Calculadora de Multiplicadores de Lagrange

Resolva problemas de otimização com restrições usando pontos candidatos, equações de gradiente e um gráfico de curvas de nível.

Os resultados são calculados automaticamente conforme você informa os dados.

Fórmula e interpretação
Resultado Informe uma função objetivo e uma restrição para resolver.

▼ Veja explicações e dicas abaixo ▼

Calculadoras relacionadas

O que é otimização com restrições?

Otimização com restrições é o processo de encontrar o maior ou o menor valor de uma função seguindo uma ou mais regras. A função que está sendo otimizada é chamada de função objetivo. A regra que limita as possíveis entradas é chamada de restrição.

Na otimização comum, você pode perguntar onde uma função \(f(x,y)\) é maior ou menor em todos os valores possíveis de \(x\) e \(y\). Na otimização com restrições, a pergunta é mais específica: onde \(f(x,y)\) é maior ou menor apenas entre os pontos que satisfazem uma equação como \(g(x,y)=c\)?

Essa diferença é importante porque muitos problemas reais têm limites. Um projeto pode exigir um volume fixo, um orçamento pode ser fixo, um ponto pode precisar permanecer em uma curva ou duas variáveis podem ter de satisfazer uma relação. Os multiplicadores de Lagrange permitem localizar possíveis máximos e mínimos sem primeiro isolar uma variável na restrição.

Para funções de duas variáveis com uma restrição de igualdade, a ideia principal é geométrica: em um ótimo com restrição e suave, uma curva de nível da função objetivo toca a curva de restrição. Nesse ponto, as duas curvas são tangentes e seus vetores gradiente são paralelos.

Por que os multiplicadores de Lagrange são importantes

Os multiplicadores de Lagrange são úteis porque transformam um problema de otimização com restrições em um sistema de equações. Em vez de tentar adivinhar pontos em uma curva, você monta equações que descrevem onde um ótimo pode ocorrer.

Isso é especialmente útil no cálculo multivariável, pois as restrições frequentemente descrevem curvas ou superfícies. Por exemplo, você pode querer:

  • Maximizar uma função em uma elipse.
  • Encontrar o ponto de uma curva mais próximo de um ponto dado.
  • Otimizar um projeto mantendo uma área, um volume ou um comprimento fixo.
  • Comparar valores candidatos quando é possível haver mais de um ponto viável.
  • Visualizar como os contornos da função objetivo interagem com as curvas de restrição.

O método não prova automaticamente que um candidato é o máximo ou o mínimo absoluto em todas as situações. Ele fornece candidatos que ainda precisam ser verificados, comparados e interpretados no contexto da restrição e do domínio.

Principais termos

  • Função objetivo: A função que será maximizada ou minimizada, geralmente escrita como \(f(x,y)\).
  • Restrição: Uma regra que as variáveis devem satisfazer, como \(g(x,y)=c\).
  • Ponto viável: Um ponto que satisfaz a equação de restrição.
  • Curva de nível ou contorno: Uma curva na qual uma função tem valor constante, como \(f(x,y)=k\).
  • Gradiente: Um vetor de derivadas parciais. Para \(f(x,y)\), o gradiente é \(\nabla f = \langle f_x, f_y \rangle\).
  • Multiplicador de Lagrange: Um escalar, geralmente escrito como \(\lambda\), que relaciona o gradiente da função objetivo ao gradiente da restrição.
  • Ponto candidato: Um ponto encontrado pelas equações que pode ser um máximo, um mínimo com restrição ou nenhum dos dois.
  • Resíduo: Uma medida numérica de quão precisamente um ponto calculado satisfaz as equações resolvidas.
  • Diferença finita: Uma forma numérica de estimar uma derivada a partir de valores próximos da função.
  • Método de Newton: Um método numérico iterativo para resolver equações aprimorando uma estimativa inicial.

Como funcionam os multiplicadores de Lagrange

Para uma restrição de igualdade em duas variáveis, a formulação padrão é:

$$ \nabla f(x,y) = \lambda \nabla g(x,y) $$

com a restrição:

$$ g(x,y)=c $$

Na forma por componentes, isso significa:

$$ \frac{\partial f}{\partial x}=\lambda \frac{\partial g}{\partial x} $$
$$ \frac{\partial f}{\partial y}=\lambda \frac{\partial g}{\partial y} $$
$$ g(x,y)=c $$

Em que:

  • \(f(x,y)\) é a função objetivo.
  • \(g(x,y)=c\) é a restrição de igualdade.
  • \(\nabla f\) é o gradiente da função objetivo.
  • \(\nabla g\) é o gradiente da função de restrição.
  • \(\lambda\) é o multiplicador de Lagrange.

O motivo pelo qual isso funciona está nas curvas de nível. O gradiente de uma função é perpendicular às suas curvas de nível. Em um ótimo com restrição, o contorno da função objetivo é tangente à curva de restrição. Se duas curvas suaves são tangentes, suas direções perpendiculares são paralelas; portanto, os gradientes devem apontar na mesma direção ou em direções opostas. O multiplicador \(\lambda\) expressa essa relação de paralelismo.

Depois de resolver as equações, você calcula \(f(x,y)\) em cada ponto candidato detectado. Os menores e maiores valores exibidos são comparações dentro desse conjunto detectado, não provas automáticas de extremos globais.

O que muda com duas restrições?

Com duas restrições de igualdade em duas variáveis, os pontos viáveis geralmente são interseções de duas curvas:

$$ g(x,y)=c $$
$$ h(x,y)=d $$

Nesse caso, a tarefa prática é encontrar pontos que satisfaçam as duas equações e depois comparar \(f(x,y)\) nesses pontos viáveis. Se as duas restrições se intersectarem em vários pontos, talvez seja necessário testar cada interseção. Se elas não se intersectarem na região selecionada, pode não haver nenhum candidato viável para comparar.

Como funciona a comparação numérica de candidatos

Em cálculos manuais, os estudantes geralmente calculam derivadas parciais simbólicas e resolvem equações exatas. Uma calculadora numérica funciona de outra forma. Ela procura, dentro de uma região quadrada escolhida, pontos que satisfazem as equações relevantes, estima as derivadas numericamente e compara os valores da função objetivo nos candidatos detectados.

Por exemplo, uma estimativa por diferença finita central da derivada parcial em relação a \(x\) tem a forma:

$$ \frac{\partial f}{\partial x}(x,y) \approx \frac{f(x+\Delta,y)-f(x-\Delta,y)}{2\Delta} $$

Uma fórmula semelhante estima a derivada parcial em relação a \(y\):

$$ \frac{\partial f}{\partial y}(x,y) \approx \frac{f(x,y+\Delta)-f(x,y-\Delta)}{2\Delta} $$

Essas fórmulas podem ser muito úteis, mas são aproximações. Elas funcionam melhor quando a função é suave perto do ponto testado. Cantos pontiagudos, descontinuidades, valores indefinidos ou um comportamento de derivada muito plano podem tornar o resultado numérico menos confiável.

A calculadora usa uma busca adaptativa ciente da escala. Ela amostra grades progressivamente mais refinadas, adiciona pontos iniciais onde os contornos das restrições atravessam células da grade, estima valores iniciais úteis para os multiplicadores e refina numericamente cada candidato. Equações equivalentes multiplicadas por uma constante não nula muito grande ou muito pequena são normalizadas antes do teste de convergência.

A busca adaptativa pode encontrar significativamente mais ramificações do que uma única grade fixa, mas ainda não é uma prova formal de que todos os pontos possíveis foram encontrados. Um resultado estabilizado significa que duas passagens consecutivas da busca produziram o mesmo conjunto de candidatos. Um resultado limitado numericamente significa que a busca mudou até sua passagem final, portanto a lista exibida pode estar incompleta.

Exemplos práticos de multiplicadores de Lagrange

Exemplo 1: Uma função objetivo linear em uma elipse

Suponha que você queira otimizar:

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

sujeita à elipse:

$$ \frac{x^2}{4}+y^2=1 $$

Seja:

$$ g(x,y)=\frac{x^2}{4}+y^2 $$

Os gradientes são:

$$ \nabla f=\langle 1,2\rangle $$
$$ \nabla g=\left\langle \frac{x}{2},2y \right\rangle $$

Defina \(\nabla f=\lambda \nabla g\):

$$ 1=\lambda \frac{x}{2} $$
$$ 2=2\lambda y $$

A partir dessas equações:

$$ x=\frac{2}{\lambda}, \qquad y=\frac{1}{\lambda} $$

Substitua na restrição:

$$ \frac{\left(\frac{2}{\lambda}\right)^2}{4}+\left(\frac{1}{\lambda}\right)^2=1 $$
$$ \frac{1}{\lambda^2}+\frac{1}{\lambda^2}=1 $$
$$ \lambda^2=2 $$

Portanto, \(\lambda=\sqrt{2}\) ou \(\lambda=-\sqrt{2}\). Os pontos candidatos são:

$$ \left(\sqrt{2},\frac{1}{\sqrt{2}}\right) $$

e

$$ \left(-\sqrt{2},-\frac{1}{\sqrt{2}}\right) $$

Calcule \(f\) nos dois pontos:

$$ f\left(\sqrt{2},\frac{1}{\sqrt{2}}\right)=\sqrt{2}+\frac{2}{\sqrt{2}}=2\sqrt{2} $$
$$ f\left(-\sqrt{2},-\frac{1}{\sqrt{2}}\right)=-\sqrt{2}-\frac{2}{\sqrt{2}}=-2\sqrt{2} $$

O maior valor é \(2\sqrt{2}\) e o menor valor é \(-2\sqrt{2}\).

Exemplo 2: Duas restrições em duas variáveis

Agora suponha:

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

com duas restrições:

$$ x^2+y^2=2 $$
$$ x-y=0 $$

A segunda restrição diz \(x=y\). Substitua \(y=x\) na primeira restrição:

$$ x^2+x^2=2 $$
$$ 2x^2=2 $$
$$ x^2=1 $$

Portanto, \(x=1\) ou \(x=-1\). Como \(y=x\), os pontos viáveis são:

$$ (1,1) \quad \text{and} \quad (-1,-1) $$

Calcule a função objetivo:

$$ f(1,1)=1^2+1^2=2 $$
$$ f(-1,-1)=(-1)^2+(-1)^2=2 $$

Os dois pontos viáveis produzem o mesmo valor da função objetivo. Isso é um lembrete útil de que um problema com restrições pode ter empates, candidatos simétricos ou vários pontos com o mesmo resultado.

Exemplo 3: Por que os limites da busca são importantes

Usando o exemplo acima com duas restrições, os pontos viáveis são \((1,1)\) e \((-1,-1)\). Se a caixa de busca selecionada for apenas \(0 \le x \le 2\) e \(0 \le y \le 2\), então \((-1,-1)\) estará fora da região pesquisada.

Nesse caso, uma busca numérica pode informar apenas \((1,1)\). Isso não significa que \((-1,-1)\) seja matematicamente impossível. Significa apenas que o ponto estava fora dos limites selecionados. Ampliar a caixa de busca para incluir coordenadas negativas permite considerar os dois pontos viáveis.

Como interpretar o resultado

O resultado principal compara os pontos candidatos de menor e maior valor detectados dentro da caixa de busca fechada selecionada. “Detectado” significa que o ponto passou pelas verificações numéricas normalizadas e está dentro dos limites selecionados; isso não significa que o resultado seja uma prova simbólica de um máximo ou mínimo global em todos os pontos.

A tabela de candidatos fornece mais detalhes:

  • No modo com uma restrição, a tabela mostra as coordenadas do candidato, o valor da função objetivo \(f\) e o multiplicador de Lagrange \(\lambda\).
  • No modo com duas restrições, a tabela mostra as coordenadas do candidato, o valor da função objetivo \(f\) e um resíduo do solucionador em vez de \(\lambda\).
  • A contagem de candidatos informa quantos pontos candidatos únicos foram detectados na região selecionada.
  • Um único candidato pode ser útil, mas fornece um conjunto pequeno para comparação.
  • Vários candidatos frequentemente indicam ramificações, simetria ou várias interseções viáveis.
  • Para um ponto regular com uma restrição, a classificação usa a segunda derivada da Lagrangiana ao longo da tangente à restrição. Pontos singulares ou numericamente planos são marcados como inconclusivos.

Se o solucionador detectar restrições dependentes ou um conjunto estacionário não isolado, ele interromperá o processo com um diagnóstico de sistema degenerado, em vez de exibir amostras arbitrárias como uma lista completa de candidatos. Um ponto viável isolado com gradiente da restrição igual a zero ainda pode ser exibido, mas sua classificação local será inconclusiva.

A visualização de contornos é um guia para a geometria. Os contornos da função objetivo mostram onde \(f(x,y)\) tem valores semelhantes, as curvas de restrição mostram as equações viáveis e os marcadores de candidatos mostram os pontos detectados. Vetores gradiente opcionais podem ajudar a ilustrar a ideia de gradientes paralelos em problemas com uma restrição.

Os valores numéricos são arredondados para exibição. Valores muito pequenos podem aparecer como \(0\), e valores não nulos muito grandes ou muito pequenos podem aparecer em notação exponencial. Use o resultado exibido como uma aproximação, a menos que você tenha verificado de forma independente uma solução simbólica exata.

Erros comuns e equívocos

Um erro comum é tratar todo candidato exibido como uma resposta exata. Os métodos numéricos estimam derivadas e resolvem equações de forma aproximada. Em trabalhos de casa, provas ou trabalhos formais, talvez ainda seja necessário mostrar as derivadas simbólicas, a álgebra exata e uma justificativa de que o ponto escolhido é realmente um máximo ou mínimo.

Outro erro comum é usar uma caixa de busca estreita demais. Se um candidato importante estiver fora dos limites mínimo e máximo selecionados, ele não poderá ser encontrado nessa busca. Escolha limites amplos o suficiente para incluir todas as partes relevantes da curva de restrição.

A forma de inserir as expressões também é importante. A multiplicação explícita, como \(2*x\), é a notação mais clara; produtos implícitos compatíveis, como \(2x\), também são aceitos. Use apenas as variáveis \(x\) e \(y\). Use ponto decimal, e não vírgula decimal, para constantes numéricas e limites.

Também é fácil confundir restrições de igualdade com restrições de desigualdade. Uma restrição como \(x^2+y^2=1\) descreve uma curva. Uma restrição como \(x^2+y^2 \le 1\) descreve uma região preenchida. Esses são problemas de otimização diferentes, e as restrições de desigualdade exigem verificações adicionais na fronteira e no interior.

Por fim, não ignore a suavidade. A condição do multiplicador de Lagrange é baseada em gradientes. Se uma função tiver um canto, salto, ponto indefinido ou outro comportamento não suave, a condição usual baseada em gradientes pode deixar passar comportamentos importantes ou se tornar pouco confiável.

Quando usar os multiplicadores de Lagrange

Use multiplicadores de Lagrange quando você tiver uma função objetivo suave e uma ou mais restrições de igualdade. Em problemas de duas variáveis, isso geralmente significa otimizar \(f(x,y)\) ao longo de uma curva, como uma reta, um círculo, uma elipse ou outra curva de nível.

Essa abordagem é especialmente útil quando:

  • É mais fácil manter a restrição como uma equação do que isolar uma variável.
  • Você quer comparar possíveis máximos e mínimos com restrições.
  • Você está estudando curvas de nível, gradientes e tangência.
  • Você precisa de uma forma numérica de explorar pontos candidatos antes de fazer um trabalho exato.
  • Você quer visualizar como uma função objetivo interage com uma ou duas restrições de igualdade.

Para conjuntos viáveis fechados e limitados, comparar todos os candidatos relevantes pode ajudar a identificar extremos absolutos. Para regiões de busca abertas, ilimitadas ou incompletas, é necessário um raciocínio adicional.

Limitações e pontos importantes

Os multiplicadores de Lagrange identificam pontos candidatos sob hipóteses de suavidade e regularidade. Se \(\nabla g=\mathbf{0}\) em um ponto viável, ou se a restrição não for suave nesse ponto, a condição padrão pode não se aplicar adequadamente. Esses pontos podem exigir uma análise separada.

Para resultados numéricos, tenha estas limitações em mente:

  • Apenas as variáveis \(x\) e \(y\) são compatíveis.
  • Apenas restrições de igualdade são compatíveis.
  • A região de busca é o quadrado \([\text{min},\text{max}] \times [\text{min},\text{max}]\).
  • O modo com uma restrição usa a equação do multiplicador de Lagrange \(\nabla f=\lambda \nabla g\) com \(g(x,y)=c\).
  • O modo com duas restrições encontra interseções viáveis de \(g(x,y)=c\) e \(h(x,y)=d\) na caixa de busca selecionada e compara \(f\) nesses pontos.
  • O método usa diferenças finitas adaptativas, passos de Newton amortecidos e normalizados e sementes determinísticas progressivamente refinadas, não derivadas simbólicas.
  • A estabilização da busca é apenas uma evidência numérica; funções que oscilam rapidamente ainda podem conter candidatos não resolvidos.
  • Restrições dependentes e conjuntos estacionários não isolados são diagnosticados, em vez de serem amostrados como se fossem listas finitas de candidatos.
  • Um ponto fora dos limites fechados de busca selecionados não será incluído. Pequenas representações de ponto flutuante de uma extremidade são ajustadas de volta para essa extremidade antes do relatório.
  • Comportamentos não suaves, descontínuos, indefinidos, infinitos ou com valores complexos podem tornar o resultado pouco confiável.
  • Não há suporte para mais de duas restrições nem para restrições de desigualdade.
  • O arredondamento pode ocultar diferenças muito pequenas entre candidatos.

Para decisões acadêmicas, de engenharia, financeiras, científicas ou relacionadas à segurança, verifique o resultado com um cálculo exato, outro método numérico ou um profissional qualificado, conforme apropriado.

Como usar esta calculadora

  1. Insira a função objetivo \(f(x,y)\).
  2. Insira a primeira função de restrição \(g(x,y)\) e a constante \(c\) para \(g(x,y)=c\).
  3. Defina os limites mínimo e máximo da caixa de busca quadrada \(x\)/\(y\).
  4. Use multiplicação explícita, como \(2*x\), e use ponto decimal para números decimais.
  5. Se desejar, ative a segunda restrição e insira \(h(x,y)\) e \(d\) para \(h(x,y)=d\).
  6. Se desejar, mostre vetores gradiente para visualizar a relação entre os gradientes perto do melhor candidato detectado.
  7. Revise o resultado principal, a contagem de candidatos, as classificações locais, os resíduos normalizados, o diagnóstico da busca e a visualização de contornos.
  8. Baixe o gráfico como PNG quando houver uma visualização disponível.

Os nomes de expressões compatíveis incluem funções comuns como \(\sin\), \(\cos\), \(\tan\), \(\sqrt{\phantom{x}}\), \(\log\), \(\exp\), \(\min\), \(\max\), \(\text{abs}\) e constantes como \(\pi\) e \(e\) por meio dos nomes aceitos pela interface. Variáveis diferentes de \(x\) e \(y\) não fazem parte do cálculo.

Perguntas frequentes

O que significa o multiplicador de Lagrange \(\lambda\)?

Em um problema com uma restrição, \(\lambda\) é o escalar que torna o gradiente da função objetivo paralelo ao gradiente da restrição. Ele faz parte do sistema usado para localizar pontos candidatos. Nesta calculadora, \(\lambda\) é exibido no modo com uma restrição, enquanto o modo com duas restrições informa um resíduo do solucionador.

Por que a calculadora compara candidatos em vez de fornecer uma resposta imediatamente?

As equações de Lagrange podem produzir mais de um ponto candidato. Um ponto pode ser um máximo, um mínimo ou nenhum dos dois, portanto a função objetivo deve ser calculada em cada candidato. É a etapa de comparação que identifica os menores e maiores valores detectados da função objetivo.

Os resultados são exatos?

Os valores exibidos são aproximações numéricas. A calculadora estima gradientes por diferenças finitas e resolve sistemas numericamente, portanto os resultados podem ser afetados por arredondamento, limites de busca, funções não suaves e pelo comportamento do solucionador. Para obter respostas exatas, verifique o resultado com cálculo simbólico quando possível.

Por que nenhum candidato pode aparecer?

Pode não haver nenhum ponto viável dentro da caixa de busca selecionada, as expressões podem produzir valores não finitos ou a busca numérica adaptativa pode não ter resolvido um candidato. “Nenhum candidato detectado” não prova que o conjunto viável esteja vazio. Verifique as expressões, amplie os limites e confira a restrição de forma independente.

Esta calculadora lida com restrições de desigualdade?

Não. Restrições de desigualdade como \(g(x,y) \le c\) exigem uma análise diferente, pois o ótimo pode ocorrer no interior, na fronteira ou em pontos especiais semelhantes a cantos. Esta calculadora foi projetada para restrições de igualdade.

Por que o modo com segunda restrição não exibe \(\lambda\)?

Com duas restrições de igualdade em duas variáveis, a calculadora se concentra em encontrar as interseções viáveis das duas curvas de restrição e comparar \(f\) nesses pontos. Como nesse modo ela resolve diretamente as equações de interseção, a tabela informa dados do resíduo em vez de um multiplicador de Lagrange.

Fontes e referências

Livros e livros didáticos abertos

  1. Gilbert Strang e Edwin “Jed” Herman. Calculus Volume 3. OpenStax, 2016. Seção 4.8, “Lagrange Multipliers”. https://openstax.org/books/calculus-volume-3/pages/4-8-lagrange-multipliers
  2. Steve Schlicker, Mitchel T. Keller e Nicholas Long. Active Calculus - Multivariable. Seção 10.8, “Constrained Optimization: Lagrange Multipliers”. Edição da Runestone Academy, acessada em 29 de junho de 2026. https://runestone.academy/ns/books/published/acmulti/S-10-8-Lagrange-Multipliers.html
  3. Qingkai Kong, Timmy Siauw e Alexandre Bayen. Python Programming and Numerical Methods: A Guide for Engineers and Scientists. 1ª edição, Academic Press/Elsevier, 2020. Capítulos 19 e 20 sobre localização de raízes pelo método de Newton-Raphson e aproximações de derivadas por diferenças finitas. https://pythonnumericalmethods.studentorg.berkeley.edu/notebooks/chapter19.04-Newton-Raphson-Method.html e https://pythonnumericalmethods.studentorg.berkeley.edu/notebooks/chapter20.02-Finite-Difference-Approximating-Derivatives.html