Академический Документы
Профессиональный Документы
Культура Документы
As como en el caso de las funciones reales de una variable real el caso ms ilustrativo (y
sencillo) para los problemas de optimizacin viene dado por las funciones cuadrticas. Su
natural generalizacin se da en el caso de funciones de varias variables, empezando para
ello con el caso de funciones reales de dos variables. Necesariamente el manejo de muchas
variables origina una gran dicultad de manipulacin algebraica de las mismas, para lo
cual resulta de vital importancia el empleo del lgebra matricial. En consecuencia, esta
seccin estar dedicada al tratamiento sistemtico de algo que podramos analogar con
funciones cuadrticas de varias variables.
1.1
Formas Cuadraticas
Dicha forma cuadrtica puede ser representada por una matriz simtrica A de manera
que
Q (x) = xT Ax.
(1.2)
Ntese de la denicin que estamos representando funciones cuadrticas que nicamente
constan de polinomios de segundo grado. Por otro lado, aunque en principio las formas
cuadrticas pueden ser representadas por matrices no necesariamente simtricas, las aplicaciones a los problemas de optimizacin consideran el caso de matrices simtricas, por
lo cual este tratamiento resultar sustancialmente til. Por ejemplo, la siguiente forma
cuadrtica
3x21 + 4x22 + x23 + 8x1 x2 + 6x1 x3 + 10x2 x3
(1.3)
puede ser escrita como
x1 x2 x3
10
1
3 4 3
x1
@ 4 4 5 A @ x2 A .
3 5 1
x3
(1.4)
El siguiente material esta basado en: Simon, C. and Blume, L. (1994). Mathematics for Economists.
W.W. Norton & Company, Inc.
1.2
Recuerdese que con respecto a una funcin cuadratica del tipo f (x) = ax2 podremos
armar o que nunca ser positiva o que nunca ser negativa dependiendo del signo de
a 6= 0. En principio podramos realizar el mismo razonamiento para el caso de ms
variables, ya que podramos analogar f (x) = xax (donde x es un escalar) con Q (x) =
xT Ax (donde x es un vector). Sin embargo, al extender nuestro estudio a varias variables
tenemos un caso ms que puede presentarse. Para esto el lector deber tener en cuenta
la vital importancia de la analoga inicial o el caso ms sencillo. Una forma cuadrtica
Q (x) se denomina:
Positiva Denida: si Q (x) > 0, para todo x 6= 0 en Rn . Es decir, para cualquier
valor no nulo de x , la forma cuadrtica es estrictamente positiva.
Negativa Denida: si Q (x) < 0, para todo x 6= 0 en Rn . Es decir, para cualquier
valor no nulo de x, la forma cuadrtica es estrictamente negativa.
Positiva Semidenida: si Q (x) 0, para todo x 6= 0 en Rn . Es decir, para cualquier
valor x;, la forma cuadrtica nunca es negativa.
Positiva Semidenida: si Q (x) 0, para todo x 6= 0 en Rn . Es decir, para cualquier
valor x, la forma cuadrtica nunca es positiva.
Indenida: si Q (x) > 0 para algn x en Rn y Q (x) < 0 para algn otro x en
Rn . Es decir, no podemos armar que la forma cuadrtica adopta siempre un signo
determinado.
1.2.1
Ya que se mencion que las formas cuadrticas pueden ser representadas de forma til
a travs de matrices simtricas, en este caso podemos resumir los siguientes enunciados
armando lo siguiente: cuando una matriz simtrica representa a una forma de determinado tipo, diremos que dicha matriz es de ese mismo tipo. Sea A una matriz n n
simtrica, entonces A es:
Positiva Denida: si xT Ax > 0, para todo x 6= 0 en Rn : Es decir, cuando esta
matriz represente a una forma cuadrtica, esta ser Positiva Denida.
Negativa Denida: si xT Ax < 0, para todo x 6= 0 en Rn : Es decir, cuando esta
matriz represente a una forma cuadrtica, esta ser Negativa Denida.
Positiva Semidenida: si xT Ax 0, para todo x 6= 0 en Rn : Es decir, cuando esta
matriz represente a una forma cuadrtica, esta ser Positiva Semidenida.
Negativa Semidenida: si xT Ax 0, para todo x 6= 0 en Rn : Es decir, cuando esta
matriz represente a una forma cuadrtica, esta ser Negativa Semidenida.
Indenida: si xT Ax > 0 para algn x en Rn y xT Ax < 0 para algn otro x en Rn : Es
decir, cuando esta matriz represente a una forma cuadrtica, esta ser Indenida.
1.2.2
3:
1
3
6 A.
9
(1.5)
1 2
.
4 5
1 3
.
7 9
5 6
.
8 9
1 2
4 5
1 2 3
4 5 6 .
7 8 9
n. Entonces:
Las matrices simtricas ms simples son las matrices diagonales. Ellas tambin corresponden a las formas cuadrticas ms simples dado que
1
0
10
a1 0
0
x1
C
B 0 a2
B
0 C
B
C B x2 C
2
2
2
x1 x2
xn B .. .. . .
.. C B .. C = a1 x1 + a2 x2 + : : : + an xn (1.6)
@ . .
. . A@ . A
xn
0 0
an
es una suma de cuadrados. Obviamente, esta forma cuadrtica ser positiva denida si
todos los ai s son positivos y negativa denida si todos los ai s son negativos. Ser positiva
semidenida si y slo si todos los ai s son 0 y negativa semidenida si y slo si todos
los ai s son 0. Si hay dos ai s de signos opuestos, esta forma cuadrticas ser indenida.
Ya que todas las submatrices principales son matrices diagonales, sus determinantes - los
menores principales - son slo los productos de los ai s. Si todos los ai s son positivos,
entonces todos sus productos son positivos. Si todos los ai s son negativos (de manera que
es negativa denida), entonces los productos de nmeros impares de ai s sern negativos
y los productos de nmeros pares de ai s sern positivos.
1.3
Recordemos de nuestros cursos previos que debemos hacer algo ms que hallar un punto
estacionario para saber si nos encontramos en la cima de una colina o en el fondo de un
valle. En el caso de varias variables, el mismo principio es el que rige: debemos hacer algo
ms que hallar un punto estacionario para saber si no encontramos en la cima de una
colina o en el fondo de un tazn. En economa, el caso ms comn implica que este proceso
debe hacerse sujeto a una serie de restricciones. Como las formas cuadrticas se utilizarn
para resolver problemas de maximizacin, pero dado que en ocasiones dicha maximizacin
estar restringida, tambin deberemos restringir la forma cuadrtica a utilizarse.
Teorema 3 La forma cuadrtica Q (x1 ; x2 ) = ax21 + 2bx1 x2 + cx22 es positiva (respectivamente, negativa) denida sujeta al conjunto de restricciones lineales Ax1 + Bx2 = 0 si y
solo si:
0
1
0 A B
det @ A a b A
B b c
es negativo (respectivamente, positivo). Este mismo resultado se mantiene para el problema general de determinar la denitud de:
0
10
1
a11 a12
a1n
x1
B a12 a22
B
C
a2n C
B
C B x2 C
T
xn B ..
Q (x) = x Ax = x1 x2
(1.7)
.. . .
. CB . C
@ .
. .. A @ .. A
.
a1n a2n
ann
xn
B11 B12
B1n
B
B ..
..
.. C B
.
.
B
@ .
A
.
.
.
@
Bm1 Bm2
Bmn
x1
x2
..
.
xn
1
0
C
C B .. C
C = @ . A.
A
0
(1.8)
Bordeando la matriz de la forma cuadrtica por encima y por la izquierda con la matriz
de las restricciones, tenemos:
0
1
0
0
B11
B1n
..
..
.. C
..
..
B ..
.
.
.
.
. C
B .
B
C
0
0
B
B
B
m1
mn C
H=B
(1.9)
C.
Bm1 a11
a1n C
B B11
B .
..
..
.. C
..
..
@ ..
.
.
.
.
. A
B1n
Bmn a1n
ann
0 B
BT A
(1.10)
Luego, cotejamos los signos de los ltimos menores principales conductores de H, empezando con el determinante de la matriz H:
1. Si det H tiene el mismo signo que ( 1)n y si estos ltimos n m menores principales
conductores alternan en signo, entonces Q es negativa denida sobre el conjunto de
restricciones Bx = 0, y x = 0 es un mximo global estricto de Q sobre este conjunto
de restricciones.
2. Si det H y sus ltimos n m menores principalesconductores tienen todos el mismo
signo que ( 1)n , entonces Q es positivo denida sobre el conjunto de restricciones
Bx = 0 y x = 0 es mnimo global estricto de Q sobre este conjunto de restricciones.
5
3. Si ambas de estas condiciones a) y b) son violadas por menores principales conductores no nulos, entonces Q es indenida sobre el conjunto de restricciones Bx = 0,
y x = 0 no es ni un maximo ni un mnimo de Q bajo el conjunto de restricciones.
Optimizacion Irrestricta
2.1
Deniciones
Empezamos con una serie de conceptos fundamentales de optimizacin en espacios euclideos n-dimensionales. Para esto puede servir la vieja analoga entre los campeonatos regionales y mundiales.
Denicin 4 Sea F : U ! R una funcin de valor real de n variables, cuyo dominio U
es un subconjunto de Rn .
1. Un punto x 2 U es un mximo de F sobre U si F (x ) F (x) para todo x 2 U .
Es decir, en el mundo no hay nadie que pueda superar la capacidad de x (esto no
implica que no pueda ser igualada). x es UN campen mundial.
2. x 2 U es un mximo estricto si x es un mximo y F (x ) > F (x) para todo
x 6= x en U . Es decir, en el mundo no hay nadie diferente de x que pueda superar
o igualar su capacidad. x es EL campen mundial.
3. x 2 U es una mximo local (o relativo) de F si existe una bola Br (x ) alrededor
de x tal que F (x ) F (x) para todo x 2 Br (x ) \ U . Es decir, podemos delimitar
una regin en la cual se encuentre x de manera que x sea UN campeon de dicha
regin.
4. x 2 U es un mximo local estricto de F si existe una bola Br (x ) alrededor de x
tal que F (x ) > F (x) para todo x 6= x en Br (x ) \ U . Es decir, podemos delimitar
una regin en la cual se encuentre x de manera que x sea EL campeon de dicha
regin.
2.2
El siguiente teorema es slo una extensin del caso de una variable: si se coloca una
pelota en la cima de una colina, entonces habra inclinacin nula en cualquier direccin,
y la pelota no rodar.
Teorema 5 Sea F : U ! R una funcin C 1 denida sobre un subconjunto U de Rn . Si
x es un mximo o mnimo local de F en U y si x es un punto interior de U , entonces
@F
(x ) = 0 para i = 1; : : : ; n
@xi
(2.1)
2.3
En el caso de una variable, para saber si uno se encontraba en la cima de una colina o en
el fondo de un valle, debia saber si el alejarse de la posicin donde no habia inclinacin
llevara ms abajo (concavidad) o ms arriba (convexidad). Bueno, la extencin resulta
simple: en varias variables todas las derivadas parciales de segundo orden estan reunidas
en la matriz Hessiana, y hay que vericar si la segunda derivada (Hessiana) es negativa
(negativa denida) para ver si nos encontramos en un mximo.
Denicin 5 El vector (x ) es un punto crtico de una funcin F (x1 ; : : : ; xn ) si x
satisface
@F
(x ) = 0 para i = 1; : : : ; n.
@xi
Denicin 6 Sea F : U ! R una funcin C 2 de n variables, la matriz Hessiana de F
es una matriz n n de la forma
0
1
@2F
@2F
(x ) C
B @x2 (x )
@xn @x1
B
C
1
B
C
..
..
...
D2 F (x ) = B
(2.2)
C
.
.
B
C
2
2
@ @ F
A
@ F
(x )
(x
)
@x1 @xn
@x2n
2.3.1
Condiciones Sucientes
Fx1 x1 Fx1 x2
Fx1 x2 Fx2 x2
> 0,
< 0, : : :
Fx1 x1 Fx1 x2
Fx1 x2 Fx2 x2
> 0,
> 0, : : :
Condiciones Necesarias
2.4
Problema Prototipo
maximizar f (x1 ; : : : ; xn )
donde (x1 ; : : : ; xn ) 2 Rn debe satisfacer
g1 (x1 ; : : : ; xn )
b1
..
.
gk (x1 ; : : : ; xk )
bk
..
.
h1 (x1 ; : : : ; xn ) = c1
..
.
hm (x1 ; : : : ; xn ) = cm
f es llamada la funcin objetivo
g1 ; : : : ; gk y h1 ; : : : ; hm son llamadas las funciones restrictivas
g1 ; : : : ; gk denen las restricciones de desigualdad
h1 ; : : : ; hm denen las restricciones de igualdad
En las aplicaciones econmicas, las restricciones ms comunes son las restricciones de
no-negatividad: x1 0; : : : ; xn 0.
3.1
3.1.1
Restricciones de Igualdad
Dos Variables y una Restriccin de Desigualdad
Se tiene el problema de
maximizar f (x1 ; x2 )
sujeto a h (x1 ; x2 ) = c
f (x1 ; x2 )
[h (x1 ; x2 )
c] .
(3.1)
)
@L
@L
@L
= 0,
=0y
= 0.
@x1
@x2
@
Ejemplo 1
maximizar f (x1 ; x2 ) = x1 x2
sujeto a h (x1 ; x2 ) x1 + 4x2 = 16
Como el gradiente de h es (1; 4); h no tiene puntos crticos y la cualicacin de restricciones es satisfecha. Formamos nuestro Lagrangiano: L (x1 ; x2 ; ) x1 x2
[x1 + 4x2 16].
Luego, igualamos sus derivadas parciales a cero:
@L
= x2
=0
@x1
@L
= x1 4 = 0
@x2
@L
=
(x1 + 4x2 16) = 0
@
De este sistema obtenemos:
x1
.
(3.2)
4
Y por lo tanto: 4x2 = x1 . Sustituyendo en la restriccin, obtenemos: x2 = 2. As, la
solucin al sistema es: x1 = 8, x2 = 2, = 2 y el punto (8; 2; 2) es el nico candidato a
solucin del problema.
= x2 =
3.1.2
sujeto a Ch
(3.3)
f (x)
[h1 (x)
a1 ]
[h2 (x)
a1 ]
:::
[hm (x)
am ] .
(3.4)
En otras palabras
@L
(x ;
@x1
@L
(x ;
@ 1
@L
(x ;
@xn
@L
) = 0; : : : ;
(x ;
@ n
) = 0; : : : ;
)=0
(3.5)
)=0
(3.6)
Ejemplo 2
(3.7)
sujeto a h1 (x; y; z)
h2 (x; y; z)
(3.8)
Dh (x; y; z) =
(3.9)
1;
2)
xyz
x2 + y 2
[x + z
1]
(3.10)
= yz
2 1x
= xz
2 1y = 0
= xy
= 1
x2
= 1
=0
=0
y2 = 0
z=0
x2 z
y2x = 0
(3.11)
x2 ) = 0. Resolviendo esta
(3.12)
(3.13)
3.2
Restricciones de Desigualdad
La vasta mayora de los problemas de optimizacin que surgen en economa tiene sus
restricciones denidas por desigualdades.
g1 (x1 ; : : : ; xn )
..
.
gk (x1 ; : : : ; xn )
3.2.1
b1
bk
@L
(x ; y ;
@x
)=0
2.
@L
(x ; y ;
@y
)=0
3.
4.
[g (x ; y )
[g (x; y)
b]
(3.14)
tal que:
b] = 0
5. g (x ; y )
Ejemplo 3
maximizar f (x; y) = xy
sujeto a:g (x; y) = x2 + y 2 1
En este caso, el unico punto crtico de g ocurre en el origen (lejos de la frontera del
conjunto de restriccin). As, la cualicacin de restricciones se cumple para cualquier
candidato a solucin. Formamos nuestro Lagrangiano L (x; y; ) xy
[x2 + y 2 1].
Luego, hallamos las CPO dadas por el teorema:
@L
=y 2 x=0
@x
@L
=x 2 y=0
@y
(x2 + y 2 1) = 0
x2 + y 2 1
0
12
(3.15)
1
=p ,
2
1
2
1
p , =
2
1
= p , =
2
1
y=p , =
2
y=
1
2
1
2
1
2
En este caso, eliminamos los multiplicadores negativos y nos quedamos con tres candidatos, incluyendo a (0; 0; 0). Evaluando en la funcin objetivo encontramos que:
1
1
x= p ,y= p ,
2
2
1
yx=
2
1
p ,y=
2
1
p ,
2
1
2
Denicin 8 Dada una restriccin de desigualdad g (x) b; decimos que una restriccin
es activa (efectiva) en un candidato a solucin si g (x ) = b: Si g (x ) < b ,decimos que
que la restriccin es inactiva (inefectiva) en x .
Teorema 16 Suponga que f; g1 ; : : : ; gk son funciones C 1 de n variables. Suponga que
x 2 Rn es un mximizador local de f sobre el conjunto de restricciones denido por las
k desigualdades
g1 (x1 ; : : : ; xn ) b1 ; : : : ; gk (x1 ; : : : ; xn ) bk
Para facilitar la notacin, asuma que las primeras k0 restricciones son activas en x ;y que
las ltimas k k0 restricciones son inactivas. Suponga que la siguiente cualicacin de
restricciones es satisfecha en x . El rango en x de la matriz Jacobiana de las siguientes
restricciones activas:
1
0
@g1
@g1
(x ) C
B @x1 (x )
@x
n
C
B
..
..
..
C
B
.
.
.
C
B
@ @gk
A
@g
k
0
0
(x )
(x )
@x1
@xn
es k0
tan largo como pueda ser. Forme el Lagrangiano
L (x1 ; : : : ; xn ;
1; : : : ;
k)
f (x)
1; : : : ;
1
k
[g1 (x)
tales que:
13
b1 ]
:::
[gk (x)
bk ] .
1.
@L
(x ;
@x1
) = 0; : : : ;
2.
[g1 (x )
3.
0; :::;
4. g1 (x )
@L
(x ;
@xn
b1 ] = 0; : : : ;
k
)=0
[gk (x )
bk ] = 0
b1 ; : : : ; gk (x )
bk
Ejemplo 4
maximizar f (x; y; z) = xyz
sujeto a g (x; y) = x + y + z
x 0
y 0
z 0
La jacobiana de las funciones de restriccin es:
0
1
1
B 1 0
B
@ 0
1
0
0
1
1
0 C
C.
0 A
1
Dado que las columnas son linealmente independientes, la jacobiana tiene rango tres.
Como a lo mas tres de las cuatro restricciones son activas en todo momento, la CNDR se
cumple para cualuier candidato a solucin. Formamos nuestro Lagrangiano L (x; y; z; 1 ; 2 ;
xyz
1]+ 2 x+ 3 y + 4 z. Luego, hallamos las CPO dadas por el teorema:
1 [x + y + z
@L
@x
@L
@y
@L
@z
(x
+
y
+
z
1)
1
2x
= yz
=0
= xz
=0
= xy
=0
= 0
= 0, 3 y = 0,
0, 2 0,
1
x+y+z
1, x 0, y
4z
3
=0
0, 4 0
0, z 0
= yz +
= xz +
= xy +
(3.16)
= 0.
(3.17)
3;
4)
funcin objetivo tendr un valor de cero en cualquier punto que satisfaga (3:17).
Si > 0; entonces al menos uno de x; y; z debe ser positivo. Usando (3:16) y suponiendo
que x = 0, tenemos que 1 = 3 = 4 > 0:Esto implicara que z = y = 0; lo que
contradice que x + y + z = 1: Como x = 0 lleva a una contradiccin, entonces x > 0. Lo
mismo ocurre para y y z (esto es, y > 0, z > 0). Por lo tanto, 2 = 3 = 4 = 0; y la
ecuacin (3:16) sera:
yz = xz = xy.
De aqui se obtiene que:
1
x=y=z= .
3
1
1
> 0.
Utilizando (3:16) una vez ms resulta que 1 = : As, f ( 13 ; 31 ; 13 ) =
9
27
3.3
Restricciones Combinadas
L (x1 ; : : : ; xn ;
1; : : : ;
k;
1; : : : ;
@L
(x ;
@x1
) = 0; : : : ;
m)
1; : : : ;
@L
(x ;
@xn
f (x)
1 [g1 (x)
1 [h1 (x)
k;
1; : : : ;
)=0
15
b1 ]
c1 ]
:::
:::
tales que:
[gk (x) bk ]
cm ]
m [hm (x)
2.
[g1 (x )
b1 ] = 0; : : : ;
[gk (x )
bk ] = 0
3. h1 (x ) = c1 ; : : : ; hm (x ) = cm
4.
0; : : : ;
5. g1 (x )
3.4
b1 ; : : : ; gk (x )
bk
1; : : : ;
k;
1; : : : ;
@L
(x ;
@x1
1
) = 0; : : : ;
[g1 (x )
m)
1; : : : ;
@L
(x ;
@xn
b1 ] = 0; : : : ;
f (x)
1 [g1 (x)
1 [h1 (x)
k;
1; : : : ;
)=0
[gk (x )
bk ] = 0
3. h1 (x ) = c1 ; : : : ; hm (x ) = cm
4.
0; : : : ;
5. g1 (x )
b1 ; : : : ; gk (x )
bk
16
b1 ]
c1 ]
:::
:::
tales que:
[gk (x) bk ]
cm ]
m [hm (x)
3.5
Formulacin de Kuhn-Tucker
bk
1; : : : ;
k)
f (x)
[g1 (x)
b1 ]
:::
[gk (x)
bk ] .
(3.18)
4
4.1
4.1.1
~
@L
(x ; ) 0,
@xn
~
@L
)
0, : : : ,
(x ; ) 0,
@ k
~
@L
) = 0, : : : ,xn
(x ; ) = 0,
@xn
~
@L
) = 0; : : : , k
(x ; ) = 0.
@ k
)
0, : : : ,
Optimizacion Restringida II
Signicado del Multiplicador
Una Restriccin de Igualdad
d
f (x (a) ; y (a))
da
17
(4.1)
4.1.2
(4.2)
Denote x1 (a) ; : : : ; xn (a) la solucin del problema (Pa) con correspondientes multiplicadores de Lagrange 1 (a) ; : : : ; m (a). Suponga adems que los xi s y los j s son
funciones diferenciables de (a1 ; : : : ; am ), y que la CNDR se cumple. Entonces, para cada
j = 1; : : : ; m,
j
4.1.3
(a1 ; : : : ; am ) =
@
f (x1 (a1 ; : : : ; am ) ; : : : ; xn (a1 ; : : : ; am ))
@aj
(4.3)
Restricciones de Desigualdad
Teorema 22 Sea a = (a1 ; : : : ; ak ) una k-tupla. Considere el problema (Qa) de maximizar f (x1 ; : : : ; xn ) sujeto a las k restricciones de desigualdad
g1 (x1 ; : : : ; xn )
a1 ; : : : ; gk (x1 ; : : : ; xn )
ak .
(4.4)
4.1.4
(a1 ; : : : ; ak ) =
@
f (x1 (a1 ; : : : ; ak ) ; : : : ; xn (a1 ; : : : ; ak ))
@aj
(4.5)
Piense en la funcin f (x) del problema (Qa) como la funcin de benecios de una rma y
piense en los ai s del lado derecho de las restricciones como representantes de los montos
disponibles para los insumos del proceso de produccin de dicha rma. Por ejemplo,
en un problema de anlisis de actividad, se supone que el proceso de produccin de la
rma consiste de n actividades productivas diferentes y que xi representa el nivel de
intesidad en la actividad i. Denote gj (x1 ; : : : ; xn ) el monto del insumo j que requiere
la rma para llevar a cabo su actividad 1 al nivel x1 , su actividad 2 al nivel x2 , y asi
hasta completar las dems actividades. Denote aj el monto del insumo j disponible para
la rma, conllevando as a las restricciones gj (x1 ; : : : ; xn )
aj . Denote f (x1 ; : : : ; xn )
el nivel de ganancias que la rma realiza a partir de sus productos cuando lleva sus
actividades a los niveles x1 ; : : : ; xn , respectivamente. En esta situacin
@
f (x1 (a) ; : : : ; xn (a)) .
@aj
Representa el cambio en el nivel de benecios ptimo resultante de la disponibilidad de
una unidad ms del insumo j. Ya que el j-simo multiplicador j (a) representa este
cambio innitesimal, esto nos dice cuan valioso puede llegar a ser el insumo j para los
benecios de la rma. Alternativamente, nos dice el monto mximo que la rma estara
18
deseando pagar para adquirir una unidad ms del insumo j. Por esta razn, es muchas
veces llamado el valor interno o valor imputado, o ms frecuentemente, el precio sombra
del insumo j. Puede ser un ndice de mayor importancia para la rma que el precio
externo de mercado del insumo j.
4.2
4.2.1
Teoremas de la Envolvente
Problemas Irrestrictos
Teorema 23 Sea f (x; a) una funcin C 1 de x 2 Rn y del escalar a. Para cada eleccin
del parmetro a, considere el problema de maximizacin
maximizar f (x; a) con respecto a x.
Sea x (a) la solucin del problema. Suponga que x (a) es una funcin C 1 de a. Entonces
d
@
f (x (a) ; a) =
f (x (a) ; a)
da
@a
4.2.2
(4.6)
Problemas Restringidos
(4.7)
para cualquier eleccin ja del parmetro a. Suponga que x (a) y los multiplicadores de
Lagrange 1 (a) ; : : : ; k (a) son funciones C 1 en a y que la condicin de CNDR se cumple.
Entonces,
@L
d
f (x (a) ; a) =
(x (a) ; (a) ; a)
(4.8)
da
@a
donde L es el Lagrangiano natural de este problema.
4.3
4.3.1
fx : h1 (x) = c1 ; : : : ; hk (x) = ck g .
1; : : : ;
tales que
@L
@L
@L
@L
= 0, : : : ,
= 0,
= 0, : : : ,
=0
@x1
@xn
@ 1
@ k
en (x1 ; : : : ; xn ;
1; : : : ;
k ).
19
(4.9)
) v < 0.
c) .
(4.10)
) satisface
@L
@L
= 0,
= 0,
@x
@y
0
@h
0
B
@x
B @h @ 2 L
B
2. det B
B @x @x2
@ @h @2L
1.
@y
(h (x; y)
@yx
@L
= 0 en (x ; y ;
@
@h 1
@y
@2L
@xy
@2L
@y 2
)y
C
C
C
C > 0 en (x ; y ;
C
A
).
Restricciones de Desigualdad
b1 ; : : : ; gm (x)
bm ; h1 (x) = c1 ; : : : ; hk (x) = ck g .
(4.11)
Forme el Lagrangiano
L (x1 ; : : : ; xn ;
1; : : : ;
m;
1; : : : ;
k)
1; : : : ;
= f (x)
1 (g1 (x)
1 (h1 (x)
m
b1 )
c1 )
:::
:::
(gm (x) bm )
ck )
k (hk (x)
@L
@L
= 0, : : : ,
= 0 en (x ; ; )
@x1
@xn
0, : : : , m 0
1
b1 ) = 0, : : : , m (gm (x ) bm ) = 0
1 (g1 (x )
h1 (x ) = c1 ; : : : ; hm (x ) = bm
20
21
) v < 0..