Multiplicadores de Lagrange

Multiplicadores de Lagrange

En los problemas de optimización, el método de los multiplicadores de Lagrange, llamados así en honor a Joseph Louis Lagrange, es un procedimiento para encontrar los máximos y mínimos de funciones de varias variables sujetas a restricciones. Este método reduce el problema restringido con n variables a uno sin restricciones de n + k variables, donde k es igual al número de restricciones, y cuyas ecuaciones pueden ser resueltas más fácilmente. Estas nuevas variables escalares desconocidas, una para cada restricción, son llamadas multiplicadores de Lagrange. El método dice que los puntos donde la función tiene un extremo condicionado con k restricciones, están entre los puntos estacionarios de una nueva función sin restricciones construida como una combinación lineal de la función y las funciones implicadas en las restricciones, cuyos coeficientes son los multiplicadores.

La demostración usa derivadas parciales y la regla de la cadena para funciones de varias variables. Se trata de extraer una función implícita de las restricciones, y encontrar las condiciones para que las derivadas parciales con respecto a las variables independientes de la función sean iguales a cero.

Contenido

Introducción

Consideremos un caso bidimensional. Supongamos que tenemos la función, f (x, y), y queremos maximizarla, estando sujeta a la condición:

g(x,y) = c,

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

f(x,y) = dn

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 g serán distintas, y la curva g = c por lo general intersecará y cruzará muchos contornos de f. En general, moviéndose a través de la línea g=c podemos incrementar o disminuir el valor de f. Solo cuando g=c, el contorno que estamos siguiendo toca tangencialmente, pero no lo corta, una curva de nivel de f no incrementamos o disminuimos el valor de f. Esto ocurre en el extremo local restringido y los puntos de inflexión restringidos de f.

Un ejemplo familiar puede ser obtenido de los mapas climatológicos, con sus curvas de nivel de presión y temperatura (isóbaras e isotermas respectivamente): el extremo restringido ocurrirá donde los mapas superpuestos muestren curvas que se tocan.

Geométricamente traducimos la condición de tangencia diciendo que los gradientes de f y g son vectores paralelos en el máximo. Introduciendo un nuevo escalar, λ, resolvemos

\nabla[f(x, y) - λ (g(x, y) − c)] = 0

para λ ≠ 0.

Una vez determinados los valores de λ, volvemos al número original de variables y así continuamos encontrando el extremo de la nueva ecuación no restringida.

F(x,y) = f(x,y) − λ(g(x,y) − c)

de forma tradicional. Eso es, F(x,y) = f(x,y) para todo (x, y) satisfaciendo la condición porque g(x,y) − c es igual a cero en la restricción, pero los ceros de \nablaF(x, y) están todos en g(x,y) = c.

El método de los multiplicadores de Lagrange

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

h(\mathbf x, \mathbf \lambda) = f - \sum_{k=1}^s \lambda_k g_k

Se procede a buscar un extremo para h

\frac{\partial h}{\partial x_i} = 0,

lo que es equivalente a

\frac{\partial f}{\partial x_i} = \sum_k^s \lambda_k \frac{\partial g_k}{\partial x_i}.


Los multiplicadores desconocidos λk 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 método de multiplicadores de Lagrange es generalizado por las condiciones de Karush-Kuhn-Tucker.

Ejemplos

Ejemplo #1

Supongamos que queremos encontrar la distribución probabilística discreta con máxima entropía. Entonces

f(p_1,p_2,\ldots,p_n) = -\sum_{k=1}^n p_k\log_2 p_k.
g(p_1,p_2,\ldots,p_n)=\sum_{k=1}^n p_k=1.

Podemos usar los multiplicadores de Lagrange para encontrar el punto de máxima entropía (dependiendo de las probabilidades). Para todo k desde 1 hasta n, necesitamos

\frac{\partial}{\partial p_k}(f+\lambda (g-1))=0,

lo que nos da

\frac{\partial}{\partial p_k}\left(-\sum_{k=1}^n p_k \log_2 p_k + \lambda\sum_{k=1}^n p_k - \lambda\right) = 0.

Derivando estas n ecuaciones, obtenemos

-\left(\frac{1}{\ln 2}+\log_2 p_k \right) + \lambda = 0.

Esto muestra que todo pi es igual (debido a que depende solamente de λ). Usando la restricción ∑k pk = 1, encontramos

p_k = \frac{1}{n}.

Esta (la distribución uniforme discreta) es la distribución con la mayor entropía.

Ejemplo #2

Determinar los puntos en la esfera x2 + y2 + z2 = 4 que están más cercanos al punto (3,1, − 1)

la distancia al punto (3,1, − 1):

d=\sqrt{(x-3)^{2}+(y-1)^{2}+(z+1)^{2}}

para hacer mas secilla la operación se maximiza o minimiza el cuadrado de la distancia:

d2 = f(x,y,z) = (x − 3)2 + (y − 1)2 + (z + 1)2


la restricción: g(x,y,z) = x2 + y2 + z2 = 4

De acuerdo con el método de los multiplicadores de Lagrange, se resuelven las ecuaciones "  \bigtriangledown f = \lambda\bigtriangledown g " y "g = 4" y el resultado es:

                          (1) 2(x − 3) = 2xλ
                          (2) 2(y − 1) = 2yλ
                          (3) 2(z + 1) = 2zλ
                          (4) x2 + y2 + z2 = 4

la manera mas sencilla de resolver estas ecuaciones es dejar x,y,z en función de λ y luego sustituimos en la ecuación (4).

de la ecuación (1) obtenemos  x=\frac{3}{1-\lambda} se observa que λ ≠ 1 por que si λ = 1 no se puede realizar la operación.

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

 y=\frac{1}{1-\lambda}  z=-\frac{1}{1-\lambda}

sustituyendo en la ecuación (4)

 \frac{3}{1-\lambda}^{2}+\frac{1}{1-\lambda}^{2}-\frac{1}{1-\lambda}^{2}=4

el valor de \lambda = 1_{-}^{+}\frac{\sqrt{11}}{2}

entonces los puntos (x,y,z) son :

(\frac{6}{\sqrt{11}},\frac{2}{\sqrt{11}},-\frac{2}{\sqrt{11}}) y (-\frac{6}{\sqrt{11}},-\frac{2}{\sqrt{11}},\frac{2}{\sqrt{11}})

se puede observar que el punto mas cercano entonces es (\frac{6}{\sqrt{11}},\frac{2}{\sqrt{11}},-\frac{2}{\sqrt{11}})

Ejemplo #3

f(x,y,z) = yz + xy

Restricciones:
xy = 1

y2 + z2 = 1

Aplicar el método:
  \underset{\bigtriangledown}{\rightarrow} f=(y,z+x,y)

  \underset{\bigtriangledown}{\rightarrow} g=(y,x,0)

  \underset{\bigtriangledown}{\rightarrow} h=(0,2y,2z)

y = λy

z + x = xλ + 2μy

y = 2μz

xy = 1

y2 + x2 = 1

x\neq 0

y\neq 0

λ = 1

z + x = x + 2μy

z = 2μy

y = 4μ2y

y = z

2y2 = 1

y=\sqrt{1/2}

z=\sqrt{1/2}

x=\sqrt{2}

Enlaces externos


Wikimedia foundation. 2010.

Игры ⚽ Поможем сделать НИР

Mira otros diccionarios:

  • Lagrange — Saltar a navegación, búsqueda Lagrange puede referirse a: Joseph Louis de Lagrange, matemático y físico italiano; Joseph Lagrange, militar francés de la época de las Guerras Napoleónicas; Marie Joseph Lagrange, fundador y primer director de la… …   Wikipedia Español

  • Lagrange (desambiguación) — Lagrange puede referirse a: Contenido 1 Apellido 1.1 Personajes 2 Matemática y física 3 Divisiones administrativas …   Wikipedia Español

  • Joseph-Louis de Lagrange — Para otros usos de este término, véase Lagrange (desambiguación). Este artículo o sección necesita referencias que aparezcan en una publicación acreditada, como revistas especializadas, monografías, prensa diaria o páginas de Internet fidedignas …   Wikipedia Español

  • Equilibrio químico — Saltar a navegación, búsqueda En un proceso químico, el equilibrio químico es el estado en el que las actividades químicas o las concentraciones de los reactivos y los productos no tienen ningún cambio neto en el tiempo. Normalmente, este sería… …   Wikipedia Español

  • Wikipedia:Filtro de ediciones/Portal/Archivo/Reporte de falsos positivos/Actual — Reportes de falsos positivos Esta sección del portal pretende ser de utilidad para informar a un bibliotecario respecto a un filtro de ediciones que está dando un «falso positivo». Para crear una nueva solicitud, por favor, haz clic …   Wikipedia Español

  • Microeconomía — El modelo de oferta y demanda describe como varían los precios según el balance entre disponibilidad del producto a diferentes precios (oferta) y los deseos de aquellos con poder adquisitivo según el precio (demanda). La gráfica muestra un… …   Wikipedia Español

  • JPEG 2000 — Demostración de arriba hacia abajo de la compresión JPEG 2000. Los números indican la relación de compresión utilizada. JPEG 2000 es un estándar de compresión y codificación digital de imágenes. Fue creado por el Joint Photographic Experts Group… …   Wikipedia Español

  • Análisis numérico — El análisis numérico o cálculo numérico es la rama de las matemáticas que se encarga de diseñar algoritmos para, a través de números y reglas matemáticas simples, simular procesos matemáticos más complejos aplicados a procesos del mundo real. El… …   Wikipedia Español

  • Condiciones de Karush-Kuhn-Tucker — En matemáticas, Las condiciones de Karush Kuhn Tucker (también conocidas como las condiciones KKT o Kuhn Tucker) son condiciones necesarias y suficientes para que la solución de una programación no lineal séa óptima. Es una generalización del… …   Wikipedia Español

  • Extremos de una función — Extremos de una función. En matemáticas, los máximos y mínimos de una función, conocidos colectivamente como extremos de una función, son los valores más grandes (máximos) o más pequeños (mínimos), que toma una función en un punto situado ya sea… …   Wikipedia Español

Compartir el artículo y extractos

Link directo
Do a right-click on the link above
and select “Copy Link”