En los problemas de optimizacin, el mtodo de los multiplicadores de Lagrange, llamados

as en honor a Joseph Louis Lagrange, es un procedimiento para encontrar los mximos y

mnimos de funciones de mltiples variables sujetas a restricciones. Este mtodo reduce el
problema restringido con n variables a uno sin restricciones de n + k variables, donde k es
igual al nmero de restricciones, y cuyas ecuaciones pueden ser resueltas ms fcilmente.
Estas nuevas variables escalares desconocidas, una para cada restriccin, son llamadas
multiplicadores de Lagrange. El mtodo dice que los puntos donde la funcin tiene un extremo
condicionado con k restricciones, estn entre los puntos estacionarios de una nueva funcin
sin restricciones construida como una combinacin lineal de la funcin y las funciones
implicadas en las restricciones, cuyos coeficientes son los multiplicadores.
La demostracin usa derivadas parciales y la regla de la cadena para funciones de varias
variables. Se trata de extraer una funcin implcita de las restricciones, y encontrar las
condiciones para que las derivadas parciales con respecto a las variables independientes de
la funcin sean iguales a cero.
ndice
[ocultar]

1Introduccin

2El mtodo de los multiplicadores de Lagrange

3Ejemplos
o

3.1Ejemplo #1

3.2Ejemplo #2

3.3Ejemplo #3 (restricciones mltiples)

4Criterio de la segunda derivada para Extremos con Restriccin

o

4.1El caso bidimensional

4.2El caso n-dimensional

5Enlaces externos

Introduccin[editar]
Consideremos un caso bidimensional. Supongamos que tenemos la funcin, f (x, y), y
queremos maximizarla, estando sujeta a la condicin:

donde c es una constante. Podemos visualizar las curvas de nivel de f dadas por

para varios valores de dn, y el contorno de g dado por g(x, y) = c. Supongamos que
hablamos de la curva de nivel donde g = c. Entonces, en general, las curvas de nivel
de f y gsern distintas, y la curva g = c por lo general intersectar y cruzar muchos
contornos de f. En general, movindose a travs de la lnea g=c podemos incrementar
o disminuir el valor de f. Slo cuando g=c (el contorno que estamos siguiendo) toca
tangencialmente (no corta) una curva de nivel de f, no se incrementa o disminuye el
valor de f. Esto ocurre en el extremo local restringido y en los puntos de
inflexin restringidos de f.
Un ejemplo familiar puede ser obtenido de los mapas climatolgicos, con sus curvas
de nivel de presin y temperatura (isbaras e isotermas respectivamente): el extremo
restringido ocurrir donde los mapas superpuestos muestren curvas que se tocan.
Geomtricamente traducimos la condicin de tangencia diciendo que los gradientes
de f y g son vectores paralelos en el mximo. Introduciendo un nuevo escalar, ,
resolvemos
[f(x, y) - (g(x, y) c)] = 0
para 0.
Una vez determinados los valores de , volvemos al nmero original de variables
y as continuamos encontrando el extremo de la nueva ecuacin no restringida.

de forma tradicional. Eso es,

para todo (x, y)

satisfaciendo la condicin porque

restriccin, pero los ceros de

es igual a cero en la

F(x, y) estn todos en

El mtodo de los multiplicadores

de Lagrange[editar]
Sea f (x) una funcin definida en un conjunto abierto n-dimensional {x Rn}.
Se definen s restricciones gk (x) = 0, k=1,..., s, y se observa (si las
restricciones son satisfechas) que:

Se procede a buscar un extremo para h

lo que es equivalente a

[Expandir]Demostracin

Los multiplicadores desconocidos k se determinan a partir de las

ecuaciones con las restricciones y conjuntamente se obtiene un
extremo para h que al mismo tiempo satisface las restricciones
(i.e. gk=0), lo que implica que f ha sido optimizada
El mtodo de multiplicadores de Lagrange es generalizado por las
condiciones de Karush-Kuhn-Tucker.

Ejemplos[editar]
Ejemplo #1[editar]
Supongamos que queremos encontrar la distribucin probabilstica
discreta con mxima entropa. Entonces

Podemos usar los multiplicadores de Lagrange para

encontrar el punto de mxima entropa (dependiendo de las
probabilidades). Para todo k desde 1 hasta n, necesitamos

lo que nos da

Derivando estas n ecuaciones, obtenemos

Esto muestra que todo pi es igual (debido a que

depende solamente de ). Usando la restriccin
k pk = 1, encontramos

Esta (la distribucin uniforme discreta) es la

distribucin con la mayor entropa.

Ejemplo #2[editar]
Determinar los puntos en la
esfera

que estn ms

cercanos al punto
la distancia al punto

para hacer ms sencilla la operacin se

maximiza o minimiza el cuadrado de la
distancia:

la
restriccin:

De acuerdo con el mtodo de los

multiplicadores de Lagrange, se resuelven
las ecuaciones "

"y"

" y el resultado es:

(1)
(2)

(3)
(4)

la manera ms sencilla de resolver estas

ecuaciones es dejar x, y, z en funcin de

luego sustituimos en la ecuacin (4).

de la ecuacin (1) obtenemos

se observa que

1 por que si

no

se puede realizar la operacin.

lo mismo sucede con la ecuacin (2) y (3)

sustituyendo en la ecuacin (4)

se obtiene que
y entonces los puntos (x, y, z) son :

Pero no solo nos salen estos puntos, sino

que salen muchos ms que aqu no se estn
teniendo en cuenta... se puede observar que
el punto ms cercano entonces
es

Ejemplo #3 (restricciones
mltiples)[editar]
Restricciones:

Aplicar el mtodo:

Entonces:

Por lo tanto, los puntos crticos son:

Bastar entonces evaluar la funcin en esos

puntos para determinar que:

por lo que en ambos puntos

tiene un

mximo
en

y un

mnimo
en

si

est restringida de esta manera.

Criterio de la segunda
derivada para Extremos
con Restriccin[editar]
El caso bidimensional[editar]
Como en el caso no restringido en el que
usamos la matriz Hessiana y el criterio de
Sylvester para determinar la naturaleza de
los puntos crticos, en presencia de
multiplicadores de Lagrange existe un
mtodo anlogo para descubrir si un punto
crtico v0 es mximo, mnimo, o punto silla.
Sea f:U2 y g:U2 dos curvas
suaves de clase C2. Sea v0U tal

que g(v0)= c y sea S el conjunto de nivel

de g con valor c. Asumimos que
existe un nmero real

tal que

g(v0)0 y
f(v0) =

g(v0). Para la funcin auxiliar h = f g tenemos la matriz hessiana limitada:

evaluada en v0
1. Si |H|>0 entonces v0 es un
mximo local en f limitada a S
2. Si |H|<0 entonces v0 es un
mnimo local en f limitada a S
3. Si |H|=0 entonces el criterio no
concluye nada

El caso n-dimensional[editar]
Anlogamente al caso bidimensional,
consideramos el caso n-dimensional,
Sea f:Un y g:Un dos
curvas suaves de clase C2. Sea v0U tal
que g(v0)= c y sea Selconjunto de nivel
de g con valor c. Asumimos que
g(v0)0 y existe un nmero real
que

f(v0) =

tal

g(v0). Para la funcin

auxiliar h = f - g construimos la matriz

hessiana limitada:

evaluada en v0

Examinamos los determinantes de

las submatrices en la diagonal de
orden mayor o igual a 3:
1. Si todos ellos son mayores
que 0, tenemos un mnimo
local en v0
2. Si el primer subdeterminante
de tamao 3x3 es mayor
que cero, el siguiente (el de
4x4) es menor que cero, y
de esa manera los
subdeterminantes van
alternando su signo,
tenemos un mximo local en
v0
3. Si todos los
subdeterminantes son
distintos de cero, pero no
siguen ninguno de los dos
patrones anteriores,
tenemos un punto silla en v0
4. Si no se da ninguno de los
tres casos anteriores, el
criterio no concluye nada