia2. 15 0 0 da H x L( x ; ) es definida negativa en todo punto del dominio econmico

Siendo x 0 = (15 ; 9) y 0 =

del problema, el punto x 0 = (15 ; 9) corresponde a un mximo local estricto. 3. x 1 + 5. x 2 90 ; x 1 0 ; x 2 0

/2 1/2 2) Debemos maximizar U( x 1 ; x 2 ) = x 1 1 . x 2 sujeto a

Tema 5: Optimizacin con restricciones

84

El CSF es el sombreado en la siguiente figura.

x2 18 30
x1

/ 2 1/ 2 La curva S k de nivel "k" de la utilidad es S k = ( x 1 ; x 2 ) 2 / x 1 1 .x2 = k

x2

k x1

Como la utilidad toma igual valor en los puntos de una misma curva de nivel, la solucin corresponde al punto del CSF por el que pasa la curva de nivel de con mayor valor de "k". Al superponer las figuras resulta evidente que la solucin es el punto en que la recta 3. x 1 + 5. x 2 = 90 es tangente a la curva de nivel. Como la
/2 1/2 pendiente de la recta es 3/5 y la pendiente de U( x 1 ; x 2 ) = x 1 1 . x 2 = k es

1 . x 1/2 . x 1/2 U x1 ( x1 ; x 2 ) 1 2 dx 2 x = =2 = 2 1 . x 1/2 . x 1/2 dx 1 U x 2 ( x1 ; x 2 ) x1 1 2 2 x ha de ser 3 = 2 x 1 = 5 . x 2 , que coincide con el resultado de Lagrange. x1 5 3 Por tanto, no se modifica la cantidad a consumir de cada bien.
FONEMATO 5.6.13

Sea el programa Opt. 2. x. y sujeto a x 2 + 4. y 2 = 72

1) Resulvalo mediante el mtodo de Lagrange. 2) D significado econmico al problema. En este caso, cul sera su solucin?
SOLUCIN

La funcin de Lagrange es L( x ; y ; ) = 2. x. y . x 2 + 4. y 2 72 Condicin necesaria: y R . . . L = 2 y 2 x = 0 = x | x | L = 0 SL = 2. x 8. . y = 0 = x y 4. y | | TL = cx 2 + 4. y 2 72h = 0

y = x x 2 = 4. y 2 x 4. y

Haciendo x 2 = 4. y 2 en la 3 ecuacin del sistema, resulta: Tema 5: Optimizacin con restricciones

85

4. y 2 + 4. y 2 72 = 0 y 2 = 9 x = 6 = 1/2 y = 3 x 2 = 4 . 32 = 36 x = 6 = 1/2 x = 6 = 1/2 y = 3 x 2 = 4 .( 3)2 = 36 x = 6 = 1/2

R | S | T

R S T

R S T

Los puntos u1 = ( 6 ; 3), u 2 = ( 6 ; 3), u 3 = ( 6 ; 3) y u 4 = ( 6 ; 3) satisfacen la condicin necesaria

Condicin suficiente

. 2 . Si g ( u ) = x 2 + 4. y 2 72 es g ( u ) = 2. x 8. y , y H u L( u; ) = 2 2 8.

El punto u1 = ( 6 ; 3), con = 1/2 , es un mximo local estricto, pues:

1 2 2. h 2 = 16. h 2 < 0 h t H u L( u1 ; = 1 ) h = 2. h 2 h 2 2 2 4 h2 2 h g ( 6 ; 3) h = 0 12 24 1 = 0 h1 = 2. h 2 h2

LM OP N Q

LM N

OP Q

El punto u 2 = ( 6 ; 3), con = 1/2 , es un mnimo local estricto, pues: 2 2. h 2 = 16. h 2 > 0 h t H u L( u 2 ; = 1 ) h = 2. h 2 h 2 1 2 2 4 h2 2 g ( 6 ; 3) h = 0 12 24

LM h1 OP = 0 h1 = 2. h2 Nh2 Q LM OP N Q

LM OP N Q

El punto u 3 = ( 6 ; 3), con = 1/2 , es un mnimo local estricto, pues: 2 2. h 2 = 16. h 2 > 0 h t H u L( u 3 ; = 1 ) h = 2. h 2 h 2 1 2 2 4 h2 2 g ( 6 ;.3) h = 0 12 24

LM h1 OP = 0 h1 = 2. h2 Nh 2 Q LM N OP Q

El punto u 4 = ( 6 ; 3), con = 1/2 , es un mximo local estricto, pues: 1 2 2. h 2 = 16. h 2 < 0 h t H u L( u 4 ; = 1 ) h = 2. h 2 h 2 2 2 4 h2 2 g ( 6 ;.3) h = 0 12 24

LM h1 OP = 0 h1 = 2. h2 Nh2 Q

Si la funcin objetivo f ( x ; y ) = 2. x. y es la de produccin de una empresa que emplea dos inputs en cantidades "x" e "y" y C( x ; y ) = x 2 + 4. y 2 es la funcin de costes de la empresa, hemos maximizado la produccin cuando el coste es 72; en tal caso, la nica solucin con sentido econmico es u1 = ( 6 ; 3), que corresponde a un mximo local estricto.

Tema 5: Optimizacin con restricciones

86

FONEMATO 5.6.14

Un consumidor, ante el consumo de dos bienes, se enfrenta al problema: Max. : U( x 1 ; x 2 ) = 1 . Ln x 1 + 1 . Ln x 2 sujeto a p1 . x 1 + p2 . x 2 = M 2 2 siendo x 1 y x 2 las cantidades a consumir de cada uno de los bienes, p1 y p2 los precios unitarios, "M" su renta y U( x 1 ; x 2 ) su funcin de utilidad. Determine la cantidad ptima a consumir de cada bien en funcin de los precios y de la renta. Qu variacin experimentar la utilidad ante un aumento unitario de la renta cuando el consumo es ptimo?
SOLUCIN

La funcin de Lagrange es L( x 1 ; x 2 ; ) = 1 . Ln x 1 + 1 . Ln x 2 . p1 . x 1 + p2 . x 2 M 2 2

La condicin necesaria de ptimo local exige la anulacin del gradiente de la funcin de Lagrange: 1 L x 1 = 1 . p1 = 0 = 2. x 1 2. p1 . x 1 1 L ( x 1 ; x 2 ; ) = 0 L = 1 . p = 0 = x2 2 2. x 2 2. p2 . x 2 L = p1 . x 1 + p2 . x 2 M = 0 Por tanto: p 1 1 = p1 . x 1 = p2 . x 2 x 1 = 2 . x 2 2. p1 . x 1 2. p2 . x 2 p1

R | | S | | T

p Haciendo x 1 = 2 . x 2 en la 3 ecuacin del sistema, resulta: p1 p p1 . 2 . x 2 + p2 . x 2 M = 0 2. p2 . x 2 = M p1 x 2 = M x1 = M = 1 2. p2 2. p1 M Condicin suficiente Siendo x 0 = ( M ; M ) y 0 = 1 , como la forma cuadrtica de matriz aso2. p1 2. p2 M

ciada H x L( x 0 ; 0 ) es definida negativa en todo punto del dominio econmico del problema, el punto x 0 corresponde a un mximo local estricto. Variacin del la utilidad ptima 0 = 1 Variacin de renta M x0 As, si la renta aumenta una unidad, la variacin aproximada de la utilidad ptima es 1/M.
87

Es:

F H

I K

Tema 5: Optimizacin con restricciones

5.7 MTODO DIRECTO DE RESOLUCIN

Si el sistema de "m" ecuaciones g ( x ) = b m es tan tontorrn que pueden explicitarse (despejarse) "m" de las "n" variables de decisin en funcin de las restantes " n m" variables, sustituyendo las primeras en la funcin objetivo, el problema se transforma en un problema de optimizacin sin restricciones.
2 + 2. x + 2 , en el pro Por ejemplo, si f : 2 6 es tal que f ( x 1 ; x 2 ) = x 1 2 3 blema de optimizar "f" sujeta a la restriccin x 1 x 2 2 = 0 , tenemos la suerte de poder explicitar (despejar) la variable x 2 : 3 x 2 = 0 x = h( x ) = x 3 2 x1 2 2 1 1 As, nuestro problema se reduce a optimizar la funcin u: 6 tal que 2 + 2.( x 3 2 ) + 2 u( x 1 ) = f ( x 1 ; h( x 1 )) = x 1 1 2 = 0 x = 0 , 1/3 Condicin necesaria: u '( x 1 ) = 2. x 1 + 6. x 1 1

U V W mnimo local estricto en el punto 1 = 0 , y la funcin "f", sujeta a la {mximo } {x1x= 1/3} 3 x 2 = 0 , presenta un mnimo local estricto restriccin la restriccin x 1 {mximo} 2 x 1 = 0 , x 2 = h( 0 ) = 2 . en el punto { x 1 = 1/3, x 2 = h( 1/3) = 55/27}
Por ejemplo, considera que buscamos las dimensiones de la caja de zapatos de mayor volumen que puede inscribirse en una esfera de radio unidad. Tomando como origen de coordenadas el centro de la esfera, si 2. x 1 , 2. x 2 y 2.x 3 son las dimensiones de la caja, su volumen es f ( x1 ; x 2 ; x 3 ) = 8. x 1 . x 2 . x 3 2 + x 2 + x 2 = 1, pues los vrtices de la caja .... y debe cumplirse la restriccin x1 2 3 son puntos de una esfera de radio unidad. Tenemos la suerte de poder explicitar (despejar) la variable x 3 :
2 + x 2 + x 2 = 1 x = h( x ; x ) = 1 x 2 x 2 x1 3 1 2 2 3 1 2 As, nuestro problema se reduce a maximizar la funcin u: 2 6 tal que 2 x2 u( x 1 ; x 2 ) = f ( x 1 ; x 2 ; h( x 1 ; x 2 )) = 8. x 1 . x 2 . 1 x 1 2 Condicin necesaria:

Condicin suficiente: u ''( 0 ) = 2 + 12. x 1 =2>0 Como u ''( 1/3) = 2 + 12. x x 1 = 0 = 2 < 0 , la funcin "u" presenta un 1 x = 1/3

R S T

a a

f f1

F GH F u x 2 = 8. x 1 . G H
u x 1 = 8. x 2 .

2 x2 1 x1 2 2 x2 1 x1 2

I = 0U | J 2 2 | .... Rx1 = 1 x1 x 2 K V S 2 I x2 = T x2 | = 0 J | 2 x2 K 1 x1 | W 2
2 x1

1/3

U V 1/3 W
88

Tema 5: Optimizacin con restricciones

Condicin suficiente:

3 16/ 3 es definida negativa, la funcin 3 32/ 3 "u" presenta un mximo local estricto en el punto ( 1/3 ; 1/3 ), y la funcin 2 + x 2 + x 2 = 1, presenta un mximo "f", sujeta a la restriccin la restriccin x 1 2 3 local estricto en el punto ( 1/3 ; 1/3 ; h( 1/3 ; 1/3 )) ( 1/3 ; 1/3 ; 1/3 ). Como Hu( 1/3 ; 1/3 ) =

LM32/ N16/

OP Q

Tema 5: Optimizacin con restricciones

89

5.8 OPTIMIZACIN CON RESTRICCIONES DE DESIGUALDAD

Siendo diferenciable g : A n 6 m , buscamos los puntos de n que verifican el sistema de "m" inecuaciones g ( x ) b m y hacen que la funcin diferenciable f : A n 6 presente un mximo o un mnimo:

Opt. f ( x ) sujeto a g ( x ) b
Se dice que la solucin factible x* satura la restriccin g i ( x ) b i si la satisface son el signo de igualdad; o sea, si g i ( x *) = b i . Se dice que la solucin factible x* no satura la restriccin g i ( x ) b i si la satisface son el signo de desigualdad; o sea, si g i ( x *) < b i . Se dice que la solucin factible x* es regular si los gradientes de las restricciones saturadas en x* son vectores linealmente independientes. Por ejemplo, si las restricciones son g 1 ( x 1 ; x 2 ) = (1 x 1 )3 x 2 0 y g 2 ( x 1 ; x 2 ) = 2. x 2 0 , es claro que el punto (1 ; 0 ) satura ambas, pues g 1 (1 ; 0 ) = 0 y g 2 (1 ; 0 ) = 0 , pero 2 ); 1) no es regular, ya que los vectores g 1 (1 ; 0 ) = ( 3.(1 x 1 (1;0 ) = ( 0 ; 1) y g 2 (1 ; 0 ) = ( 0 ; 2 ) no son linealmente independientes.

5.9 CONDICIONES DE KHUN-TUCKER

Si la solucin factible regular x corresponde a un mnimo local, el vector f ( x ) es combinacin lineal no positiva (de coeficientes no positivos) de los gradientes de las restricciones saturadas en x .... y al expresar matemticamente esta condicin, resulta: 1) f ( x ) i g i ( x ) = 0 2 ) i 0 , i = 1, 2 , .... , m 3) i .( g i ( x ) b i ) = 0 , i = 1, 2 , .... , m 4 ) g i ( x ) b i , i = 1, 2 , .... , m Si la solucin factible regular x corresponde un mximo local, el vector f ( x ) es combinacin lineal no negativa (de coeficientes no negativos) de los gradientes de las restricciones saturadas en x .... y al expresar matemticamente esta condicin, resulta: 1) f ( x ) i g i ( x ) = 0 2 ) i 0 , i = 1, 2 , .... , m 3) i .( g i ( x ) b i ) = 0 , i = 1, 2 , .... , m 4 ) g i ( x ) b i , i = 1, 2 , .... , m
i =1 m i =1 m

Tema 5: Optimizacin con restricciones

90

EJERCICIO 5.9.1

Resuelva grficamente el siguiente programa, comprobando que las soluciones obtenidas satisfacen las condiciones de Kuhn Tucker.
2 x1 x2 2 2 + 2 1 0 , x1 1 0 Opt. f ( x 1 ; x 2 ) = x 1 + ( x 2 1) sujeto a 16 4

SOLUCIN

El CSF es el sombreado en la figura. La curva S k de nivel "k" de la funcin objetivo "f" es la circunferencia de centro en el punto ( 0 ; 1) y radio k:
2 + ( x 1)2 = k S k = ( x 1 ; x 2 ) 2 / f ( x 1 ; x 2 ) = k = ( x 1 ; x 2 ) 2 / x 1 2

r n

Como "f" toma el mismo valor en todo punto de una misma curva de nivel, el mnimo (mximo) corresponde al punto del CSF por el que pasa la curva de nivel de "f" con menor (mayor) valor de "k". x2
x1 1 = 0

A
2 x1 x2 + 2 1= 0 16 4

A 1 4

x1

Obviamente, el mnimo se presenta en el punto A = (1 ; 1). x2 x2 Hallamos el mximo "B" observando que est en la elipse 1 + 2 1 = 0 y 16 4 2 que dicha elipse y la circunferencia x 1 + ( x 2 1)2 = k son tangentes en "B", por lo que tienen igual pendiente en "B".
2 2 x1 x2 x1 2 Siendo g 1 ( x 1 ; x 2 ) = + 1, la pendiente de la elipse + 16 4 16 dx 2 g ( x ; x )/x 1 x /8 x = 1 1 2 = 1 = 1 dx 1 x 2 /2 4. x 2 g 1 ( x 1 ; x 2 )/x 2

x2 2 = 1 es 4

La pendiente de la circunferencia f ( x 1 ; x 2 ) = k es
Tema 5: Optimizacin con restricciones 91

dx 2 f ( x 1 ; x 2 )/x 1 2. x 1 x = = = 1 dx 1 2.( x 2 1) x2 1 f ( x 1 ; x 2 )/x 2

As, el mximo es B = ( 2. 35 ; 1 ) , que corresponde a la solucin del sistema: 3 3 2 2 x1 x 2 x x + 1= 0 ; 1 = 1 16 4 4. x 2 x2 1

De la 2 resulta 4. x 2 = x 2 1; as, es x 2 = 1/3 , que sustituido en la 1 da: 2 x1 2 = 16. 35 x = 2. 35 + 1 1 = 0 x1 1 16 36 36 3 descartamos x 1 = 2. 35/3, pues la abcisa de "B" es positiva Segn KT, al optimizar f ( x ) sujeto a g ( x ) 0, si la solucin factible regular x es un mnimo (mximo) local, el vector f ( x ) es combinacin lineal no positiva (no negativa) de los gradientes de las restricciones saturadas en x .

Para comprobar que "A" y "B" satisfacen las condiciones de Kuhn Tucher, lo primero es expresar todas las restricciones de la forma g i ( x ) b i :
2 x2 2 x2 x1 x1 2 + 1 0 g1( x1 ; x 2 ) = + 2 1 16 4 16 4 x1 1 0 g 2 ( x1 ; x 2 ) = x1 + 1 0

U | V | W

R | S | T

El mnimo A = (1 ; 1) es solucin factible regular, pues satisface las restricciones del problema y los gradientes de las restricciones saturadas en A = (1 ; 1) son vectores LI, ya que A = (1 ; 1) slo satura la restriccin g 2 ( x 1 ; x 2 ) = x 1 + 1 0 y el vector g 2 (1 ; 1) = ( 1 ; 0 ) es LI, pues no es el vector cero. As, solo falta comprobar que el vector f (1 ; 1) = ( 2. x 1 ; 2.( x 2 1)(1;1) = ( 2 ; 0 ) es CL no positiva de g 2 (1 ; 1) = ( 1 ; 0 ), lo que es evidente, pues f (1 ; 1) = ( 2 ) g 2 (1 ; 1) .
Atent@: el que

f (1 ; 1) = 0 g 1 (1 ; 1) + ( 2 ) g 2 (1 ; 1)
indica que al resolver el problema de mnimo a lo bestia, exigiendo que 1) f ( x ) 1 g 1 ( x ) 2 g 2 ( x ) = 0 2 ) i 0 , i = 1, 2 3) i .( g i ( x ) b i ) = 0 , i = 1, 2 4 ) g i ( x ) b i , i = 1, 2 los multiplicadores correspondientes al mnimo (1 ; 1) son 1 = 0 y 2 = 2 , siendo previsible el resultado 1 = 0 , pues la restriccin g 1 ( x 1 ; x 2 ) 0 no se satura en el mnimo (1 ; 1). El mximo B = ( 2. 35 ; 1 ) es solucin factible regular, pues satisface las res3 3
Tema 5: Optimizacin con restricciones 92

tricciones del problema y los gradientes de las restricciones saturadas en "B" 2 x1 x2 son LI, ya que "B" slo satura la restriccin g 1 ( x 1 ; x 2 ) = + 2 1 0 y el 16 4 vector g 1 ( 2. 35 ; 1 ) = ( 35 ; 1 ) es LI, pues no es el vector cero. As, solo 3 3 12 6 falta comprobar que f( 2. 35 ; 1 ) = ( 4. 35 ; 8 ) es CL no negativa de 3 3 3 3 g 1 ( 2. 35 ; 1 ) = ( 35 ; 1 ), lo que es obvio: 3 3 12 6

f ( 2. 35 ; 1 ) = 16 g 1 ( 2. 35 ; 1 ) 3 3 3 3
Atent@: el que

f ( 2. 35 ; 1 ) = 16 g 1 ( 2. 35 ; 1 ) + 0 g 2 ( 2. 35 ; 1 ) 3 3 3 3 3 3
indica que al resolver el problema de mximo a lo bestia, exigiendo que 1) f ( x ) 1 g 1 ( x ) 2 g 2 ( x ) = 0 2 ) i 0 , i = 1, 2 3) i .( g i ( x ) b i ) = 0 , i = 1, 2 4 ) g i ( x ) b i , i = 1, 2 los multiplicadores correspondientes al mximo ( 2. 35 ; 1 ) son 1 = 16 y 3 3 2 = 0 , siendo previsible el resultado 2 = 0 , pues en el mximo ( 2. 35 ; 1 ) 3 3 no se satura la restriccin g 2 ( x 1 ; x 2 ) 0 .

Tema 5: Optimizacin con restricciones

93

EJERCICIO 5.9.2
2 3. x 2 2. x sujeto a x 2 + x 2 1 0 , deEn el programa Mn. f ( x1 ; x 2 ) = 2. x1 1 2 1 2 termnense los puntos que cumplen la condicin de Kuhn Tucker. SOLUCIN Segn Kuhn Tucker, al minimizar f ( x ) sujeto a g ( x ) 0, si la solucin factible regular x es un mnimo local, el vector f ( x ) es combinacin lineal no positiva de los gradientes de las restricciones saturadas en x .... y al expresar matemticamente esta condicin, resulta:

1) f ( x ) i g i ( x ) = 0 2 ) i 0 , i = 1, 2 , .... , m 3) i . g i ( x ) = 0 , i = 1, 2 , .... , m 4 ) g i ( x ) 0 , i = 1, 2 , .... , m

2 3. x 2 2. x y g ( x ) = x 2 + x 2 1 , es: En nuestro caso, como f ( x ) = 2. x 1 1 2 1 2 4. x 1 2 2. x 1 ; g ( x ) = f ( x ) = 2. x 2 6. x 2
i =1

LM N

OP Q

LM OP N Q

Por tanto, los puntos que pueden ser solucin del problema han de satisfacer el siguiente sistema de condiciones: 1) 4. x 1 2 2. . x 1 = 0 LM4. x1 2OP LM2. x1 OP = LM0 O R S N 6. x 2 Q N2. x 2 Q N0PQ T 6. x 2 2. . x 2 = 0 2) 0 R =0 | 2 2 3) .( x 1 + x 2 1) = 0 S 2 + x2 1 = 0 | x1 T 2 4) x2 + x2 1 0
1 2

El sistema se desdobla en los dos siguientes:

4. x 1 2 2. . x 1 = 0 U R 1) R S | 6. x 2 2. . x 2 = 0 | T | | ( I): S2 ) 0 x 1 = 1/2 , x 2 = 0 , = 0 V | | 3) = 0 | | W T4 ) x12 + x 2 2 1 0 4. x 1 2 2. . x 1 = 0U R 1) R S | 6. x 2 2. . x 2 = 0 | Rx 1 = 1, x 2 = 0 , = 1 > 0 no cumple 2) T |x1 = 1, x 2 = 0, = 3 no cumple 2) | | ( II) S2 ) 0 S V x 1 = 1/5, x 2 = 0'96 , = 3 2 2 | | | 3) x 1 + x 2 1 = 0 | | Tx1 = 1/5, x 2 = 0'96 , = 3 T4 ) x12 + x 2 W | 2 1 0

En definitiva, los nicos puntos que satisfacen la condicin necesaria de Kuhn Tucker son (1/2 ; 0 ), (1/5 ; 0'96 ) y ( 1/5 ; 0'96 ).
Tema 5: Optimizacin con restricciones 94

EJERCICIO 5.9.3 Determnense los puntos que cumplen la condicin de Kuhn Tucker.
2 2 2 + 2. x . x + x 2 10. x 10. x s.a. x 1 + x 2 5 0 Mn. 2. x 1 1 2 1 2 2 3. x 1 + x 2 6 0 SOLUCIN

h R S T

Segn Kuhn Tucker, al minimizar f ( x ) sujeto a g ( x ) 0, si la solucin factible regular x es un mnimo local, el vector f ( x ) es combinacin lineal no positiva de los gradientes de las restricciones saturadas en x .... y al expresar matemticamente esta condicin, resulta:
1) f ( x ) i g i ( x ) = 0 2 ) i 0 , i = 1, 2 , .... , m 3) i . g i ( x ) = 0 , i = 1, 2 , .... , m 4 ) g i ( x ) 0 , i = 1, 2 , .... , m
i =1 m

En nuestro caso, como 2 + 2. x . x + x 2 10. x 10. x f ( x ) = 2. x 1 1 2 1 2 2 2 2 g 1 ( x ) = x 1 + x 2 5 ; g 2 ( x ) = 3. x 1 + x 2 6 es: 4. x 1 + 2. x 2 10 2. x 1 3 f ( x ) = ; g 1 ( x ) = ; g 2 ( x ) = 1 2. x 1 + 2. x 2 10 2. x 2

LM N

OP Q

LM OP N Q

LM OP NQ

Por tanto, los puntos que pueden ser solucin del problema han de satisfacer el siguiente sistema de condiciones: 1) 3O L0O LM4. x1 + 2. x 2 10OP 1 LM2. x1 OP 2 LM1 N PQ = MN0PQ N2. x1 + 2. x 2 10Q N2. x 2 Q

2 ) 1 0 , 2 0 2 2 2 2 3) 1 .( x 1 + x 2 5) = 0 1 = 0 x 1 + x 2 5 = 0 2 .( 3. x 1 + x 2 6) = 0 2 = 0 3. x 1 + x 2 6 = 0 2 2 4 ) x1 + x 2 5 0 3. x 1 + x 2 6 0

R S T R S T

U V W

U R V W S T

El sistema se desdobla en los cuatro siguientes, que pueden no tener solucin:

4. x + 2. x 2 10O 2. x 3 0 R 1) L 1 1 L 1 O 2 L O = L O | M M P P 1 0P M P M 2. x 1 + 2. x 2 10 Q 2. x 2 Q N Q N Q N N | 2 ) 1 0 , 2 0 | | ( I) S 1 = 0 3) { 2 = 0 | | R2 2 U | 4 ) Sx 1 + x 2 5 0 V | T T3. x1 + x 2 6 0W

Tema 5: Optimizacin con restricciones

95

4. x + 2. x 2 10O 2. x 3 0 R 1) L 1 1 L 1 O 2 L O = L O | NM1QP NM0QP NM2. x1 + 2. x 2 10QP NM2. x 2 QP | 2 ) 1 0 , 2 0 | | ( II) S 1 = 0 3) { 3. x 1 + x 2 6 = 0 | | R2 2 U | 4 ) Sx 1 + x 2 5 0 V | T T3. x1 + x 2 6 0W 4. x + 2. x 2 10O 2. x 3 0 R 1) L 1 1 L 1 O 2 L O = L O | P P M M 1 0P M M P 2. x 1 + 2. x 2 10 Q 2. x 2 Q N Q N Q N N | 2 ) 1 0 , 2 0 | | 2 + x2 ( III) S Rx 1 2 5=0 3) S | T 2 = 0 | R2 2 U | 4 ) Sx 1 + x 2 5 0 V | T T3. x1 + x 2 6 0W 4. x + 2. x 2 10O 2. x 3 0 R 1) L 1 1 L 1 O 2 L O = L O | M M 1P 0P M M 2. x 1 + 2. x 2 10 P 2. x 2 P N Q N Q Q Q N N | 2 ) 1 0 , 2 0 | | 2 + x2 ( IV ) S Rx 1 2 5=0 3) S | T3. x1 + x 2 6 = 0 | R2 2 U | 4 ) Sx 1 + x 2 5 0 V | T T3. x1 + x 2 6 0W Por ejemplo, la solucin de ( III) es x 1 = 1 ; x 2 = 2 ; 1 = 1 ; 2 = 0
2 + x 2 5 0 y no satura a 3. x + x 6 0. que satura a x 1 1 2 2 Para averiguar si el punto (1 ; 2 ) corresponde a un mnimo, eliminamos las restricciones no saturadas en (1 ; 2 ), y las saturadas las tomamos con el signo de igualdad; despus estudiamos el carcter del punto (1 ; 2 ) en el problema
2 + 2. x . x + x 2 10. x 10. x s.a. x 2 + x 2 5 = 0 Mn. 2. x 1 1 2 1 2 2 1 2

Para programas convexos, las condiciones de Kuhn Tucher son condiciones necesarias y suficientes de optimalidad global.

Tema 5: Optimizacin con restricciones

96

EJERCICIO 5.9.4 Determnense los puntos que cumplen la condicin de Kuhn Tucker.
3 x 2 s.a. x 1 + x 2 1 0 Mx. 3. x 1 + 4. x 2 x 1 2 x1 0, x 2 0

h {

SOLUCIN

Lo primero es expresar todas las restricciones de la forma g i ( x ) b i : x1 + x 2 1 0 3 2 Mx. 3. x 1 + 4. x 2 x 1 x 2 s.a. x 1 0 x 2 0

R h | S | T

Segn Kuhn Tucker, al maximizar f ( x ) sujeto a g ( x ) 0, si la solucin factible regular x es un mnimo local, el vector f ( x ) es combinacin lineal no negativa de los gradientes de las restricciones saturadas en x .... y al expresar matemticamente esta condicin, resulta: 1) f ( x ) i g i ( x ) = 0 2 ) i 0 , i = 1, 2 , .... , m 3) i . g i ( x ) = 0 , i = 1, 2 , .... , m 4 ) g i ( x ) 0 , i = 1, 2 , .... , m
i =1 m

En nuestro caso, como

es: f ( x ) =

3 x2 f ( x ) = 3. x 1 + 4. x 2 x 1 2 g1( x ) = x1 + x 2 1 ; g 2 ( x ) = x1 ; g 2 ( x ) = x 2

LM3 3. x12 OP ; g1( x ) = L1O ; g 2 ( x ) = L1O ; g 3 ( x ) = L 0 O MN1PQ MN1PQ MN 0 PQ N4 2. x 2 Q

Por tanto, los puntos que pueden ser solucin del problema han de satisfacer el siguiente sistema de condiciones:

1)

2 ) 1 0 , 2 0 , 3 0 1 .( x 1 + x 2 1) = 0 1 = 0 x 1 + x 2 1 = 0 3) 2 .( x 1 ) = 0 2 = 0 x1 = 0 3 .( x 2 ) = 0 3 = 0 x2 = 0 x1 + x 2 1 0 4 ) x1 0 x 2 0

LM3 3. x12 OP 1 L1O 2 L1O 3 L 0 O = L0O MN 0 PQ MN1PQ MN0PQ N4 2. x 2 Q MN1PQ R | S | T R | S | T U | V | W U | V | W R | S | T

Si 1 = 0 , 2 = 0 y 3 = 0 , es x 2 = 2 y x 1 = 1. El punto ( 1 ; 2 ) se descarta, pues no cumple la restriccin x 1 0 El punto (1 ; 2 ) se descarta, pues no cumple la restriccin x 1 + x 2 1 0
Tema 5: Optimizacin con restricciones 97

 Si 1 = 0 , 2 = 0 y x 2 = 0 , es 3 = 4 < 0 se descarta. Si 1 = 0 , 3 = 0 y x 1 = 0 , es 2 = 3 < 0 se descarta. Si 1 = 0 , x 1 = 0 y x 2 = 0 , es 2 = 3 < 0 se descarta. Si x 1 + x 2 1 = 0 , 2 = 0 y 3 = 0 , es: 1)

LM3 3. x12 OP 1 L1O = L0OU N4 2. x 2 Q MN1PQ MN0PQ| | 2 ) 1 0 , 2 0 , 3 0 | | x1 + x 2 1 = 0 R | | x 1 = 1 , x 2 = 2 , 1 = 8 V 3) S 2 = 0 3 3 3 | | T 3 = 0 | x1 + x 2 1 0 R | | 4 ) S x 1 0 | | x 0 | T 2 W

Por tanto:

f ( 1 ; 2 ) = 8 g 1 ( 1 ; 2 ) + 0 g 2 ( 1 ; 2 ) + 0 g 3 ( 1 ; 2 ) 3 3 3 3 3 3 3 3 3
Para averiguar si el punto (1/3 ; 2/3) corresponde a un mximo, eliminamos las restricciones no saturadas en (1/3 ; 2/3), y las saturadas las tomamos con el signo de igualdad; despus estudiamos el carcter de (1/3 ; 2/3) en el problema
3 x 2 sujeto a x + x 1 = 0 Mx. 3. x 1 + 4. x 2 x 1 1 2 2

Si x 1 + x 2 1 = 0 , 2 = 0 y x 2 = 0 , es x 1 = 1, 1 = 0 y 3 = 4 < 0 se descarta. Si x 1 + x 2 1 = 0 , 3 = 0 y x 1 = 0 , es x 2 = 1, 1 = 2 y 2 = 1 < 0 se descarta. Si x 1 + x 2 1 = 0 , x 1 = 0 y x 2 = 0 absurdo se descarta .

Tema 5: Optimizacin con restricciones

98

TEST DE LAGRANGE

01) Sea el programa Max. f ( x ; y ) sujeto a g(x ; y) = 2, con "f" y "g" diferenciables. Si (1 ; 1) es el punto crtico de la funcin de Lagrange, corresponder a un ptimo global si:
a ) "f" es cncava y X = ( x ; y ) 2 / x + y = 2 es convexo b) "f" es cncava y X = ( x ; y ) 2 / g ( x ; y ) = 2 es convexo c ) "f" es cncava

m m

02) En el programa Opt. y x 2 s.a: x 2 + y 2 = 1, el punto ( 0 ; 1):

a ) Es un mximo local b) No es mximo ni mnimo c ) Es un mnimo local

03) Sea el programa Opt. f ( x ; y ) sujeto a g(x ; y) = 6, con f ( x ; y ) = ( 2. x ; 2. y ) y g ( x ; y ) = ( 2 ; 3). Si g( 3 ; 2 ) = 6:

a ) El punto (3;2) es un mnimo b) El punto (3;2) es un mximo c ) El punto (3;2) no es solucin del problema

04) Sea el programa Opt. f ( x ; y ) sujeto a g(x ; y) = 6, con f ( x ; y ) = ( 2. x ; 2. y ) y g ( x ; y ) = ( 2 ; 3). Si g( 2 ; 3) = 6:

a ) El punto (2; 3) es un mximo local no necesariamente global b) El punto (2; 3) es un mximo local y global c ) El punto (2; 3) es un mnimo local 05) Sea f : 2 6 diferenciable y (1 ; 1) un ptimo de Max. f ( x ; y ) s.a: x + y = 2 a ) f x (1;1) = f y (1;1) b) f x (a ; b) = f y (a ; b), (a ; b) / a + b = 2 c ) f x (1;1) f y (1;1)

06) Los puntos crticos de la funcin de Lagrange correspondiente al programa Opt. x 2 + y 2 s.a: x 2 y = 1 son:
a ) ( 0 ; 1), ( 0 ; 1), ( 3 ; 1 ), ( 3 ; 1 ) 2 2 2 2 3 1 3 1 b) ( 0 ; 1), ( ; ), ( ; ) 2 2 2 2 c ) ( 0 ; 1), ( 3 ; 1 ), ( 3 ; 1 ), ( 3 ; 1 ), ( 3 ; 1 ) 2 2 2 2 2 2 2 2 07) En el problema anterior, el punto ( 0 ; 1): a ) Es un maximo local ; b) Es un mnimo local c) No es mximo ni mnimo 08) Sean f , g : 2 6 diferenciables y ( a ; b) 2 tal que g ( a ; b) = 2 y de modo que f ( a ; b) = g ( a ; b): Tema 5: Optimizacin con restricciones 99

a ) ( a ; b) es un punto crtico de "f" b) ( a ; b) es candidato a ptimo de "f" en (x ; y ) 2 / g ( x ; y ) = 2 c ) ( a ; b) es punto de silla de "f" en (x ; y ) 2 / g ( x ; y ) = 2

09) Sean f , g : n 6 diferenciables y a n un ptimo del programa

Max. f ( x ) sujeto a g(x) = b, b

Si definimos L( x ; ) = f ( x ) + .( g ( x ) b) , se verifica:
f ( a ) f ( x ) f ( a ) ; b) = ; c) = b b b 10) Sea (1 ; 1) el punto crtico de la Lagrange asociada al programa

a) =

Opt. ( x 2 + y 2 ) sujeto a x + y = 2 a ) El punto (1; 1) es un mnimo b) El punto (1; 1) es un mximo c ) El punto (1; 1) es un punto de silla 11) Sea el programa Opt. f ( x ; y ) sujeto a 2.x + 3.y = 12, con f : 2 6 diferenciable. Si ( a ; b) es un punto ptimo:: a ) f x (a ,b) + f y (a ,b) = 0 ; b) f(a ,b) = 0 ; c ) 3. f x (a ,b) = 2.f y (a ,b)

12) Sea el programa Max. f ( x ; y ) sujeto a g(x ; y) = 0 , con "f" y "g" diferenciables. Si tal que f ( a ; b) g ( a ; b) = 0, entonces:
a ) (a ; b) es un ptimo del problema b) (a ; b) es un punto critico del problema c ) (a ; b) es un punto de silla del problema

13) Sea el programa Opt. f ( x ; y ) sujeto a g(x ; y) = 2 , con f ( x ; y ) = ( 2. x ; 2. y ) y g ( x ; y ) = (1 ; 1). Si g(1 ; 1) = 2 :

a ) El punto (1; 1) es un mnimo global b) El punto (1; 1) es un mximo global c ) El punto (1; 1) no tine porque ser mximo ni mnimo global 14) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un ptimo del programa Max. f ( x ; y ) sujeto a g(x ; y) = c , c a ) * tal que (a ; b; *) es un punto crtico de la funcin L(x ; y ; ) = f ( x ; y ) + .( c g ( x ; y )) b) el punto (a ; b; ) es un punto crtico de la funcin L(x ; y ; ) = f ( x ; y ) .( g ( x ; y ) c ) c ) * tal que (a ; b; *) es un punto de silla de la funcin L(x ; y ; ) = f ( x ; y ) + .( c g ( x ; y ))

15) Sea el programa Min. x 2 + y 2 sujeto a (x 1)2 + y 2 = 1. Los puntos crticos de la funcin de Lagrange son: a ) ( 0 ; 0 ), ( 2 ; 0 ), (1 ; 1), ( 0 ; 1) ; b) ( 0 ; 0 ), ( 2 ; 0 ), (1; 1) ; c ) ( 0 ; 0 ), ( 2 ; 0 )
Tema 5: Optimizacin con restricciones 100

16) El ptimo local del anterior programa es:

a ) ( 0 ; 0 ) ; b) ( 2 ; 0 ) ; c ) No puede determinarse
17) Sea f : 2 6 diferenciable y ( a ; b) un ptimo de Max . x + y s. a: g(x ; y) = 4 a ) g ( a ; b) = 4 y g x (a ; b) = g y (a ; b) b) g ( a ; b) = 4 y g x (a ; b) = g y (a ; b) c ) g ( a ; b) = 4 y g x (a ; b) g y (a ; b)

18) Sea el programa Opt. f ( x ; y ) sujeto a g(x ; y) = 6, con f ( x ; y ) = ( 2. x ; 2. y ) y g ( x ; y ) = ( 2 ; 3). Si g( 2 ; 3) = 6:

a ) El punto (2 ; 3) es un mximo global b) El punto (2; 3) no tiene porqu ser mximo ni mnimo global c ) El punto (2; 3) es un mnimo global

19) Los puntos crticos de la funcin de Lagrange correspondiente al programa Opt. y x 2 s.a: x 2 + y 2 = 1 son:
a ) ( 0 ; 1), ( 0 ; 1), ( 3 ; 1 ), ( 3 ; 1 ) 2 2 2 2 3 1 3 1 b) ( 0 ; 1), ( 0 ; 1), ( ; ), ( ; ), ( 3 ; 1 ), ( 3 ; 1 ) 2 2 2 2 2 2 2 2 3 1 c ) ( 0 ; 1), ( ; ) 2 2

Tema 5: Optimizacin con restricciones

101

SOLUCIN

01) La correcta es b), pues en tal caso el programa ser convexo. 02) La correcta es a). 03) Si g ( 3 ; 2 ) = 6 ( 3 ; 2 ) CSF , pero g( 3 ; 2 ) = ( 2 ; 3) y f( 3 ; 2 ) = ( 6 ; 4 ) no son LD (no son colineales); as, en ( 3 ; 2 ) no se cumple la CN ( 3 ; 2 ) no es solucin del problema. 04) Si g ( 2 ; 3) = 6 ( 2 ; 3) CSF , y como g( 2 ; 3) = ( 2 ; 3) y f( 2 ; 3) = ( 4 ; 6) , son LD (son colineales), se cumple la CN. El programa es convexo, pues g ( x ; y ) es lineal ( g ( x ; y ) = ( 2 ; 3), ( x ; y ) 2 g ( x ; y ) = 2. x + 3. y + cte ) y 2 0 "f" es estrictamente cncava, ya que Hf ( x ; y ) = 0 2 es definida negativa en todo punto. As, la CN es suficiente y ( 2 ; 3) es un mximo local que tambin es global. 05) Si g ( x ; y ) = x + y y (1 ; 1) es un ptimo de Max. f ( x ; y ) s.a: x + y = 2, los vectores g(1 ; 1) = (1 ; 1) y f (1 ; 1) = ( f x (1;1);f y (1;1)) son colineales (LD); as, ha de ser f x (1;1) = f y (1;1). 06) La correcta es b). 07) La correcta es b).

08) La correcta es b). 09) La correcta es b). 10) La correcta es b).

11) La correcta es c). 12) La correcta es b) pues si f ( a ; b) g ( a ; b) = 0 , los vectores f ( a ; b) y g ( a ; b) son LD (colineales). 13) Si g (1 ; 1) = 2 (1 ; 1) CSF , y como g(1 ; 1) = (1 ; 1) y f(1 ; 1) = ( 2 ; 2 ) , son LD (son colineales), se cumple la CN. El programa es convexo, pues g ( x ; y ) es lineal ( g ( x ; y ) = (1 ; 1), ( x ; y ) 2 g ( x ; y ) = x + y + cte ) y "f" es es0 trictamente convexa, ya que Hf ( x ; y ) = 2 0 2 es definida positiva en todo punto. As, la CN es suficiente y (1 ;1) es un mnimo local que tambin es global.

14) La correcta es a). 15) La correcta es c): resolver grficamente.

16) La correcta es a): resolver grficamente. 17) Si ( a ; b) es ptimo de Max . x + y s. a: g(x ; y) = 4 , los vectores f ( a ; b) = (1 ; 1) y g ( a ; b) = ( g x (a ; b); g y (a ; b)) son colineales (LD) g x (a ; b) = g y (a ; b) .

Tema 5: Optimizacin con restricciones

102

18) Si g ( 2 ; 3) = 6 ( 2 ; 3) CSF , y como g( 2 ; 3) = ( 2 ; 3) y f( 2 ; 3) = ( 4 ; 6) , son LD (son colineales), se cumple la CN. El programa es convexo, pues g ( x ; y ) es lineal ( g ( x ; y ) = ( 2 ; 3), ( x ; y ) 2 g ( x ; y ) = 2. x + 3. y + cte ) y "f" es 0 estrictamente cnvexa, ya que Hf ( x ; y ) = 2 0 2 es definida positiva en todo punto. As, la CN es suficiente y ( 2 ; 3) es un mnimo local que tambin es global.

19) La correcta es b).

Tema 5: Optimizacin con restricciones

103

TEST KUHN TUCKER

Kuhn Tucker: si la solucin factible regular x (o sea, x satisface todas las restricciones y los gradientes de las restricciones saturadas en x son vectores LI) es un mnimo (mximo) local, el vector f ( x ) es CL no positiva (negativa) de los gradientes de las restricciones saturadas en x

01) Sea el programa Min. f ( x ; y ) s.a: g(x ; y) 4, con "g" de clase 2 en 2 y tal que g ( x ; y ) = ( 2. x ; 2. y ). El punto (1 ; 1) es de Kuhn Tucker si: a ) g (1 ; 1) < 4 ; b) g (1 ; 1) = 0 ; c ) g (1 ; 1) = 4 02) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un punto ptimo del programa Max. f ( x ; y ) sujeto a g(x ; y) c (con c ) , tal que g ( a ; b) < c:
a ) f ( a ; b ) = 0 b) < 0 tal que f ( a ; b) < 0 c ) < 0 tal que f ( a ; b) = g ( a ; b) 03) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un punto ptimo del programa Max. f ( x ; y ) sujeto a g(x ; y) c (con c ) , tal que g ( a ; b) = c:
a ) f ( a ; b) = 0 b) 0 tal que f ( a ; b) = g ( a ; b) c ) 0 tal que f ( a ; b) = g ( a ; b)

04) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un punto ptimo del programa Max. f ( x ; y ) sujeto a g(x ; y) c (con c ) , tal que g ( a ; b) = c:
a ) 0 tal que f x ( a ; b) = . g x ( a , b) y f y (a ; b) = . g y (a , b) b) 0 tal que f x ( a ; b) = . g x (a , b) y f y ( a ; b) = . g y ( a , b) c ) > 0 tal que f x ( a ; b) = . g x ( a , b) y f y ( a ; b) = . g y (a , b) 05) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un punto ptimo del programa Min. f ( x ; y ) sujeto a g(x ; y) c (con c ), tal que g ( a ; b) = c:
a ) f ( a ; b) = 0 b) 0 tal que f ( a ; b) = g ( a ; b) c ) 0 tal que f ( a ; b) = g ( a ; b)

06) Sean f , g : 2 6 diferenciables y ( a ; b) 2 un punto ptimo del programa Min. f ( x ; y ) sujeto a g(x ; y) c (con c ), tal que g ( a ; b) = c:
a ) f ( a ; b ) = 0 b) 0 tal que f ( a ; b) = g ( a ; b) c ) 0 tal que f ( a ; b) = g ( a ; b)

Tema 5: Optimizacin con restricciones

104

07) Sea el programa Opt. f ( x ; y ) s.a: x + y a , con a y f : 2 6 diferenciable: a ) El programa tine mximo y mnimo globales b) El programa tine mximo global c ) No es posible garantizar la existencia de ptimos globales 08) Sea el programa Max. f ( x ; y ) s.a:
1 ( x ; y ) 0 , con y f , g , g de clase C 2 {g 1 2 g 2 ( x ; y ) 0}

en 2 . Si ( a ; b) es un mximo global que no satura ninguna restriccin:

a ) 1 , 2 > 0 tales que f(a ; b) = 1g 1 ( a ; b) + 2 g 2 ( a ; b) b) f(a ; b) = 0 c ) 1 , 2 < 0 tales que f(a ; b) = 1g 1 ( a ; b) + 2 g 2 ( a ; b)

09) Sea el programa Min. f ( x ; y ) sujeto a g(x ; y) 2 , con "f" y "g" diferenciables y tales que f ( x ; y ) = ( 2. x ; 2. y ) y g ( x ; y ) = (1 ; 1) a ) El punto (0 ;2) es un punto de Kuhn Tucker b) El punto (1; 1) es un punto de Kuhn Tucker c ) El punto (0; 0 ) es un punto de Kuhn Tucker

10) Sean los programas

Min. x 2 + y 2 sujeto a (x 1)2 + y 2 = 1 Min. x 2 + y 2 sujeto a (x 1)2 + y 2 1 a ) Los puntos de Kuhn Tucker no coinciden con los puntos crticos de la funcin de Lagrange b) Los puntos de Kuhn Tucker coinciden con los puntos crticos de la funcin de Lagrange c ) Entre los puntos crticos de la funcin de Lagrange, slo el punto (0; 0 ) es un punto de Kuhn Tucker

11) Sea el programa Min. f ( x ; y ) sujeto a x + y 4, x 0, y 0, siendo "f" de clase C 2 en 2 . El punto ( 2 ; 2 ) es de Kuhn Tucker si:
a ) 0 tal que f x ( 2 ; 2 ) < 0 y f y ( 2 ; 2 ) < 0 b) 0 tal que = f x ( 2 ; 2 ) = f y ( 2 ; 2 ) c ) 0 tal que f x ( 2 ; 2 ) > 0 y f y ( 2 ; 2 ) > 0

12) Sean los programas

Max. y x 2 sujeto a x 2 + y 2 = 1 Max. y x 2 sujeto a x 2 + y 2 1 a ) Los puntos de Kuhn Tucker no coinciden con los puntos crticos de la funcin de Lagrange b) Los puntos de Kuhn Tucker coinciden con los puntos crticos de la funcin de Lagrange c ) Entre los puntos crticos de la funcin de Lagrange, slo el punto (0;1) es un punto de Kuhn Tucker

Tema 5: Optimizacin con restricciones

105

SOLUCIN

01) La a) es falsa: si (1 ; 1) no satura la restriccin ( g (1 ; 1) < 4 ) , no de de KT. La b) es una estupidez: si g ( x ; y ) = ( 2. x ; 2. y ) g (1 ; 1) = ( 2 ; 2 ) ( 0 ; 0 ). La c) no es correcta: sabiendo slo que g(1 ; 1) = 4 , no podemos garantizar que (1 ; 1) sea de KT.
El descojone desaparece si se redacta as:

Sea el programa Min. f ( x ; y ) sujeto a g(x ; y) 4, con "g" de clase 2 en 2 y tal que g ( x ; y ) = ( 2. x ; 2. y ). Si (1;1) es un punto de KT:
a ) g (1 ; 1) < 4 ; b) g (1 ; 1) = 0 ; c ) g (1 ; 1) = 4

En tal caso, la c) es correcta.

02) La correcta es a), pues la restriccin no est saturada en el ptimo ( a ; b).

03) La correcta es c): como la restriccin est saturada en el ptimo ( a ; b) y el problema es de mximo, el vector f ( a ; b) es CL no negativa de g ( a ; b).

04) Si ( a ; b) 2 un ptimo de Max. f ( x ; y ) s.a: g(x ; y) c y g ( a ; b) = c , el vector f ( a ; b) es CL no negativa de g ( a ; b); o sea, f ( a ; b) es CL no positiva de g ( a ; b); as, 0 / f ( a ; b) = g ( a ; b) la correcta es b).
05) La correcta es c): como la restriccin est saturada en el ptimo ( a ; b) y el problema es de mnimo, el vector f ( a ; b) es CL no positiva de g ( a ; b). 06) Si ( a ; b) 2 es ptimo de Min. f ( x ; y ) s.a: g(x ; y) c y g ( a ; b) = c , el vector f ( a ; b) es CL no positiva de g ( a ; b); o sea, f ( a ; b) es CL no negativa de g ( a ; b); as, 0 / f ( a ; b) = g ( a ; b) b) es correcta 07) La correcta es c). 08) La correcta es b). 09) Descojone total: si g ( x ; y ) = (1 ; 1) g ( x ; y ) = x + y + cte no es posible hacer nada, pues la restriccin queda x + y + cte 2. Si se considera el programa Min. f ( x ; y ) sujeto a x + y 2 , nada se arregla, porque: El punto ( 0 ; 2 ) satura la restriccin, pero f(0;2) = ( 0 ; 4 ) no es CL no positiva de g(0;2) = (1 ; 1) . El punto (1 ; 1) satura la restriccin, pero f(1; 1) = ( 2 ; 2 ) no es CL no positiva de g(1; 1) = (1 ; 1). El punto ( 0 ; 0 ) no satura la restriccin. La cosa se arregla si se considera Max. f ( x ; y ) sujeto a x + y 2: la solucin es (1 ; 1), que satura la restriccin y f(1; 1) = ( 2 ; 2 ) es CL no negativa de g(1; 1) = (1 ; 1) .

Tema 5: Optimizacin con restricciones

106

10) Los puntos crticos de Lagrange son ( 0 ; 0 ) y ( 2 ; 0 ). El punto ( 2 ; 0 ) no es de KT, pues f(2; 0 ) = ( 4 ; 0 ) no es CL no positiva de g(2 ; 0 ) = ( 2 ; 0 ) . El punto ( 0 ; 0 ) es de KT, pues f(0; 0 ) = ( 0 ; 0 ) es CL no positiva de g(0; 0 ) = ( 2 ; 0 ), pues f(0; 0 ) ( 0 ; 0 ) = 0 ( 2 ; 0 ) g (0; 0 ).

11) Como el programa es de mnimo y ( 2 ; 2 ) slo satura x + y 4 , el punto ( 2 ; 2 ) es de Kuhn Tucker si f(2 ; 2 ) es CL no positiva de g(2; 2 ) = (1 ; 1); o sea, si existe 0 tal que f(2; 2 ) = g (2 ; 2 ) = (1 ; 1); o sea:
(f x ( 2 ; 2 ); f y ( 2 ; 2 )) = (1 ; 1) (f x ( 2 ; 2 ); f y ( 2 ; 2 )) (1 ;1) = ( 0 ; 0 ) (f x ( 2 ; 2 ) ; f y ( 2 ; 2 ) ) = ( 0 ; 0 ) = f x (2 ; 2 ) = f y ( 2 ; 2 ) 12) Los puntos de Lagrange son ( 0 ; 1), ( 0 ; 1), ( 3 ; 1 ), ( 3 ; 1 ), y slo el 2 2 2 2 (1 ; 0 ) es de KT, pues slo para ese punto sucede que f(0; 1) = ( 0 ; 1) es CL no negativa de g(1; 0 ) = ( 2 ; 0 ).

Tema 5: Optimizacin con restricciones

107