Optimización Restringida: El método de Lagrange

Economía Matemática Aplicada I

2022

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Contenidos

En esta sesión estudiaremos los siguientes temas:

Optimización de funciones con restricciones.
Función lagrangeana asociada a un problema de optimización
con restricciones.
Multiplicadores de Lagrange.
Criterio de la segunda derivada para optimización con
restricciones. El Hessiano Orlado.
Aplicaciones.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

En la mayoría de aplicaciones a la economía, los problemas de

optimización se presentan con restricciones, es decir condiciones
que deben cumplir las variables.
Por ejemplo, en un problema de maximizar la utilidad de cierta
empresa, los niveles de producción no son arbitrarios, sino que su
producción está sujeta al presupuesto que la empresa asigna a la
gerencia de producción.
En términos matemáticos precisos, los problemas de optimización
restringida pueden ser planteado de la forma siguiente:
Maximizar o Minimizar: f (x1 , x2 , . . . , xn )
Sujeto a:
φ1 (x1 , x2 , . . . , xn ) = 0


φ2 (x1 , x2 , . . . , xn ) = 0


..

.


φm (x1 , x2 , . . . , xn ) = 0



Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

En la mayoría de aplicaciones a la economía, los problemas de

optimización se presentan con restricciones, es decir condiciones
que deben cumplir las variables.
Por ejemplo, en un problema de maximizar la utilidad de cierta
empresa, los niveles de producción no son arbitrarios, sino que su
producción está sujeta al presupuesto que la empresa asigna a la
gerencia de producción.
En términos matemáticos precisos, los problemas de optimización
restringida pueden ser planteado de la forma siguiente:
Maximizar o Minimizar: f (x1 , x2 , . . . , xn )
Sujeto a:
φ1 (x1 , x2 , . . . , xn ) = 0


φ2 (x1 , x2 , . . . , xn ) = 0


..

.


φm (x1 , x2 , . . . , xn ) = 0



Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

En la mayoría de aplicaciones a la economía, los problemas de

optimización se presentan con restricciones, es decir condiciones
que deben cumplir las variables.
Por ejemplo, en un problema de maximizar la utilidad de cierta
empresa, los niveles de producción no son arbitrarios, sino que su
producción está sujeta al presupuesto que la empresa asigna a la
gerencia de producción.
En términos matemáticos precisos, los problemas de optimización
restringida pueden ser planteado de la forma siguiente:
Maximizar o Minimizar: f (x1 , x2 , . . . , xn )
Sujeto a:
φ1 (x1 , x2 , . . . , xn ) = 0


φ2 (x1 , x2 , . . . , xn ) = 0


..

.


φm (x1 , x2 , . . . , xn ) = 0



Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

En la mayoría de aplicaciones a la economía, los problemas de

optimización se presentan con restricciones, es decir condiciones
que deben cumplir las variables.
Por ejemplo, en un problema de maximizar la utilidad de cierta
empresa, los niveles de producción no son arbitrarios, sino que su
producción está sujeta al presupuesto que la empresa asigna a la
gerencia de producción.
En términos matemáticos precisos, los problemas de optimización
restringida pueden ser planteado de la forma siguiente:
Maximizar o Minimizar: f (x1 , x2 , . . . , xn )
Sujeto a:
φ1 (x1 , x2 , . . . , xn ) = 0


φ2 (x1 , x2 , . . . , xn ) = 0


..

.


φm (x1 , x2 , . . . , xn ) = 0



Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

La función f que se desea maximizar o minimizar es llamada

función objetivo, mientras que φ1 , φ2 , . . . , φm son llamadas
funciones restricción.
Nuestra estrategia para estudiar optimización restringida, será
considerar los siguientes casos:
1 Función objetivo de dos variables, sujeto a una sola restricción.
2 Función objetivo de n variables, sujeto a una sola restricción.
3 Caso general: Función objetivo de n variables, sujeto a m

restricciones.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Optimización restringida

La función f que se desea maximizar o minimizar es llamada

función objetivo, mientras que φ1 , φ2 , . . . , φm son llamadas
funciones restricción.
Nuestra estrategia para estudiar optimización restringida, será
considerar los siguientes casos:
1 Función objetivo de dos variables, sujeto a una sola restricción.
2 Función objetivo de n variables, sujeto a una sola restricción.
3 Caso general: Función objetivo de n variables, sujeto a m

restricciones.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Sea z = f (x, y ) la función objetivo y sea φ (x, y ) = 0 la función

restricción. (En todo lo que sigue, vamos a admitir que f y φ son
funciones suaves).
La idea es pasar de un problema de optimización con restricciones a
un problema de optimización sin restricciones, agregando una
variable adicional.
Para ello se dene la función de Lagrange o Lagrangeana
(asociada a f y a φ ) como:

L(λ , x, y ) = f (x, y ) + λ φ (x, y )

en donde λ es una variable real adicionada, la cual recibe el nombre
de multiplicador de Lagrange.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Sea z = f (x, y ) la función objetivo y sea φ (x, y ) = 0 la función

restricción. (En todo lo que sigue, vamos a admitir que f y φ son
funciones suaves).
La idea es pasar de un problema de optimización con restricciones a
un problema de optimización sin restricciones, agregando una
variable adicional.
Para ello se dene la función de Lagrange o Lagrangeana
(asociada a f y a φ ) como:

L(λ , x, y ) = f (x, y ) + λ φ (x, y )

en donde λ es una variable real adicionada, la cual recibe el nombre
de multiplicador de Lagrange.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Sea z = f (x, y ) la función objetivo y sea φ (x, y ) = 0 la función

restricción. (En todo lo que sigue, vamos a admitir que f y φ son
funciones suaves).
La idea es pasar de un problema de optimización con restricciones a
un problema de optimización sin restricciones, agregando una
variable adicional.
Para ello se dene la función de Lagrange o Lagrangeana
(asociada a f y a φ ) como:

L(λ , x, y ) = f (x, y ) + λ φ (x, y )

en donde λ es una variable real adicionada, la cual recibe el nombre
de multiplicador de Lagrange.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Joseph-Louis Lagrange, bautizado como Giuseppe Lodovico

Lagrangia (25 de enero de 1736 en Turín - 10 de abril de 1813 en
París) fue un físico, matemático y astrónomo italiano que después
vivió en Prusia y Francia. Lagrange trabajó para Federico II de
Prusia, en Berlín, durante veinte años. Lagrange demostró el
teorema del valor medio, desarrolló la mecánica Lagrangiana y tuvo
una importante contribución en astronomía.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

A continuación se procede a hallar los puntos críticos de la función

de Lagrange L, es decir aquellas ternas ordenadas (λ , x, y ) que
satisfacen simultáneamente las tres siguientes ecuaciones:
 0 = Lλ (λ , x, y ) = φ (x, y )



 0 = Lx (λ , x, y ) = fx (x, y ) + λ φx (x, y )



 0 = Ly (λ , x, y ) = fy (x, y ) + λ φy (x, y )


Teorema
Si (λ0 , x0 , y0 ) es un punto crítico de la función de Lagrange
L = f + λ φ entonces se presenta una de las alternativas siguientes:
1 (x0 , y0 ) es máximo relativo de f sujeto a la restricción φ = 0.

2 (x0 , y0 ) es mínimo relativo de f sujeto a la restricción φ = 0.

3 (x0 , y0 ) es punto silla.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

A continuación se procede a hallar los puntos críticos de la función

de Lagrange L, es decir aquellas ternas ordenadas (λ , x, y ) que
satisfacen simultáneamente las tres siguientes ecuaciones:
 0 = Lλ (λ , x, y ) = φ (x, y )



 0 = Lx (λ , x, y ) = fx (x, y ) + λ φx (x, y )



 0 = Ly (λ , x, y ) = fy (x, y ) + λ φy (x, y )


Teorema
Si (λ0 , x0 , y0 ) es un punto crítico de la función de Lagrange
L = f + λ φ entonces se presenta una de las alternativas siguientes:
1 (x0 , y0 ) es máximo relativo de f sujeto a la restricción φ = 0.

2 (x0 , y0 ) es mínimo relativo de f sujeto a la restricción φ = 0.

3 (x0 , y0 ) es punto silla.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Para clasicar los puntos críticos, necesitamos una condición de

segundo orden, la cual involucra el concepto de Hessiano Orlado:
Denición:
El Hessiano Orlado asociado a f y a φ , se dene como

0
 
φx φy
∆(λ , x, y ) = det  φx Lxx Lxy  (λ , x, y )
φy Lyx Lyy

en donde L = f + λ φ es la función de Lagrange.

La condición de segundo orden para problemas de optimización con
restricciones viene dada por el siguiente teorema:

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Para clasicar los puntos críticos, necesitamos una condición de

segundo orden, la cual involucra el concepto de Hessiano Orlado:
Denición:
El Hessiano Orlado asociado a f y a φ , se dene como

0
 
φx φy
∆(λ , x, y ) = det  φx Lxx Lxy  (λ , x, y )
φy Lyx Lyy

en donde L = f + λ φ es la función de Lagrange.

La condición de segundo orden para problemas de optimización con
restricciones viene dada por el siguiente teorema:

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Para clasicar los puntos críticos, necesitamos una condición de

segundo orden, la cual involucra el concepto de Hessiano Orlado:
Denición:
El Hessiano Orlado asociado a f y a φ , se dene como

0
 
φx φy
∆(λ , x, y ) = det  φx Lxx Lxy  (λ , x, y )
φy Lyx Lyy

en donde L = f + λ φ es la función de Lagrange.

La condición de segundo orden para problemas de optimización con
restricciones viene dada por el siguiente teorema:

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Teorema
Sea (λ0 , x0 , y0 ) un punto crítico de la función de Lagrange
L = f + λ φ y sea ∆(λ , x, y ) el Hessiano Orlado asociado a f y a φ .
Se cumple:
1 Si ∆(λ0 , x0 , y0 ) > 0 entonces (x0 , y0 ) es un máximo relativo de

f sujeto a la restricción φ = 0.
2 Si ∆(λ0 , x0 , y0 ) < 0 entonces (x0 , y0 ) es un mínimo relativo de

f sujeto a la restricción φ = 0.

Observación:
Si ∆(λ0 , x0 , y0 ) = 0 entonces el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Teorema
Sea (λ0 , x0 , y0 ) un punto crítico de la función de Lagrange
L = f + λ φ y sea ∆(λ , x, y ) el Hessiano Orlado asociado a f y a φ .
Se cumple:
1 Si ∆(λ0 , x0 , y0 ) > 0 entonces (x0 , y0 ) es un máximo relativo de

f sujeto a la restricción φ = 0.
2 Si ∆(λ0 , x0 , y0 ) < 0 entonces (x0 , y0 ) es un mínimo relativo de

f sujeto a la restricción φ = 0.

Observación:
Si ∆(λ0 , x0 , y0 ) = 0 entonces el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Ejemplo 1
Hallar los valores máximos y mínimos de la función

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

sujeta a la restricción
x + y = 1.

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y ) = 2x 2 + y 2 + λ (x + y − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x +y −1 = 0 (1)
Lx = 4x + λ = 0 (2)
Ly = 2y + λ = 0 (3)
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Ejemplo 1
Hallar los valores máximos y mínimos de la función

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

sujeta a la restricción
x + y = 1.

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y ) = 2x 2 + y 2 + λ (x + y − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x +y −1 = 0 (1)
Lx = 4x + λ = 0 (2)
Ly = 2y + λ = 0 (3)
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Ejemplo 1
Hallar los valores máximos y mínimos de la función

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

sujeta a la restricción
x + y = 1.

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y ) = 2x 2 + y 2 + λ (x + y − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x +y −1 = 0 (1)
Lx = 4x + λ = 0 (2)
Ly = 2y + λ = 0 (3)
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Ejemplo 1
Hallar los valores máximos y mínimos de la función

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

sujeta a la restricción
x + y = 1.

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y ) = 2x 2 + y 2 + λ (x + y − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x +y −1 = 0 (1)
Lx = 4x + λ = 0 (2)
Ly = 2y + λ = 0 (3)
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Ejemplo 1
Hallar los valores máximos y mínimos de la función

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

sujeta a la restricción
x + y = 1.

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y ) = 2x 2 + y 2 + λ (x + y − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x +y −1 = 0 (1)
Lx = 4x + λ = 0 (2)
Ly = 2y + λ = 0 (3)
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 13 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

(2) - (3) 4x − 2y = 0, despejando

y = 2x (4)

En (1): x + 2x − 1 = 0 , luego x = 13 .
En (4): y = 23 .
En (2): λ = − 43
De esta manera, el único PC es − 43 , 31 , 23

Paso 3: Clasicación del PC: El Hessiano orlado es

0 1 1
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  1 4 0 
Lλ y Lyx Lyy 1 0 2
= −6 < 0

Luego (x, y ) = ( 13 , 32 ) es un minimo de f

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Ejemplo 2
La función de producción de una empresa es

P(x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 ,

donde x e y son las cantidades de artículos de los productos A y B.

Suponiendo que los gastos para fabricar dichos productos son
respectivamente $2 y $3 y que la empresa puede gastar únicamente
$450; determine la producción máxima.
Solución: Paso 1: Determinación del Lagrangeano: La función
objetivo es P , la función restricción es 2x + 3y = 450. Luego

L(λ , x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 + λ (2x + 3y − 450)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Ejemplo 2
La función de producción de una empresa es

P(x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 ,

donde x e y son las cantidades de artículos de los productos A y B.

Suponiendo que los gastos para fabricar dichos productos son
respectivamente $2 y $3 y que la empresa puede gastar únicamente
$450; determine la producción máxima.
Solución: Paso 1: Determinación del Lagrangeano: La función
objetivo es P , la función restricción es 2x + 3y = 450. Luego

L(λ , x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 + λ (2x + 3y − 450)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Ejemplo 2
La función de producción de una empresa es

P(x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 ,

donde x e y son las cantidades de artículos de los productos A y B.

Suponiendo que los gastos para fabricar dichos productos son
respectivamente $2 y $3 y que la empresa puede gastar únicamente
$450; determine la producción máxima.
Solución: Paso 1: Determinación del Lagrangeano: La función
objetivo es P , la función restricción es 2x + 3y = 450. Luego

L(λ , x, y ) = 260x + 150y + 2xy − 2x 2 + y 2 + λ (2x + 3y − 450)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de dos variables y una sola restricción

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = 2x + 3y − 450 = 0 (5)
Lx = 260 + 2y − 4x + 2λ = 0 (6)
Ly = 150 + 2x + 2y + 3λ = 0 (7)
De (6) y (7), se llega a la ecuación 8x − y = 240 y considerando (5)
se llega a que x = 45, y = 120. Reemplazando estos valores en (7):
λ = −160. De esta manera, el único PC es (−160, 45, 120)
Paso 3: Clasicación del PC: El Hessiano orlado es
0 2 3
   
Lλ λ Lλ x Lλ y
∆(λ , x, y ) = det  Lλ x Lxx Lxy  =  2 −4 2 
Lλ y Lyx Lyy 3 2 2
= 52 > 0

La máxima producción se obtiene cuando se fabrican 45 unidades

de A y 120 unidades de B y se halla calculando P(45, 120).
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo y sea

φ (x1 , x2 , . . . , xn ) = 0 la función restricción (ambas funciones son
suaves).
Ahora la función de Lagrange o Lagrangeana (asociada a f y a
φ ) se dene como:

L(λ , x1 , x2 , . . . , xn ) = f (x1 , x2 , . . . , xn ) + λ φ (x1 , x2 , . . . , xn )

Los puntos críticos de L son las soluciones simultáneas del sistema:

0 = Lλ (λ , x1 , x2 , . . . , xn ) = φ (x1 , x2 , . . . , xn )




0 = Lx1 (λ , x1 , x2 , . . . , xn ) = fx1 (x1 , . . . , xn ) + λ φx1 (x1 , . . . , xn )


.. .. ..

. . .


0 =

 Lxn (λ , x1 , . . . , xn ) = fxn (x1 , . . . , xn ) + λ φxn (x1 , . . . , xn )

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo y sea

φ (x1 , x2 , . . . , xn ) = 0 la función restricción (ambas funciones son
suaves).
Ahora la función de Lagrange o Lagrangeana (asociada a f y a
φ ) se dene como:

L(λ , x1 , x2 , . . . , xn ) = f (x1 , x2 , . . . , xn ) + λ φ (x1 , x2 , . . . , xn )

Los puntos críticos de L son las soluciones simultáneas del sistema:

0 = Lλ (λ , x1 , x2 , . . . , xn ) = φ (x1 , x2 , . . . , xn )




0 = Lx1 (λ , x1 , x2 , . . . , xn ) = fx1 (x1 , . . . , xn ) + λ φx1 (x1 , . . . , xn )


.. .. ..

. . .


0 =

 Lxn (λ , x1 , . . . , xn ) = fxn (x1 , . . . , xn ) + λ φxn (x1 , . . . , xn )

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo y sea

φ (x1 , x2 , . . . , xn ) = 0 la función restricción (ambas funciones son
suaves).
Ahora la función de Lagrange o Lagrangeana (asociada a f y a
φ ) se dene como:

L(λ , x1 , x2 , . . . , xn ) = f (x1 , x2 , . . . , xn ) + λ φ (x1 , x2 , . . . , xn )

Los puntos críticos de L son las soluciones simultáneas del sistema:

0 = Lλ (λ , x1 , x2 , . . . , xn ) = φ (x1 , x2 , . . . , xn )




0 = Lx1 (λ , x1 , x2 , . . . , xn ) = fx1 (x1 , . . . , xn ) + λ φx1 (x1 , . . . , xn )


.. .. ..

. . .


0 =

 Lxn (λ , x1 , . . . , xn ) = fxn (x1 , . . . , xn ) + λ φxn (x1 , . . . , xn )

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Tenemos la siguiente condición de primer orden:

Teorema
Si (λ0 , x10 , . . . , xn0 ) es un punto crítico de la función de Lagrange
L = f + λ φ entonces se presenta una de las alternativas siguientes:
1 (x 0 , . . . , x 0 ) es un máximo relativo de f sujeto a la restricción
1 n
φ = 0.
2 (x 0 , . . . , x 0 ) es un mínimo relativo de f sujeto a la restricción
1 n
φ = 0.
3 (x 0 , . . . , x 0 ) es un punto silla.
1 n

Para clasicar los puntos críticos obtenidos, necesitamos algunos

conceptos.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Tenemos la siguiente condición de primer orden:

Teorema
Si (λ0 , x10 , . . . , xn0 ) es un punto crítico de la función de Lagrange
L = f + λ φ entonces se presenta una de las alternativas siguientes:
1 (x 0 , . . . , x 0 ) es un máximo relativo de f sujeto a la restricción
1 n
φ = 0.
2 (x 0 , . . . , x 0 ) es un mínimo relativo de f sujeto a la restricción
1 n
φ = 0.
3 (x 0 , . . . , x 0 ) es un punto silla.
1 n

Para clasicar los puntos críticos obtenidos, necesitamos algunos

conceptos.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Denición
El Hessiano Orlado asociado a f y a φ , se dene como

0
 
φx1 φx2 ··· φxn

 φx1 Lx1 x1 Lx1 x2 ··· Lx1 xn 

∆n+1 = det 
 φx2 Lx2 x1 Lx2 x2 ··· Lx2 xn 
.. .. .. ..

. . . .
 
 
φxn Lxn x1 Lxn x2 ··· Lxn xn

Denimos también

0
 
φx1 φx2
∆3 = det  φx1 Lx1 x1 Lx1 x2 
φx2 Lx2 x1 Lx2 x2

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Denición
El Hessiano Orlado asociado a f y a φ , se dene como

0
 
φx1 φx2 ··· φxn

 φx1 Lx1 x1 Lx1 x2 ··· Lx1 xn 

∆n+1 = det 
 φx2 Lx2 x1 Lx2 x2 ··· Lx2 xn 
.. .. .. ..

. . . .
 
 
φxn Lxn x1 Lxn x2 ··· Lxn xn

Denimos también

0
 
φx1 φx2
∆3 = det  φx1 Lx1 x1 Lx1 x2 
φx2 Lx2 x1 Lx2 x2

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

0
 
φx1 φx2 φx3
 φx1 Lx1 x1 Lx1 x2 Lx1 x3 
∆4 = det  
 φx2 Lx2 x1 Lx2 x2 Lx2 x3 
φx3 Lx3 x1 Lx3 x2 Lx3 x3

Análogamente se denen ∆5 , . . . , ∆n .
Observación:
En general ∆3 , ∆4 , . . . , ∆n+1 dependen de λ , x1 , . . . , xn .
La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

0
 
φx1 φx2 φx3
 φx1 Lx1 x1 Lx1 x2 Lx1 x3 
∆4 = det  
 φx2 Lx2 x1 Lx2 x2 Lx2 x3 
φx3 Lx3 x1 Lx3 x2 Lx3 x3

Análogamente se denen ∆5 , . . . , ∆n .
Observación:
En general ∆3 , ∆4 , . . . , ∆n+1 dependen de λ , x1 , . . . , xn .
La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

0
 
φx1 φx2 φx3
 φx1 Lx1 x1 Lx1 x2 Lx1 x3 
∆4 = det  
 φx2 Lx2 x1 Lx2 x2 Lx2 x3 
φx3 Lx3 x1 Lx3 x2 Lx3 x3

Análogamente se denen ∆5 , . . . , ∆n .
Observación:
En general ∆3 , ∆4 , . . . , ∆n+1 dependen de λ , x1 , . . . , xn .
La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Teorema
Si (λ0 , x10 , . . . , xn0 ) es un punto crítico de la función de Lagrange
L = f + λ φ . Con las notaciones anteriores, tenemos:
1 Si ∆3 (λ0 , x 0 , . . . , x 0 ) > 0, ∆4 (λ0 , x 0 , . . . , x 0 ) < 0, . . . ,
1 n 1 n
(−1)n ∆n+1 (λ0 , x10 , . . . , xn0 ) > 0 entonces (x10 , . . . , xn0 ) es un
máximo relativo de f sujeto a la restricción φ = 0.
2 Si ∆3 (λ0 , x 0 , . . . , x 0 ) < 0, ∆4 (λ0 , x 0 , . . . , x 0 ) < 0, . . . ,
1 n 1 n
∆n+1 (x10 , . . . , xn0 ) < 0 entonces (λ0 , x10 , . . . , xn0 ) es un mínimo
relativo de f sujeto a la restricción φ = 0.

Observación:
Con cualquier otra combinación de signos, o la presencia de algún
cero, el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Teorema
Si (λ0 , x10 , . . . , xn0 ) es un punto crítico de la función de Lagrange
L = f + λ φ . Con las notaciones anteriores, tenemos:
1 Si ∆3 (λ0 , x 0 , . . . , x 0 ) > 0, ∆4 (λ0 , x 0 , . . . , x 0 ) < 0, . . . ,
1 n 1 n
(−1)n ∆n+1 (λ0 , x10 , . . . , xn0 ) > 0 entonces (x10 , . . . , xn0 ) es un
máximo relativo de f sujeto a la restricción φ = 0.
2 Si ∆3 (λ0 , x 0 , . . . , x 0 ) < 0, ∆4 (λ0 , x 0 , . . . , x 0 ) < 0, . . . ,
1 n 1 n
∆n+1 (x10 , . . . , xn0 ) < 0 entonces (λ0 , x10 , . . . , xn0 ) es un mínimo
relativo de f sujeto a la restricción φ = 0.

Observación:
Con cualquier otra combinación de signos, o la presencia de algún
cero, el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Conviene destacar los dos siguientes casos:

Función objetivo de tres variables y una sola restricción.
Denotando (λ0 , P0 ) = (λ0 , x10 , x20 , x30 ) tenemos la siguiente tabla
resumen:
∆3 (λ0 , P0 ) ∆4 (λ0 , P0 ) P0
+ - máximo
- - mínimo

Función objetivo de cuatro variables y una sola restricción.

Denotando (λ0 , P0 ) = (λ0 , x10 , x20 , x30 , x40 ) tenemos la siguiente tabla
resumen:
∆3 (λ0 , P0 ) ∆4 (λ0 , P0 ) ∆5 (λ0 , P0 ) P0
+ - + máximo
- - - mínimo

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Conviene destacar los dos siguientes casos:

Función objetivo de tres variables y una sola restricción.
Denotando (λ0 , P0 ) = (λ0 , x10 , x20 , x30 ) tenemos la siguiente tabla
resumen:
∆3 (λ0 , P0 ) ∆4 (λ0 , P0 ) P0
+ - máximo
- - mínimo

Función objetivo de cuatro variables y una sola restricción.

Denotando (λ0 , P0 ) = (λ0 , x10 , x20 , x30 , x40 ) tenemos la siguiente tabla
resumen:
∆3 (λ0 , P0 ) ∆4 (λ0 , P0 ) ∆5 (λ0 , P0 ) P0
+ - + máximo
- - - mínimo

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Ejemplo 3.
Determine (si es que existen) los máximos y mínimos de la función
f (x, y , z) = x sujeto a la restricción x 2 + y 2 + z 2 = 1

Solución: Paso 1: Determinación del Lagrangeano:

L(λ , x, y , z) = x + λ (x 2 + y 2 + z 2 − 1)

Paso 2: Determinación de los PC del Lagrangeano:

Lλ = x2 + y2 + z2 − 1 = 0 (8)
Lx = 1 + 2λ x = 0 (9)
Ly = 2λ y = 0 (10)
Lz = 2λ z = 0 (11)

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

De (9) y (10): y = 0.
De (9) y (11): z = 0.
Reemplazando estos dos últimos resultados en (8): x 2 = 1, luego
x = ±1.
En (9): Si x = 1 entonces λ = −1/2 y si x = −1 entonces λ = 1/2.
Luego los PC de L son (−1/2, 1, 0, 0) y (1/2, −1, 0, 0).
Paso 3: Clasicación del PC: El Hessiano orlado es
 
Lλ λ Lλ x Lλ y Lλ z
 Lxλ Lxx Lxy Lxz 
∆4 (λ , x, y , z) = det 
 Ly λ

Lyx Lyy Lyz 
Lzλ Lzx Lzy Lzz
0 2x 2y 2z
 
 2x 2λ 0 0 
= det 
 2y 0 2λ 0 


2z 0 0 2λ

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y una sola restricción

Trabajemos con el PC (−1/2, 1, 0, 0):

0 2 0 0
 
 2 −1 0 0 
∆4 (−1/2, 1, 0, 0) = det 
 0 0 −1 0 


0 0 0 −1
2 0 0
 

= −2 det 0 −1 0 

0 0 −1
= −4 < 0
y
0 2 0
 

∆3 (−1/2, 1, 0, 0) = det  2 −1 0  = 4 > 0

0 0 −1
Concluímos que (1, 0, 0) es un máximo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos con el PC (−1/2, 1, 0, 0):

0 2 0 0
 
 2 −1 0 0 
∆4 (−1/2, 1, 0, 0) = det 
 0 0 −1 0 


0 0 0 −1
2 0 0
 

= −2 det 0 −1 0 

0 0 −1
= −4 < 0
y
0 2 0
 

∆3 (−1/2, 1, 0, 0) = det  2 −1 0  = 4 > 0

0 0 −1
Concluímos que (1, 0, 0) es un máximo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos con el PC (−1/2, 1, 0, 0):

0 2 0 0
 
 2 −1 0 0 
∆4 (−1/2, 1, 0, 0) = det 
 0 0 −1 0 


0 0 0 −1
2 0 0
 

= −2 det 0 −1 0 

0 0 −1
= −4 < 0
y
0 2 0
 

∆3 (−1/2, 1, 0, 0) = det  2 −1 0  = 4 > 0

0 0 −1
Concluímos que (1, 0, 0) es un máximo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos con el PC (−1/2, 1, 0, 0):

0 2 0 0
 
 2 −1 0 0 
∆4 (−1/2, 1, 0, 0) = det 
 0 0 −1 0 


0 0 0 −1
2 0 0
 

= −2 det 0 −1 0 

0 0 −1
= −4 < 0
y
0 2 0
 

∆3 (−1/2, 1, 0, 0) = det  2 −1 0  = 4 > 0

0 0 −1
Concluímos que (1, 0, 0) es un máximo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos con el PC (−1/2, 1, 0, 0):

0 2 0 0
 
 2 −1 0 0 
∆4 (−1/2, 1, 0, 0) = det 
 0 0 −1 0 


0 0 0 −1
2 0 0
 

= −2 det 0 −1 0 

0 0 −1
= −4 < 0
y
0 2 0
 

∆3 (−1/2, 1, 0, 0) = det  2 −1 0  = 4 > 0

0 0 −1
Concluímos que (1, 0, 0) es un máximo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos ahora con el otro PC (1/2, −1, 0, 0):

0 −2 0 0
 
 −2 1 0 0 
∆4 (1/2, −1, 0, 0) = det 
 0 0 1 0 


0 0 0 1
−2 0 0
 

= −(−2) det  0 1 0 
0 0 1
= −4 < 0
y
0 −2 0
 

∆3 (1/2, −1, 0, 0) = det  −2 1 0  = −4 < 0

0 0 1
Concluímos que (−1, 0, 0) es un mínimo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos ahora con el otro PC (1/2, −1, 0, 0):

0 −2 0 0
 
 −2 1 0 0 
∆4 (1/2, −1, 0, 0) = det 
 0 0 1 0 


0 0 0 1
−2 0 0
 

= −(−2) det  0 1 0 
0 0 1
= −4 < 0
y
0 −2 0
 

∆3 (1/2, −1, 0, 0) = det  −2 1 0  = −4 < 0

0 0 1
Concluímos que (−1, 0, 0) es un mínimo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos ahora con el otro PC (1/2, −1, 0, 0):

0 −2 0 0
 
 −2 1 0 0 
∆4 (1/2, −1, 0, 0) = det 
 0 0 1 0 


0 0 0 1
−2 0 0
 

= −(−2) det  0 1 0 
0 0 1
= −4 < 0
y
0 −2 0
 

∆3 (1/2, −1, 0, 0) = det  −2 1 0  = −4 < 0

0 0 1
Concluímos que (−1, 0, 0) es un mínimo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos ahora con el otro PC (1/2, −1, 0, 0):

0 −2 0 0
 
 −2 1 0 0 
∆4 (1/2, −1, 0, 0) = det 
 0 0 1 0 


0 0 0 1
−2 0 0
 

= −(−2) det  0 1 0 
0 0 1
= −4 < 0
y
0 −2 0
 

∆3 (1/2, −1, 0, 0) = det  −2 1 0  = −4 < 0

0 0 1
Concluímos que (−1, 0, 0) es un mínimo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y una sola restricción

Trabajemos ahora con el otro PC (1/2, −1, 0, 0):

0 −2 0 0
 
 −2 1 0 0 
∆4 (1/2, −1, 0, 0) = det 
 0 0 1 0 


0 0 0 1
−2 0 0
 

= −(−2) det  0 1 0 
0 0 1
= −4 < 0
y
0 −2 0
 

∆3 (1/2, −1, 0, 0) = det  −2 1 0  = −4 < 0

0 0 1
Concluímos que (−1, 0, 0) es un mínimo de f sujeto a la restricción
x 2 + y 2 + z 2 = 1.
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo pero ahora sujeta a m

restricciones:
 φ1 (x1 , x2 , . . . , xn ) = 0

 φ2 (x1 , x2 , . . . , xn ) = 0

.. ..

. .


 φm (x1 , x2 , . . . , xn ) = 0


Como antes, f , φ1 , . . . , φn son funciones suaves.

En esta situación, la función de Lagrange (asociada a f , φ1 , . . . ,
φn ) se dene como:
m
L(λ1 , . . . , λm , x1 , . . . , xn ) = f (x1 , . . . , xn ) + ∑ λj φj (x1 , . . . , xn )
j=1

En donde λ1 , . . . , λm son constantes reales llamadas multiplicadores

de Lagrange.
Los puntos críticos de L son las soluciones simultáneas del sistema:
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo pero ahora sujeta a m

restricciones:
 φ1 (x1 , x2 , . . . , xn ) = 0

 φ2 (x1 , x2 , . . . , xn ) = 0

.. ..

. .


 φm (x1 , x2 , . . . , xn ) = 0


Como antes, f , φ1 , . . . , φn son funciones suaves.

En esta situación, la función de Lagrange (asociada a f , φ1 , . . . ,
φn ) se dene como:
m
L(λ1 , . . . , λm , x1 , . . . , xn ) = f (x1 , . . . , xn ) + ∑ λj φj (x1 , . . . , xn )
j=1

En donde λ1 , . . . , λm son constantes reales llamadas multiplicadores

de Lagrange.
Los puntos críticos de L son las soluciones simultáneas del sistema:
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo pero ahora sujeta a m

restricciones:
 φ1 (x1 , x2 , . . . , xn ) = 0

 φ2 (x1 , x2 , . . . , xn ) = 0

.. ..

. .


 φm (x1 , x2 , . . . , xn ) = 0


Como antes, f , φ1 , . . . , φn son funciones suaves.

En esta situación, la función de Lagrange (asociada a f , φ1 , . . . ,
φn ) se dene como:
m
L(λ1 , . . . , λm , x1 , . . . , xn ) = f (x1 , . . . , xn ) + ∑ λj φj (x1 , . . . , xn )
j=1

En donde λ1 , . . . , λm son constantes reales llamadas multiplicadores

de Lagrange.
Los puntos críticos de L son las soluciones simultáneas del sistema:
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo pero ahora sujeta a m

restricciones:
 φ1 (x1 , x2 , . . . , xn ) = 0

 φ2 (x1 , x2 , . . . , xn ) = 0

.. ..

. .


 φm (x1 , x2 , . . . , xn ) = 0


Como antes, f , φ1 , . . . , φn son funciones suaves.

En esta situación, la función de Lagrange (asociada a f , φ1 , . . . ,
φn ) se dene como:
m
L(λ1 , . . . , λm , x1 , . . . , xn ) = f (x1 , . . . , xn ) + ∑ λj φj (x1 , . . . , xn )
j=1

En donde λ1 , . . . , λm son constantes reales llamadas multiplicadores

de Lagrange.
Los puntos críticos de L son las soluciones simultáneas del sistema:
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

Sea y = f (x1 , x2 , . . . , xn ) la función objetivo pero ahora sujeta a m

restricciones:
 φ1 (x1 , x2 , . . . , xn ) = 0

 φ2 (x1 , x2 , . . . , xn ) = 0

.. ..

. .


 φm (x1 , x2 , . . . , xn ) = 0


Como antes, f , φ1 , . . . , φn son funciones suaves.

En esta situación, la función de Lagrange (asociada a f , φ1 , . . . ,
φn ) se dene como:
m
L(λ1 , . . . , λm , x1 , . . . , xn ) = f (x1 , . . . , xn ) + ∑ λj φj (x1 , . . . , xn )
j=1

En donde λ1 , . . . , λm son constantes reales llamadas multiplicadores

de Lagrange.
Los puntos críticos de L son las soluciones simultáneas del sistema:
Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange
Objetivo de n variables y m restricciones

0 = Lλ1 = φ1 (x1 , . . . , xn )


.. .. ..

. . .


0 = Lλm = φm (x1 , . . . , xn )


m

∂ φj
0 = Lx1

 = fx1 (x1 , . . . , xn ) + ∑ λj (x1 , . . . , xn )

 j=1 ∂ x1
 .. .. ..

 . . .
 m
∂ φj
0 = Lxn = fxn (x1 , x2 , . . . , xn ) + ∑ λj (x1 , . . . , xn )


 j=1 ∂ xm

Observe que los puntos críticos son de la forma

(λ10 , . . . , λm0 , x10 , . . . , xn0 ) los cuales, por simplicidad, serán denotados
(λ0 , x0 ) (en donde λ0 = (λ10 , . . . , λm0 ) y x0 = (x10 , . . . , xn0 )).

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

0 = Lλ1 = φ1 (x1 , . . . , xn )


.. .. ..

. . .


0 = Lλm = φm (x1 , . . . , xn )


m

∂ φj
0 = Lx1

 = fx1 (x1 , . . . , xn ) + ∑ λj (x1 , . . . , xn )

 j=1 ∂ x1
 .. .. ..

 . . .
 m
∂ φj
0 = Lxn = fxn (x1 , x2 , . . . , xn ) + ∑ λj (x1 , . . . , xn )


 j=1 ∂ xm

Observe que los puntos críticos son de la forma

(λ10 , . . . , λm0 , x10 , . . . , xn0 ) los cuales, por simplicidad, serán denotados
(λ0 , x0 ) (en donde λ0 = (λ10 , . . . , λm0 ) y x0 = (x10 , . . . , xn0 )).

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Tenemos la siguiente condición de primer orden:

Teorema
Si (λ0 , x0 ) es un punto crítico de la función de Lagrange
L = f + λ1 φ1 + · · · + λm φm entonces se presenta una de las
alternativas siguientes:
1 x0 es un máximo relativo de f sujeto a las restricciones φ1 = 0,

. . . , φm = 0.
2 x0 es un mínimo relativo de f sujeto a las restricciones φ1 = 0,

. . . , φm = 0.
3 x0 es un punto silla.

Para clasicar los puntos críticos obtenidos, necesitamos algunos

conceptos.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Tenemos la siguiente condición de primer orden:

Teorema
Si (λ0 , x0 ) es un punto crítico de la función de Lagrange
L = f + λ1 φ1 + · · · + λm φm entonces se presenta una de las
alternativas siguientes:
1 x0 es un máximo relativo de f sujeto a las restricciones φ1 = 0,

. . . , φm = 0.
2 x0 es un mínimo relativo de f sujeto a las restricciones φ1 = 0,

. . . , φm = 0.
3 x0 es un punto silla.

Para clasicar los puntos críticos obtenidos, necesitamos algunos

conceptos.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Denición:
El Hessiano Orlado asociado a f y a las restricciones φ1 = 0, . . . ,
φm = 0, se dene como

0 0 ∂ φ1 ∂ φ1
 
··· ∂ x1 ··· ∂ xn
 .. .. .. ..
 . . . .


 
 0 ··· 0 ∂ φm
··· ∂ φm 
∆m+n (λ , x) = det  ∂ φ1 ∂ x1 ∂ xn
 (λ , x)
 
∂ φm
 ∂x
 1 ··· ∂ x1 Lx1 x1 ··· Lx1 xn 
 .. .. .. ..

 . . . .


∂ φ1 ∂ φm
∂ xn ··· ∂ xn Lxn x1 ··· Lxn xn

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Denimos también
 
0 ··· 0 ∂ φ1
∂ x1
∂ φ1
∂ x2
 . .. ..
 .

 . . . 

∆m+2 (λ , x) = det  0 ··· 0 ∂ φ1 ∂ φ1
 (λ , x)
 
 ∂ x1 ∂ x2 
 ∂ φ1 ··· ∂ φm
Lx1 x1 Lx1 x2 
 ∂ x1 ∂ x1 
∂ φ1 ∂ φm
∂ x1 ··· ∂ x1 Lx2 x1 Lx2 x2

De manera análoga ∆m+3 , . . . ,∆m+n−1 .

La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Denimos también
 
0 ··· 0 ∂ φ1
∂ x1
∂ φ1
∂ x2
 . .. ..
 .

 . . . 

∆m+2 (λ , x) = det  0 ··· 0 ∂ φ1 ∂ φ1
 (λ , x)
 
 ∂ x1 ∂ x2 
 ∂ φ1 ··· ∂ φm
Lx1 x1 Lx1 x2 
 ∂ x1 ∂ x1 
∂ φ1 ∂ φm
∂ x1 ··· ∂ x1 Lx2 x1 Lx2 x2

De manera análoga ∆m+3 , . . . ,∆m+n−1 .

La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Denimos también
 
0 ··· 0 ∂ φ1
∂ x1
∂ φ1
∂ x2
 . .. ..
 .

 . . . 

∆m+2 (λ , x) = det  0 ··· 0 ∂ φ1 ∂ φ1
 (λ , x)
 
 ∂ x1 ∂ x2 
 ∂ φ1 ··· ∂ φm
Lx1 x1 Lx1 x2 
 ∂ x1 ∂ x1 
∂ φ1 ∂ φm
∂ x1 ··· ∂ x1 Lx2 x1 Lx2 x2

De manera análoga ∆m+3 , . . . ,∆m+n−1 .

La condición de segundo orden para problemas de optimización de
varias variables con una sola restricción, viene dada por el siguiente
teorema.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Teorema
Si (λ0 , x0 ) es un punto crítico de la función de Lagrange
L = f + λ1 φ1 + · · · + λm φm . Con las notaciones anteriores, tenemos:
1 Si (−1)m+1 ∆m+2 (λ0 , x0 ) > 0, (−1)m+1 ∆m+3 (λ0 , x0 ) < 0,

(−1)m+1 ∆m+4 (λ0 , x0 ) > 0 . . . , entonces x0 es un máximo

relativo de f sujeto a las restricciones φ1 = 0, . . . φm = 0.
2 Si (−1)m+1 ∆m+2 (λ0 , x0 ) < 0, (−1)m+1 ∆m+3 (λ0 , x0 ) < 0, . . . ,

(−1)m+1 ∆m+n (λ0 , x0 ) < 0 entonces x0 es un mínimo relativo

de f sujeto a las restricciones φ1 = 0, . . . φm = 0.

Observación:
Con cualquier otra combinación de signos, o la presencia de algún
cero, el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Teorema
Si (λ0 , x0 ) es un punto crítico de la función de Lagrange
L = f + λ1 φ1 + · · · + λm φm . Con las notaciones anteriores, tenemos:
1 Si (−1)m+1 ∆m+2 (λ0 , x0 ) > 0, (−1)m+1 ∆m+3 (λ0 , x0 ) < 0,

(−1)m+1 ∆m+4 (λ0 , x0 ) > 0 . . . , entonces x0 es un máximo

relativo de f sujeto a las restricciones φ1 = 0, . . . φm = 0.
2 Si (−1)m+1 ∆m+2 (λ0 , x0 ) < 0, (−1)m+1 ∆m+3 (λ0 , x0 ) < 0, . . . ,

(−1)m+1 ∆m+n (λ0 , x0 ) < 0 entonces x0 es un mínimo relativo

de f sujeto a las restricciones φ1 = 0, . . . φm = 0.

Observación:
Con cualquier otra combinación de signos, o la presencia de algún
cero, el criterio no da información.

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Presentamos tablas resumen para los casos más frecuentes:

Funciones de dos variables y dos restricciones (n = 2 y
m = 2). Denotando (λ0 , P0 ) = (λ10 , λ20 , x10 , x20 ) tenemos:

∆4 (λ0 , P0 ) P0
- máximo
+ mínimo

Funciones de tres variables y dos restricciones (n = 3 y

m = 2). Denotando (λ0 , P0 ) = (λ10 , λ20 , x10 , x20 , x30 ) tenemos:

∆4 (λ0 , P0 ) ∆5 (λ0 , P0 ) P0
- + máximo
+ + mínimo

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Presentamos tablas resumen para los casos más frecuentes:

Funciones de dos variables y dos restricciones (n = 2 y
m = 2). Denotando (λ0 , P0 ) = (λ10 , λ20 , x10 , x20 ) tenemos:

∆4 (λ0 , P0 ) P0
- máximo
+ mínimo

Funciones de tres variables y dos restricciones (n = 3 y

m = 2). Denotando (λ0 , P0 ) = (λ10 , λ20 , x10 , x20 , x30 ) tenemos:

∆4 (λ0 , P0 ) ∆5 (λ0 , P0 ) P0
- + máximo
+ + mínimo

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Objetivo de n variables y m restricciones

Funciones de cuatro variables y dos restricciones (n = 4 y

m = 2). Denotando (λ0 , P0 ) = (λ10 , λ20 , x10 , x20 , x30 , x40 ) tenemos:

∆4 (λ0 , P0 ) ∆5 (λ0 , P0 ) ∆6 (λ0 , P0 ) P0

- + - máximo
+ + + mínimo

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange

Bibliografía

Para profundizar los temas tratados en esta lección, recomendamos

los siguientes libros:
Chiang, Alpha y Wainwright, Kevin. (2006). Métodos
Fundamentales de Economía Matemática, McGraw Hill.
Arya, J. (2009) Matemática aplicada a la administración y a la
economía. (5a ed.) México D.F.:Pearson Educación.
Larson, R. Hostetler, R. & Edwards, B. (2010) Cálculo
esencial. México D.F. Cengage Learning Editores.
Haeussler, E., Paul, R. & Wood, R. (2008). Matemáticas para
la administración y economía (12a ed.). México D.F.: Pearson
Education

Economía Matemática Aplicada I Optimización Restringida: El método de Lagrange