TEMA 1 Programacin matemtica en el campo econmico.

Convexidad de conjuntos y funciones

Representacin grfica y Teorema de Weierstrass
1. Estudiar analticamente si verifican el Teorema de Weierstrass y resolver grficamente
los siguientes programas:
optimizar 3 x + y
2
2
1a) s.a. x + y 5

x y 1

x0

Teorema de Weierstrass:
1) f ( x, y=
) 3 x + y es una funcin continua por ser un polinomio
2) El conjunto de soluciones factibles F es compacto, es decir, cerrado y acotado, porque:
2.1) g1 ( x, y ) =
x 2 + y 2 , g 2 ( x, y ) =
x y , g 3 ( x, y ) =
x son funciones continuas, entonces los
conjuntos g11

g 2 1 {(
=
,1]}

,5]} {( x, y ) y
{( =

{( x, y ) y

: x 2 + y 2 5} ,

+ )}
: x y 1} y g31 {[ 0,=

{( x, y ) y

cerrados. Por tanto, F es cerrado por ser interseccin de cerrados.

2.2) F es acotado porque dado r = 5 se verifica que ( x, y ) F : d

pues x 2 + y 2 5 , esto es, F B (0, 0),

Existen mximo y mnimo globales de f ( x, y=

) 3 x + y en F.
Resolucion grfica:

: x 0} son

( ( x, y ) , ( 0, 0 ) )

optimizar ( x 1) 2 + ( y 1) 2
s.a. 2 x + y 2
x y 2
1b)

x+ y 5

x5

y5

Teorema de Weierstrass:
1) f ( x, y ) = ( x 1) 2 + ( y 1) 2 es una funcin continua por ser un polinomio
2) El conjunto de soluciones factibles F es compacto, es decir, cerrado y acotado, porque:
2.1) g1 ( x, y ) =
2 x + y, g 2 ( x, y ) =
x y , g 3 ( x, y ) =
x + y , g 4 ( x, y ) =
x, g 5 ( x, y ) =
y son

, 2]} {( x, y ) y : 2 x + y 2} ,
{( =
: x y 2} , g {[5,=
+ )} {( x, y ) y : x + y 5} ,
=
,5]} {( x, y ) y : y 5} son cerrados.
: x 5} y g {(

funciones continuas, entonces los conjuntos g11

{( x, y ) y
,5]} {( x, y ) y
{( =

=
g 2 1 {(
, 2]}

g 4 1

Por tanto, F es cerrado por ser interseccin de cerrados.

2.2) F es acotado porque ( x, y ) F se verifica que:

d ( ( x, y ) , ( 0, 0 ) ) =

F B (0, 0), 50

x 2 + y 2 52 + 52 =

50 pues x 5, y 5 , esto es,

Existen mximo y mnimo globales de f ( x, y ) = ( x 1) 2 + ( y 1) 2 en F.

Resolucion grfica:

optimizar x + y
1c) s.a. 4 x 2 + y 2 8

x y
e 1

Teorema de Weierstrass:
3) f ( x, y ) = x + y es una funcin continua por ser un polinomio
4) El conjunto de soluciones factibles F es compacto, es decir, cerrado y acotado, porque:
2.1) g1 ( x, y ) =
4 x 2 + y 2 , g 2 ( x, y ) =
e x y son funciones continuas, entonces los conjuntos

g11 {(
=
,8]}

{( x, y ) y

,1]}
: 4 x 2 + y 2 8} y g 2 1 {(
=

{( x, y ) y

: e x y 1} son

cerrados. Por tanto, F es cerrado por ser interseccin de cerrados.

2.2) F es acotado porque ( x, y ) F se tiene que 4 x 2 + y 2 8 por tanto 2 x 2 y

8 y 8 , por lo que d ( ( x, y ) , ( 0, 0 ) )=

F B (0, 0), 10

x 2 + y 2 2 + 8=

Existen mximo y mnimo globales de f ( x, y ) = x + y en F.

Resolucion grfica:

10 , esto es,

optimizar x + 2 y
1d)

y ( x 3)3 0

2 y 2

s.a. y x3 0

Teorema de Weierstrass:
5) f ( x, y )= x + 2 y es una funcin continua por ser un polinomio
6) El conjunto de soluciones factibles F es compacto, es decir, cerrado y acotado, porque:
2.1) g1 ( x, y ) = y x 3 , g 2 ( x, y ) = y ( x 3)3 , g3 ( x, y ) = y son funciones continuas,
entonces los conjuntos g11

{( x, y ) y
, 2]} {( x, y ) y
{( =

+ )}
g 2 1 {[ 0,=
g31

, 0]} {( x, y ) y
{( =
2
2

: y x3 0} ,

+ )}
: y ( x 3)3 0} , g31 {[ 2,=

{( x, y ) y

: 2 y} y

: y 2} son cerrados. Por tanto, F es cerrado por ser

interseccin de cerrados.
2.2) F es acotado porque ( x, y ) F se tiene que 2 y 2 y 2 4 y adems

y ( x 3)3 2 ( x 3)3 3 2 x 3 x 3 2 + 3 < 5 por lo que

d ( ( x, y ) , ( 0, 0 ) )=

x 2 + y 2 52 + 4=

Existen mximo y mnimo globales de f ( x, y )= x + 2 y en F.

Resolucion grfica:

29 , esto es, F B (0, 0), 29

2. Se considera el programa matemtico:

min f ( x)
s.a. y sen( x) 0

3
0 x
2

Resolverlo grficamente, calculando los mnimos locales y globales, siendo:

a) f ( x) = x + y

, 1 , no existe Mximo
2

Mnimo en

b)

f (=
x)

1
x+ y
2

Mnimo en ( 0, 0 ) , no existe Mximo

3. Dada la funcin f ( x, y ) = ( x 3) 2 + ( y 5) 2 , calcular los puntos en los que f tiene mximos y mnimos locales
y globales sobre los siguientes conjuntos factibles:
a) B1 = 2

Minimo global en el (3, 5) porque f ( x, y ) = ( x 3) 2 + ( y 5) 2 f (3,5) = 0 ( x, y ) y 2

b) =
B2

{( x, y) y

: x +=
y 10}

B=
3

{( x, y) y

: x + y= 10, x 0, y 0}

c)

d) =
B4

{( x, y) y

: x + y 10, x 0, y 0}

4. Encontrar la distancia mnima del origen al conjunto determinado por:

x+ y 4
2x + y 5

Habr que resolver el programa:

min

x2 + y 2

s.a. x + y 4

2 x + y 5

El mnimo es el punto (2,2) y se puede hallar teniendo en cuenta que se encuentra en la recta x + y =
4 , por tanto

y)
y= 4 x . Sustituyendo en la funcin f ( x,=

f ( x)=
f ( x) =

x2 + ( 4 x ) =
2

4x 8
2 2 x 2 8 x + 16

x 2 + y 2 podemos hallar el punto mnimo derivando:

2 x 2 8 x + 16
=0 x =2 y =2

5. Un fabricante produce dos artculos, cuyos beneficios por unidad vendida de cada uno de ellos son 10 y 15
unidades monetarias respectivamente. Cada unidad del articulo 1 utiliza en su produccin 4horas/hombre y 3
horas/maquina y cada unidad del articulo 2 utiliza 7 horas/hombre y 6 horas/maquina. El total disponible de
horas/hombre es de 300 y el de horas/maquina es de 500. Calcular las cantidades a producir de cada artculo
para que el beneficio sea mximo, suponiendo que se venden todas las unidades producidas.

x = Cantidad a producir del artculo 1

y = Cantidad a producir del artculo 2

max . B( x,=
y ) 10 x + 15 y
s.a.

4 x + 7 y 300

3 x + 6 y 500

x, y 0

Se puede comprobar que este programa cumple el Teorema de Weierstrass, por tanto, si existe un punto
mximo, entonces ste ser un mximo global

El punto (75,0) es mximo global de la funcin de Beneficios dentro de nuestra regin factible, por tanto, el
Mximo Beneficio que podremos obtener ser de 750 u.m. que se obtiene produciendo y vendiendo 75

unidades del artculo 1 y ninguna del artculo 2.

6. Una empresa fabrica dos tipos de cinturones A y B. El tipo A es de mejor calidad que el tipo B. El beneficio
neto es de 2 u.m. por cada cinturn del tipo A y de 1,50 u.m. por cada uno del tipo B. El tiempo empleado en
la fabricacin de A es el doble que el empleado para B y, si todos los cinturones fuesen del tipo B, la empresa
podra fabricar 1000 diarios. El abastecimiento de cuero es suficiente para fabricar 800 cinturones al da, sean
del tipo A o B. Por ltimo, se puede disponer diariamente de 400 hebillas del tipo A y 700 del tipo B. Se pide:
a) Plantear el problema que maximice el beneficio
b) Resolverlo grficamente.

x = Cantidad de cinturones del tipo A producidos y vendidos

y = Cantidad de cinturones del tipo B producidos y vendidos

max . B( x, y=
) 2 x + 1,5 y
s.a.

x + 2 y 1000
x + y 800

0 x 400
0 y 700

Convexidad de conjuntos y funciones

7. Estudiar cul de los siguientes subconjuntos es convexo:
a)

S = {( x, y ) y 2 : y x} (Lo comprobamos por definicin de conjunto convexo)

Sean ( x1 , y1 ) , ( x2 , y2 ) S y1 x1 , y2 x2 . Hay que probar que [ 0,1] se cumple que

( x1 , y1 ) + (1 )( x2 , y2 ) S :

( x1 , y1 ) + (1 )( x2 , y2 =
)

( x + (1 ) x , y + (1 ) y )
1

y1 x1 , porque y1 x1 , 0

y1 + (1 ) y2 x1 + (1 ) x2
(1 ) y2 (1 ) x2 , porque y2 x2 , [ 0,1]
( x1 , y1 ) + (1 )( x2 , y2 ) S S es convexo

b) S = ( x, y ) y 2 : y x 2

1 forma: Por definicin de conjunto convexo:

2
y1 x12
y1 x1
Sean ( x1 , y1 ) , ( x2 , y2 ) S

2
2
y2 x2
(1 ) y2 (1 ) x2

( x1 , y1 ) + (1 )( x2 , y2 =
)

( x + (1 ) x , y + (1 ) y ) S ?
1

y1 + (1 ) y2 x + (1 ) x
2
1

2
2

Ya que se cumple que: x12 + (1 ) x22 x1 + (1 ) x2 = (1 )( x1 x2 ) 0

2

Tenemos que y1 + (1 ) y2 x12 + (1 ) x22 x1 + (1 ) x2

2

( x1 , y1 ) + (1 )( x2 , y2 =
)

2 forma:=
S

{( x, y) y

( x + (1 ) x , y + (1 ) y ) S

: y x=
}
2

{( x, y) y

: x y 0}

2 0
f ( x, y=
) x 2 y es una funcin de tipo C 2 y su Hessiana Hf ( x, y ) =
es Definida Positiva
0 0
( x, y ) y 2 f es una funcin convexa El conjunto S es un conjunto convexo
c)

S=
a + bx a, b y}
{( x, y) y 2 : y =
S es un conjunto convexo por ser un hiperplano (demostracin hecha en clase)

d) =
S

{( x, y) y

: x 2 + y 2 < 4}

Sea la funcin f ( x, y=
) x 2 + y 2 , entonces podemos escribir el conjunto S como

S=
{( x, y) y 2 : f ( x, y) < 4}

2 0
es Definida Positiva
0 2

La funcin f ( x, y=
) x 2 + y 2 es de clase C 2 y su Hessiana Hf ( x, y ) =

( x, y ) y 2 f es una funcin convexa El conjunto S es un conjunto convexo

e)

S = {( x, y ) y 2 : y = sen( x)} El conjunto S no es un conjunto convexo porque ( 0, 0 ) , ,1 S pero
2
1

( 0, 0 ) + (1 ) ,1 S [ 0,1] ya que si = :
2
2

1 1
1

( 0, 0 ) + (1 ) =
,1
,1 , pero sen =
( 0, 0 ) + =

2 2 4 2
2 2
4

2 1

2
2

f) =
S

{( x, y, z) y

: 2 x + 3 y 5 z 7}

S es un conjunto convexo por ser un semiespacio cerrado (demostracin hecha en clase)

n
8. Sea S un conjunto convexo de n y f :
m una aplicacin lineal. Probar que el conjunto imagen f ( S )
es convexo.
Sean dos puntos x, y S f ( x), f ( y ) f ( S ) Hay que probar que f ( x) + (1 ) f ( y ) f ( S ) :

f ( x + (1 ) y )

Por ser f lineal se cumple que: f ( x) + (1 ) f ( =

y)

Por ser S convexo, se cumple que: x, y S x + (1 ) y S

f ( x + (1 ) y ) f ( S ) f ( x) + (1 ) f ( y ) f ( S ) f ( S ) es convexo

9. Sea { Ai / i I } una familia de conjuntos convexos de n . Probar que:

a) La unin de conjuntos convexos

A
=
1

{( x, y) y

A1 A=
2

A , en general, no es un conjunto convexo.

i

iI

: x 2 + y 2 4} , A=
2

{( x, y) y

{( x, y) y

: x2 + y 2 4 y / o

: ( x + 3) + ( y + 3) 4 son convexos pero

2

( x + 3) + ( y + 3)
2

4 no es convexo ya que

( 0, 2 ) A1 1
1
3
( 0, 2 ) + ( 3, 2 ) =
, 2 A1 A2 porque no satisface ninguna de las ecuaciones
2
2
( 3, 2 ) A2 2
25
3
x + y = + 22 =
>4
4
2
2

3
85
2
2
2
( x 3) + ( y 3) = 3 + ( 2 3) = > 4
4
2

A1 A2 no es convexo Ai no es convexo
2

b) El conjunto interseccin

iI

es convexo

iI

Sean A, B conjuntos convexos

Sean dos puntos a, b A B

a + (1 ) b A

a, b A
Por ser A, B conjuntos convexos se cumple que
a, b B

Por tanto: a + (1 ) b A B A B es convexo.

a + (1 ) b B

c) NO ENTRA PARA EXAMEN: El conjunto producto cartesiano

A= { x=
i

iI

convexo
Sea { Ai / i I } conjuntos convexos:
Sean x
=

(a1 , a2 ,...) : ai Ai , i I es

x2 ,...) , y ( y1 , y2 ,...) Ai x + (1 ) y= ( x1 + (1 ) y1 , x2 + (1 ) y2 ,....) con

( x1 ,=

xi + (1 ) yi Ai

iI

) A A es convexo

Por tanto x1 + (1 ) y1 , x2 + (1 ) y2 ,....

iI

iI

A
=
x
=
ai : ai Ai , i= 1,..., m es convexo

i
=i 1 =
i 1

d) NO ENTRA PARA EXAMEN: El conjunto suma

Sean dos puntos x, y

A Se pueden escribir como suma de elementos de los conjuntos convexos A :

i =1

x = ai con ai Ai e y = bi con bi Ai i =1,..., m

i =1

i =1

x + (1 ) y

A ?
i =1

=i 1

( a + (1 ) b ) A porque

x + (1 =
bi
) y ai + (1 ) =

=i 1 =i 1

i
=i 1

( ai + (1 ) bi ) Ai i =1,..., m Ai es convexo
i =1

e) Si X n es un conjunto convexo y entonces el conjunto X =

y yn / y =
x, x X
convexo.

} es

=
y1 x1 , con x1 X
=
y2 x2 , con x2 X

Sean dos puntos y1 , y2 X , entonces cumplen que

y1 + (1 ) y2 X [ 0,1] ?

y1 + (1 ) y=
x1 + (1 ) x=
( x1 + (1 ) x2 ) y por ser X n es un conjunto convexo se cumple
2
2

que x1 + (1 ) x2 X , por tanto, x1 + (1 ) x2 X X es convexo.

10. NO ENTRA PARA EXAMEN: En 2 consideramos el subconjunto M=

{=x

(0, 2), =
y (1,1),=
z (1,3) . Escribir

el conjunto de combinaciones convexas de elementos de M y representarlo grficamente.

El conjunto de combinaciones convexas de los puntos de M es el conjunto de puntos

:x
{x y =
2

1 (0, 2) + 2 (1,1) + 3 (1,3) con 1 + 2 +=

3 1 y 1 , 2 , 3 [ 0,1]}

O dicho de otra forma, considerando que 3 =1 1 2 :

{x

: x = (1 1 ,3 1 22 ) con 0 1 , 2 1}

Grficamente es el tringulo que une a los tres puntos de M (incluyendo todos los puntos de los lados y del
interior)
11. Determinar, aplicando la definicin, la convexidad, concavidad, convexidad estricta o concavidad estricta de
las siguientes funciones:

f es convexa si f ( x + (1 ) y ) f ( x) + (1 ) f ( y ) x, y

f es cncava si f ( x + (1 ) y ) f ( x) + (1 ) f ( y ) x, y
a)=
y

f=
( x) sen( x) en M = [ 0, 2 ] no es cncava ni convexa ya que:

Si=
x1 0,=
x2

1
=
,
2
2

2
1
1

1
f ( x1 + (1 ) x2 )= f =
sen(0) + sen =
f ( x1 ) + (1 ) f ( x2 )=
2
2
4 2
2 2
3
1
Pero si=
:
x1 =
, x2
=
,
2
2
1
1
1
5 2
3
f ( x1 + (1 ) x2 ) =f
< f ( x1 ) + (1 ) f ( x2 ) = sen( ) + sen =

=
2
2
2
2
4
2
3
=
y f=
( x) sen( x) en M = ,
2
Sean x1 , x2 M

f ( x1 + (1 =
) x2 ) sen ( x1 + (1 =
) x2 ) sen ( x1 ) cos ( (1 ) x2 ) + cos ( x1 ) sen ( (1 ) x2 )

sen ( x1 ) + sen ( (1 ) x2 ) (porque cos( z ) 1 )

3
sen ( x1 ) + (1 ) sen ( x2 ) (porque x1 , x2 , )
2
3
= f ( x1 ) + (1 ) f ( x2 ) f es convexa en M = ,
2
b)

y = x en +

f ( x1 + (1 ) x2=
)

x1 + (1 ) x2 x1 + (1 ) x=
f ( x1 ) + (1 ) f ( x2 ) ya que
2

(1 ) x1 x2 0 f es cncava
2

c)

y= f ( x)= a + bx en con a, b

f ( x1 + (1 ) x2 ) = a + b ( x1 + (1 ) x2 ) =

f ( x1 ) + (1 ) f ( x2 )= ( a + bx1 ) + (1 )( a + bx2 )
f es cncava y convexa al mismo tiempo
d)=
y

f=
( x) x 3 en y en +

( x + (1 ) x =
) ( x ) + ( (1 ) x ) + 3 ( x ) ( (1 ) x ) + 3 ( x ) ( (1 ) x )
0 : ( x + (1 ) x ) f ( x ) + (1 ) f ( x ) convexa
0 ( x + (1 ) x ) f ( x ) + (1 ) f ( x ) cncava

f ( x1 + (1 ) x2 =
)
Si xi
Si xi

Entonces:
: y f=
En =
( x) x 3 no es cncava ni convexa
En +=
: y

e) =
y

f=
( x) x 3 es convexa
f ( x1 , x=
2 x12 + 3 x22 en 2
2)

f ( ( x1 , x2 ) + (1 ) ( y1 , y=
f ( x1 + (1 ) y1 , x2 + (1 ) y=
2 ))
2)

= 2 ( x1 + (1 ) y1 ) + 3 ( x2 + (1 ) y2 )
2

< ( 2 x12 + 3 x22 ) + (1 ) ( 2 y12 =

+ 3 y22 ) f ( x1 , x2 ) + (1 ) f ( y1 , y2 )

2
2
Ya que (1 ) 2 ( y1 x1 ) + 3 ( y2 x2 ) > 0 f es estrictamente convexa

f) y f=
=
( x1 , x2 , x3 ) x1 x2 x3 en 3 no es ni cncava ni convexa porque
1
Sean x = (1, 2,3) , y = ( 1, 2,3) , = :
2
1
1
f ( x + (1 ) y ) = f ( 0, 0, 6 ) = 0 < f ( x ) + (1 ) f ( y ) = 6 + 6 = 6 convexa
2
2
1
Sean x =
(1, 2, 3) , y =(1, 2,3) , = :
2
1
1
6 cncava
f ( x + (1 ) y ) =f (1, 0, 0 ) =
0 > f ( x ) + (1 ) f ( y ) = ( 6 ) + ( 6 ) =
2
2

12. Sea M n un subconjunto convexo. Demostrar que:

a) Si f es una funcin convexa (cncava) en M, entonces f es una funcin cncava (convexa).
Si la funcin f es convexa cumple que f x + (1 ) y f ( x ) + (1 ) f ( y ) ( x, y ) M y si

multiplicamos por (-1) tenemos que:

f ( x + (1 ) y ) ( f ( x ) + (1 ) f ( y ) ) = ( f ( x ) ) + (1 ) ( f ( y ) ) f es cncava

b) Si f es una funcin estrictamente convexa (estrictamente cncava) en M, entonces f es una funcin

estrictamente cncava (estrictamente convexa). (igual que el anterior pero con desigualdades estrictas)
c) Si f es una funcin convexa (cncava) en M y 0 , entonces f es una funcin convexa (cncava).

Si la funcin f es convexa cumple que f x + (1 ) y f ( x ) + (1 ) f ( y ) ( x, y ) M . Si

multiplicamos por 0 :

f ( x + (1 ) y ) ( f ( x ) + (1 )=
f ( y ) ) ( f ( x ) ) + (1 ) ( f ( y ) ) f es convexa
d) Si f es una funcin convexa (cncava) en M y 0 , entonces f es una funcin cncava (convexa).
Si la funcin f es convexa cumple que f ( x + (1 ) y ) f ( x ) + (1 ) f ( y ) ( x, y ) M . Si

multiplicamos por 0 : f x + (1 ) y f ( x ) + (1 )=
f ( y ) f ( x ) + (1 ) f ( y )

f es cncava
e) Si

{ fi / i = 1,..., m} es una familia de funciones convexas (cncavas) en M, entonces la funcin

f = i fi
i =1

con i 0 es una funcin convexa (cncava) en M.

Si la funcin f i es convexa cumple que f i x + (1 ) y f i ( x ) + (1 ) f i ( y ) i ( x, y ) M .

Entonces:

) y)
f ( x + (1=

i fi ( x + (1 ) y ) i fi ( x ) + (1 ) fi ( y )

=i 1 =i 1
m

= i fi ( x ) + (1 ) i fi (=
y ) f ( x ) + (1 ) f ( y )

=i 1 =i 1

f es convexa
13. NO ENTRA PARA EXAMEN: Estudiar la concavidad o convexidad de las siguientes funciones diferenciables:
Si f C 1 es convexa entonces se cumple que

( f ( y ) f ( x) )( y x ) 0

Si f C 1 es cncava entonces se cumple que

( f ( y ) f ( x) )( y x ) 0

a)

b)

f ( x)= a + bx con x
f ( x) = f ( x) = b ( f ( y ) f ( x) )( y x ) = ( b b )( y x ) = 0 f es convexa y cncava

f ( x) = x 2 con x
f ( x) = f ( x) = 2 x ( f ( y ) f ( x) )( y x ) =

c)

( 2 y 2 x )( y x ) =

f ( x) = x con x > 0
1
f ( x) = f ( x) =
2 x

( f ( y) f ( x) )( y x=)

1
1

( y x=
2
y
2
x

x y

2 ( y x ) 0 f es convexa

)( y x) 0

2 xy

Porque el denominador es positivo siempre ya que x, y > 0 y el numerador siempre es negativo o cero porque
si x < y
d)

x y < 0 y y x > 0 y viceversa. f es cncava

f ( x) = e con x
x

f ( x) = f ( x) = e x ( f ( y ) f ( x) )( y x=
)

(e

e x ) ( y x ) 0 Porque

y x e y ex 0

y x 0 (e y ex ) ( y x ) 0

y x e y ex 0

y x 0 (e y ex ) ( y x ) 0

f es convexa

e)

f ( x) = ln( x) con x > 0

1
f ( x) = f ( x) =
x

1 1
( f ( y ) f ( x) )( y x ) = ( y x ) =
y x

f)

( x y )( y x ) 0
xy

x, y > 0

f ( x1 , x2 ) = ax1 + bx2 + c con ( x1 , x2 ) 2 y a, b, c

f ( x ) =
f ( y )
( a, b ) =

( f ( y ) f ( x) )( y x ) = ( ( a, b ) ( a, b ) ) ( y x ) = 0

g)

f es cncava

x, y

f es convexa y cncava

+
f ( x1 ,=
x2 ) ln( x1 + x2 ) con ( x1 , x2 )
+

1
1
f ( x1 , x2 ) =
,

x1 + x2 x1 + x2
x1 , x2 ) )
( f ( y1 , y2 ) f ( x1 , x2 ) )( ( y1 , y2 ) (=

y2 )
( x + x2 ) ( y1 + =
= 1
(y x + y x )
( y1 + y2 )( x1 + x2 ) 1 1 2 2

h)

f ( x1 , x2 , x3 ) =

1
1
1
1

( y1 x1 , y2 x2 )
y1 + y2 x1 + x2 y1 + y2 x1 + x2

( x1 + x2 ) ( y1 + y2 )

( y1 + y2 )( x1 + x2 )

{}

) ( x1 , x2 , x3 ) )
( f ( y1 , y2 , y3 ) f ( x1 , x2 , x3 ) )( ( y1 , y2 , y3=

x1 + x2 + x3 y1 + y2 + y3

)( y + y
1

1
1

2 y + y + y 2 x +x +x
1
2
3
1
2
3

+ y3 ( x1 + x2 + x3 ) )

2 y1 + y2 + y3 x1 + x2 + x3
i)

0 f es cncava

+
x1 + x2 + x3 con ( x1 , x2 , x3 )
+ + 0

1
1
1
f ( x1 , x2 , x3 ) =
,
,

2 x +x +x 2 x +x +x 2 x +x +x
1
2
3
1
2
3
1
2
3

( y1 x1 + y2 x2 + y3 x3 )

0 f es cncava

f ( x1 , x2 , x3 ) = e x1x2 + x3 con ( x1 , x2 , x3 ) 3 no es cncava ni convexa ya que:

f ( x1 , x2 , x3 ) =
x2 e x1x2 + x3 , x1e x1x2 + x3 , e x1x2 + x3

( f ( y1 , y2 , y3 ) f ( x1 , x2 , x3 ) )( ( y1 , y2 , y3 ) ( x1 , x2 , x3 ) ) =
( y2e y y + y x2e x x + x , y1e y y + y x1e x x + x , e y y + y e x x + x ) ( y1 x1 , y2 x2 , y3 x3 )
1)Sean ( x1 , x2 , x3 ) = ( 0,3, 2 ) , ( y1 , y2 , y3 ) = (1,1,1)
( f ( y ) f ( x) )( y x ) = ( 2e2 , e2 , 0 ) (1, 2, 1) = 4e2 < 0
2)Si ( x1 , x2 , x3 ) (1,1,1
=
=
) , ( y1 , y2 , y3 ) ( 0, 0, 2 ) tenemos que
( f ( y ) f ( x) )( y x ) = ( e2 , e2 , 0 ) ( 1, 1,1) = 2e2 > 0
1 2

1 2

1 2

1 2

1 2

1 2

f ( x1 , x2 , x3 ) = ax12 + bx2 2 + cx32 + d con ( x1 , x2 , x3 ) 3 a, b, c, d

j)

f ( x1 , x2 , x3 ) =
( 2ax1 , 2bx2 , 2cx3 )

( f ( y1 , y2 , y3 ) f ( x1 , x2 , x3 ) )( ( y1 , y2 , y3 ) ( x1 , x2 , x3 ) ) =
( 2ay1 , 2by2 , 2cy3 ) ( 2ax1 , 2bx2 , 2cx3 ) ( y1 x1 , y2 x2 , y3 x3 )
2
2
2
= 2a ( y1 x1 ) + 2b ( y2 x2 ) + 2c ( y3 x3 )
Si a, b, c 0 f es convexa
Si a, b, c 0 f es cncava
En general depender del valor de a, b, c
14. Estudiar la concavidad / convexidad de las siguientes funciones, teniendo en cuenta que son funciones de tipo
C2 :
f C 2 es convexa Hf ( x) es Definida o Semidefinida Positiva

f C 2 es cncava Hf ( x) es Definida o Semidefinida Negativa

a)

f ( x1 , =
x2 ) ax12 + bx2 2 con ( x1 , x2 ) 2 a, b

Si a, b > 0 Hf ( x) es D.P f estrictamente convexa

Si a, b 0 Hf ( x) es S .D.P f convexa

2
a
0

Hf ( x) =
Si a, b < 0 Hf ( x) es D.N f estrictamente concava
0 2b
Si a, b 0 Hf ( x) es S .D.N f concava

En otro caso Ni cncava ni convexa

b)

f ( x1 ,=
x2 )

x12 + x2 2 con ( x1 , x2 ) 2

x2 2

2
2
2
2

x12 + x2 2
( x1 + x2 ) x1 + x2
Hf ( x) =

x2
f
x1 x2

=
2
2
2
2
2
2

x2
x1 + x2
( x1 + x2 ) x1 + x2

f
=
x1

x1

Hf ( x) =

(x

2
1

+ x2

x2 2

x12 + x2 2 x1 x2

x1 x2

x12

Por menores principales:

S .D.P f convexa
det ( Hf ( x) ) = 0
x2 2 0

( x12 + x22 ) x12 + x22

x12

2
2
2
2
( x1 + x2 ) x1 + x2
x1 x2

f ( x1 , x2 ) = e ax1 +bx2 con ( x1 , x2 ) 2 a, b

c)

= ae ax1 +bx2
2
x1
ab

ax1 + bx2 a

=
Hf
x
e
(
)
Hf ( x) es S .D.P f convexa

2
f
ab
b
ax1 + bx2

= be

x2
+
f ( x1 , x2 ) = ln( x1 x2 ) con ( x1 , x2 )
+

d)

f
1
1

=
0
2

x
x1 x1
1
Hf ( x) es D.N f estrictamente concava
Hf ( x) =

f
1
1
=
0 x2
x2 x2
2

f ( x1 , x2 , x3 ) = 2 x1 + e x2 + 3 x3 con ( x1 , x2 , x3 ) 3

e)

f
=2
x1

0 0

x2
=
e Hf ( x) =
0 e x2

x2

0 0

f
=3
x3

0 Hf ( x) es S .D.P f convexa
0

f ( x1 , x2 , x3 ) = ax12 + bx22 + x32 + 4 x1 x2 + 2 x1 x3 con ( x1 , x2 , x3 ) 3

f)

f
= 2ax1 + 4 x2 + 2 x3
x1

2a 4 2

=
2bx2 + 4 x1
4 2b 0
Hf ( x) =

x2

2 0 2

f
= 2 x3 + 2 x1

x3

A1 = 2a
Menores Principales:
1)
2)
3)

A2 = 4ab 16 = 4 ( ab 4 )

A3= 8ab 8b 32= 8 ( ab b 4 )

Si a > 0, ab 4 > 0, ab b 4 > 0 f es estrictamente convexa
Si a > 0, ab 4 > 0, ab b 4 = 0 f es convexa
f ser cncava si a < 0, ab 4 > 0, ab b 4 0 a < 0, ab > 4, b ( a 1) 4 pero no existen valores de
a, b que satisfagan esto.
f es convexa

TEMA 2 Programacin sin restricciones, con restricciones de igualdad y con

restricciones de desigualdad
Programacin sin restricciones
1. Comprobar que el punto (2,3) es un mnimo local de la funcin f ( x1 , x2 ) = 2 x12 + x2 2 + 8 x1 6 x2 + 20
Puede asegurarse que f no tiene mximos?

3
f (2,3) =

f ( x1 , x2 ) = 2 x12 + x2 2 + 8 x1 6 x2 + 20 = 2( x12 + 4 x1 ) + ( x2 2 6 x2 ) + 20
= 2( x1 + 2) 2 8 + ( x2 3) 2 9 + 20 = 2( x1 + 2) 2 + ( x2 3) 2 + 3 > 3 = f (2,3)
(2,3) Es un mnimo global de f, en particular, es un mnimo local

No hay mximos porque f ( x1 , x2 ) =( 4 x1 + 8, 2 x3 6 ) slo se anula en el punto (2,3)

2. Utilizando la funcin f ( x1 , x2 ) =
x12 + 3 x1 x2 x2 2 , probar que se cumple la condicin necesaria de primer
orden de extremo relativo, pero que dicha condicin no es suficiente para la existencia de ptimos.

f ( x1 , x2 ) =
x12 + 3 x1 x2 x2 2
f

= 2 x1 + 3 x2 = 0
x1

(0, 0) punto crtico

( x1 , x2 ) =
f

= 3 x1 2 x2 = 0

x2
f (0, 0) =
0
Hay que determinar ahora si (0, 0) es mximo o mnimo:
Sea ( x1 , x2 ) B ( (0, 0), r ) para algn r > 0 , por ejemplo:

(1) ( x1 , x1 ) B ( (0, 0), r ) f ( x1 , x1 ) =

3 x12 0 =f (0, 0) (0, 0) sera mximo
(2) ( x1 , x1 ) B ( (0, 0), r ) f ( x1 , x1 )= 3 x12 0=

f (0, 0) (0, 0) sera mnimo

(0, 0) no es ni mximo ni mnimo se cumple la condicin necesaria de optimalidad pero no la condicin

suficiente.
3. Determinar los puntos crticos de las siguientes funciones y clasificarlos:
a)

f ( x1 , x2 ) = 2 x12 + 2 x1 x2 + x2 2 + 2 x1 3

= 4 x1 + 2 x2 + 2= 0
x1

(1,1) punto crtico

( x1 , x2 ) =
f

= 2 x1 + 2 x2 = 0

x2
2 f

2 f
4
2
=
=

2
x1
x1x2
es Definida Positiva ( x , x ) f es convexa
Hf ( x1 , x2 ) 2
1
2
2
f

f
2=
2
=

x2 2
x1x2

(1,1) es mnimo global

( x1 , x2 ) =

b)

f ( x1 , x2 ) = x14 + 8 x12 + x2 2 4 x2

2 f

f
2 f

2
= 4 x13 + 16 x1 = 0
=
+
=0
12
x
16
2
1
x1
x
x1x2

es
=
=
crtico y Hf ( x1 , x2 ) 1 2
( x1 , x2 ) (0, 2) punto
2

f
= 2 x2 4= 0
=
0=
2

x2
x2
x1x2

Definida Positiva ( x1 , x2 ) f es convexa ( x1 , x2 ) =

(0, 2) es mnimo global

c)

f ( x1 , x2 ) = x1 x2
(0, 0) es punto silla porque f ( x1 , x2 ) =( x2 , x1 ) =(0, 0) ( x2 , x1 ) =(0, 0)
si

si
pero f (0, 0)= 0
si
si

x1 , x2 > 0
f ( x1 , x2 ) > 0
x1 , x2 < 0
x1 >, x2 < 0
f ( x1 , x2 ) < 0
x1 <, x2 > 0

d) =
f ( x1 , x2 ) x1 x2 ln( x12 + x2 2 )

2x
f

= x2 ln( x12 + x2 2 ) + x1 x2 2 1 =
0
2
x1
x1 + x2

2x
f

= x1 ln( x12 + x2 2 ) + x1 x2 2 2 =
0
2

x2
x1 + x2

Los puntos crticos son:

1 1
1 1
1 1 1
1
,
,
,
,
,
,
,

2e 2e 2e 2e 2e 2e 2e 2e

(1, 0 ) , ( 1, 0 ) , ( 0,1) , ( 0, 1) ,

e)

f ( x1 , x2 , x3 ) =
x12 5 x2 2 + 8 x1 3 x32 10 x2 + 2 x3 13

f
1

=
10 x2 10 =
0 ( x1 , x2 , x3 ) =
4, 1,
x2
3

f
=6 x3 + 2 =0
x3

2
f

2 f
2 f
=

=
=
2
0
0

2
x1x2
x1x3
x1

2
2
2 f

f
f
=
=

=
Hf ( x1 , x2 , x3 ) =
es Definida Negativa ( x1 , x2 , x3 )
0
10
0

x2 2
x2 x3
x2 x1

2 f

2 f
2 f

=
=
=

0
0
6
x x

x3x2
x32
3 1

f es cncava ( x1 , x2 , x3 ) =
4, 1, es mximo global
3

f
=2 x1 + 8 =0
x1

f)

f ( x1 , x2 ) =3 + 2 x1 x12 x2 2

=
2 2 x1 =
0
x1

(1, 0 ) es punto crtico

( x1 , x2 ) =
f
=
2 x2 =
0

x2
2 f

2 f
=

2
=
0

2
x
x1x2
es Definida Negativa ( x , x ) f es cncava
Hf ( x1 , x2 ) 21
1
2
f

2 f
= 0
= 2

x2 2
x1x2

( x1 , x2 ) =
(1, 0 ) es mximo global

g)

f ( x1 , x2 ) = 3 + 2 x1 x12 x2 2

1 x1

=
0
2
2
3 + 2 x1 x1 x2

(1, 0 ) es punto crtico

( x1 , x2 ) =
x2
f

= = 0

x2
3 + 2 x1 x12 x2 2

f
=
x1

f ( x1 , x2 ) = 3 + 2 x1 x12 x2 2 = ( x1 1) 2 x2 2 + 7 7 < 4 = 2 = f (1, 0)

( x1 , x2 ) =
(1, 0 ) es mximo global
Adems, dado que f ( x1 , x2 ) 0 ( x1 , x2 ) Dom( f ) Todos los puntos del conjunto :

M ={( x1 , x2 ) : f ( x1 , x2 ) =0} ={3 + 2 x1 x12 x2 2 =0} son mnimos de f

h)

f (=
x1 , x2 ) x1 x2 ( x1 1)

= 2 x1 x2 x=
0
2
x1

( 0, 0 ) , (1, 0 ) son puntos crticos

( x1 , x2 ) =
f
2
= x1 x1 = 0

x2
2 f

2 f
=
x
= 2 x1 1
2

2
2
x
x1x2

Hf ( x1 , x2 ) = 2 1
f

2 f
=
=
2 x1 1
0

2
x2
x1x2

0 1
=
=
( x1 , x2 ) ( 0, 0 ) es punto silla
Hf (0, 0)
es Indefinida
1 0
0 1
=
=
( x1 , x2 )
Hf (1, 0)
es Indefinida
1 0

i)

f ( x1 , x2 ) = e x1 x2
2

(1, 0 ) es

punto silla

2
2
f

=
2 x1e x1 x2 =
0
x1

( 0, 0 ) es punto crtico
( x1 , x2 ) =
2
2
f
x1 x2
=
2 x2 e
=
0
x2

2
2
2 f

2 f
2 x 2 x 2
1
2
=
2
+
2
x
e
=2 x1 2 x2 e x1 x2
(
)
2
1
x
x1x2

Hf ( x1 , x2 ) = 1 2
2
f
2
2
2
2

f
2
=2 x1 2 x2 e x1 x2
=2 + ( 2 x2 ) e x1 x2

1
2
2

2 0
Hf (0, 0)
=
Negativa ( x1 , x2 ) ( 0, 0 ) es mximo local
es Definida
0 2

Pero, adems se cumple que:

f (=
x1 , x2 ) e x1 x2 0
f (0, 0)
2
2
0 f ( x1 , x=
2) 1
lim e x1 x2 = 1
( x1 , x2 ) (0,0)

j)

x1 , x2 )
( x1 , x2 ) (=

( 0, 0 ) es mximo global de

f ( x1 , x2 ) = x1 x2 e x1 + 2 x2

=
0
( x1 , x2 ) = ( 0, 0 )
(1 + x1 ) x2e x1 + 2 x2 =
0
x1
(1 + x1 ) x2 =

1 son puntos crti cos

f
1 + 2 x2 ) x1 =
0 ( x1 , x2 ) =
1,
=
0 (
(1 + 2 x2 ) x1e x1 + 2 x2 =
2

x2

2 f
2 f
x1 + 2 x2
=
+
=
x
x
e
2
(1 + 2 x2 )(1 + x1 ) e x1 + 2 x2
)
(

1
2
2
x
x1x2

Hf ( x1 , x2 ) = 2 1
2
f

f
=
=

(1 + x2 ) 4 x1e x1 + 2 x2
(1 + 2 x2 )(1 + x1 ) e x1 + 2 x2
2
x2
x1x2

0
1

=
Hf (0, 0)
=
( x1 , x2 ) ( 0, 0 ) es punto silla
es Indefinida
1 0
e 2

1
1
0

Hf 1, =
es Definida Negativa ( x1 , x2 ) =
2
1, es mximo local

2
2

2e 2
0
1
1 e 2

( x1 , x2 ) = 1, es mximo local, pero no global, porque f 1, =

. 0.07 < f (1,1
=
) e3 . 20.01

2
2
2

k)

f ( x1 , x2 ) = x1x2 x23

f
x2 1 3
= x=
x2 0
2 x1
x1

x2 1 4

x1 x2 = 0

x2 2

f
x1 x2 ( x2 Ln( x1 ) + 3 x1x2 ) =
0
x2
x2
3
2

= x1 Ln( x1 ) x2 + 3x1 =
x2 0

x2
De la primera ecuacin se deduce que x2 = 0 , ya que segn la segunda ecuacin x1 0 (porque no existe el

logaritmo de un nmero negativo o cero). Entonces el conjunto de puntos crticos es: {( x1 , 0) : x1 > 0} donde

f ( x1 , 0) =
(0, 0)


2 f
=
x2 4 ( x2 1) x1x2 2

2
x1
Hf ( x1 , x2 ) = 2
f
=4 x23 x1x2 1 + x24 x1x2 1 Ln( x1 )

x
1 2

2 f
=
4 x23 x1x2 1 + x24 x1x2 1 Ln( x1 )
x1x2

2 f
2
=x2 x1x2 1 6 + 6 x2 Ln( x1 ) + x22 ( Ln( x1 ) )
2
x2

0 0
Hf ( x1 , 0) =
Las condiciones de segundo orden no dan informacin sobre los puntos crticos de f. Pero,
0 0

como en toda bola abierta B centrada en un punto crtico

( x1 , 0) con x1 > 0 existen puntos tales que

( x1 , x2 ) B con x2 > 0 f ( x1 , x2 ) > 0 =f ( x1 , 0)

( x1 , x2 ) B con x2 < 0 f ( x1 , x2 ) < 0 =f ( x1 , 0)

Entonces los puntos {( x1 , 0) : x1 > 0} son puntos de silla

l)

f
x1
f
x2

f ( x1 , x2 ) =

4 x1
x + x2 2 + 1
2
1

4 ( x12 x2 2 1)

0
=
2
( x12 + x22 + 1) x12 x22 1 =0 ( x1 , x2 ) = (1, 0 ) son puntos crti cos

x1 x2 = 0
8 x1 x2
( x1 , x2 ) = ( 1, 0 )

=
0
2
( x12 + x22 + 1)

2 f 8 ( x13 3 x1 x2 2 3 x1 )
8 x2 ( x2 2 + 1 3 x12 )
2 f
2

=
3
3
2
2
2
2

x
x
x1
1
2
+
+
+
+
x
x
x
x
1
1
( 1 2 )
(1 2 )
Hf ( x1 , x2 ) =
2
2
2 f
8 x2 ( x2 2 + 1 3 x12 )
2 f 8 x1 ( x1 3 x2 + 1)

= =
3
3
2
2
2
2
2

x
x1x2
2
( x1 + x2 + 1)
( x1 + x2 + 1)

2 0
Hf (1, 0)
Positiva ( x1 , x2 ) (1, 0 ) es mnimo local
es Definida=
0 2

2 0
Hf (1, 0) =
( 1, 0 ) es mximo local

es Definida Negativa ( x1 , x2 ) =
0 2

m) f ( x1 , x2 , x3 ) = x12 + x2 2 3 x1 3 x1 x3 + 3 x32

f
= 2 x1 3 3 x3= 0
x1

f
=
2 x2 =
0
( 6, 0,3) es punto crtico
( x1 , x2 , x3 ) =
x2

f
=
3 x1 + 6 x3 =
0
x1

 2 f

2 f
2 f
=
=
= 3
2
0

2
x1x2
x1x3
x1

2 f

2 f
2 f
=0
=
=
Hf ( x1 , x2 , x3 ) =
2
0
es Definida Positiva ( x1 , x2 , x3 ) 3
2
x2
x1x2
x1x2

2 f

2
2
f
f

=
=
3
0
6
2
x x

x
x
x
1
2
3
1 3

f es convexa ( x1 , x2 , x3 ) =
( 6, 0,3) es mnimo global

n)

f ( x, y ) =( x 2 + y 2 ) 2 2a 2 ( x 2 y 2 )

con

a {0}

x =0 y =0
f

= 4 x( x 2 + y 2 ) 4a 2 x= 4 x( x 2 + y 2 a 2 )= 0

x = 0
x

f
y =0 x =a
= 4 y ( x 2 + y 2 ) + 4a 2=
y 4 y ( x 2 + y 2 + a 2=
) 0
x = a
y

puntos
=
crti cos {( 0, 0 ) , ( a, 0 ) , ( a, 0 )}

2 f

2 f
2
2
2
= 8 xy
2 = 12 x + 4 y 4a

x
x y

Hf ( x, y ) =

2 f
2 f
2
2
2
=8 xy
=
+
+
x
y
a
4
12
4

x y
y 2

2
4a
0
Hf (0, 0)
=
( x1 , x2 ) ( 0, 0 ) es punto silla
es Indefinida
4a 2
0
8a 2 0
Hf (a, 0)
es definida
=
positiva ( x1 , x2 ) ( a, 0 ) es mnimo local
2
0 8a
8a 2 0
Hf (a, 0)
es definida
=
positiva ( x1 , x2 ) ( a, 0 ) es mnimo local
2
0 8a
4. Para las funciones y subconjuntos de 2 que se indican a continuacin estudiar en qu casos son aplicables
las condiciones enunciadas en la Proposicin sobre la condicin suficiente de extremo relativo:
A [ 0,1] [ 0,1] 2
a) f ( x1 , x2=
) x1 x2 (1 x12 x2 2 ) definida en=
Segn el Teorema de Weierstrass, la funcin f (continua) alcanza un mximo y mnimo globales en el conjunto
A(compacto).
Los puntos que buscamos estarn situados en el interior del cuadrado A o en su borde. Calculemos los puntos
que anulan el gradiente:

= x2 (1 x12 + x2 2 ) + x1 x2 (2 x1 ) = x2 (1 3 x12 x2 2 ) = 0
x1

f
= x1 (1 x12 + x2 2 ) + x1 x2 (2 x2 ) = x1 (1 x12 3 x2 2 ) = 0

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

Los puntos crticos que pertenecen a A son:

( x1 , x2 ) = ( 0, 0 ) , ( 0,1) , (1, 0 ) ,
La Hessiana de f en cualquier punto es:

1 1
,
2 2


2 f
=
6 x1 x2

x
1
Hf ( x1 , x2 ) = 2
f
=
1 3 x12 3 x2 2

x
1 2

2 f
=
1 3 x12 3 x2 2
x1x2

2 f
=

6
x
x

1 2
x2 2

Observamos que el punto (0,0) no es un punto interior de A y, si aplicamos las condiciones de suficiencia
obtendramos:

0 1
Hf (0, 0) =
que, por ser indefinida, indica que (0,0) es punto de silla.
1 0

Sin embargo, si analizamos los valores de f en las proximidades del punto (0,0) en el conjunto A, observamos que la
funcin es siempre no negativa y por tanto en (0, 0) la funcin f tiene un mnimo local. Esto se debe a que las
condiciones de segundo orden no son aplicables al conjunto A porque no es abierto y el punto (0,0) no es interior.
En los puntos (1,0) y (0,1) tampoco es posible aplicar las condiciones de segundo orden. Sin embargo, en estos
puntos la Hessiana es indefinido y realmente son puntos de silla de la funcin f.

1 1
2 2

El punto , es un punto interior de A, por tanto, s es posible aplicar las condiciones suficientes de segundo
orden:

1 1 3 / 2 1/ 2
1 1
Hf , =
es definida negativa El punto , es un mximo local.
2 2 1/ 2 3 / 2
2 2
En las rectas x1 = 0 y x2 = 0 la funcin f se anula. Para la recta x1 = 1 , f ( x1 , x2 ) = x23 es negativa (para x2 > 0 )
y, cuando x2 = 1 , f ( x1 , x2 ) = x13 tambin es negativa. Entonces, los puntos del conjunto:

: x = 0, 0 x < 1} {( x , x )
{( x , x )
2

: x2 = 0, 0 x1 < 1} son mnimos locales.

En el punto (1,1) la funcin tiene mnimo global, aunque f (1,1) 0

1 1
2 2

El punto , es mximo global.

f ( x1 , x2 ) = x1 x2 definida en el tringulo de vrtices (0,0), (1,0) y (0,1)

b)

Segn el Teorema de Weierstrass, la funcin f alcanza un mximo y mnimo globales en el conjunto A

(representarlo).
Los puntos que buscamos estarn situados en el interior del cuadrado A o en su borde. Calculemos los puntos
que anulan el gradiente:

= x=
0
2
x1

(0, 0)
( x1 , x2 ) =
f

= x=
0
1

x2
El punto ( x1 , x2 ) = (0, 0) es el nico que anula el gradiente de la funcin f, que se puede probar fcilmente que es
mnimo global de f en el conjunto A
El comportamiento de f en el conjunto A es:
- en x1 = 0 , f ( x1 , x2 ) = 0
-

en x2 = 0 , f ( x1 , x2 ) = 0

en x1 + x2 =
1 x2 =1 x1 , f ( x1 ,1 x1 ) =x1 (1 x1 ) =x1 x12 =h( x1 ) derivando e igualando a cero,

tenemos que: h( x1 ) =1 2 x1 =0 x1 =1/ 2 y h( x1 ) =2 < 0 es mximo global de h.

El valor mnimo de f en A es 0 y se alcanza en cualquier punto de los catetos del tringulo. El valor mximo es 1/4
y se alcanza en el punto (1/2, 1/2), que es el mximo global.
5. Determinar la distancia mnima entre un punto de la grfica
=
y

f=
( x) x 2 y un punto de la grfica

y= g ( x)= x 5
Los puntos de la grfica
=
y

f=
( x) x 2 , son A = ( x1 , x12 ) y los de la grfica y= g ( x)= x 5 son B = ( x2 , x2 5)

La distancia entre estos puntos es igual a la siguiente funcin:

( x1 x2 )

d ( A, B ) =

+ ( x12 ( x2 5 ) )

Calcular el mnimo de esta funcin es lo mismo que calcular el mnimo de:

( d ( A, B) )

= ( x1 x2 ) + ( x12 ( x2 5 ) ) = h ( x1 , x2 )
2

= 2 ( x1 x2 ) + 4 x1 ( x12 ( x2 5 ) ) = 4 x13 4 x1 x2 18 x1 2 x2 = 0
x1

h
2
2

=
( x1 x2 ) 2 ( x1 ( x2 5 ) ) =
2 x1 x1 + 3 x2 + 10 =
0

x2
1 + 21 1 + 21
( x1 , x2 ) =
,

2
2
6. Una compaa fabrica un producto en dos factoras. El coste de produccin de cada factora es
respectivamente:

c1 = 0, 2 x12 + 40 x1 + 5000, c2 = 0, 25 x22 + 40 x2 + 1375

Siendo x1 y x2 las unidades de producto elaboradas en cada factora respectivamente. Si el producto se
vende a 150 u.m. la unidad, hallar la cantidad que debe producirse en cada factora para que el beneficio sea
mximo.
La funcin de coste total es C ( x1 , x2 ) = c1 + c2 = 0, 2 x12 + 40 x1 + 0, 25 x22 + 40 x2 + 6375
La funcin de ingresos I ( x=
150( x1 + x2 )
1 , x2 )
Entonces la funcin de beneficio es: B ( x1 , x2 ) = I C =110 x1 + 110 x2 0, 2 x12 0, 25 x22 6375

110 0, 4 x1 =
0
=
x1

(275, 220)
( x1 , x2 ) =
B

=
110 0,5 x2 =
0

x2
2 f

2 f
0, 4
=
0
2 =
x
x1x2
es definida negativa ( x , x ) = (275, 220) es el punto en el que
HB(275, 220) = 1 2
1
2
2
f

f
= 0
= 0,5

x2 2
x1x2

obtenemos los mximos beneficios.

7. La funcin de coste total de una empresa monopolista que produce dos bienes es

1
C (q1 , q2 ) = q12 10q2 + 90
6
Siendo q1 y q2 las cantidades producidas de dichos bienes. Si las funciones de demanda a las que se
enfrenta la empresa son:

q1 = 680 5 p1 3 p2

q2 = 430 3 p1 2 p2
Donde p1 y p2 son los precios de mercado de cada una de los bienes. Calcular los niveles de produccin
que proporcionan al empresario el mximo beneficio.

q1 =680 5 p1 3 p2 p1 =70 2q1 + 3q2

q2 = 430 3 p1 2 p2 p2 = 110 + 3q1 5q2

La funcin de ingresos ser: I ( q1 , q2 ) = p1q1 + p2 q2 = ( 70 2q1 + 3q2 ) q1 + (110 + 3q1 5q2 ) q2

1
6

Los beneficios sern: B ( x1 , x2 ) = I C =( 70 2q1 + 3q2 ) q1 + (110 + 3q1 5q2 ) q2 q12 10q2 + 90

13 2
q1 + 6q1q2 + 120q2 5q22 90
6
B
13

=70 q1 + 6q2 =0
q1
3
2130 1410

(
,
)
( q1 , q2 ) =
B
11
11

= 6q1 + 120 10q2 = 0

x2
2 f

13
2 f

=
6
2 =
3 q1q2
2130 1410 q1
es definida negativa
HB(
,
)=
2
2

11
11
f
f
= 6
=

10

q2 2
q1q2

2130 1410
el punto ( q1 , q2 ) = (
,
) es mximo el mximo beneficio que podemos alcanzar es
11
11
2130 1410 158.160
B
,
=
11
11
11
B ( x1 , x2 ) = 70q1

8. Una monopolista vende su producto en dos mercados, vendiendo todo lo que produce, siendo su funcin de
costes totales C (q ) = 2q 2 + 10q + 120 , donde q es la cantidad total producida.
Las demandas a las que se enfrenta la empresa en cada uno de los mercados vienen dadas por las funciones

q=
10
1

1
1
p1 y q=
15 p2 , donde q1 y q2 son las cantidades vendidas en cada uno de los mercados, p1
2
5
2

y p2 son los precios en cada mercado.

Calcular las cantidades que han de venderse en cada mercado para obtener el mximo beneficio, as como los
precios de venta de cada bien.

1
p1
p=
50 5q1
5
1

30 2q2
p=
1
2
q=
15 p2
2
2
10
q=
1

Funcin de costes: C (q ) = 2q 2 + 10q + 120 C (q1 , q2 ) = 2 ( q1 + q2 ) + 10 ( q1 + q2 ) + 120

2

Funcin de ingresos: I =
q1 p1 + q2 p2 =
q1 ( 50 5q1 ) + q2 ( 30 2q2 ) I (q1 , q2 ) =
5q12 2q22 + 50q1 + 30q2
Funcin de beneficios = Ingresos Costes:

B(q1 , q2 ) =
7 q12 4q22 4q1q2 + 40q1 + 20q2 120

=
14q1 4q2 + 40 =
0
q1

5 5
( q1 , q2 ) =
,
B
2 4
=
8q2 4q1 + 20 =
0

x2
2 f

2 f
=

=
4
14

2
q
q1q2
5 5
es definida negativa . El mximo beneficio lo obtendremos vendiendo
HB , = 21

2 f
2 4 f
=
4
=

q2 2
q1q2

5
2,5 unidades en el mercado 1 y 1,25 unidades en el mercado 2 a precio p1 =50 5 =37.5 u.m. y
2
5
p2 =30 2 =27.5 u.m. respectivamente.
4

9. La funcin de produccin de una empresa que produce un bien en competencia perfecta es

Q( K , L) = 8 K 1 4 L1 2 y su precio de venta es p = 4 . Los precios de los factores capital (K) y trabajo (L) son,
respectivamente, pK = 8 y pL = 4 . Calcular los niveles de capital y trabajo, as como la cantidad producida
del bien, que maximiza los beneficios de la empresa.
Funcin de costes: C ( K , L
=
) 8K + 4 L
Funcin de ingresos: I ( K ,=
= 32 K 1 4 L1 2
L) pQ
Funcin de beneficios = Ingresos Costes: B ( K
=
, L) 32 K 1 4 L1 2 8 K 4 L

12
= 8 K 3 4 L
=
8 0

K
(16, 64 )
( K , L) =
B
1 4 1 2
= 16 K L=
4 0

L
2 f 3
2 f
1
=
=
2
8 K L 16
K
es definida negativa
HB (16, 64 ) = 2
f
1 2 f
1
K L = 16 L2 =

El mximo beneficio lo obtendremos utilizando 16 unidades de capital, 64 unidades de trabajo y produciendo

Q(16, 64) = 128 unidades

Programacin con restricciones de igualdad.

10. La funcin de coste de una empresa viene dada por: C ( q1 , q 2 ) = 4 q12 2 q1 q 2 + 6 q 22 donde q 1 y q 2 son las
cantidades de factores productivos utilizados para llevar a cabo la produccin. La empresa desea conocer
cules son las cantidades de factores productivos que debe emplear en la fabricacin de forma tal que
minimice el coste y teniendo en cuenta que el presupuesto mximo del que dispone para gastar entre ambos
factores productivos es de 72 u.m.

min C (q1 , q2 ) =4q12 2q1q2 + 6q22

s.a. q1 + q2 =
72
L(q1 , q2 , )= 4q12 2q1q2 + 6q22 + (q1 + q2 72)

L
= 8q1 2q2 + = 0
q1

q1 = 42
L

=
2q1 + 12q2 + =
0 q2 = 30
q2
= 276

L
= q1 + q2 72 = 0

8 2
HL(42,30) =
es Definida Positiva f es convexa
2 12

(q1 , q2 ) =
(42,30) minimiza el coste min C (q1 , q2 ) = 9936 u.m.
11. Una empresa produce un bien utilizando tres factores productivos x, y, z. Su funcin de produccin es
Q(x, y, z ) = x y + x z + y z y su funcin de costes es C (x, y, z ) = x + y + z . Se pide:
a) Cul sera la produccin ptima de la empresa si sus costes alcanzan a 600 unidades monetarias?

max Q ( x, y, z ) = x y + x z + y z

s.a. C ( x, y, z ) = x + y + z = 600
L( x, y, z , )= x y + x z + y z + ( x + y + z 600)

Condicin necesaria

= y+ z+ = 0

L
x = 200
= x+ z+ = 0

y
y = 200

L
z = 200
= x+ y+ =0
= 400
z

L
= x + y + z 600 = 0

Condicin suficiente

2 L
2 L 2 L
= 0=
=
0 1 1
x 2
y 2 z 2

1 0 1 es Indefinida
HL(200, 200, 200) =
2
2

L
L

1 1 0
= 1=

xy
yz
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 , h3 ) = 2h1h2 + 2h1h3 + 2h2 h3
2) Hallamos el gradiente de la restriccin en el punto: C (200, 200, 200) =
(1,1,1)
3) Hallamos las direcciones ortogonales al gradiente:

(h1 , h2 , h3 )(1,1,1) = 0 h1 + h2 + h3 = 0 h3 = h1 h2

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

Q(h1 , h2 ) =2h1h2 + 2h1 (h1 h2 ) + 2h2 (h1 h2 ) =2h12 2h22 2h1h2

2 1
(200, 200, 200) max imiza la produccin

es Definida Negativa ( x, y, z ) =
1 2
Pr oduccin mxima Q (200, 200, 200) = 120.000
b) Cmo varia la funcin objetivo si la empresa pudiera soportar una unidad monetaria ms en sus costes?
Estimar la variacin de la funcin objetivo, sin tener que resolver nuevamente el programa.
Precio sombra = = 400
Si aumentamos una unidad los costes, entonces la produccin aumentar aproximadamente en 400
unidades
12. La funcin de utilidad de dos bienes A y B viene dada por: U ( x, y ) = ( x + 2) ( y + 1) siendo x e y las cantidades
respectivas de cada uno de los bienes, y con un precio unitario de 4 u.m. y 6 u.m., respectivamente. Si la renta
disponible es de 130 u.m. y se gasta totalmente, cmo debemos distribuir la compra de los bienes A y B para
maximizar la utilidad? (Resolver Mediante el Mtodo de los Multiplicadores de Lagrange).

max U ( x, y ) =
( x + 2)( y + 1)
s.a. 4 x + 6 y =
130

L( x, y, ) = ( x + 2)( y + 1) + (4 x + 6 y 130)
Condicin necesaria

L
= y + 1 + 4 = 0
x
x = 16
L

= x + 2 + 6 = 0 y = 11
y
= 3

L
= 4 x + 6 y 130 = 0

Condicin suficiente

2 L
2 L
=
0
=
x 2
y 2
0 1
HL(16,11) =

es Indefinida
2
L
1 0

=1

xy
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 2h1h2
2) Hallamos el gradiente de la restriccin en el punto: g (16,11) =
(4, 6)
3) Hallamos las direcciones ortogonales al gradiente:

2
(h1 , h2 )(4, 6) =0 4h1 + 6h2 =0 h2 = h1
3

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

2
4
2h1 ( h1 ) =
(16,11) max imiza la utilidad
Q(h1 ) =
h12 < 0 es Definida Negativa ( x, y ) =
3
3
Utilidad mxima U (16,11) = 216

13. La funcin de utilidad de un consumidor viene dada por U ( x, y , z ) = L x y 2 z 3 con x >0, y >0, z >0. Si los precios
unitarios de los bienes x, y, z, son p x = 1, p y =2, y p z = 3 unidades monetarias, y la renta de que dispone el
consumidor de 600 u.m. cul sera la utilidad mxima que podra obtener el consumidor? (Mtodo de los
Multiplicadores de Lagrange).

max U ( x, y , z ) = L ( x y 2 z 3 )

600
s.a. x + 2 y + 3 z =
L( x, y=
, )

2 3

L xy z

) + ( x + 2 y + 3z 600)

Condicin necesaria

L 1

= + = 0

x x

L 2
x = 100
= + 2 =0
y = 100
y y

L 3
z = 100
= + 3 =0
= 0.01
z z

L
=x + 2 y + 3 z 600 =0

Condicin suficiente

0
0

10.000

0
0
es Definida Negativa
HL(100,100,100) =

10.000
2 L 3

=
3

z 2 z 2
0
0

10.000

2 L
2 L
2 L
= 0=
=
xy
xz yz
(100,100,100) max imiza la utilidad
f es cncava ( x, y, z ) =
Utilidad mxima U (100,100,100) = 27, 63
2 L 1
=
x 2 x 2
2 L 2
=
y 2 y 2

Interpretar econmicamente el valor del multiplicador.

Precio sombra = = 0.01 Si la renta disponible aumenta en 1ud, entonces la utilidad aumentar
aproximadamente en 0.01 unidades

14. La funcin de produccin de una empresa manufacturera viene dada por Q ( x, y ) = xy , donde x e y son las
cantidades de factor trabajo y de factor capital respectivamente, que utiliza en la produccin. La empresa
dispone de un total de 24 u.m. para la adquisicin de los factores productivos, siendo 2 u.m. y 3 u.m.,
respectivamente, el coste unitario de dichos factores.
a) Encontrar las cantidades de cada uno de los factores con los que logra maximizar la produccin. (Resolver por
el Mtodo de los Multiplicadores de Lagrange).

max Q ( x, y, z ) = x y

24
s.a. 2 x + 3 y =
L( x, y, z , ) = x y + (2 x + 3 y 24)
Condicin necesaria

L
=y + 2 =0

x
x = 6
L

=x + 3 =0
y =4
y
= 2

L
= 2 x + 3 y 24 = 0

Condicin suficiente

2 L
2 L
=
0
=
x 2
y 2
0 1

(6,
4)
=
HL

es Indefinida
1
0
2L

=1

xy
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 2h1h2
2) Hallamos el gradiente de la restriccin en el punto: g (6, 4) =
(2,3)
3) Hallamos las direcciones ortogonales al gradiente:

2
(h1 , h2 )(2,3) =0 2h1 + 3h2 =0 h2 = h1
3

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

4
2
Q(h1 ) =
2h1 h1 =
h12 < 0 es Definida Negativa ( x, y ) =
(6, 4) es max imo
3
3
Pr oduccin mxima Q (6, 4) = 24
b) Si dispusiera de 25 u.m. para la adquisicin de los factores, aumentara o disminuira su produccin?
Interpretacin econmica de los Multiplicadores de Lagrange.
Precio sombra = = 2
Si disponemos de una unidad ms para gastar en factores productivos entonces la produccin aumentar
aproximadamente en 2 unidades
Si disponemos de 25 unidades ms para gastar en factores productivos entonces la produccin aumentar
aproximadamente en 50 unidades
15. Una empresa destinada a la produccin de raquetas de tenis tiene por funcin de produccin Q ( q1 , q 2 ) = 6 q1 q 2 ,
donde q 1 y q 2 , son las cantidades de factores productivos que utiliza. Los precios unitarios de dichos factores
son p 1 = 20 y p 2 = 20 unidades monetarias, respectivamente. La empresa cuenta en el presente ejercicio con
un capital de 700 unidades monetarias para hacer frente a la produccin. Adems, debe soportar unos costes
fijos de 100 unidades monetarias.
a) Cul serla la produccin mxima que podra obtener? (Plantear y resolver utilizando el Mtodo de los
Multiplicadores de Lagrange).

max Q(q1 , q2 ) = 6q1q2

s.a. 20q1 + 20q2 =
700
L(q1 , q2 , ) = 6q1q2 + (20q1 + 20q2 700)
Condicin necesaria

L
=6q2 + 20 =0
q1

q1 = 17.5
L

=6q1 + 20 =0
q2 =17.5
q2
= 5.25

L
= 20q1 + 20q2 700 = 0

Condicin suficiente

2 L
2 L
=
0
=
q12
q2 2
0 6
HL(17.5,17.5) =

es Indefinida
2
L
6 0

=6

q1q2
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 12h1h2
2) Hallamos el gradiente de la restriccin en el punto: g (17.5,17.5) =
(20, 20)
3) Hallamos las direcciones ortogonales al gradiente:

(h1 , h2 )(20, 20) =0 20h1 + 20h2 =0 h2 = h1

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

Q(h1 ) =
12h12 < 0 es Definida Negativa ( x, y ) =
12h1 (h1 ) =
(17.5,17.5) max imiza la produccin
Pr oduccin mxima Q (17.5,17.5) = 1837.5
b) Interpretar econmicamente el valor del multiplicador obtenido e indicar si sera conveniente disponer de
una unidad de capital adicional.
Precio sombra = = 5.25
Si dispusiramos de una unidad ms de capital para gastar, nuestra produccin aumentara
aproximadamente en 5.25 unidades
16. Una empresa produce un bien utilizando dos factores productivos x e y. Su funcin de costes es
C ( x, =
y)
4 x + 5 y y la funcin de produccin es Q(x, y) = xy. Se pide:
a) Minimizar los costes de produccin si se desean producir 20 unidades del bien.

min C ( x, =
y)

4x + 5 y

s.a. xy = 20
L( x, y, ) = 4 x + 5 y + ( xy 20)
Condicin necesaria

L
=4 + y =0
x
x = 5
L

=5 + x =0 y =4
y
= 1

L
= xy 20 = 0

2 L
2 L
=
=
0
x 2
y 2
0 1
Condicin suficiente: 2
HL(5, 4) =

es Indefinida
L
1 0

= = 1

xy

1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 2h1h2

2) Hallamos el gradiente de la restriccin en el punto: g ( x=
, y ) ( y, x) g (5,
=
4) (4,5)
3) Hallamos las direcciones ortogonales al gradiente:

4
(h1 , h2 )(4,5) =0 4h1 + 5h2 =0 h2 = h1
5

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

8 2
4
(5, 4) es mnimo local
h1 ) =
h1 > 0 es Definida Positiva ( x, y ) =
5
5
El mnimo Coste es C (5, 4) = 40 u.m.

Q(h1 ) =
2h1 (

b) Cmo variara el coste si se la produccin aumentase una unidad?

Precio sombra = = 1
Si produjramos una unidad ms, nuestro coste aumentara aproximadamente 1 unidad
17. Una empresa produce dos artculos, A y B, siendo su funcin de costes conjuntos: C ( x, y ) = x 2 + y 2 , donde x e
y son las unidades producidas de A y de B, respectivamente. Los precios unitarios de venta respectivos son 6
u.m. y 3 u.m. La poltica de produccin presenta una restriccin del tipo Q ( x, y ) = 2 x + 3 y = 30 .
a) Hallar las cantidades de produccin de cada artculo con las que optimizara el beneficio. Determinar la
naturaleza del ptimo obtenido.

Beneficio
= Ingresos Costes

Ingresos = p q = 6 x + 3 y
B ( x, y ) = 6 x + 3 y ( x 2 + y 2 )
2
2
Costes
) x +y
= C ( x, y=
max B( x, y ) = 6 x + 3 y ( x 2 + y 2 )
s.a. 2 x + 3 y =
30
L( x, y, ) = 6 x + 3 y ( x 2 + y 2 ) + (2 x + 3 y 30)
Condicin necesaria

L
=6 2 x + 2 =0
x
x = 6
L

=3 2 y + 3 =0 y =6
y
= 3

L
= 2 x + 3 y 30 = 0

Condicin suficiente

2L
2L
2
=

=
x 2
y 2
2 0
(
,
)
HL
x
y

es Definida Negativa
0
2

2L

=0

xy
B ( x, y ) es estrictamente cncava (6, 6) mximo global
18 u.m. Siempre hay prdidas
El mximo Beneficio es B (6, 6) =
b) Cul sera la variacin del valor ptimo del beneficio si se incrementase en una unidad la restriccin impuesta
por la poltica de produccin?
Precio sombra = = - 3
Si produjramos una unidad ms, nuestro beneficio ptimo disminuira aproximadamente 3 unidades

18. Una empresa dedicada a la fabricacin de ratones para ordenador, se especializa en dos modelos, x e y. Su
funcin de beneficios viene dada por: B( x, y ) = x 2 + 3xy + y 2 . Teniendo en cuenta que la empresa desea
maximizar su beneficio y que tiene que producir exactamente 100 unidades entre ambos modelos, se pide:
a) Qu cantidad debe producir de cada modelo de ratn para que el beneficio sea mximo?

max B ( x, y ) =x 2 + 3 xy + y 2
s.a. x + y =
100

L( x, y, ) = x 2 + 3 xy + y 2 + ( x + y 100)

L
= 2 x + 3 y + = 0
x
x = 50
L

Condicin necesaria:
= 3 x + 2 y + = 0 y = 50
y
= 250

L
= x + y 100 = 0

2 L
2 L
=
=
2
x 2
y 2
2 3
Condicin suficiente: 2
HL(50,50) =

es Indefinida
3
2
L

=3

xy
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 2h12 + 2h22 + 6h1h2
2) Hallamos

el

gradiente

de

la

restriccin

g ( x, y ) = x + y 100

en

el

punto

(50,50) :

g ( x , y ) =
g (50,50)
(1,1) =
3) Hallamos las direcciones ortogonales a ese gradiente:

(h1 , h2 )(1,1) =0 h1 + h2 =0 h2 =h1

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

Q(h1 ) =
2h12 + 2 ( h1 ) + 6h1 (h1 ) =
2h12 < 0 es Definida Negativa ( x, y ) =
(50,50) es mximo local
2

Tendr que producir 50 unidades de cada tipo de ratn

b) A cunto asciende el beneficio mximo? Si la empresa pudiera aumentar la produccin entre ambos modelos
en 5 unidades, cmo se vera afectada la funcin objetivo? le convendra disponer de esa produccin
adicional?

El mximo Beneficio es B (50,50) = 12500 u.m.

Precio sombra = = 250 Si la empresa pudiese aumentar la produccin en 5 unidades, el beneficio mximo
aumentara aproximadamente 5 250 =
1250 u.m. Por lo que si le interesara aumentar la produccin

19. Una empresa fabrica un producto combinando dos factores productivos siendo su funcin de
produccin Q ( x, y ) = 5 xy , donde x e y son las unidades empleadas de cada factor. Los precios de los factores
son px = 20 u.m. y p y = 10 u.m. Los costes fijos ascienden a 100 u.m.
a) Hallar el coste mnimo de producir la cantidad Q = 9 000

=
Coste Total Costes Variables + Costes Fijos = 20 x + 10 y + 100
min C ( x, y ) = 20 x + 10 y + 100

s.a. Q( x,=
y ) 5=
xy 9000
L( x, y, ) = 20 x + 10 y + 100 + (5 xy 9000)

L
=20 + 5 y =0
x
x = 30
L

Condicin necesaria:
=10 + 5 x =0 y =60
y

1
=
L
=5 xy 9000 =0
15

2 L
2 L
1

=
0
=
0
x 2
y 2
3
Condicin suficiente: 2

es Indefinida
HL(50,50) =
L
1
1 0
= 5=

xy
3
2
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) =
h1h2
3
2) Hallamos el gradiente de la restriccin Q ( x,=
y ) 5 xy 9000 en

( 300,150 )

g=
( x, y ) (5 y,5 x) g (30,
=
60)

el

punto

(30, 60) :

punto

(20, 40) :

3) Hallamos las direcciones ortogonales a ese gradiente:

(h1 , h2 )(300,150) =0 300h1 + 150h2 =0 h2 =2h1

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

4
2
h1 ( 2h1 ) = h12 > 0 es Definida Positiva ( x, y ) = (50,50) es mnimo local
3
3
El mnimo Coste es C (30, 60) = 1300 u.m.

Q(h1 ) =

b) Hallar la mxima produccin que puede obtenerse con un coste total de 900 u.m.

max Q( x, y ) = 5 xy
s.a. C ( x, y ) = 20 x + 10 y + 100 = 900
L( x, y, ) = 5 xy + (20 x + 10 y 800)
Condicin necesaria

L
=5 y + 20 =0
x
L
=5 x + 10 = 0
y
L
= 20 x + 10 y 800 =

x = 20

y = 40
= 10

0

Condicin suficiente

2 L
2 L
=
=
0
x 2
y 2
0 5

=
HL
x
y
(
,
)

es Indefinida
2 L
1
5 0
= 5=
xy
3
1) Hallamos la forma cuadrtica asociada a la matriz Hessiana: Q (h1 , h2 ) = 10h1h2
2) Hallamos

el

gradiente

de

la

restriccin

C ( x, y ) = 20 x + 10 y 800

en

el

C ( x , y ) =
(20,10) =
C (20, 40)
3) Hallamos las direcciones ortogonales a ese gradiente:

(h1 , h2 )(20,10) =0 20h1 + 10h2 =0 h2 =2h1

4) Restringimos la forma cuadrtica a dichas direcciones y la clasificamos:

20h12 < 0 es Definida Negativa ( x, y ) =

Q(h1 ) =
10h1 ( 2h1 ) =
(20, 40) es mximo local
El mximo Beneficio es B (20, 40) = 4000 u.m.

Programacin con restricciones de desigualdad

20. Analizar si se verifican las condiciones necesarias de Kuhn-Tucker en los puntos que se indican para los
siguientes programas:

Hay que ver si se cumple :

f (a ) + li gi (a ) =0

a) Punto a =

li gi (a ) =0 i
li 0 i

3,1

min 2 x1 x2

min 2 x1 x2

s.a. x12 + x22 4 0

x12 x2 2 0

x1 0

x2 0

s.a. x12 + x22 4 0

x12 x2 2 0

x1 0

x2 0

=0 =
( )
( 3,1) =0 =g ( 3,1) ll
f ( 3,1) =( 2, 1)

2 3, 1) ( 0, 0 )
g=
( 3,1) ( 2 3, 2) ( 2, 1) + ll
( 2 3, 2 ) + (=

g ( 3,1) =
( 2 3, 1)
a = 3,1 Satura la 1 y la 2 restriccin g1

=
1
El punto a =

1+ 3
2 3
=
2
3 3
3 3

3,1 verifica las condiciones de Kuhn-Tucker, pero, como son slo condiciones necesarias, no puede

afirmarse que el punto sea mnimo del problema (aunque en realidad se puede probar grficamente que si es
mnimo global)

9 6
5 5

b) Puntos a = ( 2,1) y b = ,

min ( x1 3) + ( x2 2 )
2

min ( x1 3) + ( x2 2 )
2

s.a. x12 + x22 5

x1 + x2 3

x1 0

x2 0

s.a. x12 + x22 5 0

x1 + x2 3 0

x1 0

x2 0

2 ( x1 3)
2 x1
1
1
0 0
f ( x1 , x2 ) + i gi ( x1 , x2 ) = 0
+ 1
+ 2 + 3 + 4 =
1
0
1 0
2 x2
2 ( x2 2 )
a =( 2,1) Satura la 1 y la 2 restriccin g1 ( 2,1) =0 =g 2 ( 2,1) ll
3 =0 = 4
Sustituyendo en la ecuacin anterior ( x1 , x2 ) = (2,1) y 3= 0= 4 tenemos que:

2 + 41 + 2 =0
1= 0, 2= 2
2 + 21 + 2 =0
El punto a = ( 2,1) verifica las condiciones de Kuhn-Tucker con multiplicadores=
1 0,=
2 2,=
3 0,=
4 0
9 6
b = , Satura slo la 2 restriccin g 2 ( 2,1) =0 lll
1 = 3 = 4 =0
5 5

9 6
5 5

As, sustituyendo en la ecuacin vectorial ( x1 , x2 ) = , y =

=
=
0 tenemos:
1
3
4

12

+ l2 =
0

5
No tiene solucin
8
+ l2 =
0

5
9 6
El punto b = , no verifica las condiciones de Kuhn-Tucker, por tanto, no es mnimo, no es solucin a
5 5

nuestro problema
c) Puntos a1 =( 5, 2 ) y a2 = ( 0,3)

min 2 x1 + x2

min 2 x1 + x2

s.a. x1 + x2 3 0

x1 + x2 3 0

x1 2 0

x2 2 0

2
1
1
1
0 0
f ( x1 , x2 ) + i gi ( x1 , x2 ) = 0 + 1 + 2 + 3 + 4 =
1
1
1
0
1 0
a1 =( 5, 2 ) Satura la 2 y la 4 restriccin g 2 ( 5, 2 ) = g 4 ( 5, 2 ) =0 ll
1 = 3 =0
s.a. x1 + x2 3

x1 + x2 3

x1 2

x2 2

As, sustituyendo en la ecuacin vectorial ( x1 , x2 ) =( 5, 2 ) y =

=
0 tenemos:
1
3

2 2 =
0

2= 2, 4= 3
1 + 2 + 4 =
0

El punto a1 =( 5, 2 ) verifica las condiciones de Kuhn-Tucker con multiplicadores=

1 0,=
2 2,=
3 0,=
4 3

a2 = ( 0,3) Satura la 1 y la 2 restriccin g1 ( 5, 2 ) = g 2 ( 5, 2 ) = 0 ll

3 = 4 = 0
As, sustituyendo en la ecuacin vectorial ( x1 , x2 ) = ( 0,3) y =
=
0 tenemos:
3
4

2 + ll
0
1 2 =
3 , = 1 no cumple la condin 0
llll
1 =
1
1
2 2
2
+ 2=
1 + ll
0
El punto a2 = ( 0,3) no verifica las condiciones de Kuhn-Tucker, por lo que no es solucin ptima de nuestro
problema.
21. Resolver grficamente los siguientes programas, comprobar si se verifican las condiciones de Kuhn-Tucker en
las soluciones ptimas obtenidas y si se cumplen en estos puntos la condicin de regularidad:
a) min ( x1 + 3) + x2 2
2

s.a. x2 x13 0

x2 x13 0

Grficamente vemos que la solucin del problema se encuentra en el punto ( x1 , x2 ) = ( 0, 0 ) . Veamos si cumple las
condiciones de Kuhn-Tucker:

3 x12
3 x12 0
2 ( x1 + 3)
f ( x1 , x2 ) + i gi ( x1 , x2 ) = 0
+ 2
=
+ 1
2 x2
1
1 0
6
0
0 0 6= 0 No tiene sentido
f ( 0, 0 ) + i gi ( 0, 0 ) = 0 + 1 + 2 =
0
1
1 0 1 = 2

 El punto ( x1 , x2 ) = ( 0, 0 ) , a pesar de ser solucin del programa, no cumple las condiciones de Kuhn-Tucker. Esto
se debe a que en este punto los gradientes de las restricciones saturadas son linealmente dependientes, por lo que
no cumple la condicin de regularidad y por tanto no tiene por qu cumplirse Kuhn-Tucker
b) min x2 2 x1

s.a. 1 x12 x22 0

x22
2
x1 + 1 0

Grficamente vemos que la solucin del problema se encuentra en el punto ( x1 , x2 ) = (1, 0 ) . Veamos si cumple las
condiciones de Kuhn-Tucker:

2 x1
2 x1
1

0
f ( x1 , x2 ) + i gi ( x1 , x2 ) = 0
+ 2 x2 =
+ 1

0
2 x2
2 x2
2
1
2
2 0
1
f (1, 0 ) + i gi (1, 0 ) = 0 + 1 + 2 = 1 + 2 =
2
0
0
0 0
1
1
Se verifican las condiciones para todo 1 , 2 0 que cumpla que 1 + 2 = , en particular para=
1 0,=
2
2
2
El punto ( x1 , x2 ) = (1, 0 ) es solucin del programa y cumple las condiciones de Kuhn-Tucker, aunque no cumple
la condicin de regularidad, ya que en este punto los gradientes de las restricciones saturadas son linealmente
dependientes.
22. Determinar los puntos que verifican las condiciones necesarias de Kuhn-Tucker en el programa:

max 4 x1 + 2 x2

max 4 x1 + 2 x2

x1 x2 + 1 =
0

x1 0

x2 0

s.a. x1 + x2 2 0

x1 x2 + 1 =
0

x1 0

x2 0

1 Condicin: f ( x1 , x2 ) + i gi ( x1 , x2 ) =0
s.a. x1 + x2 2

4 + 1 + 2 3 =
0

2 + 1 2 4 =
0

2 Condicin: i gi ( x1 , x2 ) =
0

1 ( x1 + x2 2 ) =
0
2 ( x1 x2 + 1) =
0

3 ( x1 ) =
0
4 ( x2 ) =
0
3 Condicin: gi ( x1 , x2 ) 0, i 0

x1 + x2 2 0
x1 x2 + 1 =
0
x1 0
x2 0

1 0
2 0
3 0
4 0

Obsrvese que 2 puede tomar cualquier valor porque asociado a una restriccin de igualdad. Las hiptesis que
podemos hacer sobre los valores que toman los otros 3 multiplicadores son las siguientes:
I) =
=
=
0 En este caso no se cumplira la 1 condicin
1
3
4

=
=
0
1
3

II)

Sustituyendo en la primera condicin tenemos que:

4 + 2 =
0

4, 4 =
6 No se cumple la 3 condicin
2 =
2 2 4 =
0
III)

=
=
0
1
4
Sustituyendo en la primera condicin tenemos que:

4 + 2 3 =
0
2 = 2, 3 = 6 No se cumple la 3 condicin
2 2 =
0

IV)
=
=
0
3
4
Sustituyendo en la primera condicin tenemos que:

4 + 1 + 2 =
0
3, 2 =
1
1 =
2 + 1 2 =
0
Satura la primera restriccin y ha de cumplirse la segunda:

x1 + x2 2 =
0
1 3
( x1 , x2 ) =
,
x1 x2 + 1 =
0
2 3
1 3
El punto ( x1 , x2 ) = , cumple las condiciones de Kuhn-Tucker
2 3
V)
1 = 0
Sustituyendo en la primera condicin tenemos que:

4 + 2 3 =
0

2 2 4 =
0
1 = 0 Satura la 3 y la 4 restriccin, y ha de cumplirse la segunda:

0
x1 x2 + 1 =

=
x1 0
No es posible

0
x2 =

VI)

3 = 0

Sustituyendo en la primera condicin tenemos que:

4 + 1 + 2 =
0

2 + 1 2 4 =
0

3 = 0 Satura la 1 y la 4 restriccin, y ha de cumplirse la segunda:

x1 + x2 2 =
0

x1 x2 + 1= 0 No es posible

x2 = 0

VII)
4 = 0
Satura la 1 y la 3 restriccin, y ha de cumplirse la segunda:

x1 + x2 2 =
0

x1 x2 + 1= 0 No es posible

x1 = 0

VIII)
1 < 0, 3 < 0, 4 < 0
Se saturan todas las restricciones:

x1 + x2 2 =
0

x1 x2 + 1 =
0
No es posible
x1 = 0

x2 = 0

1 3
2 3

Por tanto el nico punto que verifica las condiciones de Kuhn-Tucker es ( x1 , x2 ) = , y por ello, podra ser
un mximo del problema, de hecho, grficamente se puede comprobar que es un mximo global.
23. Una empresa monopolista desea maximizar sus ingresos de manera que los beneficios que obtiene no sean
menores que un valor prefijado R > 0 . Si el precio de venta viene determinado por p= a bq y la funcin de
costes es C (q=
) c0 + c1q siendo a, b, c0 , c1 > 0 . Se pide:
a) Resolver el problema para
=
a 100,
=
b 4,=
c0 50,
=
c1 20 y=
R 340

I (q) =
pq =
100q 4q 2
( a bq ) q =
(100 4q ) q =

C (q ) =c0 + c1q =50 + 20q

Beneficios =
I (q ) C (q ) =
4q 2 + 80q 50
(100q 4q 2 ) ( 50 + 20q ) B(q) =

mx I=
(q ) 100q 4q 2

(q ) 100q 4q 2
mx I=

340 s.a. B(q ) = 4q 2 80q + 390 0

s.a. B(q ) =
4q 2 + 80q 50 R =

q0
q 0

Este programa es convexo, pues la funcin objetivo es cncava ( I (q ) =8 < 0 q ) y el conjunto factible es
convexo. Entonces todo punto que verifique las condiciones de Kuhn-Tucker ser mximo global del problema:
1 Condicin: f ( q ) + i gi ( q ) =0

100 8q + 1 (8q 80) + 2 (1) =

0

2 Condicin: i gi ( q ) =
0

1 ( 4q 2 80q + 390 ) =
0

2 ( q ) =
0

3 Condicin: gi ( q ) 0, i 0

4q 80q + 390 0
q 0
1 0
2

2 0
1 condicin 100 8q + 1 (8q 80) + 2 (1) =
0

2 condicin 1 ( 4q 2 80q + 390 ) =

0

2 ( q ) =
0

0, lll
0, 2 =
100 No cumple la 3 condicin porque 2 > 0
q =
1 =

10
10
q =
0 No cumple la 3 condicin porque 1 > 0
+ 10, lll
+ 1, 2 =
1 =

2
2

10
10
+ 10, ll
+ 1, 2 = 0
q =
1 =
2
2

25

25
, ll
0, 2 =
0 No cumple la 3 condicin porque B < 0
1 =
q =
2
2

10
10
+ 10 =11.58, 1 =
+ 1 =0.582, 2 =0 es un mximo global del problema y el
2
2
10

ingreso mximo ser: I

+
10
621.62 u.m.
=
2

Por tanto, el punto q =

b) Cmo variaran los ingresos ptimos ante una variacin de los beneficios prefijados?
Si los beneficios B (q ) prefijados R los aumentsemos en una unidad entonces los ingresos mximos aumentaran
aproximadamente en 0.582 u.m
24. Una empresa dedicada a la fabricacin de frigorficos, ha establecido un contrato para suministrar 50
frigorficos al final del primer mes, 50 frigorficos al final del segundo mes y 50 al final del tercero. El coste de
producir x frigorficos es x 2 en cualquier mes. La empresa puede producir ms frigorficos de los que necesita
en cualquier mes y guardarlos para el siguiente, pero el coste de almacenaje es de 2000 u.m. por unidad/mes.
Suponiendo que no hay inventario inicial, determinar el nmero de frigorficos que deben producirse cada
mes para minimizar el coste total.
Sea xi = Nmero de frigorficos que produce en el mes i-simo, con i = 1, 2, 3

Coste Total Coste de produccin + Coste de almacenamiento

min C ( x1 , x2 , x3 ) = x12 + x22 + x32 + 2000( x1 50) + 2000( x1 + x2 100)

s.a. x1 50
x1 + x2 100
x1 + x2 + x3 150
x2 0
x3 0
min C ( x1 , x2 , x3 ) = x12 + x22 + x32 + 2000( x1 50) + 2000( x1 + x2 100)
s.a. 50 x1 0

100 x1 x2 0
150 x1 x2 x3 0
x2 0
x3 0

Este programa es convexo, pues la funcin objetivo es convexa (la matriz Hessiana HC ( x1 , x2 , x3 ) es Definida
Positiva x1 , x2 , x3 ) y el conjunto factible es convexo. Entonces todo punto que verifique las condiciones de KuhnTucker ser mnimo global del problema:
1 Condicin: f ( x1 , x2 , x3 ) + i gi ( x1 , x2 , x3 ) =0

2 x1 + 4000
1
1
1
0
0 0

2 x2 + 2000 + 1 0 + 2 1 + 3 1 + 4 1 + 5 0 =
0

2 x3

0
0
1
0
1 0
2 Condicin: i gi ( x1 , x2 , x3 ) =
0

1 ( 50 x1 ) =
0
2 (100 x1 x2 ) =
0
3 (150 x1 x2 x3 ) =
0
4 ( x2 ) =
0
5 ( x3 ) =
0
3 Condicin: gi ( x1 , x2 , x3 ) 0, i 0

50 x1 0
100 x1 x2 0
150 x1 x2 x3 0
x2 0
x3 0

1 0, 2 0, 3 0, 4 0, 5 0
A la vista del enunciado del problema, una posibilidad interesante es producir cada mes exactamente el nmero de
frigorficos que hay que entregar al final del mismo, con lo que, nos evitamos los costes de almacenamiento. Por
tanto, en este caso, se saturan las 3 primeras restricciones y tenemos que:

50 x1 =
0

100 x1 x=
0
x1 50, x=
50, x=
50
=
2
2
3
150 x1 x2 x3 =
0
x2 < 0 4 =
0
x3 < 0 5 =
0
Sustituyendo en la 1 condicin tenemos =
que: 1 2000,
=
2 2000,
=
3 100
Por tanto, ( x1 , x2 , x3 ) = (50,50,50) con = (2000, 2000,100, 0, 0) verifica las condiciones de Kuhn-Tucker.
La empresa debe producir 50 frigorficos cada mes para obtener el coste mnimo de C (50,50,50) = 7500 u.m.
25. Una compaa petrolfera tiene que determinar cuntos barriles de petrleo va a extraer de los pozos en los 3
prximos aos para maximizar sus beneficios. Conoce que si extrae x1 millones de barriles durante el primer
ao, puede vender cada barril por ( 28 x1 ) dlares siendo el coste de extraccin de x12 millones de dlares.

Durante el segundo ao, si extrae x2 millones de barriles el precio de venta por barril es de ( 30 x2 ) dlares
y 1.5x22 millones de dlares el coste de extraccin. En el tercer ao si se extraen x3 millones de barriles, cada

uno de ellos se puede vender por ( 32 x3 ) dlares, ascendiendo los costes de extraccin a 2x32 millones de

dlares. La empresa, por otra parte, conoce que a lo largo de los tres aos puede extraer en total 30 millones
de barriles y gastar 350 millones de dlares en tareas de extraccin.
a) Determina la poltica ptima de extraccin de los prximos 3 aos.
Sea x1 , x2 , x3 = millones de barriles extrados en el ao 1, 2 y 3, respectivamente

= Ingresos Costes
Beneficios
Ingresos= x1 ( 28 x1 ) + x2 ( 30 x2 ) + x3 ( 32 x3 )
Costes =
x12 + 1.5 x22 + 2 x32

B( x1 , x2 , x3 =
) x1 ( 28 x1 ) + x2 ( 30 x2 ) + x3 ( 32 x3 ) ( x12 + 1.5 x22 + 2 x32 )

max B( x1 , x2 , x3 ) =
2 x12 2.5 x22 3 x32 + 28 x1 + 30 x2 + 32 x3
s.a. x12 + 1.5 x22 + 2 x32 350
x1 + x2 + x3 30
x1 0
x2 0
x3 0

max B( x1 , x2 , x3 ) =
2 x12 2.5 x22 3 x32 + 28 x1 + 30 x2 + 32 x3
s.a. x12 + 1.5 x22 + 2 x32 350 0
x1 + x2 + x3 30 0

x1 0
x2 0
x3 0

Este programa es convexo, pues la funcin objetivo es cncava (la matriz Hessiana HB ( x1 , x2 , x3 ) es Definida
Negativa x1 , x2 , x3 ) y el conjunto factible es convexo. Entonces todo punto que verifique las condiciones de KuhnTucker ser mximo global del problema:
1 Condicin: f ( x1 , x2 , x3 ) + i gi ( x1 , x2 , x3 ) =0

4 x1 + 28
2 x1
1
1
0
0 0

5 x2 + 30 + 1 5 x2 + 2 1 + 3 0 + 4 1 + 5 0 =
0
6 x + 32
6x
1
0
0
1 0
3

3




2 Condicin: i gi ( x1 , x2 , x3 ) =
0
0
1 ( x12 + 1.5 x22 + 2 x32 350 ) =
0
2 ( x1 + x2 + x3 30 ) =
0
3 ( x1 ) =
0
4 ( x2 ) =
0
5 ( x3 ) =
3 Condicin: gi ( x1 , x2 , x3 ) 0, i 0

x + 1.5 x + 2 x 350 0
2
1

2
2

2
3

x1 + x2 + x3 30 0
x1 0
x2 0
x3 0

1 0, 2 0, 3 0, 4 0, 5 0
Si suponemos que=
1 0,=
2 0,=
3 0,=
4 0,=
5 0 , caso en el que no se satura ninguna restriccin, entonces
tenemos que:

1 condicion 4 x1 +=
28 0 =
x1 7

5 x2 + 30 = 0 x2 = 6

6 x3 + 32 =
0 x3 = 53

El punto ( x1 , x2 , x3 ) = 7, 6,53 con=

=
2 0,=
3 0,=
4 0,=
5 0 ) cumple todas las condiciones de
( 1 0,=

Kuhn-Tucker, por tanto es un mximo global de nuestro problema y el mximo beneficio que podremos obtener es

2
2
B 7, 6,53 =
2 ( 7 ) 2.5 ( 6 ) 3 53 + 28 ( 7 ) + 30 ( 6 ) + 32 53 =
273.33 u.m

( )

( )

Nota: Si con este caso no hubisemos llegado a una solucin coherente, entonces tendramos que haber seguido
probando como hicimos en el ejercicio 3.
b) Plantear y resolver el mismo problema, pero sabiendo que el tipo de inters vigente en el mercado es del 4%
efectivo anual.
Si tenemos ahora en cuenta que i = 4% , habr que actualizar los ingresos y los costes a un mismo momento de
tiempo, ya que no tiene el mismo valor financiero 1 u.m hoy que 1 u.m dentro de 3 aos, para lo cual tendremos en
cuenta que:

C1 = C0 + Intereses= C0 + C0 i= C0 (1 + i )
C2 = C1 + C1 i = C1 (1 + i ) = C0 (1 + i ) 2
....
Cn = C0 (1 + i ) n C0 =

Cn
(1 + i ) n

1 x1 ( 28 x1 )
Ingresos del ao
=
Ingresos del ao 2= x2 ( 30 x2 ) Ingresos del ao 2 actualizados al final del ao 1=
Ingresos del ao 3= x3 ( 32 x3 ) Ingresos del ao 3 actualizados al final del ao 1=

x2 ( 30 x2 )
1 + 0.04
x3 ( 32 x3 )

(1 + 0.04 )

Costes del ao 1 = x12

Costes del ao 2 actualizados al final del ao 1 =
Costes del ao 3 actualizados al final del ao 1 =

1.5 x22
1 + 0.04
2 x32

(1 + 0.04 )

= Ingresos Costes
Beneficios

x ( 30 x2 ) x3 ( 32 x3 ) 2 1.5 x22
2 x32
Beneficios
= x1 ( 28 x1 ) + 2
+

x
+
+

1
2
2

1
0.04
1
0.04
+
+
1
0.04
1
0.04
+
+
(
)
(
)

3 x32
32 x3
2.5 x22
30 x2
2 x

+ 28 x1 +
+
max B( x1 , x2 , x3 ) =
2
1.04 (1.04 )
1.04 (1.04 )2
2
1

s.a. x12 + 1.5 x22 + 2 x32 350

x1 + x2 + x3 30
x1 0
x2 0
x3 0
3 x32
32 x3
2.5 x22
30 x2
max B( x1 , x2 , x3 ) =
2 x

+ 28 x1 +
+
2
1.04 (1.04 )
1.04 (1.04 )2
2
1

s.a. x12 + 1.5 x22 + 2 x32 350 0

x1 + x2 + x3 30 0
x1 0
x2 0
x3 0
Este programa es convexo, pues la funcin objetivo es cncava (la matriz Hessiana HB ( x1 , x2 , x3 ) es Definida
Negativa x1 , x2 , x3 ) y el conjunto factible es convexo. Entonces todo punto que verifique las condiciones de KuhnTucker ser mximo global del problema:
1 Condicin: f ( x1 , x2 , x3 ) +

g ( x , x , x ) =0
i

4 x1 + 28
2 x1
1
1
0
0 0
5 x2 + 30

+ 1 5 x2 + 2 1 + 3 0 + 4 1 + 5 0 =
0
1.04
6x
1
0
0
1 0
3




6 x3 + 32
2

(1.04 )
2 Condicin: i gi ( x1 , x2 , x3 ) =
0
0
1 ( x12 + 1.5 x22 + 2 x32 350 ) =

0
2 ( x1 + x2 + x3 30 ) =
0
3 ( x1 ) =
0
4 ( x2 ) =
0
5 ( x3 ) =
3 Condicin: gi ( x1 , x2 , x3 ) 0, i 0

x + 1.5 x + 2 x 350 0
2
1

2
2

2
3

x1 + x2 + x3 30 0
x1 0
x2 0
x3 0

1 0, 2 0, 3 0, 4 0, 5 0
Si suponemos que=
1 0,=
2 0,=
3 0,=
4 0,=
5 0 , caso en el que no se satura ninguna restriccin, entonces
tenemos que:

1 condicion 4 x1 + 28 =
0
x1 = 7

5 x2 + 30
= 0 x2 = 6
1.04

x
=
53
3

6 x3 + 32

= 0
2
(1.04 )

=
2 0,=
3 0,=
4 0,=
5 0 ) cumple todas las condiciones de
El punto ( x1 , x2 , x3 ) = 7, 6,53 con=
( 1 0,=

Kuhn-Tucker, por tanto es un mximo global de nuestro problema y el mximo beneficio que podremos obtener es

2.5 ( 6 ) 3 53
30 ( 6 ) 32 53
2
263.4339 u.m
B 7, 6,53 =
2 ( 7 )

+ 28 ( 7 ) +
+
=
2
1.04
1.04 (1.04 )2
(1.04 )

( )

( )