Universidad del Rosario OPTIMIZACIN ESTTICA Prof.

Mnica Vargas Martnez

1. Introduccin Muchos problemas en economa tienen una traduccin a las matemticas como problemas de maximizacin (o minimizacin) de una funcin bajo ciertas restricciones. La forma estndar de dichos problemas es la siguiente: max f (x) = f (x , ..., x ) 1 n (P ) s.a x = (x , ..., x ) K
1 n

donde f es la funcin objetivo denida en un subconjunto de IRn (usualmente f est denida en todo IRn ) con imgenes en IR. Se dice entonces que f es una funcin real tal que f : X IR con X IRn . Al conjunto K se le llama conjunto de restricciones y est usualmente caracterizado por restricciones de igualdad o desigualdad. Ejemplos: Teora del Consumidor. El problema del consumidor puede ser: max u(c1 , ..., cn ) s.a c IRn + (i, ci 0) I donde u : IRn IR es la funcin de utilidad del consumidor, I es su ingreso disponible, y para i = 1, ..., n tenemos que ci es la cantidad consumida del bien i y pi es su precio. Observe que K est denida por n + 1 desigualdades. Teora del Productor. El problema del productor puede ser minimizar sus costos
n i=1 pi ci

de produccin teniendo en cuenta un nivel de produccin mnima, es decir: min n i=1 pi xi donde F : IRn IR es la funcin de produccin, y es el nivel mnimo de produccin deseada, y para i = 1, ..., n tenemos que xi es la cantidad producida del bien i y pi es su precio. El conjunto K est nuevamente denido por n + 1 desigualdades. 2. Optimizacin con restricciones de desigualdad (Kuhn-Tucker) Los problemas de optimizacin con restricciones de desigualdad siempre se pueden escribir como el siguiente problema (P )1 : max n f (x) xIR (P ) s.a g (x) 0 con j = 1, ..., m
j

s.a x IRn + (i, xi 0) F ( x) y

donde f : IRn IR, gj : IRn IR para j = 1, ..., m y todas las funciones f, g1 , ..., gm son diferenciables.

Nota 1. Tenemos n variables de control y m restricciones. Llamamos K el conjunto formado por las restricciones (desigualdades). K se llama el conjunto de restricciones o conjunto de puntos factibles. Nota 2: En este curso siempre hablaremos de problemas de maximizacin, tenga en cuenta que minimizar f (x) en K es equivalente a maximizar [f (x)] en K . Teorema de Existencia. El problema (P ) tiene al menos una solucin si f es una funcin continua en K y el conjunto de restricciones K es compacto y no vaco. Nota 3: La existencia de la solucin no tiene nada que ver con la convexidad del conjunto de restricciones K .
1

En este captulo siempre que hagamos referencia al problema (P ), estamos haciendo referencia a este problema.

0 K = IR, K no acotado

a b K = (a, b], K no cerrado

b K = [0, b], f no continua

Figure 1: Ejemplos de problemas que no tienen solucin

Nota 4: El Teorema de Existencia es vlido para todos los casos, no solamente cuando K es formado por un conjunto de desigualdades. Denicin. El conjunto K cumple la condicin de Slater si existe x K tal que gj ( x) > 0 para toda funcin gj no lineal. Nota 5: Si el conjunto de restricciones tiene puntos interiores entonces cumple la condicin de Slater. Teorema de Kuhn-Tucker. Si el conjunto de restricciones K es cerrado, convexo y adems cumple la condicin de Slater, entonces una condicin necesaria para que x IRn sea solucin de (P ) es que existan 1 , 2 , ..., m tales que se cumplen las siguientes condiciones:
m

f ( x ) +
j =1

j gj (x ) = 0 para j = 1, ..., m

(KT1) (KT2) (KT3) (KT4)

j (gj (x ) cj ) = 0 j 0 g j ( x ) 0

para j = 1, ..., m para j = 1, ..., m

Nota 6: A las condiciones (KT1), (KT2), (KT3) y (KT4) las llamaremos condiciones de Kuhn-Tucker.

Nota 7: 1 , 2 , ..., n se llaman multiplicadores de Lagrange. Nota 8: Si planteamos el Lagrangiano del problema (P ) como
m

L(x, 1 , ..., p ) = f (x) +

j =1

j gj (x)

vemos que las condiciones (KT1) y (KT2) se pueden escribir como L (x ) = 0 xi j para i = 1, ..., n (KT1*)

L (x ) = 0 para j = 1, ..., m (KT2*) j Nota 9: (KT1) es igual a la condicin de Lagrange que indica que el gradiente de f es en la solucin igual a una combinacin lineal y positiva de los gradientes de las restricciones. (KT2) se llama la condicin de complementarity slackness. Quiere decir que j debe ser igual a cero o la condicin j debe cumplirse con igualdad en la solucin. (KT3) nos indica que a diferencia de Lagrange, en Kuhn-Tucker los multiplicadores j deben ser positivos. (KT4) asegura que la solucin x est en el conjunto de restricciones K . Nota 10: Como el Teorema de Kuhn-Tucker nos da condiciones necesarias pero no sucientes para encontrar la solucin, puede pasar que ms de un punto cumpla las condiciones de Kuhn-Tucker. La solucin ser el punto en el que la funcin objetivo sea mayor. 0 x 2 0 y 1

Ejemplo. max y x2 sujeto a

1. Dibujo 2. Existencia: la funcin objetivo es continua, el conjunto de restricciones es compacto, entonces hay al menos una solucin. 3. Solucin: el conjunto de restricciones es un rectngulo con su relleno, por lo tanto

4 = 0 3 = 1 lo cual es contradiccin. Entonces 4 = 0, y = 1, 3 = 0 y 4 = 1. Si 1 = 0 entonces 2 = 2x = 0 x = 0 = 2 . Si 1 = 0 entonces x = 0. Por lo tanto la solucin es (x , y ) = (0, 1).

es cerrado, convexo y cumple la condicin de Slater. Entonces la solucin debe cumplir las siguientes condiciones de Kuhn-Tucker: 1 x = 0 1 0 (x 2) = 0 2x + = 0 0 1 2 2 2 (KT 1) (KT 2) (KT 3) 1 + = 0 3 y = 0 3 0 3 4 (y 1) = 0 0
4 4

El rol de la condicin de Slater: Esta condicin bsicamente asegura que K est bien parametrizado por las restricciones. Para ver que esta condicin es necesaria tomemos el siguiente problema: max f (x1 , x2 ) = x1 s.a g 1 ( x1 , x2 ) = x2 0 No hay puntos en IR2 que cumplan las condiciones de Kuhn-Tucker, sin embargo el conjunto de restricciones K = {0} que es cerrado y convexo, pero no cumple la condicin de Slater. La solucin del problema es el nico punto de K , es decir x = (0, 0). x2 + x 0 2 1 Ejemplo: max 2x1 x2 sujeto a x2 + x 0
2 1

g 2 ( x1 , x2 ) = x2 1 x2 0

1. Dibujo 2. Existencia: la funcin objetivo es continua, el conjunto de restricciones es compacto, entonces hay al menos una solucin. 3. El conjunto de restricciones es cerrado, convexo y cumple Slater, entonces la
5

1 1 La solucin es (x 1 , x2 ) = ( 16 , 4 ) con (1 , 2 ) = (0, 2).

solucin debe cumplir las siguientes condiciones de Kuhn-Tucker: 2 2x = 0 ( x2 + x ) = 0 1 1 2 1 1 2 (KT 1) (KT 2) 1 2x = 0 ( x2 + x ) = 0

1 2 2 2 2 1

0 1 (KT 3) 0
2

Nota 11: Cuando no se tiene intuicin de dnde est la solucin, lo mejor es buscarla en el interior del conjunto de restricciones (todos los i iguales a cero), y luego en la frontera. Qu hacer cuando K no es cerrado, no es convexo o no cumple la condicin de Slater? En esos casos si x es solucin de P y x es un punto cualicado, entonces x debe cumplir las condiciones de Kuhn-Tucker. Denicin. x K es un punto cualicado de K si los gradientes gj (x ) con j J son linealmente independientes, donde J = {j |gj ( x) = 0}. Nota 12. Todos los puntos interiores de K son cualicados. Los nicos puntos que pueden ser no cualicados son los puntos sobre los cuales se corta ms de una frontera. Nota 13. Para que los puntos cualicados sean solucin de (P ), cumplir las condiciones de Kuhn-Tucker es una condicin necesaria pero no suciente. Es decir que puede pasar que un punto cualicado cumpla las condiciones de Kuhn-Tucker pero la solucin es un punto no cualicado. Teorema. Si f es cncava (o cuasicncava con f (x ) = 0), entonces las condiciones de Kuhn-Tucker son sucientes para que x sea la solucin de (P ) si x es un punto cualicado del conjunto de restricciones K .

Ejemplo: x2 y x 0

max x2 + (y 1)2 s.a

1. Dibujo 2. Existencia: la funcin objetivo es continua, el conjunto de restricciones es compacto, entonces hay al menos una solucin. 3. El conjunto de restricciones es cerrado, cumple Slater pero no convexo. Entonces cumplir las condiciones de Kuhn-Tucker es una condicin necesaria pero no suciente para los puntos cualicados. Vemos que todos los puntos excepto (0, 0) son cualicados. Vamos a buscar entonces cules son los puntos que cumplen las condiciones de Kuhn-Tucker (sin olvidar que (0, 0) es candidato a ser solucin). Reescribimos el problema as: x2 y 0 x 0 (1 ) (2 ) (3 ) (4 )

y0 x + y 2

max x2 + (y 1)2 s.a

El nico punto del conjunto de restricciones que cumple las condiciones de KuhnTucker es (2, 0). Tenemos entonces dos candidatos a ser solucin (2,0) y el punto no cualicado (0,0). Al evaluar la funcin objetivo en esos dos puntos vemos que la solucin es (x , y ) = (2, 0).

(Intuitivamente la solucin est en (2,0) donde 1 = 2 = 0, 3 = 0 y 4 = 0). Las condiciones de Kuhn-Tucker son: 2 1 1 (y x ) = 0 x = 0 2x = 2x + 2 2 1 2 4 (KT 3) (KT 2) (KT 1) 2(y 1) = y + 3 3 y = 0 1 3 4 (x + y 2) = 0
4

y0 2 x y 0

0 0 0 0

Bibliografa [1] Kuhn, H. W.; Tucker, A. W. (1951). "Nonlinear programming". Proceedings of 2nd Berkeley Symposium. Berkeley: University of California Press. [2] Karush, w. (1939). Minima of Functions of Several Variables with Inequalities as Side Constraints. M.Sc. Dissertation. Dept. of Mathematics, Univ. of Chicago, Chicago, Illinois. [3] Sundaram, Rangarajan (1996) "A First Course in Optimization Theory". Cambridge University Press. [4] Rochet, Jean-Charles. "Optimization for Economists: A Geometrical Approach". Indito.