Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
4.1. Método de Lagrange para el caso de dos variables y una restricción 4.2. Explicación geométrica y explicación analítica del método de Lagrange 4.3. Interpretación del multiplicador 4.4. Condiciones suficientes (suficiencia global y suficiencia local) 4.5. Optimización más de dos variables. Generalización del método de Lagrange 4.6. Teorema de la envolvente. Lema de Shephard Bibliografía: SHC, cap. 18.1-18.3, 18.5-18.6 4. Métodos de optimización en varias variables con restricciones de igualdad En este capítulo estudiaremos la optimización de una función objetivo, cuyas variables estarán sujetas a una o mas restricciones de igualdad. Hasta ahora, imponíamos restricciones al dominio de la función, o reemplazábamos las restricciones. Ahora, en cambio, impondremos restricciones directamente sobre las variables. Aplicación tradicional en economía y negocios: “maximización de utilidad de un consumidor, sujeto a (s.a.) restricción presupuestaria” • Recuerde el problema del amigo Pepe Carioca del Cap. 3 Muchos otros Ejemplos Minimización de Costos para una producción dada. Minimizar el riesgo de un portfolio de inversiones sujeto a cierto retorno esperado específico etc. 4. INTRODUCCION • Pepe Carioca gana $200 para gastar en Alpiste (que cuesta $10) y Golosinas (que cuestan $1). • Pepe Carioca tiene una función de “felicidad por consumo” (a la que llamamos “Utilidad”) • A Carioca le gusta ser “feliz”, por lo cual quiere maximizar • Es posible que intuitivamente pensemos: Pepe Carioca no obtiene felicidad al ahorrar, y por lo tanto, no tendría sentido para él dejar dinero para después. El presupuesto que tiene para gastar, en golosinas o alpiste es de $200, esto es: o equivalentemente: . Recordemos • Como ya aprendimos antes • Se deriva respecto a , y se obtiene: • la segunda derivada para cualquier valor de • punto crítico es máximo. • Ahora, aprenderemos a resolver “problemas estilo Carioca” de una forma distinta, más general (y económicamente, más rica de interpretar) Maximizar Utilidad sujeto a restricción presupuestaria (“Carioca General”) • Un consumidor debe decidir cuánto comprar de entre n bienes distintos • La función de utilidad representa sus preferencias. • El consumidor tiene solo una determinada cantidad de dinero c para gastar en el vector de consumo con precios Así el problema es: sujeto a (se supone, además, que ) 4. INTRODUCCION 4. INTRODUCCION Interpretación Geométrica dos variables El problema consistirá en maximizar (o minimizar) una función objetivo cuando deben cumplir con la restricción: En dos dimensiones, el problema se plantea de la siguiente forma: ): Superficie en el espacio representa una curva en el plano que se levanta a la curva sobre , o también es la proyección de sobre el plano A: es el máximo libre sin restricciones (que puede existir o no) B: Máximo CONDICIONADO o con restricciones B: Intersección de K con la curva de nivel mas alta Teorema de Lagrange Sean las funciones : con derivadas parciales Sea tal que: es una solución del siguiente problema s.a. , Además: NO es un punto crítico de , es decir, se debe cumplir la Condición de Calificación de Restricción (CCR), esto es: Entonces Existe un número real tal que , es un punto crítico de la función Lagrangeana definida por: max Teorema de Lagrange OBSERVACIONES Nótese que el punto crítico es solución de las CPO para el Lagrangeano, esto es: por lo cual se debe resolver el sistema de ecuaciones: Nótese que: nos otorgan las CPO, por lo cual son solo condiciones necesarias para obtener un óptimo, que satisfagan la CCR (pero no son una condición suficiente) El método de Lagrange, entrega candidatos a óptimos que cumplen con la CCR, pero, pueden existir excepcionalmente, otros candidatos, que la violen Para analizar problemas de Minimización, podemos convertirlo en un problema de Maximización, o viceversa: Teorema de Lagrange OBSERVACIONES En el teorema se supuso que tanto, las funciones f como g tienen dominio , sin embargo, esto el resultado, se puede extender a dominios abiertos , o si el dominio es cerrado, la solución ( En los textos, existen dos simbologías equivalentes para el Lagrangeano, una que explicita al Lagrangeano como función de y otros que no, de todas formas, se considera como equivalente: . En Economía y en Negocios, es muy importante que aparezca de forma explícita, porque se interpreta (tiene sentido económico) El método de Lagrange, es una forma simple y ordenada de resolver el problema de optimización de una función sujeto a una restricción , el cual lo resumiremos en los siguientes PASOS Teorema de Lagrange PASO a PASO PASO 1: Verificar si la restricción tiene puntos críticos que satisfagan la restricción . Si los tiene, guardar estos puntos como candidato a óptimo global. (Violación de la CCR) PASO 2: Formar la función Lagrangeana: PASO 3: Obtener los puntos críticos de (resolver las CPO) PASO 4: Evaluar función objetivo en puntos críticos de los pasos 1 y 3. • Dejar solamente el o los puntos que llevan a un mayor valor si el problema es de Maximización • (o bien, dejar solamente el o los puntos que llevan a un menor valor si el problema es de Minimización). Método de Lagrange PASO a PASO Se puede garantizar que si existen puntos óptimos, entonces ellos corresponden a puntos que quedan después del PASO 4. Sin embargo, es posible que el óptimo NO exista En el particular caso que el conjunto restricción: sea un conjunto compacto, entonces, podemos, garantizar la existencia de máximos y mínimos globales (Esto es Weierstrass!). Si R no es compacto, entonces deberemos ser creativos o utilizar condiciones de suficiencia que veremos mas adelante, en este mismo capítulo. 4.2 Ejemplo: Usar LAGRANGE para resolver Optimizar la función objetivo: Solución con LAGRANGEANO: • CCR: ) no viola la CCR. • • ; ; • Por lo tanto por CPO, debemos resolver el sistema de ecuaciones • Lo que nos otorga los 6 puntos críticos ; • Como el conjunto restricción: es COMPACTO • MAXIMOS GLOBALES • MINIMOS GLOBALES 4.2 Ejemplo: Usar LAGRANGE para resolver • Mas adelante veremos a que corresponden En ocasiones es posible, despejar una de las variables en , reemplazándola luego en con ello es posible reducir el problema de optimización en dos variables a una optimización en una variable sin restricciones (Recordemos el ejemplo de Carioca – tarea!) Comprobar esta observación con el ejemplo utilizado anteriormente 4.2 Teorema de Lagrange OTRA OBSERVACION Con el método de reducción a un variable: De la restricción, tenemos: Reemplazando en la función objetivo, nuestro problema se transforma en una optimización reducida a una sola variable, esto es: 4.2 Teorema de Lagrange OTRA OBSERVACION CPO: Por lo tanto, existen 4 puntos críticos: CSO: 4.2 Teorema de Lagrange OTRA OBSERVACION , no fueron posibles de ser detectados por el método analítico de la reducción, sin embargo, si observamos el gráfico, vemos que ellos si corresponden a óptimos locales Además en los óptimos obtenidos corresponden realmente a óptimos globales dentro del dominio restringido para “y” -0,5000 -0,4000 -0,3000 -0,2000 -0,1000 0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 h(y) Todo esto es: considerando que: Cap 4, Parte 2 OPTIMIZACION CON RESTRICCIONES DE IGUALDAD MULTIPLICADORES DE LAGRANGE CONDICIONES SUFICIENTES DE SEGUNDO ORDEN CASO PARTICULAR n = 2 VARIABLES m= 1 RESTRICCION Caso 2 variables; 1 Restricción de igualdad CONDICIONES SUFICIENTES Sin embargo, necesitamos asegurarnos que los candidatos a soluciones obtenidos mediante los puntos críticos del Lagrangeano son realmente soluciones, en espacios que NO necesariamente sean compactos. Para ello primero, partiremos estudiando condiciones globales El Teorema de Lagrange nos da puntos críticos de a través de las CPO, las cuales seconstituyen en condiciones necesarias para resolver el problema de optimización, pero no suficientes. En el particular caso, en que el espacio de restricciones es un conjunto compacto, podemos asegurarnos que realmente las soluciones encontradas sean un máximo o un mínimo, apoyándonos en Weierstrass. Caso 2 variables; 1 Restricción de igualdad TEOREMA: SUFICIENCIA GLOBAL Supongamos que utilizamos multiplicadores de Lagrange para resolver el problema de optimización: Donde con derivadas parciales continuas en S y sea un punto crítico para la función Lagrangeana Supongamos además que ENTONCES Cóncava resuelve el problema de MAXIMIZACION Convexa resuelve el problema de MINIMIZACION Caso 2 variables; 1 Restricción de igualdad EJEMPLO SUFICIENCIA GLOBAL Optimizar la siguiente función de producción sujeta a la restricción de presupuesto: • • Como 10 es una constante, recuerde que maximizar el Lagrangeano anterior es equivalente a maximizar: CPO = 0 de 2) de 1) Caso 2 variables; 1 Restricción de igualdad EJEMPLO SUFICIENCIA GLOBAL Luego es el único punto crítico del Lagrangeano. Hasta el momento dicho punto crítico es un candidato a óptimo, ya que sólo se han verificado las CPO del Lagrangeano Para ver si el único punto crítico obtenido, es un Máximo, de acuerdo al teorema precedente, debemos verificar, si el Lagrangeano es cóncavo. Para ello podemos utilizar la matriz Hessiana de dicho Lagrangeano, con Caso 2 variables; 1 Restricción de igualdad EJEMPLO SUFICIENCIA GLOBAL ; ; Usando el Teorema 2 de Matrices del Material de Estudio, página 51: Teorema 2:Sea: A una matriz simétrica de dimensión n × n. La matriz A es semi-definida positiva La matriz A es semi-definida negativa Donde son los Menores Principales(MP) de la matriz A • los MP de orden 1 son :: Caso 2 variables; 1 Restricción de igualdad EJEMPLO SUFICIENCIA GLOBAL • El único MP de orden 2 es , esto es: ENTONCES ES SEMI-DEFINIDA NEGATIVA POR LO TANTO, ES CONCAVA Luego el único punto crítico del Lagrangeano: Es un MAXIMO GLOBAL ALTERNATIVAMENTE, Podemos utilizar a Weierstrass, ya que: La función objetivo es continua, y además como los valores de K y L son no negativos, entonces el conjunto de soluciones factibles, conformado por la restricción: es COMPACTO (verificación de tarea) ALTERNATIVAMENTE: La concavidad o convexidad, es posible obtenerla mediante la descomposición del Lagrangeano, que veremos a continuación Caso 2 variables; 1 Restricción de igualdad TEOREMA: SUFICIENCIA GLOBAL Una manera alternativa de analizar la concavidad o convexidad del Lagrangeano, consiste en descomponerlo de la siguiente forma: Así entonces podemos observar que la concavidad o convexidad depende solo de las funciones ya que es constante y no afecta, por lo tanto, la concavidad depende solo de la función “f” y de la función “g” g cóncava convexa cóncava cóncava cóncava cóncava cóncava lineal cualquiera cóncava Convexa cóncava Convexa Convexa convexa Convexa Convexa lineal cualquiera Convexa Caso 2 variables; 1 Restricción de igualdad EJEMPLO SUFICIENCIA GLOBAL Podemos verificar la descomposición en el ejemplo precedente: Vemos que la concavidad o convexidad del Lagrangeano solo depende de lo que ocurra con la función objetivo “f”, ya que la función restricción es LINEAL ; ; Como es el mismo Hessiano ya analizado, podemos concluir que la función objetivo es CONCAVA, por lo tanto, el LAGRANGEANO también es CONCAVO Caso 2 variables; 1 Restricción de igualdad OTRO TEOREMA: SUFICIENCIA GLOBAL Es posible que el Lagrangeano no sea cóncavo y tampoco convexo, sin embargo a pesar de ello, puede ser posible, afirmar que estamos frente a un OPTIMO GLOBAL Teorema (Condiciones de suficiencia con quasi-concavidad) Sean f y g funciones con derivadas parciales continuas de y sea . Supongamos que el punto satisface las condiciones del teorema de Lagrange para el problema: Entonces resuelve el problema si NO es un punto crítico de f. 2. f es quasi-cóncava y g es quasi-convexa. Caso 2 variables; 1 Restricción de igualdad OTRO TEOREMA: SUFICIENCIA GLOBAL Teorema (Condiciones de suficiencia con quasi-convexidad) Sean f y g funciones con derivadas parciales continuas de y sea . Supongamos que el punto satisface las condiciones del teorema de Lagrange para el problema: Entonces resuelve el problema si NO es un punto crítico de f. 2. f es quasi-convexa y g es quasi-cóncava. ANÁLOGAMENTE Caso 2 variables; 1 Restricción de igualdad EJEMPLO OTRO TEOREMA: SUFICIENCIA GLOBAL Consideremos el siguiente problema de un guardabosque planificando su salida a terreno. Quiere ubicarse en las coordenadas que le permitan estar en la parte más alta posible de la montaña, pero caminando a lo largo de un único camino recto, definido por CONAF. Específicamente su problema es: • • • • Punto Crítico Caso 2 variables; 1 Restricción de igualdad EJEMPLO OTRO TEOREMA: SUFICIENCIA GLOBAL La función objetivo: es una función quasi-cóncava (ver pauta de Prueba 1 II 2020) La función restricción: es lineal, por lo tanto es tanto quasi-cóncava como quasi-convexa Por último: NO es punto crítico de (El único punto crítico es (0,0)) Por lo tanto, se cumplen las condiciones del teorema de quasi-concavidad Así entonces se puede concluir que: es MAXIMO GLOBAL -3 -2 ,5 -2 -1 ,5 -1 -0 ,5 0 0, 5 1 1, 5 2 2, 5 30 0.2 0.4 0.6 0.8 1 -3 -2 .6 -2 .2 -1 .8 -1 .4 -1 -0 .6 -0 .2 0. 2 0. 6 1 1. 4 1. 8 2. 2 2. 6 3 y f(x ,y ) x Caso 2 variables; 1 Restricción de igualdad TEOREMA DE SUFICIENCIA LOCAL Supongamos que utilizamos multiplicadores de Lagrange para resolver el problema de optimización local restringida: Donde (son derivables continuamente al menos 2 veces) Se define el Hessiano Orlado: Sea . Entonces Si el Hessiano Orlado es definido negativo, entonces es un máximo local de f Si el Hessiano Orlado es definido positivo, entonces es un mínimo local de f Caso 2 variables; 1 Restricción de igualdad TEOREMA: SUFICIENCIA LOCAL En el caso aquí, es posible simplificar el criterio para analizar el Hessiano Orlado El determinante del Hessiano Orlado en punto crítico asociado a un único está dado por: a) Si Entonces es definida negativa para ese ; por lo tanto es un MAXIMO LOCAL de “f” (noten el signo “>”) b) Si Entonces es definida positiva para ese ; por lo tanto es un MINIMO LOCAL de “f” (noten el signo “<”) c) Si Nada podemos afirmar de , y es preferible analizar por algún camino alternativo Condiciones de suficiencia local del ejemplo 1 Optimizar la función: Se demostró la existencia de los siguientes seis puntos críticos: • : MAXIMOS GLOBALES con • : MINIMOS GLOBALES con Comprobaremos las condiciones de suficiencia de segundo orden dadas por el Teorema precedente, y Veremos en que condiciones quedan estos últimos puntos críticos • (que quedamos en analizar mas adelante) Condiciones de suficiencia local del ejemplo 1 𝟐 Con : Se resuelve un problema de MAXIMIZACION LOCAL ya que: 𝟐 =16 NOTA: Ya sabíamos que era Máximo Global, por lo cual también es Máximo Local Condiciones de suficiencia local del ejemplo 1 Con 0 en el punto Se resuelve un problema de MINIMIZACION LOCAL: = Con 0 en el punto Se resuelve un problema de MAXIMIZACION LOCAL : = Con : Se resuelve un problema de MINIMIZACION LOCAL ya que: 𝟐 =-16 Ya sabíamos que era Mínimo Global y por tanto también es Local Capítulo 4, Parte 3 OPTIMIZACION CON RESTRICCIONES DE IGUALDAD MULTIPLICADORES DE LAGRANGE INTERPRETACION PARAMETROS DE LAGRANGE y TEOREMA DE LA ENVOLVENTE n = 2 VARIABLES m= 1 RESTRICCION Caso 2 variables; 1 Restricción de igualdad EJEMPLO 1: Interpretación Dado el problema: • • • • 1 2 Para visualizar que realmente es un máximo, podemos reemplazar la restricción en la función objetivo, lo que nos resulta la ecuación de una parábola cóncava Caso 2 variables; 1 Restricción de igualdadEJEMPLO 1: Interpretación 2,5 ¿Qué pasa con la solución óptima si la constante “c” aumenta 1 unidad • • • • Caso 2 variables; 1 Restricción de igualdad EJEMPLO 1: Interpretación Si la constante “c” aumenta en 1 unidad el cambio en la solución óptima es aproximadamente igual al Multiplicador de Lagrange • Debemos notar que en general, son funciones de “c”, es decir: • “Función valor para el problema”: también es función de “c” Caso 2 variables; 1 Restricción de igualdad TEOREMA: Interpretación Multiplicador de Lagrange Supongamos que el problema de optimización: Tiene solución Asumiendo que se cumplen las CCR, y tienen derivadas continuas, y además se pueden derivar respecto a “c”, ENTONCES • • Más adelante veremos que este teorema es un caso particular del: TEOREMA DE LA ENVOLVENTE Caso 2 variables; 1 Restricción de igualdad EJEMPLO 1: Interpretación Continuando con nuestro problema de optimización: • • • • Caso 2 variables; 1 Restricción de igualdad Ejemplo: Interpretación Una expresión equivalente del teorema de la interpretación del multiplicador de Lagrange es términos de diferenciales, esto es: Si es un cambio pequeño, entonces Para nuestro problema Original: ¿Qué pasa con la solución óptima si la constante “c=4” aumenta 1 unidad? La función de valor es: Aumento real es: - Aumento aproximado: Caso 2 variables; 1 Restricción de igualdad Interpretación En aplicaciones económicas, a menudo “c” representa la cantidad de stock de un determinado recurso, y la función objetivo, representa el beneficio o utilidad. Entonces una medida aproximada del aumento del beneficio o utilidad, que se puede obtener al aumentar los recursos en una pequeña cantidad “dc” es igual a: Los economistas llamamos a como el PRECIO SOMBRA DEL RECURSO Es el significado del multiplicador de Lagrange, el cual representa la variación de la función valor, cuando se cuenta con una unidad adicional de un cierto recurso limitado Caso 2 variables; 1 Restricción de igualdad Ejemplo 2: Interpretación Ejemplo: Firma que maximiza sus ingresos, si el presupuesto disponible es : • • CPO: • • La función Lagrangeana es cóncava, ya que, es una función cóncava y todo el resto es lineal • Además, Por lo tanto, se resuelve un problema de MAXIMIZACION Caso 2 variables; 1 Restricción de igualdad Ejemplo 2: Interpretación La función valor es: Por lo tanto, se cumple el Teorema: Esto nos dice que la empresa está dispuesta a pagar a lo más para que le aumenten el presupuesto en $1 Es un ejemplo curioso ya que el crecimiento en las utilidades es constante. RAZON: Lo que sucede es que una vez que se escogió la cantidad deseada de capital, todo aumento en el presupuesto va a trabajo. Las ganancias de la empresa son entonces “p” porque cada trabajador adicional produce una unidad, que se vende a p y se divide por 20 que es el costo de ese trabajador ($1 adicional de presupuesto permite comprar 1/20 de trabajador). Teorema de la ENVOLVENTE (Generalización Teorema anterior) En , los problemas de optimización utilizan funciones que dependen de cierto número de parámetros, tales como: Precios, % de impuestos, niveles de renta y otros. Aunque dichos parámetros se mantienen constantes dentro de la optimización, pueden variar según la situación económica. Podemos calcular el beneficio máximo de una empresa, considerando los precios a que se enfrenta como parámetros, pero luego podemos desear averiguar cómo ese beneficio máximo responde a cambios en los precios. Así que es importante saber qué ocurre con la solución óptima cuando la situación cambia, esto es, cuando cambian los parámetros Teorema de la envolvente Con este teorema de la envolvente que estudiaremos, la interpretación del multiplicador de Lagrange que ya vimos pasará a ser un caso particular. En la interpretación del parámetro , concluimos que cuando se produce un cambio de la constante “c” de la restricción . Ahora generalizaremos esa misma interpretación hacia otras constantes cualesquiera, “ ”, que entran en los modelos económicos como parámetros, pero que ahora consideraremos que dichos parámetros también pueden cambiar. Teorema de la envolvente I – II - III Reescribamos el problema original pero ahora permitiremos que al menos una de las funciones objetivo y/o restricción puedan ser funciones de un parámetro “a” Así por ejemplo en caso que ambas sean función del parámetro a Donde sin perder generalidad, definimos la restricción como igualdad a 0, esto es, . Note que a puede ser más de un parámetro ( ). La función de valor ahora es igual a la función objetivo valorizada en el óptimo Caso 2 variables; 1 Restricción de igualdad TEOREMA de la ENVOLVENTE Sean definidas en un dominio abierto Sea el problema de optimización: Que tiene solución Asumiendo que se cumplen las CCR ( , y tienen derivadas continuas con respecto a “a”, ENTONCES Para calcular cuanto cambia cuando “a” cambia, basta con derivar el Lagrangeano parcialmente con respecto a “a”, ignorando el efecto del parámetro de Lagrange sobre la solución óptima (ya que es derivada parcial de ) Ejemplo Teorema de la envolvente • Dado el problema . Comprobar el Teorema de la Envolvente • • • • Ejemplo Teorema de la envolvente I – II - III • Tenemos un único punto crítico: ; CPO • • • • tienen derivadas continuas con respecto a “ ”, • Punto crítico es un MINIMO GLOBAL, ya que, el Lagrangeano es CONVEXO Así la función de valor mínimo es = Ejemplo Teorema de la envolvente I – II - III • ∗ Derivando la función de valor respecto a tenemos: Para comprobar tenemos que: • PASOS Operacionales del Teorema Envolvente Para aplicar el teorema de la envolvente, se debe dar los siguientes pasos: 1) Resolver problema, con parámetro a arbitrario, sin darle valor 2) Verificar que las funciones tienen derivadas continuas con respecto a 3) Verificar las CCR en los puntos que se necesita calcular la derivada 4) Verificar CSO de optimización 5) Derivar parcialmente a respecto a a, osea, tomando como constantes 6) Evaluar derivada en el punto deseado. No revisar condiciones del Teorema puede producir errores importantes Caso 2 variables; 1 Restricción de igualdad Ejemplo 2: Teorema Envolvente Ejemplo: Firma que maximiza sus ingresos, si el presupuesto disponible es 500 En este caso el precio de K es un parámetro que afecta a la restricción, pero no a la función objetivo • • CPO: • tienen derivadas continuas • • Como es cóncava, se resuelve un problema de MAXIMIZACIÓN. Caso 2 variables; 1 Restricción de igualdad Ejemplo 2: Teorema Envolvente • Por lo anterior podemos aplicar Teorema de la Envolvente: • Una interpretación que la derivada tenga signo negativo, es que si el capital K es más caro, puedo comprar menos (o si reemplazo L con K, produzco de manera más ineficiente) • Por ejemplo, si el precio de K, cambia de , se tiene Caso 2 variables; 1 Restricción de igualdad Ejemplo 2: Teorema Envolvente Si usamos el Teorema de la Envolvente, el cambio se puede obtener en forma aproximada mucho mas simple, esto es: Donde Debe notarse la similitud existente 0,01 PERO con una SIMPLEZA mucho mayor(gracias al teorema) Capítulo 4, Parte 4 OPTIMIZACION CON RESTRICCIONES DE IGUALDAD MULTIPLICADORES DE LAGRANGE GENERALIZACIONES DEL METODO DE LAGRANGE “n” VARIABLES “m” RESTRICCIONES • Pepe Carioca maximiza funciones como sujeto a , con . • Pato Donald maximiza “cosas raras,” como , o como ujeto (o no) al mismo , con . • Pepe Carioca es sencillo de solucionar, pues basta con plantear la optimización, derivar, igualar a cero, sacar segundas derivadas para el Hessiano, y listo. • Pato Donald no es necesariamente más difícil de solucionar, pero es menos mecánico. Donald obliga a mirar su problema, pensarlo, y cuidadosamente elegir, y para el alumno promedio se hace más complejo, pero no más difícil. Muchas veces el Pato Donald no se deriva, seobserva, se analiza, y solamente entonces se resuelve. • Moraleja clave: NUNCA miren un problema solamente en “modo Pepe Carioca”. SIEMPRE fíjense si el problema puede ser un “Pato Donald” Motivación: Antes de generalizar Generalización Método de Lagrange : Dos casos Primer Caso Aumentamos sólo el número de variables a , pero mantenemos el número de restricciones en . La función objetivo como la restricción pasan a ser funciones multivariadas Segundo Caso Además de considerar caso multivariado, se aumenta la cantidad de restricciones, Pasando de pasan a ser ; ;…; equivalentemente CONDICIONES DE PRIMER ORDEN (NECESARIAS) EN PRIMER LUGAR RESUMIREMOS LAS CONDICIONES NECESARIAS DE PRIMER ORDEN CPO CONDICIONES DE PRIMER ORDEN EN CADA UNO DE AMBOS CASOS POR SEPARADO CPO-----PRIMER CASO GENERAL: Teorema de Lagrange Sean funciones multivariadas y sea Supongamos que es solución del problema: Supongamos además que ENTONCES Existe un número tal que es un punto crítico del Lagrangeano Ejemplo1; Caso n = 3 variables; m = 1 Restricción de igualdad Una firma requiere producir 100 camisas para distribuirlas en el mercado. Para ello puede utilizar tres máquinas cada una con un proceso distinto. Supongamos que produce “x” unidades con la máquina 1, “y” unidades con la máquina 2, y “z” unidades con la máquina 3. Los costos de producción de cada máquina (como función de las cantidades producidas con cada una de ellas) son: a) Encuentre las cantidades producidas con cada máquina que minimizan los costos de producción totales de las 100 camisas (suponga que se pueden producir fracciones de camisas con cada máquina) b) Calcule c) Calcule el costo óptimo total de producir las 100 camisas d) Calcule el costo óptimo de producir 101 camisas Se debe minimizar la función de Costos Totales: Sujeto a la restricción: a) Lagrangeano: CPO • • • • Ejemplo1; Caso n = 3 variables; m = 1 El costo de producir c=100 camisas en el óptimo es: Es un valor mínimo (lo comprobaremos más adelante) Luego, como el costo marginal de producir una camisa más en el óptimo es: Entonces el costo aproximado de producir 101 camisas es: Note que en este caso no se viola la CCR Ejemplo1; Caso n = 3 variables; m = 1 Restricción de igualdad SEGUNDO CASO GENERAL: Teorema de Lagrange Sean y sean Supongamos que es solución del problema: Supongamos además que (definición en próx. slide) ENTONCES Existen número tal que es un punto crítico del Lagrangeano CPO----SEGUNDO CASO GENERAL: Teorema de Lagrange Cont.….. Donde el Jacobiano: Tiene rango fila igual a , lo cual significa que sus vectores fila son CPO----SEGUNDO CASO GENERAL: • Recordatorio: Los vectores son linealmente independientes ( ) si en la ecuación +…+ con incógnitas se tiene como única solución Ejemplo 2: “n=3 ; m=2” = CPO • De (3) • Reemplazando en (1) y (2) • Reemplazando el resultado anterior en (5) Ejemplo 2: “n=3 ; “m=2” • Por lo tanto: Comprobemos que el Jacobiano es de rango • • • • • Como son distintas de “0” entonces la única solución es Ejemplo: “n=3 ; m=2” Condición 3 Máximo 3 Mínimo • Por lo tanto los puntos obtenidos, de acuerdo al Teorema de Lagrange, son realmente puntos críticos • Con las condiciones de segundo orden verificaremos mas adelante que, realmente corresponden a Máximo y Mínimo Global según nos indica la tabla. CONDICIONES DE SEGUNDO ORDEN (SUFICIENTES) EN SEGUNDO LUGAR RESUMIREMOS LAS CONDICIONES SUFICIENTES DE SEGUNDO ORDEN CSO CONDICIONES DE SEGUNDO ORDEN PARA AMBOS CASOS EN FORMA CONJUNTA SEGUNDO CASO GENERAL: Teorema de Condiciones de Suficiencia Global Sean y sean Consideremos los problemas: Con solución Asumiendo los Entonces Si es cóncava, es solución del problema de maximización Si es convexa, es solución del problema de minimización CSO----AMBOS CASO GENERAL SEGUNDO CASO GENERAL: Teorema Condiciones de Suficiencia con quasi-concavidad Sean y sean Supongamos que el punto satisface las condiciones del Teorema de Lagrange para el problema Entonces resuelve el problema si NO es un punto crítico de f f es quasi cóncava y es quasi convexa CSO----AMBOS CASO GENERAL SEGUNDO CASO GENERAL: Teorema Condiciones de Suficiencia con quasi-convexidad Sean y sean Supongamos que el punto satisface las condiciones del Teorema de Lagrange para el problema Entonces resuelve el problema si NO es un punto crítico de f f es quasi convexa y es quasi cóncava CSO----AMBOS CASO GENERAL SEGUNDO CASO GENERAL: Teorema de Condiciones de Suficiencia Local Sean y sean Considere el problema: Con solución Considere la matriz Hessiana Orlada de evaluada en la solución ENTONCES Si la matriz Hessiana Orlada es: Definida negativa, es máximo local entre los puntos que cumplen las restricciones Definida positiva, es mínimo local entre los puntos que cumplen las restricciones CSO----AMBOS CASO GENERAL Punto crítico ya obtenido: Como la función restricción es lineal, entonces ella simultáneamente es cóncava y convexa, por tanto: Sólo debemos analizar la convexidad de la función objetivo: Hessiano: es def. pos. (ver por qué en próx. slide) Continuación Ejemplo1; n=3 ; m=1 Verificación MINIMIZACION GLOBAL c/CSO Ya que todos los menores principales dominantes son positivos, esto es: Convexa resolvió un problema de MINIMIZACION GLOBAL Continuación Ejemplo1; n=3 ; m=1 Verificación MINIMIZACION GLOBAL c/CSO Continuación….. Ejemplo 2; n=3 ; m=2 Verificación MINIMIZACION c/CSO Para el problema del Ejemplo 2, esto es: Con las CSO, recién vistas en el Teorema, verificar la tabla Condición 3 Máximo 3 Mínimo = Por lo tanto con: se tiene Máximo Global = Por lo tanto con: se tiene Mínimo Global Continuación….. Ejemplo 2; n=3 ; m=2 Verificación MINIMIZACION c/CSO Capítulo 4, Parte 5 y final OPTIMIZACION CON RESTRICCIONES DE IGUALDAD MULTIPLICADORES DE LAGRANGE Interpretación Económica de los Parámetros de Lagrange y Teorema de la ENVOLVENTE Teorema: Sean y sean Consideremos el problema: Con solución que cumple las CCR. Asumiendo que tanto como los . Entonces Donde Interpretación Económica de los Multiplicadores de Lagrange Continuación Ejemplo 2 Interpretación Económica Multiplicadores de Lagrange Ya trabajado anteriormente con con los siguientes resultados ; Mínimo Comprobar que se cumple la interpretación de los multiplicadores de Lagrange = CPO • De (3) • Reemplazando en (1) y (2) • Reemplazando el resultado anterior en (5) Ejemplo Interpretación Económica Multiplicadores de Lagrange Ejemplo: “3” variables con “m=2” restricciones • • Luego en el punto: La función valor es ∗ De donde se demuestra que se cumple la interpretación de los multiplicadores ya que: ∗ 2) ∗ Caso n variables; m Restricciones de Igualdad TEOREMA de la ENVOLVENTE Sean funciones que dependen de un parámetro “a” Sea el problema: Que tiene solución óptima Asumiendo que se cumple que se cumple la CCR, y que: tienen derivadas continuas con respecto a “a”, ENTONCES Para calcular cuanto cambia cuando “a” cambia, basta con derivar el Lagrangeano parcialmente con respecto a “a”, ignorando el efecto del parámetro de Lagrange sobre la solución óptima (ya que es derivada parcial de ) Ejemplo: Teorema de la envolvente Una empresa usa cantidades K de capital y L de trabajo, para producir un determinado producto, siguiendo una función de producción de CD. Consideremos el problema de minimización del costo “C” de producción, sujeto a una restricción de la cantidad producida prefijada en “Q”, por lo tanto, el problema se puede representar por: Los precios unitarios de capital y trabajo respectivamente, los cuales son parámetros que están contenidas en la función de costos “C” La cantidad de producción “Q” es un parámetro prefijado, que esta contenido en la restricción El Lagrangeano queda: Ahora debemosconsiderar las CPO ( necesarias) Ejemplo: Teorema de la envolvente 1) Despejando de 1) y 2) e igualando: 2) De donde 3) Reemplazando este valor en la restricción 3) 4) Por lo tanto: Ejemplo: Teorema de la envolvente 5) Como 6) Reemplazando se tiene que: 7) Por lo tanto el Costo: Es un costo mínimo global, ya que en el Lagrangeano Se tiene que la función de CD: cóncava, es convexa Además la función lineal ( es cóncava y convexa a la vez 8) Derivando el costo mínimo respecto de cada uno de los parámetros Ejemplo: Teorema de la envolvente ∗ / / / / ∗ / / / / De acuerdo al Teorema de la envolvente, si consideramos el vector de parámetros y la función Lagrangeana: Y derivamos parcialmente respecto de cada uno de los parámetros, obtenemos los mismos resultados: Lema de Shephard ; Caso particular Teorema Envolvente Con el ejemplo precedente, hemos mostrado una aplicación particular del teorema de la envolvente, el cual se expresa de la siguiente manera Si en un problema de optimización consideramos la “Minimización del Gasto” sujeto a un determinado nivel de Utilidad , esto es: La función objetivo contiene dos parámetros: precios La restricción contiene un parámetro, esto es, la utilidad prefijada ENTONCES EL LEMA DE SHEPHARD NOS DICE ∗ 𝒙 𝒚 𝒙 ; ∗ 𝒙 𝒚 𝒚 Además: ∗
Compartir