Las condiciones KKT, algoritmo y un ejemplo:

Las condiciones de Karush-Kuhn-Tucker (tambin conocidas como las

condiciones KKT o Kuhn-Tucker) son condiciones necesarias y suficientes para
que la solucin de un problema de programacin sea ptima. Se dice que esta
condicin es una generalizacin del mtodo de los multiplicadores de LaGrange.

Las condiciones de Karush-kuhn-Tucker constituyen la base para el desarrollo de

muchos algoritmos computacionales y proporcionan un criterio de parada para
muchos otros, permitiendo establecer cuando ha sido alcanzado un ptimo local
restringido. En los problemas diferenciables de optimizacin no restringida la
condicin necesaria para que una solucin sea un mnimo local es que se anule el
gradiente. Por el contrario, esta propiedad no es cierta para problemas
diferenciables restringidos.

Consideremos el problema de optimizacin

Donde
f(x)= Es la funcin objetivo a minimizar.
gj(x)= Son las restricciones de desigualdad.
hi(x)= Son las restricciones de igualdad.
m y p= Son el nmero de restricciones de desigualdad e igualdad,
respectivamente.

1.Condicin estacionaria:

2.Condicin de factibilidad

3.Condicin de holgura:

4. Condicin de signo:
Una vez que se cumplen las condiciones anteriores el punto es de

Algunos problemas econmicos requieren condiciones de desigualdades, por

ejemplo, cuando se desea maximizar la utilidad sujeta a gastar no ms que x soles
o minimizar costos sujetos a producir no menos que x unidades de produccin.
Dado un problema de maximizacin sujeto a una restriccin de desigualdad con la
siguiente funcin objetivo cncava diferenciable:

As, la funcin Lagrangiana correspondiente ser:

Las condiciones suficientes y necesarias de primer orden para la maximizacin,

llamadas condiciones de Kuhn-Tucker son:

Donde las condiciones en (c) son llamadas condiciones complementarias,

significando que tanto x como f '(x) no pueden ser -simultneamente- cero. Puesto
que una funcin lineal es cncava y convexa, aunque no estrictamente cncava o
estrictamente convexa.
En las condiciones de Kuhn-Tucker la restriccin es siempre expresada como ms
grande o igual que cero. Esto significa que a diferencia de las restricciones de
igualdad que son establecidas igual a cero, el orden de la sustraccin es
importante en programacin cncava.
Para el mximo en F, una solucin interior (Figura a)
Para el mximo en G, una solucin de frontera (Figura b)
Para el mximo en H o J, ambas soluciones de frontera (Figura c)
Todas las posibilidades para un mximo en el primer cuadrante pueden ser
resumidas
como:
Los cuales son reconocibles como parte de las condiciones de Kuhn-Tucker. Notar
que tales condiciones automticamente excluyen un punto como K en (a) el cual
no es un mximo, porque f(K) > 0. Cabe mencionar que la expresin x f(x) = 0
significa que al menos una de las dos cantidades debe tomar el valor cero.
El problema entonces se reduce a probar las 8 diferentes posibilidades:

Normalmente, las posibilidades encerradas en el recuadro son las ms comunes.

Por ello, se sugiere que sean las primeras en ser probadas.

Ejemplo:
Maximizar la funcin de beneficio sujeto a una restriccin de produccin

Solucin.
Paso 1: Formamos la funcin Lagrangiana
Paso 2: Por las condiciones de Kuhn-Tucker

Paso 3: Se testean o revisan las condiciones de Kuhn-Tucke

Usando la Regla de Cramer donde: