ALGUNOS RESULTADOS DE OPTIMIZACION.

Queremos resolver los problemas de optimizacin

maxx f (x) minx f (x)

(M) o (m),
s. a: x2S Rn s. a: x2S Rn

donde f 2 C 2 (S) y el conjunto factible S es del tipo

S+ = fx 2 Rn : g(x) 0g
S = fx 2 Rn : g(x) 0g
n
S0 = fx 2 R : g(x) = 0g

o uniones e intersecciones de de los tres tipos anteriores a los que denotaremos por S : Un punto x 2 S es una
solucin del problema (M) si para todo punto x de S se cumple que f (x ) f (x): El punto x ser una solucin
local de (M) si f (x ) f (x) en todos los puntos x factibles de cierto entorno del punto x : Anlogamente
para el problema (m). Antes de comenzar a calcular soluciones, veamos cundo podemos asegurar existencia
de solucin.
Supondremos que g 2 C 2 (Rn ): En este caso los conjuntos S+ ; S ; S0 y S sern cerrados. Si adems fuesen
acotados, como f 2 C 2 (S); el teorema de Weierstrass garantizar la existencia de solucin para (M) y (m).

1. Soluciones interiores.
Sea x un mximo global de la funcin f (x): En este caso, se tendr que x es un punto crtico de f
cumpliendo que f (x ) f (x); 8x 2 Rn : Si x 2 S tendremos, en particular, que f (x ) f (x); 8x 2 S Rn :
Es decir, si x es la solucin del problema sin restricciones y x 2 S; entonces x es tambin la solucin del
problema de optimizacin restringido al conjunto factible S: Lo anterior tambin es cierto para ptimos locales.
Luego, tenemos el siguiente resultado.
Teorema 1. Si x es un mximo (local o global) de f y x 2 S entonces x es una solucin (local o global) del
problema (M).
Cuando la solucin x del problema de optimizacin (M) o (m) es un ptimo (local o global) de f diremos
que x es una solucin (local o global) interior. En este caso, el punto x debe ser un punto crtico de f: Si
la solucin x del problema (M) o (m) no es un punto crtico de f; diremos que x es una solucin frontera
saturando alguna de las restricciones que denen el conjunto factible S:
Ejemplo 1. Sean los problemas de optimizacin
2 2
minx;y (x 3) + 4y 2 minx;y (x 3) + 4y 2
(1), (2)
s. a: 2x + y 2 8 s. a: 2x + y 2 6
2 2
minx;y (x 3) + 4y 2 maxx;y (x 3) + 4y 2
(3), (4)
s. a: 2x + y 2 8 s. a: 2x + y 2 8

Observe que el conjunto factible en los problemas anteriores no es acotado y, por tanto, no tenemos garantizada
2
la existencia de solucin. La funcin objetivo en los cuatro problemas planteados es f (x; y) = (x 3) + 4y 2
que tiene un punto crtico en (3; 0) : La matriz hessiana de f es

2 0
Hf (x; y) =
0 8

1
que es DP en todo punto y, por tanto, f es una funcin convexa. Luego, el punto (3; 0) es un mnimo global
de f: El conjunto factible en el problema (1) es
S1 = (x; y) 2 R2 : 2x + y 2 8 :
Como 2 (3) + 02 = 6 < 8; se tiene que (3; 0) 2 S1 y el punto (3; 0) ser la solucin del problema (1). El punto
(3; 0) tambin pertenece al conjunto factible del problema (2) y, por tanto, ser tambin la solucin del problema
(2). Observe que (3; 0) satura la restriccin pero como rf (3; 0) = (0; 0) diremos que es una solucin interior.
Para el problema (3), la solucin no puede ser el punto (3; 0) pues no es factible. Luego, el problema (3) no
tiene soluciones interiores. Si hubiese solucin, sera una solucin frontera saturando la restriccin, es decir,
cumpliendo 2x + y 2 = 8: En el problema (4) queremos calcular el mximo y, por tanto, sea o no factible, el
punto (3; 0) no puede ser la solucin. Luego, si (4) tuviese solucin, sera una solucin frontera saturando la
restriccin. De momento, no sabemos resolver los problemas (3) y (4).
Ahora, siempre que tengamos soluciones interiores, podremos trasladar todos los resultados de optimizacin
libre a optimizacin restringida. En particular, se tiene el siguiente resultado.
Teorema 2. Sea x un punto crtico de f y supongamos que x 2 S: Entonces:
(a) Si f es cncava en el conjunto S; el punto x ser una solucin de (M).
(b) Si f es convexa en el conjunto S; el punto x ser una solucin de (m).
(c) Si f es estrictamente cncava (o convexa) a lo sumo habr una solucin.
Observacin 1. Hemos visto que las soluciones interiores de un problema de optimizacin con restricciones
son puntos crticos factibles de la funcin objetivo. De este hecho no se deduce que los puntos crticos factibles
de f sean soluciones del problema con restricciones. A los puntos crticos factibles de la funcin objetivo los
llamaremos candidatos a solucin interior.
Observacin 2. En Economa, casi todos los problemas de optimizacin planteados son problemas con restric-
ciones. Algunos de estos problemas se tratan como problemas sin restricciones pues en los casos de inters, las
soluciones son interiores. Veamos un ejemplo. Consideremos el problema de maximizacin de benecios de una
empresa competitiva dado por
max L;K pf (L; K) wL rK;
donde p; w y r son constantes positivas (p es el precio del bien producido y w y r son los precios de los factores de
produccin L y K): Aparentemente, es un problema sin restricciones pero en realidad tenemos las restricciones
L 0; K 0 y pf (L; K) wL rK 0; pues no tendra sentido emplear cantidades negativas de factores
ni producir con benecios negativos (estamos considerando un largo plazo). Luego, en realidad, el problema de
optimizacin a resolver es 9
maxL;K pf (L; K) wL rK =
s. a: pf (L; K) wL rK 0 :
;
L 0; K 0
Como este ltimo problema ocupa demasiado, usualmente, no pondremos las restricciones pero siempre las
tendremos en cuenta. Para resolver el problema anterior, buscaremos soluciones interiores (puntos crticos de
la funcin objetivo). Si no hay soluciones interiores, la solucin, si la hubiese, debe saturar alguna de las
restricciones.
Ejemplo 2. Sea la funcin de produccin f (L; K) = LK y considere el problema de maximizacin de benecios
anterior. Las CPO seran
4K = 1
4L = 1
y tenemos el punto crtico (L ; K ) = (1=4; 1=4) : La matriz hessiana de la funcin de benecios es la misma
que la de la funcin de produccin f y viene dada por
0 1
Hf (L; K) =
1 0

2
que es una matriz indenida y, por tanto, el punto (L ; K ) ser un punto de silla (adems de no ser factible).
Luego, no hay soluciones interiores. Por tanto, o bien el problema de maximizacin de benecios no tiene
solucin, o bien la solucin satura alguna de las restricciones. Si satura la restriccin L = 0 entonces el benecio
ser K < 0: Si K = 0 entonces el benecio es L < 0: Luego, la solucin no puede saturar las restricciones
anteriores y por tanto, si hubiese solucin, sta sera producir con benecio cero. Pero, por ejemplo, si L = 4 y
K = 4; el benecio sera positivo. Por tanto, el problema de maximizar benecios no tiene solucin.
Observacin 3. En el ejemplo anterior se dijo que el problema de maximizar benecios no tena solucin pues,
a partir de ciertos L y K; cuanto mayores sean las cantidades empleadas de factores mayor ser el benecio.
En otras palabras, la solucin sera emplear cantidades innitas de L y K: Pero, en la prctica, los recursos son
limitados y no se podr disponer de todo lo deseado. Luego, sera ms preciso decir (desde un punto de vista
econmico) que la solucin al problema planteado en el ejemplo 2 ser emplear las mayores cantidades posibles
de factores por periodo.

2. Soluciones frontera. Puntos crticos del lagrangiano.

En la seccin anterior hemos visto cmo encontrar soluciones interiores de un problema de optimizacin.
Veamos a continuacin cmo encontrar soluciones en la frontera de los conjuntos factibles. Para este propsito, y
para evitar complicaciones con la notacin, comenzamos con conjuntos factibles del tipo S0 = x 2 R2 : g(x1 ; x2 ) = 0 ;
donde g es una funcin con derivadas parciales segundas continuas. Los problemas de optimizacin a resolver
son
maxx f (x) minx f (x)
(M0 ) y (m0 ).
s. a: g(x) = 0 s. a: g(x) = 0
Teorema 3. Si x = (x1 ; x2 ) es una solucin local o global del problema M0 o m0 y g1 (x ) 6= 0 o g2 (x ) 6= 0
entonces el punto x es un punto de tangencia entre la curva g (x1 ; x2 ) = 0 y una curva de nivel de la funcin
objetivo. Es decir, el punto x satisface las ecuaciones
)
f1 (x1 ;x2 ) g1 (x1 ;x2 )
f2 (x1 ;x2 ) = g2 (x1 ;x2 ) (1)
g(x1 ; x2 ) = 0

que son las llamadas condiciones de primer orden (CPO) de los problemas M0 y m0 :
El teorema 3 nos da una condicin necesaria pero no suciente de optimalidad. Por tanto, si no hubiese
puntos de tangencia, los problemas M0 y m0 no tendran solucin pero, si x es un punto de tangencia entre
la restriccin y una curva de nivel de la funcin objetivo, el punto x podra ser un mximo local o global, un
mnimo local o global o quizs no sea ni mximo ni mnimo. En este ltimo caso diremos que x es un punto
de silla.
Las CPO establecidas en (1) corresponden al caso particular de 2 variables y una restriccin. En el caso
general, con n variables y m restricciones, las CPO suelen establecerse utilizando una funcin comodn
llamada funcin lagrangiana. Para los problemas M0 y m0 anteriores, se dene como funcin lagrangiana
L(x; ) = f (x) g(x): La variable es el llamado multiplicador de Lagrange. Ahora, las CPO podemos
expresarlas como sigue.
Teorema 4. Sea x una solucin local o global del problema M0 o m0 . Entonces, supuestas ciertas condiciones
de regularidad, existe tal que (x ; ) es un punto crtico del lagrangiano, es decir, rL (x ; ) = 0:
Demostracin. Ver Clculo Diferencial de 2o
Las ecuaciones rL (x; ) = 0; x 2 Rn ; son las condiciones necesarias de primer orden (CPO) del problema
de optimizacin con restriccin de igualdad. Las condiciones anteriores suelen ponerse en la forma

rx L (x; ) = 0
:
g(x) = 0

3
Si tuvisemos m restricciones (con m < n); g 1 (x) = 0; : : : ; g m (x) = 0; habra m multiplicadores de Lagrange,
= ( 1 ; : : : ; m ) ; y el lagrangiano sera
1 m
L(x; ) = f (x) 1g (x) mg (x):

Ahora, las CPO son 9

rx L x; = 0 >
>
>
=
g 1 (x) = 0
.. :
. >
>
>
;
g m (x) = 0

Observacin 5. Ntese que, si = 0; se tiene que rx L x ; = rf (x ) = 0 y, por tanto, x es un punto

crtico de f: Luego, estaramos en el caso de soluciones interiores tratado en la seccin anterior.

3. Anlisis global en problemas con restricciones de igualdad.

Nuestro objetivo fundamental es encontrar la solucin (global) de los problemas M0 y m0 . A menos que
lo pidan explcitamente, no tenemos ningn inters en los ptimos locales ni en los puntos de silla. Cundo
podremos asegurar que un punto cumpliendo las CPO es una solucin de los problemas M0 o m0 ? Intentemos
contestar apoyndonos en representaciones grcas. Consideremos el caso en el que la restriccin es una recta.
En los grcos G1-G4 hemos dibujado 4 de las mltiples posibilidades. El vector de los grcos indica la
direccin hacia donde aumenta de valor la funcin objetivo. En G1, el punto de tangencia es un mximo global
mientras que en G3 el punto de tangencia es un punto de silla. En G2 y G4 hay ms de un punto de tangencia.
En G2, los puntos x1 y x2 son mximos globales y el punto x3 es un mnimo local. En G4, el punto x5 es un
mximo local y el punto x6 es un mnimo local. Si la direccin hacia donde aumenta de valor la funcin objetivo
fuese la opuesta a la de los grcos, en lugar de mmimos deberamos hablar de mximos y en lugar de mximos
deberamos poner mnimos. El punto x4 seguira siendo un punto de silla.

G1. Mximo global en x0 : G2. Mximos globales en x1 y x2 :

4
 G3. Punto de silla en x4 : G4. Mximo local en x5 :

Observe que, cuando las curvas de nivel de la funcin objetivo son estrictamente convexas (o cncavas), a
lo sumo hay un punto de tangencia (punto crtico del lagrangiano) y ste punto necesariamente es un mximo
o un mnimo global, dependiendo de cual sea la direccin en la que aumenta de valor la funcin objetivo, ver
G1. Si las curvas de nivel de la funcin objetivo son convexas (o cncavas) aunque no estrictamente, podra
tenerse todo un intervalo de puntos de tangencia (soluciones de las CPO) que tambin sern mximos o mnimos
globales dependiendo de la direccin de aumento de la funcin objetivo.
Teorema 5. Sea x ; con 6= 0; un punto crtico del lagrangiano asociado a los problemas de optimizacin M0
y m0 . Suponga que las restricciones g 1 (x) = 0; : : : ; g m (x) = 0 son todas ellas lineales. Entonces:
a) Si f es cuasicncava, x es una solucin de M0 :
b) Si f es cuasiconvexa, x es una solucin de m0 :
c) Si f fuese estrictamente (cuasicncava o cuasiconvexa) a lo sumo habra una solucin. Si no fuese estric-
tamente (cuasicncava o cuasiconvexa), podra haber ms de una solucin pero, en este caso, seran innitas
soluciones formando un conjunto convexo.
Demostracin. En el caso de dos variables de decisin, recuerde que una funcin f (con derivadas parciales
positivas) es cuasicncava si y solo si sus curvas de nivel son convexas. Uniendo este resultado a los anlisis
grcos anteriores nos daran la demostracin de (a). Para el caso general con n variables y m restricciones
vase el apndice del nal de este captulo.
Cuando un problema de optimizacin del tipo M0 o m0 satisface las hiptesis del teorema anterior diremos
que es un problema convexo y abreviaremos por PC.
Ejemplo 3. Sea el problema de optimizacin
9
minx;y;z x2 + y + z 2 =
s. a: log(x + y) = 0
;
x + 2z = 8

Observe que la funcin log(x + y) no es lineal pero la restriccin log(x + y) = 0 es equivalente a x + y = 1 que
s es lineal. El lagrangiano asociado es

L(x; y; z; 1; 2) = x2 + y + z 2 1 (x + y 1) 2 (x + 2z 8) :

Las CPO sern 9 9

2x 1 2 =0 >
> 2x
1= 2 >
>
>
> >
>
1 1 = 0 = 1 = 1 =
2z 2 2 = 0 =) z = 2 :
>
> >
>
x+y =1 >
> x+y =1 >
>
; ;
x + 2z = 8 x + 2z = 8

5
De las ecuaciones 1 y 3 se tiene que z = 2x 1: Sustituyendo en la ecuacin 5, x + 2 (2x 1) = 8 de donde se
obtiene que x = 2: Luego (x ; y ; z ) = (2; 1; 3) ; con 1 = 1 y 2 = 3; es el nico punto crtico del lagrangiano
y, por tanto, nuestro nico candidato a solucin. Las restricciones son lineales y la funcin objetivo es convexa
(por tanto cuasiconvexa) pues su matriz hessiana es
0 1
2 0 0
Hf (x; y; z) = @ 0 0 0 A
0 0 2
que es una matriz SDP en todo punto. Luego, el punto (x ; y ; z ) = (2; 1; 3) es la solucin del problema de
optimizacin.
Ejemplo 4. Sean los problemas de optimizacin
max y minx;y x+y
:
s. a: x + 2y = 4
La funcin objetivo es lineal y por tanto ser cuasicncava y cuasiconvexa a la vez. La restriccin es lineal. Por
tanto, podremos usar el teorema 5. El lagrangiano es L(x; y; ) = x + y (x + 2y 4): Las CPO sern
@L
9 9
@x = 1 =0 >
= =1 =
@L
@y = 1 2 =0 ) = 1=2 :
>
; ;
@L
= x 2y + 4 = 0 x + 2y = 4
@

Luego, no hay puntos crticos del lagrangiano pues no puede ser a la vez 1 y 1=2: Por tanto, los problemas de
optimizacin planteados no tienen solucin.
Ejemplo 5. Sea el problema de optimizacin
maxx;y x3
:
s. a: x+y =4
El lagrangiano asociado es L(x; y; ) = x3 (x + y 4) : Las CPO seran
2
9
3x =0 =
=0 ) = 0; x = 0; y = 4:
;
x+y =4
Luego (x ; y ) = (0; 4) ; con = 0; es un punto crtico del lagrangiano. Como = 0; al punto (0; 4) debemos
tratarlo como una solucin interior (punto crtico de la funcin objetivo). Como la funcin objetivo f (x; y) = x3
no es cncava, no podremos concluir que (0; 4) sea una solucin (ni local ni global).

G5. Solucin grca ejemplo 5. G6. Solucin grca ejemplo 6.

6
Dibujando algunas curvas de nivel de la funcin objetivo se observa que el punto (0; 4) no es la solucin del
problema de optimizacin planteado, ver grco G5.
Ejemplo 6. Sea el problema de optimizacin

maxx;y x2 + y 2
:
s. a: x2 + 4y 2 = 16

El lagrangiano asociado es L(x; y; ) = x2 + y 2 x2 + 4y 2 = 6 : Las CPO sern

9 9
2x 2 x = 0 = x (1 )=0 =
2y 8 y = 0 ) y (1 4 ) = 0 :
; ;
x2 + 4y 2 = 16 x2 + 4y 2 = 16

De la primera ecuacin se tiene que, o bien x = 0 o bien = 1: Si x = 0; de la tercera ecuacin se tiene que
y = 2 y sustituyendo en la segunda, = 1=4: Si = 1; sutituyendo en la segunda ecuacin se tiene que y = 0
y sustitiyendo en la tercera, x = 4: Luego, tenemos 4 puntos crticos del lagrangiano: (0; 2) y (0; 2) con
= 1=4 y (4; 0) y ( 4; 0) con = 1: La restriccin no es lineal (la funcin objetivo tampoco es cuasicncava)
y, por tanto, no podremos usar el teorema 5. El conjunto factible es una elipse que es un conjunto acotado.
Luego, el teorema de Weierstrass nos asegura existencia de solucin que deber ser alguno de los puntos crticos.
Evaluando la funcin objetivo, f (x; y) = x2 + y 2 ; en los puntos crticos, se tiene que

f (0; 2) = f (0; 2) = 4 y f (4; 0) = f ( 4; 0) = 16:

Por tanto, el mximo valor se alcanza en los puntos (4; 0) y ( 4; 0) : Luego, el problema planteado tiene 2
soluciones en los puntos (4; 0) y ( 4; 0) : Aunque no preguntan por ello, los puntos (0; 2) y (0; 2) seran las
soluciones del problema de minimizacin. En el grco G6 puede ver la resolucin geomtrica del problema
(mximos globales puntos en rojo y mnimos globales puntos en verde).

4. Optimizacin con restricciones de no negatividad.

Es frecuente en economa que las funciones de inters solo estn bien denidas cuando las variables de
decisin son no negativas. Ahora, los problemas que queremos resolver son de la forma
9 9
maxx;y f (x; y) = minx;y f (x; y) =
+ +
s. a: g(x; y) = 0 (M0 ) y s. a: g(x; y) = 0 (m )
; ; 0
x 0; y 0 x 0; y 0

Las restricciones de no negatividad pueden generar esquinas en los conjuntos factibles (puntos de corte de la
restriccin g(x; y) = 0 con los ejes coordenados). Ahora, la solucin de M+ +
0 o m0 puede ser un punto de
tangencia (punto crtico del lagrangiano) o una de las esquinas del conjunto factible. En muchas ocasiones,
la funcin objetivo es cuasicncava (o cuasiconvexa) en R2+ y podremos emplear el teorema 5. Otras veces, al
aadir las restricciones de no negatividad, convertimos en conjuntos acotados a los conjuntos factibles y, por
tanto, el teorema de Weierstrass puede ayudarnos a encontrar la solucin. Veamos algunos ejemplos.
Ejemplo 7. Sean los problemas de optimizacin
9 9
maxx;y xy = minx;y xy =
s. a: x+y =2 (7A) s. a: xy + 4x + y = 32 (7B)
; ;
x 0; y 0 x 0; y 0

Los conjuntos factibles en (7A) y (7B) son cerrados y acotados (ver grcos G7 y G8) y la funcin objetivo es
continua. Luego, el teorema de Weierstrass garantiza la existencia de solucin. La solucin podra ser o bien

7
un punto crtico del lagrangiano (punto de tangencia) o bien una de las esquinas del conjunto factible. En el
problema (7A) el lagrangiano es L(x; y; ) = xy (x + y 2) y las CPO son
8
< y =0
x=y
x = 0 =)
: x+y =2
x+y =2

y la solucin ser el punto x = (1; 1) con = 1: Como la funcin objetivo es cuasicncava (Cobb-Douglas)
en R2+ y la restriccin es lineal, el punto x = (1; 1) ser la solucin del problema (7A). El lagrangiano para el
problema (7B) es L(x; y; ) = xy (xy + 4x + y 32) y las CPO son
8 (
< y (y + 4) = 0 y y+4
x = x+1 4x = y
x (x + 1) = 0 =) =)
: xy + 4x + y = 32 xy + 4x + y = 32
xy + 4x + y = 32

Sustituyendo y = 4x en la restriccin, se tiene la ecuacin x2 + 2x 8 = 0 cuyas soluciones son x = 4 y x = 2:

Como x 0; la nica vlida es x = 2 y por tanto y = 8: En (7B) la restriccin no es lineal y no podemos
emplear el teorema 5. Sin embargo, la curva xy + 4x + y = 32 es decreciente y corta a los ejes de coordenadas
en los puntos (0; 32) y (8; 0) : Por tanto, el conjunto factible es acotado y el teorema de Weierstrass garantiza la
existencia de solucin. Evaluando la funcin objetivo en los puntos candidatos (puntos crticos y esquinas) se
tiene, f (2; 8) = 16; f (0; 32) = 0 y f (8; 0) = 0: Por tanto el problema (13B) tiene dos soluciones en los puntos
(0; 32) y (8; 0) :

G7. Solucin del problema (7A). G8. Solucin del problema (7B).

5. Clculo de soluciones frontera en el caso general.

Sin prdida de generalidad, y para evitar complicaciones innecesarias, consideraremos conjuntos factibles
denidos por una nica restriccin. Pondremos " " si queremos calcular mximos y " " si queremos calcular
mnimos. Los problemas a resolver son

maxx f (x) minx f (x) +

(M ) o (m ).
s. a: g(x) 0 s. a: g(x) 0

Nos centraremos en el problema M . Primero buscaremos soluciones interiores, es decir, puntos crticos de
la funcin objetivo. Si la funcin fuese cncava, estos punto crticos sern las soluciones del problema M y
ya no sera necesario buscar soluciones frontera. Si la funcin objetivo es convexa, los puntos crticos de f
sern mnimos globales y, por tanto, no es necesario calcularlos pues no pueden ser soluciones de M . En estos
casos calcularamos directamente las soluciones frontera (puntos crticos del lagrangiano). Si la funcin f no

8
es ni cncava ni convexa, despus de calcular los candidatos a solucin interior, buscaramos los candidatos a
soluciones frontera.
Si x es un candidato a solucin frontera del problema M ser un punto crtico del lagrangiano y cumplir
que
rf (x ) = rg(x ); 6= 0:
Si x fuese una solucin local o global de M ; se tendra que f (x ) f (x); para todo punto x (cumpliendo
g(x) 0) al menos en un entorno del punto x : Como rg(x ) es perpendicular a la curva de nivel g(x) = 0 en
el punto x y es una direccin de aumento de g; se tendr que el vector rg(x ) apunta hacia fuera del conjunto
factible (ver grco G7).

G7. Calculo de soluciones frontera en M :

Si < 0; el vector rf (x ) apuntar hacia el interior del conjunto factible y se tendra que, movindonos
un poco hacia dentro del conjunto factible la funcin objetivo aumentara de valor, lo cual es absurdo con
el hecho de que x sea una solucin local o global de M . Por tanto, necesariamente > 0: Luego, de entre
todos los puntos crticos del lagrangiano (candidatos a soluciones del problema M0 ; solo pueden ser soluciones
de M aquellos que tengan > 0: Procediendo de manera anloga, se probara que para m+ tambin debe
ocurrir que > 0: Hemos probado el siguiente resultado.
Teorema 6. Si x es una solucin frontera local o global de M o m+ entonces x es un punto crtico del
lagrangiano con > 0:
Ejemplo 8. Sea el problema de optimizacin

maxx;y 2x2 y 2
2x + y 8

La funcin objetivo tiene un punto crtico en el punto (0; 0) pero no es factible (adems es un punto de silla).
Por tanto, no hay soluciones interiores. El lagrangiano es L (x; y; ) = 2x2 y 2 (8 2x y) y las CPO sern
9 9
4x + 2 = 0 = 2x = =
2y + = 0 =) 2y = :
; ;
2x + y = 8 2x + y = 8

De las dos primeras ecuaciones tenemos que x = y: Sutituyendo en la tercera ecuacin se obtiene el punto
(x ; y ) = (8; 8) y = 16 < 0: Por tanto, el punto (8; 8) no es candidato a solucin. Luego, el problema
de optimizacin dado no tiene solucin pues no hay candidatos ni interiores ni frontera.
Teorema 7. Sea x ; con > 0; un punto crtico del lagrangiano asociado a los problemas M y m+ :
a) Si f es cuasicncava y g es cuasiconvexa entonces x es una solucin (global) de M :
b) Si f es cuasiconvexa y g es cuasicncava entonces x es una solucin (global) de m+ :
c) Si f o g son estrictamente (cuasicncavas o cuasiconvexas), los problemas M y m+ tendrn a lo sumo una
solucin. Si f y g no son estrictamente (cuasicncavas o cuasiconvexas), los problemas M y m+ podran tener
ms de una solucin pero, en este caso, seran innitas soluciones formando un conjunto convexo.

9
Demostracin. Ver apndice.
Ejemplo 9. Sea el problema de optimizacin
minx;y x2 + y
:
2x + y 5
La funcin objetivo no tiene puntos crticos y no habr soluciones interiores. El lagrangiano es L (x; y; ) =
x2 + y (2x + y 5) y las CPO sern 9
2x 2 = 0 =
1 =0
;
2x + y = 5
cuya nica solucin es (x ; y ) = (1; 3) con = 1 > 0: Luego, si el problema dado tuviese solucin sta se
alcanzara en el punto (x ; y ) = (1; 3) : Como la funcin objetivo f (x; y) = x2 + y es convexa (y por tanto
cuasiconvexa) y la funcin que dene la restriccin g(x; y) = 2x + y 5 es lineal (y por tanto cuasicncava), se
tendr que la solucin del problema de optimizacin planteado se alcanza en el punto (1; 3) :
Observacin 6. El teorema anterior lo hemos establecido para el caso de una nica restriccin. Si el conjunto
factible viene denido por m restricciones, se tendra que, si el conjunto factible S es convexo (con restricciones
" ") y f es cuasicncava, los puntos crticos del lagrangiano, con i 0 y alguno distinto de cero, (para que
no sea solucin interior), son soluciones el problema M : Si el conjunto factible S es convexo (con restricciones
" ") y f es cuasiconvexa, los puntos crticos del lagrangiano, con i 0 y alguno distinto de cero, son
soluciones el problema m+ : Si f es estrictamente (cuasicncava o cuasiconvexa) o S es estrictamente convexo,
a lo sumo habr una solucin.
Siempre que sea posible utilizar el teorema 7 o el caso general dado en la observacin 6, diremos que el
problema de optimizacin es convexo y abreviaremos por PC.
Observacin 7. En los resultados anteriores, siempre se maximiza en conjuntos del tipo S y se minimiza
en conjuntos del tipo S+ : De esta forma, tanto en los problemas M como en los m+ los multiplicadores de
Lagrange son positivos. Si en un problema de maximizacin se tienen restricciones " "; podemos actuar de
dos maneras: (1) cambiar el signo y convertirla en " " o (2) mantener " " pero ahora ser negativo.
Anlogamente para los problemas de minimizacin.
Ejemplo 10. Sea el problema de optimizacin
9
maxx;y 4x y 2 =
s. a: y x :
;
x+y 2
El conjunto factible es convexo (pues viene denido por restricciones lineales). La funcin objetivo f (x; y) =
4x y 2 es cncava y estrictamente cuasicncava pues
0 0 4
jH f (x; y)j = 0 2 2y = 16 > 0; 8 (x; y) 2 R2 :
4 2y 0
Luego el problema es PC y como f (x; y) es estrictamente cuasicncava, se tendr que el problema dado tiene a
lo sumo una solucin. La solucin no puede ser interior pues la funcin objetivo no tiene puntos crticos. Por
tanto, si hubiese solucin, sta debe estar en la frontera del conjunto. Las soluciones frontera podran estar
saturando la primera restriccin, la segunda o ambas. Si satura la primera restriccin, el lagrangiano sera
L (x; y; 1 ) = 4x y 2 1 (x y) y las CPO sern
9
4 1 =0 =
1 =4>0
2y + 1 = 0 =) :
; y = 2 =) x = 2
x=y

10
Luego, el punto (2; 2) ; 1 > 0; es un punto crtico del lagrangiano factible (pues 2+2 > 2) y, como el problema es
PC, ser una solucin. Como la funcin objetivo es estrictamente cuasicncava, no puede haber ms soluciones.
Por tanto, no es necesario buscar soluciones saturando las otras restricciones pues no las puede haber y la
nica solucin del problema de optimizacin considerado es (x ; y ) = (2; 2): Siempre que sea viable, en los
problemas PC con demasiadas restricciones haremos previamente un esbozo grco para saber, de antemano,
que restricciones se van a saturar. De esta forma, comenzaremos nuestro anlisis considerando las restricciones
que intuimos se van a saturar.

6. Condiciones de Kuhn-Tucker.
Para la resolucin de los problemas M y m+ podramos poner las condiciones necesarias (CPO) de otra
manera. Si solo tenemos una restriccin, el lagrangiano ser L(x; ) = f (x) g(x): Si el punto x es una
solucin local o global del problema M o (m+ ) entonces existe tal que,
(1) rx L(x ; ) = 0:
(2) g(x ) = 0:
(3) 0:
(4) El punto x es factible, es decir, g(x ) b para (M ) o g(x ) b para (m+ ).
Las condiciones anteriores se conocen con el nombre de condiciones necesarias de Kuhn-Tucker. Observe que
de la condicin (2) se tiene que o bien = 0 (solucin interior) o bien 6= 0 (solucin frontera) y en este
caso > 0: Si hubiese m restricciones las condiciones seran idnticas pero entendiendo a g y como vectores.
Ahora, g = g 1 ; : : : ; g m y = ( 1 ; : : : ; m ) : En este caso el lagrangiano sera
1 m
L(x; 1; : : : ; m) = f (x) 1g (x) mg (x)

y las condiciones necesarias de Kuhn-Tucker seran

(1) rx L(x ; ) = 0:
(2) 1 g 1 (x ) = 0; : : : ; m g m (x ) = 0:
(3) 1 0; : : : ; m 0
(4) El punto x es factible.
El lector interesado puede resolver los ejemplos anteriores utilizando las condiciones necesarias de Kuhn-Tucker
(KT).
En Economa, suelen tenerse restricciones de no negatividad. Las condiciones de KT pueden amoldarse a
este caso concreto y establecerse de manera ms simple. Lo haremos para el problema
9
maxx f (x) =
s. a: g(x) 0 .
;
x 0

b
Sea el lagrangiano L(x; ; 1; : : : ; n) = f (x) g(x) 1( x1 ) n( xn ) las condiciones de KT sern
@f @f
(1) @xi @xi + i = 0; i = 1; : : : ; n:
(2) g(x) = 0; 1 x1 = 0:::; n xn = 0:
(3) 0; 1 0; : : : ; n 0:
(4) El punto x es factible.
Cuando xi > 0; se tendr i = 0: Si xi = 0 se tiene i 0: Si se considera el lagrangiano L(x; ) = f (x) g(x);
las condiciones anteriores pueden ponerse en la forma
(1) rx L(x; ) 0 (= 0; si xi > 0) :
(2) g(x) = 0:
(3) 0:

11
 (4) g(x) 0; x 0:

7. Esttica comparativa. El teorema de la envolvente.

Sea el problema de optimizacin en dos variables

maxx f (x; )
(M )
s. a: g(x; ) 0

donde es un vector de parmetros. La solucin, si la hubise, de M depender de los parmetros ; es decir,

tendremos x1 = x1 ( ) y x2 = x2 ( ): La funcin valor asociada a un problema de optimizacin, que denotaremos
por V ( ); se dene como el valor de la funcin objetivo evaluada en el ptimo, es decir

V ( ) = f (x ( ); ):

Si la funcin objetivo representa un benecio, la funcin V ( ) nos dar el benecio obtenido supuesto que
el agente es optimizador. Si estamos minimizando costes, V ( ) ser el coste de la alternativa ms barata.
Si variasen, ligeramente, algunas de las condidiones iniciales (los parmetros recogidos en el vector ; en qu
medida se vern afectados los benecios, costes, etc?
Teorema de la envolvente. Sea x ( ) la solucin del problema (M ) con multiplicador ( ) : Entonces la
derivada de la funcin valor respecto del parmetro k es la derivada de la funcin lagrangiana respecto de k
evaluada posteriormente en la solucin (x ( ); ( )) ; es decir,

@V @L
= :
@ k @ k (x ; )

Demostracin. Como V ( ) = f (x ( ); ); derivando respecto de k se tiene

n
X @f @x
@V @f
= + :
@ k i=1
@xi @ k @ k

De las CPO se tiene que

@f @g
= ; i = 1; : : : ; n:
@xi @xi
Por tanto,
Xn
@V @g @x @f
= + :
@ k i=1
@xi @ k @ k
Si = 0; se tendra @V =@ k = @f =@ k: Si > 0; g(x ( ); ) = 0; 8 : Derivando respecto de k se tendr
Xn Xn
@g @x @g @g @x @g
+ = 0 =) = :
i=1
@xi @ k @ k i=1
@xi @ k @ k

Por tanto
@V @f @g @L
= = :
@ k @ k @ k @ k

8. Interpretacin econmica del multiplicador de Lagrange.

Consideremos una empresa que produce el bien Y segn la funcin de produccin y = f (L; K); siendo
L y K las cantidades empleadas de los factores trabajo y capital cuyos precios son w y r respectivamente.

12
Supongamos que la empresa es minimizadora de costes, es decir, las cantidades empleadas de factores para
producir una cantidad y de bien son las soluciones del problema de optimizacin

minK;L rK + wL
:
s. a: f (K; L) = y

El lagrangiano sera L (K; L; r; w; y) = rK + wL (f (K; L) y) : Las CPO sern

9
r fK (K; L) = 0 =
w fL (K; L) = 0 :
;
f (K; L) = y

Sea (K ; L ) la solucin del problema, con multiplicador de Lagrange : La funcin valor (funcin de coste),
asociada al problema de optimizacin ser V (r; w; y) = rK + wL ; donde K y L son funciones diferenciables
de los parmetros (r; w; y): Usando el teorema de la envolvente se tiene que @V =@y = : Supuesto que las
productividades marginales son positivas, de las CPO se tiene que > 0: Ahora, podemos poner que V '
y: Si consideramos y = 1; tenemos que V ' : Por tanto, si aumentamos la produccin en una unidad
el coste aumentara en unidades monetarias. Luego, es lo que le cuesta a la empresa una unidad adicional
de producto, es decir, es el precio en la sombra del bien Y:
Veamos otra manera de justicar lo anterior. Supongamos que la empresa anterior est obligada a producir
y0 unidades del bien Y: Si produce una cantidad inferior o superior a y0 la empresa sera cerrada inmediatamente.
Sea 0 el multiplicador de Lagrange asociado al nivel de producto y0 : Suponga que el Estado ja un precio p
para el bien Y: Si fuese p > 0 ; produciendo una unidad adicional de bien, el benecio aumentara en p 0
u.m. Si fuese p < 0 ; produciendo una unidad menos, el benecio aumentara en 0 p u.m. Por tanto, si
el Estado quiere que la empresa cumpla con la producin y0 establecida, el precio del bien debera jarlo en
p = 0 : Este es el motivo por el que al multiplicador de Lagrange se le llama precio sombra.

APENDICE.
Sean los problemas de optimizacin

maxx f (x) minx f (x)

(M) o (m),
s. a: x2S Rn s. a: x2S Rn

Si el conjunto factible S es convexo y f es cuasicncava en S; diremos que el problema (M) est en el contexto
de la programacin convexa. Si f fuese cuasiconvexa en un conjunto S convexo, el problema (m) estar en el
contexto de la programacin convexa. En ambos casos diremos que los problemas de optimizacin son PC.
Todos los resultados de este apndice los probaremos para el problema (M).
Teorema local-global. Si x 2 S es una solucin local de un problema PC entonces x es una solucin global.
Demostracin. Sea x una solucin local de (M). Sea k = f (x ) y supongamos que x no es una solucin
global de (M). En este caso, existe x1 2 S tal que f x1 > k : Como S es convexo, todos los puntos del
segmento formado por x y x1 tambin estarn en el conjunto S: Adems, como f es cuasicncava, el conjunto

S+ = fx 2 S : f (x) k g

ser convexo. Como los puntos x y x1 pertenecen al conjunto S+ ; se tendr que todos los puntos del segmento
formado por x y x1 tambin estn en S+ : Luego, habra puntos x arbitrariamente prximos a x donde
f (x) > k y, por tanto, el punto x no podra ser un ptimo local.
Para probar lo anterior hemos supuesto que los conjuntos de nivel de f no son gordos, es decir, son curvas
en el caso de dos variables.
Corolario 1. El conjunto de soluciones de un problema de optimizacin PC siempre es un conjunto convexo.

13
Demostracin. Sea x una solucin de (M) y sea k = f (x ): El conjunto de soluciones de (M) ser el conjunto

C = fx 2 S : f (x) = k g :

Como x es un mximo global, k ser el mayor valor que puede tomar f en el conjunto S: Por tanto,

fx 2 S : f (x) > k g

es un conjunto vaco. Luego, C = fx 2 S : f (x) k g : Como f es cuasicncava, el conjunto de soluciones C

ser convexo.
Corolario 2. Dado un problema de optimizacin de tipo PC se tiene que:
a) Si f es estrictamente (cuasicncava o cuasiconvexa) entonces a lo sumo hay una solucin.
b) Si S es un conjunto estrictamente convexo y f no tiene puntos crticos en S; entonces a lo sumo hay una
solucin.
Demostracin. Supongamos que x1 y x2 son soluciones del problema (M) y sea k = f (x1 ) = f (x2 ) el valor
ptimo. Entonces, del corolario 1, se tiene que todos los puntos del segmento formado por x1 y x2 tambin son
soluciones. Luego, la curva de nivel f (x) = k contiene tramos rectos y, por tanto, la funcin f no podra ser
estrictamente cuasicncava y tenemos probada la parte (a). Como S es estrictamente convexo y las soluciones
estn en la frontera, no ser posible que contenga un segmento de soluciones y tenemos probado (b).
Corolario 3. Dado un problema de optimizacin de tipo PC se tiene que o bien no tiene solucin, o bien
tiene una nica solucin o bien tiene innitas soluciones formando un conjunto convexo. Si f es estrictamente
(cuasicncava o cuasiconvexa) o S un conjunto estrictamente convexo (y f no tiene puntos crticos en S) entonces
a lo sumo hay una solucin.
Demostracin. Consecuencia inmediata de los corolarios anteriores.
Demostracin teorema 5. La demostracin de (b) es anloga a la parte (a). La parte (c) es consecuencia
inmediata del corolario 3. Probaremos, por tanto, solo la parte (a). Como las restricciones son lineales, el
conjunto factible S ser un conjunto convexo y el problema (M0 ) ser un problema PC. Haciendo un desarrollo
de Taylor de orden dos de la funcin f en el punto x se tiene que
1
f (x) ' f (x ) + rf (x ) (x x ) + (x x )T Hf (x )(x x ); (2)
2
para x prximos a x : Para evitar complicaciones, consideremos una nica restriccin g(x) = 0: Como x es un
punto crtico del lagrangiano, se tiene que

rx L (x ; ) = 0 =) rf (x ) rg (x ) = 0 =) rf (x ) = rg (x ) :

y sustituyendo en (2) quedara

1
f (x) ' f (x ) + rg (x ) (x x ) + (x x )T Hf (x )(x x ): (3)
2
Si x es un punto factible, como g(x) = 0 es lineal (una recta en el caso de dos variables), se tendr que el vector
x x est contenido en la curva g(x) = 0: Como rg (x ) es perpendicular a la curva de nivel g(x) = 0; se
tendr que rg(x ) (x x ) = 0 y sustituyendo en (3),
1
f (x) f (x ) ' (x x )T Hf (x )(x x );
2
para x factibles prximos a x : Como rg(x ) (x x ) = 0; el vector x x ser de la forma ( g2 (x ); g1 (x )) ;
en el caso de dos variables, y por tanto,
T
(x x )T Hf (x )(x x ) = ( g2 (x ); g1 (x )) Hf (x ) ( g2 (x ); g1 (x )) :

14
De las CPO se tiene que f1 (x ) = g1 (x ) y f2 (x ) = g2 (x ): Luego,
2
1 f11 f12 f2
(x x )T Hf (x )(x x ) = ( f2 ; f1 ) =
f12 f22 f1
2 2
1 1
= f11 f22 2f12 f1 f2 + f22 f12 = jH f (x )j

donde H f (x ) es el hessiano orlado de f: Por tanto,

2
1 1
f (x) f (x ) ' jH f (x )j ;
2

para x factibles prximos a x : Como f es cuasicncava, jH f (x)j 0; 8x: Para poder concluir con esta
demostracin vamos a aadir una hiptesis que, aunque en general no es necesaria, har que la demostracin
sea ms fcil. Supondremos que jH f (x )j > 0: En este caso f (x) f (x ) < 0; para x factibles prximos a x :
Luego, x es una solucin local de M0 y, usando el teorema local-global, ser una solucin (global) de M0 :
Teorema (anlisis local en problemas con restricciones de igualdad). Sea x = (x1 ; x2 ) ; con 6= 0; un
punto crtico del lagrangiano asociado a los problemas (M0 ) y (m0 ). Sea Hx; L (x; ) el hessiano del lagrangiano
dado por 0 1
f11 g11 f12 g12 g1
Hx; L (x; ) = @ f21 g21 f22 g22 g2 A
g1 g2 0
a) Si x es una solucin local de (M0 ) entonces jHx; L (x ; )j 0:
b) Si jHx; L (x ; )j > 0 entonces x es una solucin local de (M0 ).
c) Si x es una solucin local de (m0 ) entonces jHx; L (x ; )j 0:
d) Si jHx; L (x ; )j < 0 entonces x es una solucin local de (m0 ).
Demostracin. Haciendo un desarrollo de Taylor de orden dos en el punto x de la funcin L (x; ) tendramos
1
L (x; ) ' L (x ; ) + rx L (x ; ) (x x ) + (x x )T Hx L (x ; ) (x x )=
2
1
= L (x ; ) + (x x )T Hx L (x ; ) (x x )
2
pues x es un punto crtico del lagrangiano. Si x es un punto factible se tendr que g(x) = 0 y, por tanto,
L (x; ) = f (x): Luego, tendremos que
1
f (x) f (x ) ' (x x )T Hx L (x ; ) (x x ):
2
Para x factibles, sucientemente prximos a x ; se tendr que el vector x x es perpendicular a rg (x ) y
podremos poner x x = ( g2 (x ); g1 (x )) : Entonces, en un entorno del punto x ; se tendr que

1 f11 g11 f12 g12 g2

f (x) f (x ) ' ( g2 ; g1 ) =
2 f21 g21 f22 g22 g1
1
= 2g1 g2 (f12 g12 ) g12 (f22 g22 ) g22 (f11 g11 ) =
2
f11 g11 f12 g12 g1
1 1
= f21 g21 f22 g22 g2 = jHx; L (x ; )j :
2 2
g1 g2 0

15
Si jHx; L (x ; )j > 0 entonces f (x) f (x ) < 0 en un entorno del punto x y, por tanto, x ser una
solucin local de (M0 ). Luego tenemos probada la parte (b). Si x es una solucin local de (M0 ) se tendr
que f (x) f (x ) 0 en un entorno de x : Si jHx; L (x ; )j < 0; tendramos que f (x) f (x ) > 0 para x
sucientemente prximosa x y el punto x no podra ser una solucin local de (M0 ). Luego necesariamente
jHx; L (x ; )j 0 y queda probada la parte (a). Los resultados en (c) y (d) se prueban de manera anloga.
Demostracin del teorema 7. Probaremos solo la parte (a) para el caso de dos variables. Sea Hx; L (x; )
el hessiano del lagrangiano. Su determinante ser

f11 g11 f12 g12 g1

jHx; L (x; )j = f21 g21 f22 g22 g2 = 2g1 g2 (f12 g12 ) g12 (f22 g22 ) g22 (f11 g11 ) =
g1 g2 0
= 2g1 g2 g12 g12 g22 g22 g11 + 2g1 g2 f12 g12 f22 g22 f11 =
= jH g (x)j + 2g1 g2 f12 g12 f22 g22 f11 :

Como x es un punto crtico del lagrangiano, se tiene que g1 = f1 = y g2 = f2 = en el punto x : Entonces,

2
1 1
2g1 g2 f12 g12 f22 g22 f11 = 2 2f1 f2 f12 f12 f22 f22 f11 = jH f (x )j :

Por tanto,
1
jHx; L (x ; )j = jH g(x )j + 2 jH f (x )j :
( )
Como g es cuasiconvexa, se tiene que jH g(x )j 0: Como f es cuasicncava, jH f (x )j 0: Entonces,
jHx; L (x ; )j 0: Para poder concluir con esta demostracin vamos a aadir una hiptesis que, aunque en
general no es necesaria, har que la demostracin sea ms fcil. Supondremos que o bien jH g(x )j < 0 o bien
jH f (x )j > 0: En este caso tendremos que jHx; L (x ; )j > 0 y, por tanto, el punto x es una solucin local
del problema M0 : Como > 0; se tendr que, movindonos un poco hacia el interior del conjunto factible
la funcin objetivo disminuir de valor. Luego, x es una solucin local del problema M . Como el problema
es PC, usando el teorema local-global, tendremos que el punto x es una solucin global del problema M .
En la demostracin anterior hemos probado que cuando f es cuasicncava y g es cuasiconvexa, con > 0;
se tiene que
1
jHx; L (x; )j = jH g(x)j + 2 jH f (x)j 0; 8x 2 S:
( )
Lo cual implica que el punto crtico del lagrangiano x es una solucin (global) del problema M : Como x
est en la frontera del conjunto factible, se tendr que x es una solucin (global) del problema M0 . Luego,
la condicin f es cuasicncava y g es cuasiconvexa con > 0" es tambin una condicin suciente para el
problema M0 . Anlogos resultados se obtendran con los problemas m+ y m0 :
Observacin. Todas las condiciones establecidas en trminos de determinantes de hessianos orlados solo
sirven para el caso de dos variables. En el caso general, estas condiciones son algo ms complejas y no las
consideraremos en estas notas.

16