Programac

CAPTULO 1.
PROGRAMACIN NO LINEAL.

1.- Introduccin.
La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa cuya
misin es proporcionar una serie de resultados y tcnicas tendentes a la determinacin de
puntos ptimos para una funcin (funcin objetivo) en un determinado conjunto (conjunto
de oportunidades), donde tanto la funcin objetivo, como las que intervienen en las
restricciones que determinan el conjunto de oportunidades pueden ser no lineales.
Evidentemente, la estructura del problema puede ser muy variada, segn las funciones que
en l intervengan (a diferencia de la Programacin Lineal (PL) donde la forma especial del
conjunto de oportunidades y de la funcin objetivo permiten obtener resultados generales
sobre las posibles soluciones y facilitan los tratamientos algortmicos de los problemas).
Ello ocasiona una mayor dificultad en la obtencin de resultados, que se refleja tambin en
la dificultad de la obtencin numrica de las soluciones. En este sentido, hay que distinguir
entre las diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de
resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo funcionamiento
se basa en estas caracterizaciones, para la resolucin de problemas ms generales.
El tema que abordamos est compuesto por los siguientes epgrafes: en la seccin 1,
aparte de esta introduccin, definimos el problema general de Programacin no Lineal que
estudiamos, y daremos las definiciones y resultados bsicos que se emplearn a lo largo de
todo el tema. Asimismo, se recuerda el estudio de los problemas irrestrictos (PI) y de los
problemas con restricciones de igualdad (PRI). La seccin 2 se dedica a establecer y dar los
conceptos bsicos de los problemas con restricciones de desigualdad (PRD), mientras que la
seccin 3 estudia la resolucin de estos problemas a travs de la definicin de punto
estacionario, y algunas de sus variaciones para casos especiales. Con la utilizacin del
llamado punto minimax, se aborda en la seccin 4 el concepto de dualidad en Programacin
Matemtica.
R. Caballero, T. Gmez, M. Gonzlez, M. Hernndez, F. Miguel, J. Molina, M.M. Muoz, L. Rey, F. Ruiz
El problema general de Programacin no Lineal que estudiaremos a lo largo de todo
el tema toma la siguiente forma:
Programacin Matemtica para Economistas 2

(PNL)
.
) (
b g(x)
x
a s
f Max

donde:
x = (x
1
, x
2
, , x
n
) R
n
es la variable instrumental o de decisin.
f : D R
n
R es la funcin objetivo, es decir, aquella que se desea optimizar (en
este caso, maximizar), y D su dominio.
g : D R
n
R
m
es una funcin vectorial g = (g
1
, g
2
, , g
m
) compuesta por las
funciones de restriccin.
b R
m
es el vector de trminos independientes, o recursos. Cada expresin g
i
(x) b
i

determina una restriccin sobre las variables instrumentales.
Se denomina conjunto de oportunidades del problema, o conjunto factible al
conjunto de puntos de D que satisfacen las restricciones del problema, es decir,
{ } b X D = x g x / ( )
Una combinacin de variables instrumentales x se dice que es factible para el
problema (PNL) si pertenece a X.
As pues, el problema (PNL) consiste en encontrar las variables de decisin factibles
para el problema para las cuales la funcin objetivo tome el mayor valor posible. Si para un
punto, la funcin objetivo toma el valor mximo de todos los puntos situados en algn
entorno suyo, se dice que el mximo es local. Si se encuentra un punto que produce el valor
mximo de f en todo el conjunto de oportunidades, el mximo es global:
Definicin 1.
Un punto x* X se dice que es un mximo local de (PNL) si existe un entorno de
x*, E(x*) tal que x E(x*) X, se verifica f(x*) f(x).
Definicin 2.
Un punto x* X se dice que es un mximo global de (PNL) si x X, se verifica
f(x*) f(x).
Es importante tener en cuenta que esta formulacin del problema no supone prdida
de generalidad, ya que si el objetivo fuese minimizar la funcin objetivo, se puede

maximizar su opuesta. Por otro lado, cualquier restriccin con se puede convertir en una
de sin ms que cambiar de signo, y las restricciones de igualdad se pueden descomponer
en dos, con las dos desigualdades. No obstante, tambin enunciaremos los resultados ms
importantes para el problema de mnimo.
Antes de pasar a estudiar los diferentes tipos de problemas, vamos a enunciar dos
teoremas cuya utilidad es crucial en el tema que nos ocupa. Ambos estn orientados a poder
asegurar la globalidad de los ptimos obtenidos. En efecto, veremos que la casi totalidad de
los mtodos y caracterizaciones empleados en la resolucin de problemas no lineales slo
nos garantizan la obtencin de ptimos locales. El primero de los teoremas que enunciamos
(Teorema de Weierstrass) nos da las condiciones bajo las cuales podemos asegurar la
existencia de ptimos globales en un problema. El segundo (Teorema Local - Global) nos
proporciona las condiciones que nos permiten afirmar que un ptimo local es global. La
demostracin de ambos teoremas puede encontrarse en Caballero, Gonzlez y Triguero
(1992):
Teorema 1. Teorema de Weierstrass.
Dado el problema (PNL), si el conjunto de oportunidades X es compacto y no vaco,
y la funcin objetivo f es continua en X, entonces el problema (PNL) posee mximo y
mnimo globales.
Teorema 2. Teorema Local - Global.
Dado el problema (PNL), si el conjunto de oportunidades X es convexo, y la funcin
objetivo f es continua y cncava (resp. convexa) en X, entonces cualquier mximo (resp.
mnimo) local de (PNL) es global.
1.1.- Caso irrestricto.
A lo largo de este captulo desarrollaremos una serie de condiciones necesarias y
suficientes para la obtencin de ptimos locales de una funcin escalar f, definida sobre un
subconjunto D abierto de R
n
:
f : D R
n
R
Las condiciones que obtendremos son de primer y segundo orden, de forma anloga
al caso de una variable. Por ello, vamos a recordar brevemente este caso n = 1, para luego
pasar al caso general.
El problema que desarrollamos es de la forma:
Optimizar f(x),
donde f: D R R la supondremos de clase dos sobre D, abierto de R.

El conjunto de condiciones necesarias y suficientes para que un punto x* de D sea un
ptimo local de f se recoge en los dos teoremas siguientes:
Teorema 3. Condiciones necesarias para ptimo local.
a) Es condicin necesaria de primer orden para que x* D, sea un ptimo local
de f, que:
f '(x*) = 0.
En general, a los puntos tales que anulen la primera derivada de una cierta funcin f
les denominaremos puntos crticos de dicha funcin.
b) Es condicin necesaria de segundo orden para que el punto crtico x* sea
mximo local de f que:
f ''(x*) 0.
o bien, para mnimo local de f que
f ''(x*) 0.
Teorema 4. Condiciones suficientes para ptimo local.
a) Si el punto crtico x*, es tal que f ''(x*) < 0, entonces x* es un mximo local de f.
b) Si el punto crtico x*, es tal que f ''(x*) > 0 entonces x* es un mnimo local de f.
As pues, la condicin necesaria de primer orden exige que la primera derivada se
anule en el punto en cuestin y la de segundo orden que la segunda derivada sea no positiva
en el caso de mximo y no negativa en el de mnimo. Por su parte, la condicin suficiente
exige que los signos de las segundas derivadas sean estrictos.
Ahora veremos que los resultados enunciados para el caso n = 1 tienen su extensin
natural al caso general. En efecto, las generalizaciones de los conceptos reales de primera y
segunda derivadas al caso de dimensin superior son los de gradiente y hessiana
respectivamente. As pues, veremos que la condicin necesaria de primer orden exige que se
anule el gradiente de la funcin, y las condiciones de segundo orden suponen exigencias
sobre el signo de la hessiana, es decir, sobre el signo de la forma cuadrtica correspondiente
a la matriz hessiana.
El problema general irrestricto se puede enunciar como:
Optimizar f(x) (PI)
donde f : D R
n
R es al menos de clase 2 sobre D y D R
n
es abierto.

Teorema 5. Condicin necesaria de 1
er
orden.
Si x* D es un ptimo local de (PI), entonces f(x*) = 0.
Demostracin.
Supongamos, sin prdida de generalidad, que x* es un mximo local de (PI). Ello
implica, por ser D abierto, que existe un entorno de x*, E(x*) D, de forma que para
cualquier x E(x*) se verifica que f(x*) f(x). Por otro lado, por definicin de entorno,
sabemos que existe un intervalo (a
1
, b
1
) (a
2
, b
2
) ... (a
n
, b
n
) E(x*).
Sea ahora, para cada i = 1, ..., n, la funcin real
f
i
: (a
i
, b
i
) R R
f
i
(x
i
) = f( x x x x x
n
* * * *
,..., , , ,...,
i i i 1 1 1 +
).
Pues bien, por la definicin de f
i
, y por ser x* un mximo local de f, para cualquier
punto x
i
(a
i
, b
i
) se verifica que f
i
( ) f x
* *
*
i
i
(x
i
). Por lo tanto, x es un mximo local de f
i
i
, y,
por el teorema 3, tenemos que f
i
( x ) = 0. Pero, por otro lado, para cada i = 1, ..., n,
i
*), ( *) ( ' x
i
i i
x
x f
=
f
luego, se verifica entonces que f(x*) = 0, como pretendamos demostrar.

As pues, la condicin necesaria de primer orden, que en el caso n = 1 consiste en la
anulacin de la primera derivada de la funcin en el punto, se extiende de forma natural al
caso de dimensin superior, exigiendo que se anule el vector gradiente de la funcin en el
punto, es decir, que todas las derivadas parciales sean 0. De igual forma que en el caso
anterior, se denominar punto crtico de f a cualquier punto x de D tal que f(x) = 0.
Aparte de esta condicin necesaria de primer orden, tambin se puede derivar otra de
segundo orden, que si en el caso n = 1 dependa del signo de la segunda derivada, en este
caso depende del signo de la matriz hessiana como forma cuadrtica:
Teorema 6. Condicin necesaria de 2 orden.
a) Si x* D es un mximo local de (PI), entonces la forma cuadrtica inducida
por la matriz hessiana Hf(x*) es al menos semidefinida negativa, es decir:
h
t
Hf(x*) h 0 para todo h R
n
.

b) Si x* D es un mnimo local de (PI), entonces la forma cuadrtica inducida
por la matriz hessiana Hf(x*) es al menos semidefinida positiva, es decir:
h
t
Hf(x*) h 0 para todo h R
n
.
Demostracin.
Realizaremos la correspondiente a la del apartado a), y de manera anloga se puede
mostrar la del b).
Si x* D es mximo local de (PI) sabemos que existe un entorno E(x*) tal que:
f(x*) f(x) para todo x E(x*)
y adems, por el teorema 5,
f(x*) = 0.
Sea ahora un vector h R
n
arbitrario. Por ser E(x*) un entorno de x*, sabemos que,
para suficientemente pequeo,
x* + h = ( x + h
1
*
1
, x + h
2
*
2
, ..., x + h
n
*
n
) E(x*).
Aplicando el desarrollo de Taylor hasta el segundo orden, y de acuerdo a las
hiptesis, obtenemos que:
( ). *) (
2
1
*) ( ) * (
3 2
o f f f
t
+ + = + h x H h x h x
Por ser x* un mximo local de f, entonces para suficientemente pequeo, se
verifica que f(x* + h) f(x*), y, por otro lado, tambin para suficientemente pequeo, el
resto es despreciable con respecto al trmino cuadrtico, por lo que se debe verificar
forzosamente que:
h
t
Hf(x*) h 0.
Como h es arbitrario, queda demostrado el teorema.

En general, no todo punto crtico de f es un ptimo local de (PI). Un punto crtico
que no sea ptimo recibe el nombre de punto de silla. Seguidamente, pasamos a demostrar
el teorema que nos establece las condiciones suficientes para que un punto crtico sea un
ptimo local de (PI). Al igual que en el caso de una variable, veremos que bsicamente
consiste en considerar desigualdades estrictas en las condiciones del teorema anterior:

Teorema 7. Condicin suficiente de 2 orden.
a) Si x* es un punto crtico de (PI), y existe un entorno de x*, E(x*) tal que para
todo x E(x*) la forma cuadrtica inducida por la matriz hessiana de f en x
es, al menos, semidefinida negativa, es decir,
x E(x*) h
t
Hf(x) h 0 para todo h R
n
,
entonces x* es un mximo local de (PI).
b) Si x* es un punto crtico de (PI), y existe un entorno de x*, E(x*) tal que para
todo x E(x*) la forma cuadrtica inducida por la matriz hessiana de f en x
es, al menos, semidefinida positiva, es decir,
x E(x*) h
t
Hf(x) h 0 para todo h R
n
,
entonces x* es un mnimo local de (PI).
Demostracin.
Realizaremos la correspondiente a la del apartado a), y de manera anloga se puede
mostrar la del b).
Mediante un desarrollo anlogo al teorema anterior pero expresando el error en el
trmino de segundo orden del desarrollo de Taylor, obtenemos, para cualquier h R
n
:
f(x* + h) = f(x*) +
1
2

2
h
t
Hf(x* + h) h
con 0 < < 1.
Por ser E(x*) un entorno de x*, entonces a partir de un suficientemente pequeo,
podemos asegurar que x* + h E(x*) para cualquier [0, 1|. Ms, como por hiptesis
la matriz hessiana es al menos semidefinida negativa en E(x*), obtenemos que
f(x* + h) - f(x*) 0,
y como esto se verifica para cualquier h R
n
y para suficientemente pequeo, quedara
demostrado que x* es mximo local de (PI).

Obsrvese que la condicin del teorema 7 se satisface, en particular, si f es de clase
2, si se verifica que la forma cuadrtica inducida por la matriz hessiana de f en x* es
definida negativa (para el caso de mximo), es decir, si

h
t
Hf(x*) h < 0, para todo h R
n
, h 0,
sin ms que aplicar criterios de continuidad sobre la matriz hessiana.
Con todo ello, resulta inmediato el siguiente teorema que proporciona condiciones
suficientes sobre el signo de Hf(x):
Teorema 8.
Sea x* D un punto crtico de f. Entonces:
a) x* es mximo (mnimo) local de (PI) si la forma cuadrtica h
t
Hf(x)h es
semidefinida negativa (positiva) para todo x en algn entorno de x*.
b) x* es mximo (mnimo) local estricto (PI) si la forma cuadrtica h
t
Hf(x*)h es
definida negativa (positiva).
c) x* es punto de silla de (PI) si la forma cuadrtica h
t
Hf(x*)h es indefinida, o
bien si en cualquier entorno de x* existen puntos donde la correspondiente
forma cuadrtica toma signos distintos.
Finalmente, dadas las caracterizaciones de segundo orden de la convexidad y la
concavidad, es inmediato que si f es una funcin cncava (resp. convexa) en D, entonces
todo punto crtico de f en D es un mximo (resp. mnimo) local de (PI). Si adems D es un
conjunto convexo de R
n
, el teorema local-global nos permite afirmar que los ptimos en
ambos casos son globales.
Obsrvese que el teorema 8 no nos permite afirmar nada para el caso en que la forma
cuadrtica definida por la hessiana sea semidefinida en el punto crtico, y no mantenga
dicho carcter en ningn entorno del punto. En efecto, en este caso, se puede dar cualquier
situacin. Por ejemplo, en Caballero y otros (1993) se comprueba que, para el problema
Opt x
4
+ (y - x
2
)
2
,
el punto (0, 0) es un mnimo global, pero no satisface las condiciones suficientes de segundo
orden.
1.2.- Caso con restricciones de igualdad.
Como paso previo al tratamiento del problema general de Programacin Matemtica,
vamos a estudiar el caso especial en el que todas las restricciones sean de igualdad. Ello nos
permitir, cuando abordemos el estudio del caso general, distinguir el caso en que el ptimo
sea interior al conjunto de oportunidades (anlogo al caso irrestricto), y el caso en que el
ptimo est en la frontera (anlogo a este problema con restricciones de igualdad, si se

consideran slo aquellas que se satisfacen con igualdad). As pues, los resultados obtenidos
en este captulo sern un punto de partida para el estudio del caso general.
El problema que estudiamos en este caso es:
Opt f
s a

.
PRI)
( )
(
x
g(x) b =

donde se supone que f est definida sobre el conjunto de oportunidades determinado por las
restricciones, que son m relaciones de la forma g
i
(x) = b
i
, i = 1, ..., m. Supondremos que
tanto la funcin objetivo f como las restricciones g
i
son de clase 2 en X.
A lo largo del tratamiento de estos problemas, es de vital importancia la definicin
de la llamada funcin de Lagrange asociada, que es una funcin que de alguna forma
engloba todo el problema, al aadir a la funcin objetivo las restricciones, cada una de ellas
acompaada por un multiplicador (multiplicador de Lagrange):
Definicin 3.
Se llama Funcin de Lagrange asociada al problema (PRI) a la funcin:
L : D R
m
R
L(x, ) = f(x) -
t
[g(x) - b| = f(x) - .
=

m
i
i i i
b g
1
) ) ( ( x
En lo que sigue, veremos que las condiciones de primer y segundo orden en este
caso son anlogas al caso irrestricto, pero exigindolas sobre la funcin de Lagrange en
lugar de sobre la funcin objetivo f. Previamente, vamos a estudiar algunas propiedades
interesantes de la funcin de Lagrange.
La primera nos asegura que cuando trabajamos con puntos factibles, el valor de la
funcin de Lagrange coincide con el de la funcin objetivo. La segunda nos permite afirmar
que cualquier punto crtico de la funcin de Lagrange es factible para el problema (PRI):
Teorema 9.
Para todo x X L(x, ) = f(x).

Demostracin.
Si x es un punto arbitrario de X:
g(x) - b = 0,
de donde:
L(x, ) = f(x) -
t
0 = f(x).

Antes de enunciar la siguiente proposicin, expresemos el gradiente de la funcin de
Lagrange de una forma operativa:
L(x, ) = f(x) -
t
[g(x) - b]
resultando que:
(
(
(
=
(
(
(
=
b g(x) -
x
x
x
x
x x
L L
) , (
) , (
) , (
) , (
L
L
L
L

Ahora bien:
x
L(x, ) =
x
[f(x) -
t
(g(x) - b)] = f(x) -
t
[Jg(x)]
t

Luego, en definitiva:
| |
(
(
(
+

=
b x g
x g J x f
x
t t
) (
) ( ) (
) , ( L
Teorema 10.
Si (x*, *) es punto crtico de la funcin de Lagrange asociada a (PRI), entonces x*
pertenece al conjunto de oportunidades.
Demostracin.
Si (x* ,*) es punto crtico de L, entonces, por la forma de su gradiente,

| |
(
(
(
b x g
x g J x f
x
) (
) ( ) (
, (
*
* *
= *) * L
t t

de donde se deduce que x* D pues existen f(x*) y g(x*), y adems:
- (g(x*) b) = 0.
Luego x* X, como queramos demostrar.

Segn hemos visto, la funcin de Lagrange incorpora tanto la funcin objetivo del
problema original, como las restricciones del mismo. Adems, tambin se verifica que todo
punto crtico de la funcin de Lagrange es factible para el problema (PRI), y, en esta
situacin, el valor de L coincide con el de f. En estas circunstancias, cabe preguntarse si
existir alguna relacin entre los ptimos locales de (PRI) y los puntos crticos de L. El
siguiente teorema demuestra que, en efecto, todo ptimo local de (PRI) produce un punto
crtico de la lagrangiana:
Teorema 11.
Si x* es ptimo local del problema (PRI) tal que rg m
g
x
x ( *)
|
\
|
.
| = , entonces existe
un * tal que (x*, *) es punto crtico de la funcin de Lagrange asociada al problema.
Demostracin.
Supongamos que x* es un ptimo local de (PRI), lo cual implica que x* es factible,
es decir, g(x*) = b, y que existe un entorno de x*, E
1
(x*), tal que x* es ptimo global de f en
el conjunto de puntos de E
1
(x*) que satisfacen las restricciones del problema. Por otro lado,
por hiptesis, las restricciones verifican ser de rango completo en x*, es decir,
rg m ( )
x
x*
\
|
.
| =
g |
y, reordenando convenientemente las variables, podemos suponer que las m primeras tienen
un determinante no nulo:
0 ) * (
) , , (
1
x
g
m
x x L

Entonces, si llamamos:
x
1
= (x
1
, x
2
, ..., x
m
)
t
x
2
= (x
m+1
, x
m+2
, ..., x
n
)
t


en cuyo caso x = (x
1t
, x
2t
), resulta que lo anterior es suficiente (teorema de la funcin
implcita) para que existan un entorno de x
1
*, E
1
(x
1
*), un entorno de x
2
*, E
2
(x
2
*), y una
funcin
h : E
2
(x
2
*) E
1
(x
1
*),
tal que:
(i) h(x
2
*) = x
1
*
(ii) x
2
E
2
(x
2
*), g(h(x
2
), x
2
) = b.
Podemos suponer, sin prdida de generalidad, que
) * ( ) * ( ) * (
1
x x x E E E
2 2 1 1
)
2
x
,
es decir, que x* es ptimo global de f en el entorno en el que podemos poner x
1
como
funcin de x
2
. Sustituyendo en la funcin objetivo, podemos definir una nueva funcin:
F E
F f
: ( *)
( ) ( ( ),
2 2
2 2
x
x h x
=
R

funcin en las variables x
2
= (x
m+1
, x
m+2
, ..., x
n
) que no est restringida por ninguna relacin
en un entorno del punto x*, pudiendo aplicarle las tcnicas desarrolladas en el apartado
anterior. Como, por hiptesis, x* es ptimo en E
1
(x*), entonces, x
2
* lo ser de la nueva
funcin F, y por tanto:
F(x
2
*) = 0.
es decir,
0 x
x
x
x
h
x
x
x
x
= + = ) * (
) (
) * (
) (
) * (
) (
) * (
) (
1
2
2 2
2
2
f f F
. (1)
Por otro lado, en todo E
2
(x
2
*), se verifica que
g(h(x
2
), x
2
) = b,
lo cual implica que:
0
x x x
= +
1 2 2

.
g h g
y dado que por hiptesis
g
x
x
1
0 ( ) * , entonces existe
g
x
x
1
( ) *
|
\
|
.
|
1
y tenemos:

1
1 2
2
2
) * ( ) * ( - = *) (

|
|
.
|
\
|
x
x
g
x
x
g
x
x
h

Sustituyendo en (1):
0 x
x
x
x
g
x
x
g
x
x
=
(
) * ( ) * ( ) * ( ) * (
1 1 2 2
f f
1
(2)
y si escribimos la identidad:
0 x
x
x
x
g
x
x
g
x
x
=
(
) * ( ) * ( ) * ( ) * (
1 1 1 1
f f
1
(3)
resulta que podemos escribir conjuntamente (2) y (3) obteniendo:
0 x
x
x
x
=
(
* ) * ( ) * (

g f
, (4)
donde hemos llamado
) * ( ) * ( *
1
1
1
x
x
x
x
g
= .
Teniendo en cuenta que (4) es
x
L(x*, *) = 0, y que, por ser x* factible, se verifica
que
L(x*, *) = - g(x*) + b = 0, resulta entonces que (x*, *) es punto crtico de la

funcin Lagrange, como queramos demostrar.

Es preciso tener en cuenta que la condicin de rango completo no se puede eliminar
de las hiptesis del problema. En efecto, sea el problema:
Max x y
s a x y

.
+
+ =
2 2
0

El punto (0, 0) es el nico punto factible del problema, y, por tanto, ptimo global.
Pero no satisface la condicin de rango completo, ya que el gradiente de la restriccin es
nulo en (0, 0). Por otro lado,

y y x
y
x y x
x
2 1 ) , (
2 1 ) , (
=
=
L
L

y estas parciales no se pueden anular en (0, 0) para ningn valor del multiplicador , por lo
que (0, 0) no es punto crtico de L.
Al igual que ocurre en el caso irrestricto, tambin en el problema restringido existen
condiciones de segundo orden que garantizan la optimalidad de los puntos crticos de la
funcin de Lagrange. Esta condicin de segundo orden, tambin supone condiciones sobre
la matriz hessiana, pero, en este caso, se tomar restringida a una condicin que garantiza
que comparamos el ptimo slo con los puntos de su entorno que pertenecen al conjunto de
oportunidades del problema.
Teorema 12.
Si (x*, *) es un punto crtico de la funcin de Lagrange asociada al problema (PRI),
una condicin suficiente para que x* sea un mximo (resp. mnimo) local del problema es
que la forma cuadrtica
0 h x g J
x h x H h
x
=
=
= =
t
i j
j i
i j
t
h h
x x
*) ( : a sujeta
*) *, ( *) *, (
1 1

L
L
n n 2

sea definida negativa (resp. positiva).

1.3.- Interpretacin de los multiplicadores de Lagrange.
Uno de los resultados ms importantes de la Programacin Matemtica, que
desarrollamos a continuacin, es que la valoracin marginal de los recursos, cuyo uso esta
fijado por las restricciones, viene dada por los multiplicadores (variables duales) asociados a
los mismos.
Sea el problema:
Max f(x)
s.a g(x) = b.

Sea (x*, *) una solucin ptima de dicho problema. Se trata, por tanto, de un punto
crtico de la funcin de Lagrange asociada al problema:
L(x, ) = f(x) -
t
(g(x) - b)
es decir, (x*, *) verifican:
x
L(x*, *) =
x
f(x*) - Jg(x*)* = 0

L(x*, *) = - g(x*) + b = 0
Para distintos valores del segundo miembro de las restricciones (vector b), se
obtendran, lgicamente, distintas soluciones ptimas del problema anterior. Consideremos
entonces la solucin optima como una funcin del vector b, y supongamos que esta funcin
es diferenciable (lo cual es cierto si se verifican las condiciones suficientes de optimalidad):
x* = x(b)
* = (b)
Los valores ptimos de la funcin objetivo pueden considerarse como una funcin
de b, f(x(b)), e igualmente la funcin vectorial de las restricciones, g(x(b)). Derivando, tanto
una como otra con respecto a b, obtenemos, respectivamente:
b
f(x(b)) = J
b
(x(b))
x
f(x(b))

J
b
g(x(b)) = J
b
(x(b)) J
x
g(x(b))
Teniendo en cuenta las condiciones de optimalidad de primer orden
x
f(x*) - J
x
g(x*) * = 0
y multiplicndolos por J
b
(x(b)):
J
b
(x(b))
x
f(x(b)) - J
b
(x(b)) J
x
g(x(b)) * = 0
sustituyendo por las expresiones anteriormente obtenidas, resulta:
b
f(x(b)) - J
b
g(x(b)) * = 0
Finalmente, como g(x(b)) = b, derivando esta expresin con respecto a las variables
b
i
, obtenemos que J
b
g(x(b)) = I
(mm)
, por tanto:
* =
b
f(x(b)),
o bien
i
b
f
=
)) ( ( b x

es decir, la variacin del valor ptimo de la funcin objetivo f(x*) producida por variaciones
infinitesimales del segundo miembro de una restriccin, est representada por el
multiplicador ptimo
i
*
asociado a la misma. En otras palabras, el valor ptimo del
multiplicador de Lagrange asociado a una determinada restriccin nos proporciona una
medida de la sensibilidad del valor ptimo de la funcin objetivo ante cambios en el recurso
de dicha restriccin.
Nota. En los problemas de mnimo, se suele tomar la funcin de Lagrange como:
L(x, ) = f(x) +
t
[g(x) - b|,
en cuyo caso, se verifica que
i
b
)) ( ( b x
.
f
Esta interpretacin general tiene una traduccin econmica concreta segn sea la
funcin objetivo y la expresin de las restricciones. Si la funcin objetivo consiste, por
ejemplo, en maximizar la funcin de utilidad del consumidor sometido a una restriccin
presupuestaria de igualdad, el multiplicador de Lagrange se interpreta como la utilidad
marginal por unidad monetaria. Si el problema consiste en determinar el plan de produccin
compatible con la funcin de produccin de la empresa y tal que resulte mnimo el coste de
produccin, el multiplicador de Lagrange se interpretara como el coste marginal de
produccin del producto.
Es por ello que los multiplicadores de Lagrange reciben la denominacin de precios
de clculo por cuanto permiten determinar las consecuencias de una modificacin marginal
de una restriccin.
Pueden considerarse como la medida del "pago" mximo que podra efectuarse a
cambio de un desplazamiento de la restriccin. Por ejemplo, si el problema es maximizar el
beneficio eligiendo los niveles de factores productivos y de produccin, sujetos a la
limitacin impuesta por la cantidad disponible de un factor, b. En este problema, * mide la
rentabilidad marginal del factor o la tasa a la que aumenta el beneficio mximo como
consecuencia de un pequeo incremento en la cantidad fija del factor. Por consiguiente, *
mide la cantidad mxima que la empresa estara dispuesta a pagar por el incremento en el
factor, ya que si pagase menos el resultado sera un incremento neto en el beneficio, y si
pagase ms se producira una reduccin neta del mismo. Por esta razn, a * se le puede
denominar "precio sombra" del factor, utilizndose dicho adjetivo para indicar que el precio
puede diferir del precio real del mercado.
Otro aspecto digno de resaltarse es el comportamiento e interpretacin del signo del
multiplicador. As, si la lagrangiana se toma para mximo (es decir, los multiplicadores
entran restando), en el supuesto de multiplicador positivo

>
decrece decrece
crece crece
Si 0
f b
f b
i
i
i

y en el caso negativo
<
crece decrece
decrece crece
Si 0
f b
f b
i
i
i

En el caso en que la funcin de Lagrange se formule para mnimo, estas relaciones
se dan justo a la contra.

2.- Planteamiento del problema de Programacin No Lineal.
El objeto de las siguientes secciones es definir una serie de conceptos relacionados
con el problema general de programacin no lineal, as como el estudio de las relaciones
existentes entre cada uno de ellos y la solucin de dicho problema.
Los conceptos que estudiaremos sern los siguientes:
Punto estacionario, en la seccin 3.
Punto minimax, ntimamente relacionado con el concepto de dualidad, y que se estudiar
en la seccin 4.
Veremos que, en general, ser ms directa la demostracin de la suficiencia de estas
condiciones para asegurar que tenemos una solucin del problema que la de la necesariedad
de las mismas, para las que habr que imponer condiciones de regularidad sobre las
restricciones del problema, que llamaremos cualificaciones de restricciones. En esta seccin
se enuncian varias cualificaciones de restricciones y se estudia la relacin entre ellas. En
general, los resultados que se obtienen generalizan los dados en la seccin anterior para los
problemas con restricciones de igualdad, en el sentido de la existencia de condiciones de
primer orden que implican a las primeras parciales de la funcin de Lagrange asociada al
problema, y condiciones de segundo orden que suponen convexidad de ciertas funciones.
Un problema general de programacin no lineal consiste en encontrar los valores de
ciertas variables que maximizan o minimizan una funcin dada, dentro de un conjunto
definido por una serie de restricciones de desigualdad, de forma que no hay aseguradas
condiciones de linealidad ni sobre la funcin a optimizar ni sobre las funciones que definen
el conjunto dentro del cual buscamos dicho ptimo.
Es decir, el problema consiste en:
(PRD)
) , , , (
) , , , (
) , , , (
:
) , , , (

2 1
2 2 1 2
1 2 1 1
2 1
m n m
n
n
n
b x x x g
b x x x g
b x x x g
a sujeta
x x x f Maximizar
L
L L L
L
L
L

o, de forma abreviada,
(PRD)
.
) (

b g(x)
x
a s
f Max

donde:

f : D R
n
R
y
g : D R
n
R
m

g = (g
1
,..., g
m
),
y son ambas al menos de clase dos en todo su dominio.
El conjunto de oportunidades X es el conjunto en el cual maximizamos la funcin, es
decir, la interseccin entre el dominio de las funciones del problema y el conjunto
determinado por las restricciones. As,
X = { x D / g(x) b },
donde
b = (b
1
,..., b
m
).
Este tipo de problemas es muy representativo de las circunstancias en las que se
desenvuelve la actividad econmica. Normalmente, se dispone de cantidades limitadas de
recursos, pero sin la obligacin de emplearlas en su totalidad, si ello no resultase adecuado.
Por consiguiente, es posible pensar en soluciones factibles y ptimas que no saturen
necesariamente todas las restricciones, dejando un excedente inutilizado del recurso cuya
disponibilidad limitan.
Se debe tener en cuenta sin embargo, en relacin con el problema formulado, que el
sentido de las desigualdades () es nicamente cuestin de convenio. Una restriccin con la
desigualdad contraria puede reducirse a una del tipo anterior sin ms que multiplicar por (-
1). Por otra parte, una restriccin de igualdad puede reemplazarse por dos de desigualdad,
por ejemplo, g(x) = b se convierte en g(x) b y -g(x) -b. O bien puede ser tratada
directamente, sin restringir el signo del multiplicador correspondiente.
En ocasiones, para que el problema sea econmicamente significativo, es necesario
que las variables instrumentales sean no negativas, es decir, x 0. Ms adelante en este
captulo, daremos un tratamiento especfico a estas restricciones.
Asociadas al problema de maximizacin, podemos definir la siguiente funcin, muy
importantes en lo que sigue:
Funcin de Lagrange L:
L : D R
m+
R

L(x, ) = f(x) -
t
[g(x) - b]
1
,
donde R
m+
es el vector de multiplicadores asociado al bloque de restricciones del
problema, tambin denominados multiplicadores de Kuhn-Tucker.

Dado un vector b R
m
, si llamamos x
0
(b) a la correspondiente solucin del
problema de programacin no lineal, se puede demostrar, anlogamente a lo que vimos en el
caso con restricciones de igualdad, que, para cada j = 1, ..., m,
j
j
b
f
=
)) ( (
0
b x

Esto justifica el hecho, que veremos ms adelante, de que los multiplicadores
ptimos sean no negativos, ya que si existiera algn < 0, de acuerdo con la expresin
anterior, una disminucin del valor de b
* *

j
j
originara un aumento del valor de la funcin
objetivo en el mximo, para un conjunto de oportunidades que es un subconjunto del de
partida, lo que estara en contradiccin con que x
0
fuera el mximo del problema original.
Al objeto de analizar en profundidad las propiedades del problema de programacin
no lineal, ser necesario en algunos casos distinguir entre las restricciones que se verifican
con igualdad en el ptimo y las que se verifican con desigualdad estricta. As, diremos que
la restriccin g
i
(x) b
i
es activa en un punto factible x
0
(o que x
0
satura dicha restriccin), si
verifica g
i
(x
0
)= b
i
.

2.1.- Cualificaciones de restricciones.
A lo largo de las secciones siguientes, veremos que en algunos casos no se verifican
ciertas propiedades deseables debido a particularidades del conjunto de oportunidades. Es
por ello que en ocasiones har falta exigir ciertas condiciones a las restricciones del
problema para evitar estos casos extremos. Estas condiciones reciben el nombre genrico de
cualificaciones de restricciones. En esta seccin enunciaremos dos de las ms empleadas en
la literatura.
En el caso en que no tuviramos asegurada la diferenciabilidad de las funciones de
restricciones, la cualificacin ms usada es la denominada cualificacin de restricciones de
Slater tipo 1:
Cualificacin de Slater, tipo 1.

1
En la formulacin para mnimo, esta funcin toma la forma L(x, ) = f(x) +
t
[g(x) - b].

Dado el problema (PRD), se dice que se satisface la cualificacin de restricciones de
Slater tipo 1 (en X) si g es convexa en X y existe un x X tal que g(x) < b (es decir, el
conjunto de oportunidades tiene interior no vaco).

El caso en el que las funciones de restriccin g sean diferenciables ofrece muchas
ms posibilidades. Como expusimos en el caso anterior, conviene centrar la atencin en un
punto en particular x del conjunto de oportunidades. En relacin con esto, denotaremos por
I el conjunto de ndices correspondientes a las restricciones activas en x y por J el de las
inactivas (I = {i {1, ..., m} / g
i
(x)= b
i
}, J = {j {1, ..., m} / g
j
(x)< b
j
}). Esta distincin se
debe a que, al estudiar un problema cerca de un posible ptimo, nos interesar determinar
las direcciones en las que podremos movernos sin salirnos del conjunto de oportunidades
(direcciones factibles), y parece claro que ningn movimiento suficientemente pequeo
causar la violacin de una restriccin no activa.
La cualificacin de restricciones que utilizaremos en el caso diferenciable es:
Cualificacin de Restricciones de la Independencia Lineal.
Dado el problema (PRD), se dice que se satisface la cualificacin de restricciones de
la independencia lineal en x si el conjunto D es abierto, g
i
, para i I es continua en x y
los vectores g
i
(x), para i I, son linealmente independientes.
Esta cualificacin es, de hecho, la ms usada en programacin matemtica ya que
resulta ser con diferencia la ms fcil de verificar, toda vez que se reduce a calcular el rango
de una matriz. Adems, impone condiciones slo de carcter local, ya que conlleva
nicamente un requisito sobre los gradientes de las restricciones activas en el punto en
cuestin, contrastando con el carcter global de la otra cualificacin.


3.- Puntos estacionarios.
Procedemos entonces, tras haber establecido ciertos conceptos bsicos en la seccin
anterior, a resolver el problema
(PRD)
:
) (

b g(x)
x
a sujeta
f Maximizar

donde suponemos que se dan condiciones de diferenciabilidad sobre f y g y que el conjunto
D es abierto. En esta situacin, tenemos aseguradas ciertas condiciones de diferenciabilidad
sobre la funcin de Lagrange L. Empezaremos definiendo el concepto de punto estacionario
de Kuhn-Tucker a partir de L. Tras ello, estudiaremos su relacin con las soluciones del
problema (PRD). Como veremos, sern necesarias condiciones de convexidad en los
teoremas de suficiencia, y no as en los de necesariedad (donde, eso s, har falta incluir
cualificaciones de restricciones).
As pues, definimos:
Definicin 4.
Dado el problema (PRD) y la funcin de Lagrange L asociada a l, diremos:
Que (x
0
,
0
), x
0
D,
0
R
m
, es un punto estacionario de Kuhn-Tucker (o punto
estacionario de L) si verifica las llamadas condiciones de Kuhn-Tucker (dadas de dos
formas equivalentes):
=

=
0
b ) g(x
b ) g(x
0 ) Jg(x x
0
x
0 x
0 x
x x
0
0 t 0
0
0 0 0
0
0 0 t 0
0 0
0 0
0 ) (
) (
0 ) , (
) , (
) , (
f
L
L
L

Podemos observar que estas condiciones pueden formularse de la siguiente forma,
supuesto que x
0
es un punto factible:

0
0 x x
x
0
) ( ) (
I i
i i
g f
0 0 0
(4)
En el caso de formulacin para mnimo, las condiciones de punto estacionario son
las mismas, pero aplicadas a las lagrangianas para mnimo, con lo cual cambia el signo con
el que entran los multiplicadores, quedando por tanto
0
0 x x
x
= +

0
0 0 0
) ( ) (
I i
i i
g f

Una vez definido este concepto, veamos seguidamente los teoremas que lo
relacionan con las soluciones del problema (PRD). Empezaremos dando el teorema de
condiciones necesarias, es decir, el teorema en el que se establecen qu condiciones
necesariamente deben verificar los ptimos de (PRD).
Teorema 13.
Sea x
0
un punto factible de (PRD) y sea I = { i / g
i
(x
0
) = b
i
}. Supongamos que f y g
i
,
con i I, son diferenciables en x
0
. Adems, supongamos que se verifica la cualificacin de
restricciones de independencia lineal en x
0
. Si x
0
es un ptimo local del problema, entonces
existen escalares no negativos
i
para i I, tales que:
=
I i
i i
g f 0 x x ) ( ) (
0 0
.
Como se observa, gracias a la formulacin de punto estacionario de Kuhn-Tucker
(4), este teorema afirma que, si se verifica la cualificacin de restricciones de independencia
lineal en x
0
, entonces necesariamente todo ptimo local del problema es un punto
estacionario de Kuhn-Tucker. Existe otro concepto de punto estacionario (punto
estacionario de Fritz-John) ms general que el de Kuhn-Tucker, que no necesita de la
cualificacin de restricciones para que se establezca esta condicin necesaria.
Este teorema admite exactamente la misma formulacin para el problema de
mnimo, teniendo simplemente en cuenta las definiciones de punto estacionario para
mnimo. As, por ejemplo, la condicin quedara:
= +
I i
i i
g f 0 x x ) ( ) (
0 0
.
Pasamos ahora a dar el teorema de condiciones suficientes, es decir, el teorema que
afirma bajo qu condiciones un punto estacionario de Kuhn-Tucker es mximo del
problema. Ya se ha comentado que hace falta en este caso exigir condiciones de convexidad

sobre las funciones del problema. Realmente, basta con unas suposiciones un poco ms
suaves que la convexidad global, si bien aqu no vamos a especificarlas:
Teorema 14.
Supongamos que D es un conjunto abierto y no vaco en R
n
. Sea x
0
un punto
factible. Supongamos que f es cncava en D y que el conjunto de oportunidades X = { x D
/ g
i
(x) b
i
, i = 1,...,m }, es un conjunto convexo. Adems, supongamos que se verifican las
condiciones de Kuhn-Tucker en x
0
. Entonces, x
0
es una solucin global del problema
(PRD).
Este teorema admite una formulacin similar para el problema de mnimo, con las
correspondientes definiciones de los puntos estacionarios, y suponiendo que la funcin f sea
convexa.
Si observamos con detenimiento las condiciones de punto estacionario que hemos
desarrollado en esta seccin, podremos ver su analoga con el caso en el que existan
restricciones de igualdad. En concreto, desde un punto de vista intuitivo, el proceso se
podra interpretar de la siguiente forma: en primer lugar, se identifican las restricciones
activas en el punto en cuestin. Posteriormente, se toman las condiciones de primer orden
para problemas con restricciones de igualdad, teniendo en cuenta slo las mencionadas
restricciones activas (que, en el punto bajo estudio, se pueden considerar de igualdad).
Finalmente, se aade la condicin adicional de no negatividad sobre los multiplicadores
ptimos, que, segn vimos previamente, garantizan que la funcin objetivo no mejora al
moverse hacia el interior relativo de las restricciones activas.

3.1.- Condiciones de suficiencia local.
Las condiciones de suficiencia local que vamos a ver en esta seccin son variantes
de las condiciones de segundo orden sobre la funcin de Lagrange, que vienen a relajar las
condiciones de convexidad global que eran necesarias incluir para los puntos estacionarios.
No obstante, realizaremos un breve anlisis tambin de las condiciones necesarias y no slo
de las suficientes.
A lo largo de los apartados anteriores, hemos visto que es muy importante el
concepto de restriccin activa en el punto ptimo. Es ms, parece claro que, en un anlisis
local, podemos ignorar aquellas que no lo son, debido a que estn lo suficientemente lejos
del punto como para no influir en su carcter de ptimo local. El hecho de que a las
restricciones no activas se le asignen multiplicadores de Lagrange nulos, eliminndolos as
de la funcin lagrangiana, no hace sino corroborar esta idea.
Un primer resultado de condiciones locales es el siguiente teorema.

Teorema 15.
Supongamos que D es un conjunto abierto y no vaco en R
n
. Sea x
0
un punto
factible. Supongamos que f es cncava en x
0
y que las funciones g
i
, i I, son convexas y
diferenciables en x
0
. Adems, supongamos que se verifican las condiciones de Kuhn-Tucker
en x
0
. Entonces, x
0
es un mximo local del problema (PRD).

Vamos a deducir ahora otras condiciones suficientes de optimalidad local basadas en
la funcin de Lagrange. Partimos del problema (PRD), sea x
0
un punto factible, y
supongamos que las restricciones activas en l, g
i
, i I, son diferenciables, y que las no
activas g
j
, j I, son continuas. Para analizar la optimalidad de x
0
, habr en primer lugar que
determinar los puntos factibles que hay en un entorno suyo. Dicho de otra forma, en qu
direccin podremos movernos a partir de x
0
para asegurar que no nos vamos a salir del
conjunto de oportunidades?. Es claro que si g
j
(x
0
) < b
j
, entonces para todo x en un entorno
suficientemente pequeo de x
0
, por la continuidad de g
j
, se verificar g
j
(x) < b
j
. Por tanto,
ningn movimiento suficientemente pequeo en ninguna direccin causar la violacin de la
restriccin g
j
. Podemos deducir entonces que slo las restricciones activas g
i
, i I, imponen
alguna restriccin sobre los movimientos factibles. Adems, al ser las restricciones no
lineales, un movimiento rectilneo en general puede no ser admisible, por lo que
supondremos que nos movemos a lo largo de un arco factible (al que tambin llamaremos
perturbacin factible) (), [0,), es decir, a lo largo de un arco en R
n
, parametrizado
por la variable real , de forma que (0) = x
0
. Denotemos por p la tangente a este arco en
= 0:
p = '(0).
La variacin de las funciones g
i
a lo largo del arco se medir por las derivadas
)) (

i
g
d
d
.
En particular, en el punto = 0, p x
t
i i
g g
d
d
) ( )) ( (
0
0
=
=
.
Para que los puntos del arco sean factibles, es necesario que esta derivada sea menor
o igual que cero, ya que g
i
no puede crecer a lo largo de dicho arco. As, si denotamos por
Jg
A
(x
0
)
t
la matriz cuyas filas estn formadas por los gradientes g
i
(x
0
), i I, esta condicin
se traduce en que
Jg
A
(x
0
)
t
p 0. (5)

Sin embargo, esta condicin no caracteriza plenamente a los arcos factibles. Para que
esto sea as, es necesario incluir alguna cualificacin de restricciones. En este caso,
utilizaremos la de la independencia lineal, que en el problema que nos ocupa equivale a que
la matriz Jg
A
(x
0
)
t
tenga rango completo por filas. Si esto sucede, entonces la condicin dada
es tambin suficiente, en el sentido de que toda direccin p que la satisfaga es tangente a
algn arco factible con origen en x
0
. Por tanto, dado que se verifique la cualificacin de
restricciones, la condicin (5) caracteriza a la tangente de los arcos factibles.
Podemos as distinguir entre dos tipos de perturbaciones factibles a partir de x
0
.
Aquellas para las que p verifica Jg
A
(x
0
)
t
p = 0 se denominarn vinculantes, mientras que
aquellas en las que Jg
A
(x
0
)
t
p < 0 recibirn el nombre de no vinculantes.
Si nos movemos a lo largo de una perturbacin vinculante, para que x
0
sea ptimo
local, es fcil comprobar que f debe ser estacionaria a lo largo de dicha direccin vinculante,
es decir, se debe verificar que
f(x
0
) -

I i
i
g
i
) (
0 0
x = 0
donde
0
es el vector de multiplicadores de Lagrange asociado a x
0
.
Ahora bien, si nos movemos a lo largo de una perturbacin no vinculante, podra
darse el caso de un arco (), tal que Jg
A
(x
0
)
t
p < 0, para que Si nos movemos a lo largo de
una perturbacin vinculante sea mximo local del problema, no puede suceder que f crezca a
lo largo del arco arco (), puesto que ello imposibilitara la maximalidad de x
0
. Bien,
debemos pues asegurar que si Jg
A
(x
0
)
t
p < 0, f no pueda crecer, y este hecho queda
asegurado cuando
0
0.
As pues, las condiciones necesarias de maximalidad local de x
0
obtenidas hasta
ahora son:
(i) g(x
0
) b,
(ii) f(x
0
) - = 0
i i
i I
g
0
(x
0
)
(iii) 0, i I,
i
0
que son, precisamente, las condiciones de Kuhn-Tucker.
Estas son condiciones necesarias de primer orden, puesto que en ellas slo se utilizan
derivadas de primer orden de las funciones que intervienen en el problema. Se puede llegar
ms all y establecer condiciones necesarias de segundo orden (en las que tambin
intervengan segundas derivadas de las funciones). Dichas condiciones necesarias de
segundo orden para que x
0
sea un mximo local de f, provienen del hecho de que f tenga
curvatura no positiva en x
0
a lo largo de cualquier arco factible tal que Jg
A
(x
0
)
t
p = 0 (y as f

no crece a lo largo de arcos factibles). En este caso, puede probarse (Gill, Murray y Wright,
1981) que las condiciones necesarias locales de segundo orden para punto mximo son:
(i) g(x
0
) b, g
i
(x
0
) = b
i
, i I,
(ii) f(x
0
) - = 0,
i i
i I
g
0
(x
0
)
(iii) 0, i I,
i
0
(iv) la forma cuadrtica p
t
H
x
L(x
0
,
0
) p restringida a Jg
A
(x
0
)
t
p = 0, sea semidefinida
negativa.
Para obtener las condiciones suficientes locales y relajar la condicin de convexidad
y concavidad del teorema, se ha de tener en cuenta dos detalles:
a) Debemos exigir que la forma cuadrtica restringida sea definida negativa, para as tener
asegurado que lo sigue siendo (por continuidad) cerca de x
0
, y, por tanto, aseguramos que
f no crece en un entorno del ptimo.
b) El multiplicador de Lagrange correspondiente a la j-sima coordenada activa mide, como
se ha visto, (hasta el primer orden) el cambio que tendra lugar en la funcin objetivo a lo
largo de un arco factible que no fuera vinculante con respecto a la j-sima restriccin y s
lo fuera con respecto a las dems restricciones activas. Cuando
i
0
> 0, entonces f decrece
a lo largo de dicho arco. Pero si
i
0
0
)
0
)
= 0, entonces no podramos asegurar nada sobre el
comportamiento de f. As, las condiciones de suficiencia local toman la forma:
(i) g(x
0
) b, g
i
(x
0
) = b
i
, i I,
(ii) f(x
0
) - = 0,
i i
i I
g
0
(x
(iii) > 0, i I,
i
0
t
H
x
L(x
0
,
0
A
(x
0
)
t
p = 0, sea definida negativa.
Para poder admitir multiplicadores nulos, ser necesario garantizar de otra forma que
f tenga curvatura negativa a lo largo de las correspondientes perturbaciones. Ello se
consigue de forma obvia no reduciendo la hessiana de la lagrangiana para estas
restricciones. As, si llamamos Jg
A+
(x
0
)
t
a la matriz que contiene los gradientes de las
restricciones activas con multiplicadores de Lagrange estrictamente positivos, las
condiciones suficientes son:
(i) g(x
0
) b, g
i
(x
0
) = b
i
, i I,
(ii) f(x
0
) - = 0,
i i
i I
g
0
(x
(iii) 0, i I,
i
0

t
H
x
L(x
0
,
0
A+
(x
0
)
t
p = 0, es definida negativa.
Nuevamente, estas condiciones locales se pueden formular para mnimo, quedando
entonces
f(x
0
) +
i i
i I
g
0
0
(x ) = 0
para las condiciones de primer orden, y exigiendo definicin (o semidefinicin) positiva
para las de segundo orden.
3.2.- Casos especiales.
En este apartado vamos a obtener las condiciones de Kuhn-Tucker
particularizndolas para diversos problemas especiales.
Punto estacionario de Kuhn-Tucker con condiciones de no negatividad.
Un ejercicio interesante consiste en determinar las condiciones de Kuhn-Tucker para
el caso en que, adems de las restricciones del problema que ligan entre s los valores de
ciertas variables, existan unas restricciones especficas sobre los valores de cada una de las
variables, independientemente de las dems. Tal es el caso, por ejemplo, de que existan
restricciones de positividad sobre las variables, como ocurre frecuentemente en las
aplicaciones de tipo econmico.
As, supongamos el problema:
0 x
b g(x)
x
s.a
f Max ) (

para el que trataremos de obtener las condiciones necesarias de Kuhn-Tucker.
Sea R
m+
, el vector de multiplicadores asociados a las restricciones g(x) b y sea
R
n+
, el vector de multiplicadores asociado a las restricciones de no negatividad de las
variables instrumentales. Formemos la lagrangiana asociada a tal problema:
L(x, , ) = f(x) -
t
[g(x) - b] -
t
(-x).
Entonces, las condiciones de Kuhn-Tucker para este problema son:

| |
=
=

= +
0
0
) (
) ( x
b g(x)
0
0
0 x
b g(x)
0 Jg(x) x
t
t
f

La primera y quinta se pueden unir y reescribir como
f(x) - Jg(x) 0,
siendo
= - (f(x) - Jg(x))
y la primera y la ltima dan lugar a:
x
t
(f(x) - Jg(x)) = 0,
quedando las dems inalteradas, es decir:
| |
x 0
0
g x b
t
( ) 0

g(x) b
Por tanto, las condiciones necesarias para este problema son:
=
=

0
0 x
x
x x
0 x
0 x
t
x
t
x
0 ,
0 ,
,
,
) ( L
) ( L
) ( L
) ( L

Punto estacionario de Kuhn-Tucker con restricciones de igualdad y no negatividad.
Consideremos el problema

=
0 x
b g(x)
x
s.a
f Max ) (

y vamos a obtener las condiciones necesarias de Kuhn-Tucker, asociadas a tal problema.
Teniendo en cuenta que la restriccin g(x) = b se puede reemplazar por el par g(x)
b y g(x) b, el problema se convierte en:
0 x
b g(x)
b g(x)
x
s.a
f Max ) (

cuya funcin de Lagrange asociada ser:
L(x,
1
,
2
) = f(x) -
1
t
[g(x) - b] -
2
t
[-g(x) + b].
Las condiciones necesarias, de acuerdo con el teorema 13, son:
| |
| |
| |
| |

= +
+
=

= +
+
0 0 0 x
b g(x)
0 b g(x)
b g(x)
0 b g(x)
g(x) J g(x) J x x
0 g(x) J g(x) J x
t
t
t
2 1
2 1
2 1
, ,
0
0
0
2
1
) (
) (
f
f

Denotando por =
1
-
2
, podemos escribir la funcin de Lagrange como:
L(x, ) = f(x) -
t
[g(x) - b]
y las condiciones necesarias se reducen a:
| |
| |
=
=
=
0 x
b g(x)
0 b g(x)
g(x) J x x
0 g(x) J x
t
t
0
0 ) (
) (
f
f


En este caso, puede tomar cualquier signo, ya que procede de la diferencia de dos
nmeros.
Es posible, sin embargo, que las condiciones obtenidas en este apartado no sean
suficientes, ya que, al descomponer la igualdad g(x) = b en g(x) b y -g(x) -b, la
convexidad de g violara la de -g (a no ser que g fuera lineal) y no estaramos, por tanto, en
las condiciones del teorema 14. Por ello, vamos a dar un teorema de condiciones suficientes
para este caso. Ms concretamente, lo daremos para el siguiente caso ms general:
Sea el problema
Max f(x)
s.a g
i
(x) b
i
i = 1,...,m
h
i
(x) = c
i
i = 1,...,l.
El teorema de condiciones suficientes de Kuhn-Tucker para este problema queda de
la forma:
Teorema 16.
Supongamos que D es un conjunto abierto y no vaco. Sea x
0
un punto factible y sea
el conjunto I = {i / g
i
(x
0
) = b
i
}. Supongamos que existen
i
0
0, i I y
j
0
, j = 1,. .., l tales
que
0 x x x =

= j
j
I i
i
0
i
h g f
1
0 0
j
0 0
) ( ) ( ) (
l

Sean J = { i /
i
0
> 0 } y K = { i /
i
0
< 0 }. Supongamos que f es cncava en x
0
, g
i

convexa en x
0
para i I, h
i
convexa en x
0
para i J y h
i
cncava en x
0
para i K.
Entonces, x
0
es solucin global del problema.
De forma anloga a como se lleva haciendo a lo largo de todo el tema, estos
resultados se pueden reformular para el problema de mnimo.



4.- Puntos minimax.
El punto minimax de la funcin lagrangiana es otro concepto relacionado con la
solucin de un problema de optimizacin. Si bien su definicin no le hace til a la hora de la
resolucin directa del problema, s constituye un paso intermedio muy importante en la
obtencin del problema dual, que estudiaremos ms adelante. En esta seccin definimos
dicho punto y estudiamos su relacin con otro concepto, el punto de silla de la lagrangiana.
Definicin 5.
Dado el problema (PRD), diremos que (x
0
,
0
) D x R
m+
es un punto minimax de la
funcin lagrangiana L(x, ) en el conjunto D x R
m+
si
) ( L ) ( L L , , ) , (
0 0
x x x
D D
+ m + m
R R
Min Max Max Min = = .
La relacin del punto minimax con la solucin del problema de programacin no
lineal se obtiene de forma inmediata sin mas que tener en cuenta que:
| |
t
0 ) ) ( (
b g(x) x x = Max f Min
+ m + m
R R
) ( ) , ( L
Si g
i
(x) - b
i
0, entonces
i
[g
i
(x) - b
i
] 0, luego
=
i i i
m+
R
b g Max x
(se alcanza en = 0). Por tanto, si x X, L
m+
R
. ) ( ) , ( x x f Min =
Si g
i
(x) - b
i
> 0, entonces Sup
m
R
+
i
[g
i
(x) - b
i
] = , por lo que en este caso no se alcanza el
mnimo de la Lagrangiana.
Por tanto,
) ( ) , ( x x f Max Min Max
X D
m
=
+
L
R

As pues, si (x
0
,
0
) es un punto minimax, x
0
es una solucin ptima del problema
original.
Pasamos ahora a dar los teoremas que relacionan los conceptos de punto de silla de L
y punto minimax. Veremos que dicha relacin es casi una equivalencia, en el sentido de que
todo punto minimax es punto de silla, y todo punto de silla es un punto minimax
considerado sobre conjuntos mas restringidos.

Teorema 17.
Si existe un punto minimax (x
0
,
0
) D R
m+
de la funcin de Lagrange, es decir,
si
) , ( ) , ( ) , ( x x x L L L
D D
Max Min Min Max
+ m + m
R R
= =
0 0
,
entonces L(x, ) posee puntos de silla en D R
m+
, y (x
0
,
0
) es uno de ellos.
Como hemos expuesto anteriormente, para obtener el teorema recproco es necesario
restringir los conjuntos de definicin del punto minimax. Previamente, hemos visto que la
primera parte de la igualdad debe ser de la forma
) , ( x L
+ m
Min Max
X R
.
Por otro lado,
| | { } b g(x) x x =
t
D D
f Max Max ) ( ) , ( L .
Definimos, por tanto,
| | ( ) { }
+ +
=
m m
, ) ( / R R N f Max N
t
D
b g(x) x
Entonces, la segunda parte de la igualdad se debe expresar como sigue:
) , ( x L
D N
Max Min
Por tanto, el punto minimax que buscamos ahora es de la forma
) , ( ) , ( ) , (
0 0
x x x L L L
D N X
Max Min Min Max = =
+ m
R

Teorema 18.
Si L(x, ) posee un punto de silla (x
0
,
0
) con respecto a D R
m+
, entonces (x
0
,
0
)
es un punto minimax de la forma
) , ( ) , ( ) , (
0 0
x x x L L L
D N X
Max Min Min Max = =
+ m
R

Para el problema de mnimo, el punto minimax toma la forma:

) , ( ) , ( ) , ( x x x L L L
D D
Min Max Max Min
+ m + m
R R
= =
0 0
,
tomando adems la funcin lagrangiana correspondiente a este problema. Con esta
definicin, los teoremas 16 y 17 seran vlidos de forma anloga para esta formulacin.
4.1.- Dualidad en Programacin Matemtica.
El concepto de dualidad nace estrechamente ligado al de punto minimax que se
desarroll en la seccin anterior. As, dado nuestro problema original, recordemos la
definicin de punto minimax: se trata de un par (x
0
,
0
) que verifica:
) , ( ) , ( ) , (
0 0
x x x L L L
D D
Max Min Min Max
+ m + m
R R
= = ,
donde
L(x, ) = f(x) -
t
[g(x) - b|.
Pues bien, vamos a denotar:
) , ( ) ( , ) , ( ) ( x x x L L
D
Max Min = =
+ m
R
.
Vamos ahora a ver qu forma toma la funcin (x):
| | { }
>
=
= = =
) ( si
) ( si ) (
) ( ) , ( ) (

b g(x)
0 b g(x) x
b g(x) x x x
f
f Min Min
t
+ m + m
R R
L
Por tanto, la primera parte de la expresin del punto minimax, es decir,
) (x
D
Max ,
se puede expresar de forma equivalente como
Max f(x)
s.a g(x) b
que es, precisamente, el problema de partida, que llamaremos a partir de ahora Problema
Primal (PP).
Por otro lado, el segundo trmino de la igualdad del punto minimax se puede
expresar como:
), (
N
Min

donde
| | { } { } b g(x) x =
+ t
D
m
f Max N ) ( / R .
A este problema le llamaremos Problema Dual (PD).
Pues bien, la dualidad consiste en que se d o no la igualdad entre los valores
ptimos de las soluciones de estos dos problemas (lo que sucede si existe el punto
minimax). Los siguientes teoremas establecen bajo qu condiciones se tiene esta dualidad.
Teorema 19. (Dualidad dbil).
Sea (x, ) DR
m+
cualquiera. Entonces, (x) ().
Como consecuencia de este teorema, podemos afirmar que siempre se da la relacin:
) ( ) (
N D
Min Max x ,
es decir, que el valor ptimo del problema primal es siempre menor o igual que el del dual.
La pregunta que surge es cundo se da la igualdad. En el caso en que no se d, es decir, si la
solucin del primal es estrictamente menor que la del dual, se dice que se produce un gap de
dualidad. El siguiente teorema afirma que, bajo condiciones de convexidad y si se da una
cualificacin de restricciones, entonces se verifica la igualdad:
Teorema 20. (Dualidad fuerte).
Supongamos que el conjunto D es convexo, las funcin f cncava y la funcin g es
convexa, y que se verifica la cualificacin de restricciones de Slater tipo 1. Entonces, se
verifica que:
) ( ) (
N D
. Min Max = x
Por lo tanto, bajo estas condiciones, los valores ptimos de los problemas primal y
dual coinciden. La utilidad de este concepto consiste en que, en algunos problemas, dada su
estructura y la forma especfica que toma el problema dual, puede ser ms sencillo resolver
este ltimo, y obtener, a partir del l, la solucin del primal.
Por ltimo, sealemos que, si el problema original se formula para mnimo,
tendremos que tomar la correspondiente funcin de Lagrange, es decir,
L(x, ) = f(x) +
t
[g(x) - b|.
y las funciones primal y dual toman ahora las formas:

) , ( ) ( , ) , ( ) ( L L
D
m+
R
x x x Min Max = =
respectivamente, siendo los problemas primal y dual
) ( y ) (
N D
Max Min x ,
}

donde b g(x) x + =
D
f Min N ) ( /
+ t m
R . | | { } {
Nuevamente, el problema primal coincide con el problema de mnimo de partida, y
se da el teorema de dualidad dbil en cualquier caso, y el de dualidad fuerte si suponemos
que la funcin f es convexa en lugar de ser cncava.

Programac

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Programac

Hochgeladen von

Copyright:

Verfügbare Formate

CAPTULO 1.

L(x, ) = - g(x) + b = 0, resulta entonces que (x, *) es punto crtico de la

Programacin Matemtica para Economistas 16

Das könnte Ihnen auch gefallen