CAPÍTULO 6.

OPTIMIZACIÓN CON RESTRICCIONES

ELEMENTOS DEL PROGRAMA DE OPTIMIZACIÓN

− Función objetivo: Se trata de la función f a optimizar: f : D  n
 .
− Conjunto factible F: Es el conjunto de puntos del dominio de la función que verifican
un conjunto de restricciones definidas en el problema de optimización, que pueden
ser de igualdad o desigualdad.

1. DOS VARIABLES Y UNA RESTRICCIÓN DE IGUALDAD

Problema de optimización
Max (o Min): z  f ( x, y)
Sujeta a: g ( x, y)  c

Interpretación geométrica

(Editado de Martínez F, 2005)

Pendiente de la tangente en el Pendiente de la tangente a la


punto B a la curva g ( x, y )  c curva de nivel de f en el punto B

f x ( x, y ) g ( x, y )
 x
f y ( x, y ) g y ( x, y )

Nota. Una condición necesaria para que un punto ( x, y) resuelva el problema de

maximización (o minimización) es que ( x, y) satisfaga la ecuación anterior y g ( x, y)  c .
De este modo se tiene dos ecuaciones que permiten determinar las incógnitas x y y.
Ejemplo. Max f ( x, y)  x  y sujeta a g ( x, y)  x  y  1 .
2

Conjunto factible:

F  {( x, y)  2
: x 2  y  1}

Solución:

f x ( x, y ) g ( x, y )
 x x2  y  1
f y ( x, y ) g y ( x, y ) 2
1
1 2x    y 1
 2
1 1 3
1 y
x 4
2

2. EL MÉTODO DE LOS MULTIPLICADORES DE LAGRANGE

El método lagrangiano. Para hallar las soluciones del problema

Max (o Min): z  f ( x, y)
Sujeta a: g ( x, y)  c

se procede así:
1. Escribir la función de Lagrange
L( x, y,  )  f ( x, y)   ( g ( x, y)  c)
donde  se denomina multiplicador de Lagrange.

2. Derivar L con respecto a x e y, e igualar a 0 las parciales.

3. Escribir el sistema formado por las dos ecuaciones del paso anterior junto con la
restricción:
f x ( x, y )   g x ( x, y )
f y ( x , y )   g y ( x, y )
g ( x, y )  c

4. Resolver el sistema de ecuaciones en las tres incógnitas x, y y  .

Nota. El paso 2 y 3 puede escribirse también como L( x, y,  )  0 .

Ejemplo. Resolver el problema

Max (min): f ( x, y)  x  y
2 2

Sujeta a: x  xy  y  3
2 2

Solución. Función de Lagrange

L( x, y,  )  x 2  y 2   ( x 2  xy  y 2  3)

Sistema de ecuaciones para este caso

Lx ( x, y,  )  2 x   (2 x  y )  0 (1)
L y ( x, y ,  )  2 y   ( x  2 y )  0 (2)
x 2  xy  y 2  3 (3)

Para resolver el sistema se suman las ecuaciones (1) y (2).

2 x   (2 x  y )  0
2 y   ( x  2 y)  0
2( x  y )  3 ( x  y )  0
(2  3 )( x  y )  0

Opción 1. Si (2  3 )  0 , entonces   2 3 . Sustituyendo este valor de  en (1)

2
2 x  (2 x  y )  0
3
2 2
x y0
3 3
yx

Luego, reemplazando y = x en (3) se tiene que

x 2  x( x)  x 2  3
3x2  3
x  1  y

Existen dos candidatos a solución ( x, y,  )  ( 1, 1, 2 3) y ( x, y,  )  (1, 1, 2 3) .

Opción 2. Si ( x  y)  0 , entonces y   x . Reemplazando en (3) se tiene que

x 2  x(  x)  (  x) 2  3
x2  3
x 3  y 3

Sustituyendo en (1) los valores de x e y, se tiene que el valor de  es

2 3   (2 3  3)  0 2 3   (2 3  3)  0
3  2 3 3  2 3
2 2

Existen dos candidatos más ( x, y,  )  ( 3,  3, 2) y ( x, y,  )  ( 3, 3, 2) . En total

se tienen 4 puntos ( x, y) que pueden resolver el sistema. Evaluando la función en estos
puntos
f (1, 1)  2  f (1, 1) , f ( 3,  3)  6  f ( 3, 3)

De aquí se deduce que ( x, y)  (1,1) y ( x, y)  (1, 1) resuelven el problema de

minimización, mientras que ( x, y)  ( 3,  3) y ( x, y)  ( 3, 3) resuelven el
problema de maximización.

Nota. Dado que la función f ( x, y)  x  y es continua y el conjunto de puntos que

2 2

verifican x  xy  y  3 es acotado, se garantiza que el problema tiene soluciones.

2 2
Interpretación económica del multiplicador de Lagrange. Dado el problema de
optimización
Max (o min): z  f ( x, y)
Sujeta a: g ( x, y)  c

sea el punto P  ( x0 , y0 ) la solución del problema, es decir un máximo o mínimo restringido.


El valor de la función en este punto viene dado por z  f ( x0 , y0 ) . z  depende del valor de
c en la restricción g ( x, y)  c , así un cambio en c se traduce en una variación en el valor
óptimo z  de la función.

El multiplicador de Lagrange  mide la tasa de cambio del valor óptimo z  de la función

objetivo cuando la constante de la restricción c cambia

dz 

dc

En otras palabras,  es aproximadamente el incremento que se produce en el óptimo de

la función objetivo cuando el parámetro c se incrementa en 1 unidad.

Nota. La variación del óptimo z  ante una variación infinitesimal del parámetro c está dada
aproximadamente por:
dz 

z   c    c
dc

3. DEMOSTRACIÓN ANALÍTICA DEL MÉTODO LAGRANGIANO

Nota. Existen problemas de optimización en los cuales se pueden producir inconvenientes

al momento de resolver con el método de los multiplicadores de Lagrange.

Ejemplo.
Max: f ( x, y)  2 x  3 y
Sujeta a: x  y 5

Solución. La función de Lagrange es L( x, y,  )  2 x  3 y    x  y  5 .

Condiciones para que ( x, y) sea una solución del problema de optimización

 1 
(1) Lx ( x, y,  )  2   0  x
2 x 4
1 
(2) L y ( x, y ,  )  3   0  y
2 y 6
(3) x  y 5

Sustituyendo x  4 y y   6 en (3) se obtiene que

 
 5 12 12
4 6 x y
4 6
5
5 x9 y4
12
  12
El método lagrangiano indica que ( x, y)  (9,4) es una solución del problema de
optimización. Además, f (9,4)  2(9)  3(4)  30 . Sin embargo, si se toma el punto
( x, y)  (25,0) , éste también satisface la restricción y f (25,0)  2(25)  3(0)  50 . Por lo
tanto (9,4) no resuelve el problema.

Curvas de nivel de f ( x, y)  2 x  3 y :

Analizando las curvas de nivel de la función f ( x, y)  2 x  3 y se observa un mínimo en el

punto P  (9,4) , f (9,4)  30 . El máximo se alcanza en el punto frontera (0,25) , con
f (0,25)  75 . Este punto es indetectable usando el método de los multiplicadores de
Lagrange.
Teorema de Lagrange. Suponga que f ( x, y) y g ( x, y) tienen derivadas parciales continuas
en un dominio A del plano xy y que ( x0 , y0 ) es un punto interior de A y un óptimo local para
f ( x, y) sujeta a la restricción g ( x, y )  c . Suponga además que no se anulan a la vez
g x ( x0 , y0 ) y g y ( x0 , y0 ) . Existe un número único  tal que la función de Lagrange

L( x, y)  f ( x, y)   ( g ( x, y)  c)

tiene un punto estacionario en ( x0 , y0 ) .

4. CONDICIONES SUFICIENTES

Problema de optimización

Max (o Min): z  f ( x, y)
Sujeta a: g ( x, y)  c

Suficiencia global. Suponga que las funciones f ( x, y) y g ( x, y) del problema de

2
optimización son continuamente diferenciables en un conjunto convexo A de . Y sea
( x0 , y0 )  A un punto estacionario para la función lagrangiana

L( x, y,  )  f ( x, y)   ( g ( x, y)  c)

Suponga además que g ( x0 , y0 )  c . Entonces

− L( x, y,  ) cóncava  ( x0 , y0 ) resuelve el problema de maximización.

− L( x, y,  ) convexa  ( x0 , y0 ) resuelve el problema de minimización.

Condiciones suficientes locales. Una condición suficiente para que ( x0 , y0 ) resuelva el

problema de optimización es que satisfaga las condiciones de primer orden

f x ( x, y)   g x ( x, y)  0 f y ( x, y)   g y ( x, y)  0

y, además que el hessiano ampliado D( x0 , y0 , 0 ) sea  0 en el caso de maximización y

 0 en el de minimización.
 0 g x ( x, y ) g y ( x, y )
D( x0 , y0 , 0 )  g x ( x, y ) Lxx ( x, y,  ) Lxy ( x, y,  )
g y ( x, y ) Lyx ( x, y,  ) Lyy ( x, y,  )
( x0 , y0 ,0 )

0 g x ( x0 , y0 ) g y ( x0 , y0 )
D( x0 , y0 , 0 )  g x ( x0 , y0 ) f xx ( x0 , y0 )  0 g xx ( x0 , y0 ) f xy ( x0 , y0 )  0 g xy ( x0 , y0 )
g y ( x0 , y0 ) f yx ( x0 , y0 )  0 g yx ( x0 , y0 ) f yy ( x0 , y0 )  0 g yy ( x0 , y0 )

Ejemplo. Estudie los óptimos del problema de optimización restringida dado por:

Opt. f ( x, y )  xy
s.a 2x  y  4

Solución. La función de Lagrange es

L( x, y,  )  xy   [2 x  y  4]

Calculando el gradiente de la función de Lagrange e igualando al vector cero para hallar

los puntos críticos.

 Lx  y  2  0

L ( x , y ,  )  0   L y  x    0

 2x  y  4

Despejando x y y de la primera y segunda ecuación, y reemplazando en la tercera ecuación

y  2 2  2  4
→
x  1

Por lo tanto x  1, y  2 . Así, x0  (1, 2) es el punto crítico del problema con

multiplicador de Lagrange asociado 0  1 .

Se calcula el hessiano ampliado D( x0 , y0 , 0 ) .

g x ( x, y)  2 g y ( x, y )  1
Lxx ( x, y,  )  0 Lxy ( x, y,  )  Lxy ( x, y,  )  1 Lyy ( x, y,  )  0
 0 2 1
D(1, 2, 1)  2 0 1  (0  2  2)  (0  0  0)  4
1 1 0

Como D(1, 2, 1)  4 , se deduce que el punto (1, 2) es un máximo local y su valor máximo
es f (1, 2)  1  2  2 .

5. PROBLEMAS LAGRANGIANOS MÁS GENERALES

Condición necesaria de primer orden para la existencia de óptimos locales

Sea el problema de optimización restringida dado por:

Opt. z  f ( x )
s.a g1 ( x )  c1
g 2 ( x )  c2

g m ( x )  cm

donde f , g1, , gm  C1 ( D) y x  ( x1 , x2 , , xn ) .
La función de Lagrange L x ,    está definida
 
L x ,   f ( x )   1  g1 ( x )  c1    2  g 2 ( x )  c2     m  g m ( x )  cm 

L  x,    f ( x )     g ( x )  c 
m

i i i
i 1

donde    1 , 2 , , m  .

Sea x0 un óptimo local del problema de optimización, entonces existe números reales 0
únicos tal que
 
L x0 , 0  0

donde 0   10 , 20 , , m0  . Es decir

L f g
 
m
x0 , 0   x0     0i i  x0   0, j  1, 2, ,n
x j x j i 1 x j
gi  x0   ci i  1, 2, , m

Se tiene por lo tanto un sistema de n  m ecuaciones con n  m incógnitas

( x1 , , xn , 1 , , m ) . A cualquier punto x0 que verifique las condiciones anteriores se le
denomina punto crítico del problema y a 0   10 , 20 , , m0  , multiplicadores de Lagrange

asociados al punto crítico x0 .

Nota. Un punto crítico no es necesariamente un óptimo local del problema de optimización.

Si en un punto crítico no hay un óptimo local, se dice que el punto es un punto de silla del
programa de optimización.

Ejemplo. Estudie los puntos críticos del problema de optimización restringida dado por:

Opt. f ( x, y, z )  x 2  2 y 2  z 2
s.a x  y  0
y  z 1

Función de Lagrange

L( x, y, z, 1, 2 )  x2  2 y 2  z 2  1 ( x  y)  2 ( y  z  1)
Un punto crítico del problema de optimización ha de cumplir la condición:

L  x, y, z,  1, 2   0

es decir

Lx  2 x  1  0
Ly  4 y  1  2  0
Lz  2 z  2  0
x y0
y  z 1

Despejando  1 de la primera ecuación y  2 de la tercera y sustituyendo en la segunda

ecuación
1  2 x 4 y  2x  2z  0
→
2  2 z 2y  x  z  0

Por lo tanto, juntando esta ecuación con las ecuaciones cuarta y quita nos queda el sistema

2y  x  z  0
x y0
y  z 1

Despejando x de la segunda ecuación y z de la tercera ecuación de este nuevo sistema y

reemplazando en la primera

2 y  ( y )  ( y  1)  0
x  y
→ 2y  1  0
z  y 1
y  1 2

1 1 3
Por lo tanto x  1 2, y   1 2, z  3 2 . De esta forma, 0  ,  ,   es el punto
x 
2 2 2
crítico del problema con multiplicadores de Lagrange asociados 0    1,  2   1, 3 .
Condiciones suficientes de segundo orden para la existencia de óptimos locales

Condición suficiente fuerte. Sea x0 un punto crítico del problema de optimización con
multiplicador de Lagrange asociado 0 y f , g  C ( D) . Considere la matriz hessiana
2

 
H  L  x0 , 0 de la función de Lagrange L respecto de x en el punto x0 con multiplicador

0 :

 Lx1 x1 Lx1x2 Lx1 xn 

 
 Lx x Lx2 x2 Lx2 xn 
 
H  L  x0 , 0   2 1 
 
 Lx x Lxn x2 Lxn xn 
 n1

  es definida positiva, entonces, x

 Si H  L  x0 , 0 0 es un mínimo local restringido.

 Si H  L   x ,   es definida negativa, entonces, x

0 0 0 es un máximo local restringido.

Utilizando el criterio de los menores principales se tiene, por tanto, que:

 Si los menores principales son todos positivos: 1  0,  2  0, , n  0 ,

entonces x0 es un mínimo local.

 Si los menores principales van alternando el signo, siendo el primero negativo:

1  0, 2  0, , (1)n n  0 , entonces x0 es un máximo local.

Ejemplo. Estudie el problema de optimización restringida dado por:

Opt. f ( x, y, z )  x 2  y 2  z 2
s.a x  y  z  0
2x  y  2z  1

Función de Lagrange

L( x, y, z, 1, 2 )  x2  y 2  z 2  1 ( x  y  z)  2 (2 x  y  2 z  1)

Condición necesaria L  x, y, z,  1, 2   0
 1 Lx  2 x  1  22  0
2 Ly  2 y  1  2  0
3 Lz  2 z  1  22  0
4 x yz 0
5 2x  y  2z  1

Restando la tercera ecuación de la primera (lado izquierdo). Además, sumando la cuarta

ecuación a la quinta (lado derecho)

2 x  1  22  0 x y z 0
2 z  1  22  0 2x  y  2z  1
2x  2z  0 3x  3 z  1
xz 0 x  z 1 3

Sumando las ecuaciones obtenidas en el paso anterior

xz 0
xz  1
3

2x  1
3

x 1
6

Reemplazando el valor de x  1
6 en x  z  0 , se obtiene z  1
6 . Sustituyendo estos
valores en la cuarta ecuación x  y  z  0 , se obtiene y  1 3 .

Reemplazando los valores de x  1

6 y y  1 3 en Lx y Ly en la primera y segunda
ecuación y resolviendo el sistema

1
3  1  22  0 1
3  1  22  0
2
3  1  2  0 1
3  1  2( 1 3 )  0
1  32  0  1  1 3  0
2  1 3 1   1 3
 1 1 1
De esta forma, x0   ,  ,  es el punto crítico del problema con multiplicadores de
6 3 6
 1 1

Lagrange asociados 0    1 ,  2    , .
 3 3

Aplicando la condición de segundo orden para la existencia de óptimos locales.

Lx  2 x  1  22 Lxx  2 Lxy  0 Lxz  0

Ly  2 y  1  2 Lxy  0 Lyy  2 Lyz  0
Lz  2 z  1  22 Lzx  0 Lzy  0 Lzz  2

1 1 1  1 1

Matriz hessiana evaluada en 0 
x ,  ,  
y 0    1 ,  2    , 
6 3 6  3 3

2 0 0
1 1 1 1 1
H  L   ,  , ,  ,    0 2 0 
 6 3 6 3 3
 0 0 2 

Calculando lo menores: 1  2  0 ,  2  4  0 y 3  8  0 .

1 1 1
Como todos menores principales son todos positivos, entonces el punto 0  ,  ,  
x 
6 3 6
es un mínimo local.

Condición suficiente débil. Una forma de estudiar la condición suficiente débil es a partir
de la matriz orlada. Se define la matriz orlada H ( L)( x0 , 0 ) como

 O J ( g )( x0 ) 
H ( L)( x0 , 0 )   
( J ( g )( x0 ))
t
H ( L)( x0 , 0 )  ( x ,  )
0 0

donde O es una matriz nula de orden m  m , J ( g )( x0 ) es la matriz jacobiana de g,

( J ( g )( x0 ))t es la matriz transpuesta de la matriz jacobiana de g, y H x ( L)( x0 , 0 ) es la
matriz hessiana de orden n  n .
La matriz jacobiana de g en el punto x0 , y su transpuesta están dadas por

 g1 g1   g1 g m 

 x xn   x x1 
 1   1 
J ( g )( x0 )    ( J ( g )( x0 ))  
t

 g m g m   g1 g m 
 x xn   x xn 
 1  n

Teorema. Sea x0 un punto crítico del problema de optimización restringida con

multiplicadores de Lagrange asociados 0 .
a) Si los n  m últimos menores principales de la matriz H ( L)( x0 , 0 ) tienen el signo de
(1) m , entonces, la forma cuadrática restringida es definida positiva y el punto x0 es
un mínimo local estricto restringido.
b) Si los n  m últimos menores principales de la matriz H ( L)( x0 , 0 ) alternan el signo
comenzando por (1) , entonces, la forma cuadrática restringida es definida negativa
m1

y el punto x0 es un máximo local estricto restringido.

Ejemplo. Estudie los óptimos del problema de optimización restringida dado por:

Opt. f ( x, y )  xy
s.a 2x  y  4

Solución. La función de Lagrange es L( x, y,  )  xy   [2 x  y  4]

Calculando el gradiente de la función de Lagrange e igualando al vector cero para hallar los
puntos críticos.
 Lx  y  2  0 [1]

L ( x , y ,  )  0   L y  x    0 [2]

 2x  y  4 [3]

Despejando x y y de la ecuación 1 y 2 ( x   y y  2 ), y reemplazando en 3

2  2  4   1

Por lo tanto x  1, y  2 . Así, x0  (1, 2) es el punto crítico del problema con multiplicador
de Lagrange asociado 0  1 .
 Aplicando la condición suficiente fuerte

Como Lxx  0 , Lxy  Lyx  1 y Lyy  0 , la matriz hessiana es

0 1 
H x  L  ( x0 , 0 )   
1 0 

Como 1  0 , la matriz es indefinida y la condición suficiente fuerte no nos informa sobre

la naturaleza del punto crítico x0  (1, 2) .

 Aplicando la condición suficiente débil

g g
Se construye la matriz hessiana orlada H ( L)( x0 , 0 ) . Como 2 y  1 , la matriz
x y
H ( L)( x0 , 0 ) en el punto x0  (1, 2) con multiplicador de Lagrange asociado 0  1 está
dada por:
0 2 1 
 O J ( g )( x0 ) 
H ( L)( x0 , 0 )      2 0 1 
( J ( g )( x0 ))
t
H ( L)( x0 , 0 )  ( x ,  )
0 0 1 1 0 

El criterio de clasificación nos dice que se estudie el signo de los n  m  2  1  1 últimos

menores principales de H ( L)( x0 , 0 ) . En este caso se trata del último menor principal de
H ( L)( x0 , 0 ) , es decir 3  det H ( L)( x0 , 0 )  (0  2  2)  (0  0  0)  4 .

11
Como 3  0 , es decir tiene de signo es positivo ( (1)  (1)  1 ) , entonces el punto
m1

x0  (1, 2) es un máximo local restringido.

Ejercicio. Estudie el problema de optimización restringida:

Opt. f ( x, y , z )  x  y  z
s.a. x2  y2  5
yz0
6. INTERPRETACIONES ECONÓMICAS DE LOS MULTIPLICADORES DE
LAGRANGE

Sea el problema de optimización restringida:

Opt. z  f ( x )
s.a gi ( x )  ci , i  1, 2, ,m

donde x  ( x1 , x2 , , xn ) . Sea el punto P  ( x1 , x2 , , xn ) la solución del problema, es decir
un máximo o mínimo restringido. El valor de la función en este punto viene dado por
z  f ( x1 , x2 , , xn ) . z  depende del punto P  ( x1 , x2 , , xn ) , que a su vez depende de los
valores de c1 , c2 , , cn presentes en las restricciones. Así un cambio en c1 , c2 , , cn se
traduce en una variación en el valor óptimo z  de la función.

El multiplicador de Lagrange  i mide la tasa de cambio del valor óptimo z  de la función

objetivo con respecto a la constante de la restricción ci .

dz 
i  , i  1, 2, , m
dci

Nota. La variación del óptimo z  ante una variación infinitesimal del parámetro ci ,
manteniéndose constante el resto, está dada por:

dz 

z   c   i  ci , i  1, 2, , m
dci

En otras palabras,  i es aproximadamente la variación que se produce en el óptimo de la

función objetivo cuando el parámetro ci se incrementa en 1 unidad. El número  i se
llama precio sombra (o valor marginal) de una unidad del recurso i.

Ejercicio. Un consumidor dispone de 600 u.m. para gastar en dos productos. El primero de
ellos tiene un precio de 20 u.m. por unidad y el segundo de 30 u.m. por unidad. Si la función
de utilidad del consumidor es U ( x, y)  10 x y , se pide
0,6 0,4

a) Determinar el número de unidades de cada artículo que deberá comprar el consumidor

para maximizar la utilidad y la utilidad máxima.
b) Halle aproximadamente la variación en la utilidad máxima del consumidor si la renta
disponible aumenta en una unidad.