OPTIMIZACION

OPTIMIZACIN

Optimizacin es el proceso de hallar el mximo o mnimo relativo de

una funcin, generalmente sin la ayuda de grficos.

Conceptos claves
A continuacin se describir brevemente algunos conceptos
necesarios para comprender apropiadamente el tema de optimizacin.

Funciones crecientes y decrecientes

Se dice que una funcin f(x) es creciente (decreciente) en x=a, si en la
vecindad inmediata del punto [a,f(a)] el grfico de la funcin crece (cae) al
moverse de izquierda a derecha. Puesto que la primera derivada mide la
tasa de cambio y la pendiente de una funcin, una primera derivada
positiva en x=a indica que la funcin es creciente a; una primera
derivada negativa indica que es decreciente.

Grfico 1

Funcin creciente en Funcin decreciente

x=a en x = a
(Pendiente >0) (Pendiente <0)

y y

x x
a a

f(a) > 0: funcin creciente en x = a

f(a) < 0: funcin decreciente en x= a

Concavidad y convexidad
Una funcin f (x) es cncava en x = a, si en alguna pequea regin
cercana al punto [a, f(a)] el grfico de la funcin se ubica completamente
debajo de su lnea tangente. Una funcin es convexa en x = a, si en un
rea cercana a [a, f(a)] el grfico esta complemente arriba de su lnea
tangente. Una segunda derivada positiva en x = a
denota que la funcin es convexa en x = a. Anlogamente, una segunda
derivada
negativa en x = a denota que la funcin es cncava en a.

Grfico 2

Convexo en x=a
f(a) > 0 f(a) > 0 f(a) < 0 f(a) > 0
y
y

x x

a a

Cncavo en x=a
f(a) > 0 f(a) < 0 f(a) < 0 f(a) < 0

y
y

x x
a a

f(a) > 0: f(x) es convexo en x = a

f(a) < 0: f(x) es cncavo en x = a

Extremo relativo
Un extremo relativo es un punto en el cual una funcin esta a un mximo
o mnimo. Para ello, la funcin debe estar en un punto en el cual no esta
creciendo ni decreciendo, y por ende, su primera derivada debe ser igual
a cero o indefinida. Un punto en el dominio de una funcin donde la
derivada iguala a cero o es indefinida es llamado punto o valor critico.
 Grfico 3

Mnimo relativo en x=a Mximo relativo en x=a

f(a) = 0 f(a) > 0 f(a) = 0 f(a) < 0

y y

x
x

a
a

Puntos de inflexin
Un punto de inflexin es un punto en el grafico donde la funcin cruza
su lnea tangente y cambia de cncavo a convexo y viceversa. Los puntos
de inflexin pueden ocurrir solo donde la segunda derivada iguala a cero o
es indefinida. Es decir, f(a)=0.

Grfico 4 f

(a)=0
f(a) = 0 f(a) = 0 f(a) < 0 f(a) > 0
y y y y

a x a x x x
a a

f(a) = Nd

f(a) > 0 f(a) < 0 f(a) = 0

y y y

x x x
Optimizacin sin restriccin

Funciones objetivo de una variable

Sea la funcin: y = f(x), los pasos o condiciones para obtener el (los)
mximo(s) o mnimo(s) relativo(s) sern:

1. Identificar los puntos crticos. Tomar la primera derivada e dy

igualarla a 0, 0
dx
2. Tomar la segunda derivada, evaluar los puntos crticos, y revisar los
signos. Esta
condicin es llamada condicin suficiente. Si un punto critico es a,
entonces:

f(a) < 0, la funcin es cncava en a, por ende un mximo relativo

f(a) > 0, la funcin es convexa en a, por ende un mnimo relativo
f(a) = 0, el test es inconcluso y es necesario realizar el test de las
derivadas sucesivas:

- Si el primer valor diferente de cero de una derivada de orden

superior, cuando se evala un punto critico es una derivada de
grado impar (tercer, quinto, etc.) la funcin es un punto de
inflexin.

- Si el primer valor diferente de cero de una derivada de orden

superior, cuando es evaluado en un punto crtico es una
derivada de grado par, entonces la funcin es un extremo
relativo en a. Si esta derivada tiene valor negativo entonces
la funcin es cncava en a (y por ende, es un mximo
relativo). Caso contrario, la funcin es convexa y presenta un
mnimo relativo en a.

Ejercicio : Obtener el extremo relativo de la siguiente funcin:

f(x) = -7x2 + 126x - 23

Solucin.
Calculando la primera derivada e igualndola a 0:

f(x)=-14x + 126 = 0 x = 9 (valor critico)

 Tomando la segunda derivada y evaluando el valor critico:

f(x) = -14, entonces f(9) = -14 < 0 es cncavo, mximo relativo.

Funciones objetivo de dos variables

Para que una funcin como z = f (x,y) tenga un mnimo o mximo
relativo, tres condiciones deben ser satisfechas:

1. Las derivadas parciales de primer orden deben simultneamente ser

iguales a cero. Ello indica que en un punto dado (a,b) llamado punto
critico, la funcin no esta creciendo ni decreciendo con respecto a los
ejes principales sino a una superficie relativa.

2. Las derivadas parciales de segundo orden deben ser negativas cuando

ellas son
evaluadas en el punto critico (a,b) para un mximo relativo y
positivas para un mnimo relativo. Ello asegura que la funcin es
cncava y movindose hacia abajo en relacin a los ejes principales en
el caso de un mximo relativo y la funcin es convexo y movindose
hacia arriba en relacin a los ejes principales en el caso de un mnimo
relativo.

3. El producto de las derivadas parciales de segundo orden evaluadas en

el punto crtico deben exceder el producto de las derivadas parciales
cruzadas tambin evaluadas en dicho punto. Esta condicin adicional
es necesaria para evitar un punto de inflexin o punto de silla (ver
grfico 4-6). En resumen:

Condicin Mxi Mnim

necesaria
Primer orden fxmo
= fy o fy
fx =
Segundo orden* fxx , fyy < =
0 0y fxx , fyy > fxx , fyy > =
0 0y fxx , fyy <
(fxyde
Nota: las derivadas parciales )2 segundo orden son evaluadas
(fxyen
)2 el punto critico (a,b) o
los puntos
crticos que hubieren.

En la situacin que fxx fyy < (fxy)2, cuando fxx y fyy tienen el mismo signo,
la funcin esta en un punto de inflexin. Caso contrario, la funcin estar
en un punto de silla. Si fxx fyy = (fxy)2 entonces se requerira mayor
informacin.

Grfico 6

Mnimo Mximo
 z z

x
y
y
x
 Punto de Silla

Optimizacin con restriccin

Funciones con igualdades

Se plantea un nuevo problema, el de optimizar una funcin sujeta a una
restriccin de igualdad

Maximizar f (x1, x2)

Sujeto a g(x1, x2) = k (una constante),

Para encontrar la solucin a este nuevo tipo de problema, se debe formar

una nueva funcin F que debe ser formada por (1) estableciendo la
restriccin igual a cero, (2)
multiplicndolo (el multiplicador de Lagrange) y (3) sumando el
por producto a la
funcin original:

F(x1, x2, ) = f(x1, x2) + [ k - g(x1, x2)]

Aqu, F(x1, x2, ) es llamada la funcin Lagrangiana, f(x1, x2) es la funcin

objetivo u original, y g(x1, x2) es la restriccin. Puesto que la restriccin es
siempre igual a cero, el producto [ k - g(x1, x2)] tambin es igual a cero y
la suma de tal trmino no cambia el
valor de la funcin objetivo. Los valores crticos x0, (para los cuales la

y0 y 0 funcin

es optimizada) son obtenidos tomando las derivadas parciales de F (con

respecto a
cada una de las tres variables independientes) e igualndolas a cero.
Es decir, simultneamente:

F1(x1, x2, ) = 0 F2(x1, x2, ) = 0 F

(x1, x2, ) = 0
Donde F1 expresa una derivada parcial F/ x1
Ejemplo: Considere el siguiente problema con tres variables de decisin
(x, y, z), donde la ecuacin G(.) = c (es una constante) y
determina un conjunto de restricciones para (x, y, z), en el espacio,
el cul es una superficie y lo denotaremos por SG. El problema es
determinar el valor ms grande de la funcin V (x1, y, z ) para puntos
(x, y, z) sobre la superficie SG.

Maximizar V ( x, y, z )
Sujeto a G ( x, y, z ) = c (1)

Solucin:
Paso 1: formar el lagrangiano.

L = V (x, y, z ) [G (x, y, z ) c] (2)

Paso 2: Por las condiciones de primer orden tomar las derivadas
parciales.

Lx = Ly = Lz = 0 (3)

Paso 3: La solucin a este problema es mostrado en la grfico (4-7)

por el punto P* = ( x*, y*, z* ) sobre la superficie SG donde la funcin
objetivo V (x1, y, z ) consigue ser mximo. Considere tambin que el
volumen V (.) pasa por P* y es tangente a la superficie de restriccin SG.

Grfico V V(x ,y ,z )
(4-7)
x

P z

SG

Ejercicio : Considerar el siguiente ejemplo:

Maximizar 2x 3y + z
Sujeto a x2 + y2 + z2
=9

Solucin.
Paso 1: formamos el lagrangiano para este problema

L = 2x 3y + z - (x2 + y2 + z2 -

9) Paso 2: Por las condiciones necesarias de primer orden

 L (1)
= 2 - 2 x = 0
x
L
= -3 - 2 y = 0 (2)
y
L
= 1 - 2 z = 0 (3)
z
L (4)
= - x2 - y2 - z2 + 9

Paso 3: Resolver el sistema de ecuaciones:

De la ecuacin (1) y (2)

2 - 2 x = 0 = 1/x -3 - 2 y = 0 =

-3/2y Igualando se obtiene: y = - 3x/2 (en

funcin de x) (a) De la ecuacin (1) y (3)

2 - 2 x = 0 = 1/x 1 - 2 z = 0 =

1/2z Igualando se obtiene: z = x/2 (en funcin de x)

(b) Luego reemplazamos (a) y (b) en la restriccin

2 x 3 2 7
2 2
x
x 0
3x

2 2

Resulta en dos soluciones:

x1 = 3 2 7 = 1.6 y1 = -9 / 14 = z1 = 3 / 14 =

x2 = 3 2 7 = -2.41
y2 = 9 / 14 = 2.41 z-0.8
2 = -3 / 14 =

-1.6 -0.8

Notamos sin embargo que:

V (x1, y1, z1)= 42/ 14 = 11.22

V (x2, y2, z2)= -42/ 14 = -11.22
Por lo tanto, el punto mximo es ( x1, y1, z1 ) y el punto mnimo es ( x2,
y2, z2 ). El
problema y la solucin son retratados en la siguiente grfico (4-8).

z Grfico 8

11

V* 11.22 2x 3y z

3 y
x 2 2 z2 9

4 y
3

3 (x1,y1,z1 ) (1.6,2.4,0.8)

Ejercicio : Considere una economa de recurso basada en que cada

obreros (L)
puede optar por cosechar rboles madereros (T) o pescar (F). Suponga que
la economa exporta tanta madera como peces y se enfrentan a precios
mundiales constantes significados PT y PF respectivamente. La siguiente
curva de transformacin son combinaciones tcnicamente eficientes de
madera, peces y trabajo

G( T, F, L ) = T2 + F2 / 4 L = 0

Suponga que PT = $ 500 / TM, PF = $ 1000 / TM y L = 1700 es el nmero de

las horas disponibles asignados entre cosechar rboles madereros o pescar.
Resolver el problema de optimizacin esttico que trata de maximizar el
valor de la cosecha sujeto a la funcin de transformacin.
Solucin.
Paso1: Formamos el problema de maximizacin.

Maximizar V = 500T +
1000F Sujeto a T2 + F2 /
4 = 1700

Paso 2: Formamos el lagrangiano.

L = 500T +1000F - ( T2 + F2 / 4 - 1700 )

Paso 3: Por las condiciones de primer orden

L (1)
= 500 2 T = 0
T
L
= 1000 0.5 F = 0 (2)
F
L (3)
= -T2 + F2 / 4 - 1700

Paso 4: Resolvemos el sistema de ecuaciones

-De la ecuacin (1)

500 2 T = 0 = 250/T (a)

-De la ecuacin (2)

1000 2 F = 0 = 2000/F (b)

- Igualamos (a) y (b) y obtenemos F en

(c)
funcin de T.

250 F = 8T

2000

T F

8T
2
Luego reemplazamos (c) en la restriccin (3).
2
T
1700 4
 Las soluciones son:

T = 10 F = 80 = 25

Por lo tanto, la economa debe asignar la fuerza de trabajo disponible para

producir 10 toneladas mtricas de madera y 80 toneladas mtricas de
peces. El valor marginal (precio sombra) de una unidad adicional de trabajo
es $25/horas.

Hessiano Orlado
Ahora, para determinar si los valores crticos corresponden a un mximo o
mnimo, es necesario utilizar el criterio del Hessiano Orlado. Este tipo de
hessiano se aplica para el caso de optimizacin de funciones con
restricciones. En general, cuando la funcin objetivo toma la forma de F = F
( x1, x2,. Xn) sujeta a g( x1, x2,. Xn) = k, el Hessiano Orlado ser de la
forma siguiente:

0 g1 g2
0 g1 g2 ... H2 F1 F12
gn g1 1
g1 F11 F1 ... g2 F21 F22
2
F1n
H g F2 F2 ... F2n 0 g1 g2 g3
2

1 2
... ... ... ... .. H F1 F1 F13
.
g1 1 2

gn Fn1 Fn ... g2 F21 F22 F23
2
3
Fnn
g3 F31 F3 F33
2

Condici Mximo Mnimo

n
necesari
Primer F = F1 = .. = Fn
F

= F1 = F2 = .. = Fn = 0
orden
Segundo ; H=
H2 0 4 0 ;..; (1)n
;H
0 H 2 , H
3 ,...,
Hn
3 0
orden Hn 0 0

Ejercicio : Optimizar la funcin sujeto a una restriccin.

CAPITULO 4: 10
OPTIMIZACIN 0
 Maximizar z = 4x2 + 3xy
+ 6y2 Sujeto a x+y=
56

Solucin.
Paso 1: Formar el lagrangiano, pero primero establecemos la restriccin
igual a cero, sustrayendo las variables de la constante:

CAPITULO 4: 10
OPTIMIZACIN 0
 56 x y

Multiplicar esta diferencia y sumar el producto de ambos a la funcin

por objetivo a
fin de formar la funcin Lagrangiana Z.

Z = 4x2 + 3xy + 6y2 + ( 56 x y )

Paso 2: Calcular las derivadas parciales de primer orden, igualarlas

a cero y resolverlas simultneamente.

Zx = 8x + 3y - =
0 Zy = 3x + 12y -
= 0

= 56 x y
Z

Paso 3: Resolviendo las derivadas parciales se obtiene

x = 36 y = 20 = 348

Luego substituyendo tales valores crticos en la funcin objetivo

Z = 4 (36)2 + 3 (36)(20) + 6(20)2 + (348)( 56 - 36 - 20 )

Z = 9744

Paso 4: Ahora es necesario corroborar si el punto critico obtenido es mximo

o mnimo local. Para ello, se formular el Hessiano Orlado y luego se
proceder a analizar los test respectivos.

El Hessiano Orlado requiere derivadas de segundo orden:

Zxx = 8 Zyy = 12 Zxy =

3 Ordenando estos valores apropiadamente en el Hessiano Orlado:

0 1 1
H 1 8 3 y calculando su
1 3 1 determinante
2

CAPITULO 4: 10
OPTIMIZACIN 1
 H H 0(1)2 8 1(1)
3
1
1(1)
4
1
14
8
3 3
2
3 12 1 12 1 3

As el punto (36, 20) es un mnimo relativo.

Funciones con desigualdades

Algunos problemas econmicos requieren condiciones de desigualdades, por
ejemplo cuando se desea maximizar la utilidad sujeta a gastar no ms que
x soles o minimizar costos sujeto a producir no menos que x unidades de
produccin. En estos casos se utiliza la programacin cncava (llamada
as porque tanto la funcin objetivo como la restriccin son funciones
asumidas cncavas) es una forma de programacin no lineal diseada para
optimizar funciones sujetas a restricciones de desigualdad.

Las funciones convexas no son excluidas ya que el negativo de una funcin

convexa es una funcin cncava. Normalmente, el problema de
optimizacin se establece en el formato de problema de maximizacin, no
obstante, la programacin cncava puede adems minimizar una funcin
mediante la maximizacin del negativo de la funcin convexa.

Dado un problema de maximizacin sujeto a una restriccin de

desigualdad con la siguiente funcin objetivo cncava diferenciable,

Maximizar f ( x1, x2 )
Sujeto a g ( x1, x2 ) siendo x1, x2

0 As, la funcin Lagrangiana correspondiente ser:

F( x1, x2, ) = f( x1, x2) + g( x1, x2)

Las condiciones suficientes y necesarias de primer orden para la

maximizacin, llamadas condiciones de Kuhn-Tucker son:

F F
f (x , x ) g (x , x ) g(x , x )
0 0
i i 2 i 1 2
x 0
x
i 0
 Fi F
x 0
i
0
x i

Donde las condiciones en (c) son llamadas condiciones complementarias,

significando
que tanto x como f '(x) no pueden ser -simultneamente- cero. Puesto
que una funcin lineal es cncava y convexa, aunque no estrictamente
cncava o estrictamente convexa.

En las condiciones de Kuhn-Tucker la restriccin es siempre expresada

como ms grande o igual que cero. Esto significa que a diferencia de las
restricciones de igualdad que son establecidas igual a cero, el orden de la
sustraccin es importante en programacin cncava.

Para el mximo en F, una solucin interior (Figura a)

f(x) = 0 y x>

0 Para el mximo en G, una solucin de frontera

(Figura b)

f(x) = 0 y x=0

Para el mximo en H o J, ambas soluciones de frontera (Figura c)

f(x) < 0 y x=0

Todas las posibilidades para un mximo en el primer cuadrante pueden ser

resumidas como:

f(x) 0 x0 y x f(x) = 0

Los cuales son reconocibles como parte de las condiciones de Kuhn-

Tucker. Notar que tales condiciones automticamente excluyen un punto
como K en (a) el cual no es un mximo, porque f(K) > 0. Cabe mencionar
que la expresin x f(x) = 0 significa que al menos una de las dos
cantidades debe tomar el valor cero.
 Grfico 4-9

Condicin (a) Condicin (b) Condicin (c)

F G H

K f(x)

J
f(x)
f(x)
f(x)
x x x

El problema entonces se reduce a probar las 8 diferentes posibilidades:

x> y> x> y>

0 0 0 0 0 0
x= y> x= y>
0 0 0 0
0
x> y= 0
x> y=
0 0 0 0
0
x> y= 0
x= y=
0 0 0 0
0 0
Normalmente, las posibilidades encerradas en el recuadro son las ms
comunes. Por
ello, es sugerible que sean las primeras en ser probadas.