Tema3 Optimización

Extremos absolutos y relativos de una función de 2 variables
Clasificación de puntos crı́ticos en el caso n = 2

Extremos condicionados. Método de los multiplicadores de Lagrange
TEMA 3: Optimización de funciones
Matemáticas
Grado en Administración y Dirección de Empresas

Grado en Estadı́stica Empresarial
Curso 2020-2021
Prof. Marı́a Victoria Herranz
Ma Victoria Herranz Matemáticas. TEMA 3

1 Extremos absolutos y relativos de una función de 2 variables

Conjuntos cerrados, acotados y compactos
Máximos y mı́nimos absolutos
Máximos y mı́nimos relativos
Condición necesaria de extremo local
2 Clasificación de puntos crı́ticos en el caso n = 2

Criterio del Hessiano
3 Extremos condicionados. Método de los multiplicadores de Lagrange

Método de los multiplicadores de Lagrange en dos variables
Método de las curvas de nivel
Condiciones suficientes de segundo orden

Índice




Distancia euclı́dea
La norma del vector ~x = (x1 , x2 ) se define como

q
||~x || = x12 + x22
Definición
La distancia euclı́dea entre dos vectores ~x = (x1 , x2 ) y ~y = (y1 , y2 ) se
define como
p
d(~x , ~y ) = ||~x − ~y || = (x1 − y1 )2 + (x2 − y2 )2

Concepto de entorno de R2
Bola con centro ~a y radio r

Dado el vector ~a de R2 , la bola con centro ~a y radio r es el conjunto
Br (a) = {~x ∈ R2 | d(~x , ~a) = ||~x − ~a|| < r }
La bola de R2 con centro el

vector ~a = (a1 , a2 ) y radio r es
precisamente el conjunto de los
puntos interiores a la
circunferencia con centro ~a y
radio r .
q
2
a) = {(x1 , x2 ) ∈ R |
Br (~ (x1 − a1 )2 + (x2 − a2 )2 < r }
2 2 2 2
= {(x1 , x2 ) ∈ R | (x1 − a1 ) + (x2 − a2 ) < r }

Punto frontera
Punto frontera
Un punto x = (x1 , x2 ) ∈ R2 se dice que es un punto frontera del
conjunto A (x ∈ Fr (A)) si toda bola con centro x contiene puntos
de A y puntos no pertenecientes a A.
El conjunto frontera de A está formado por todos los puntos
frontera de A.
Nota
Un punto frontera de A no pertenece necesariamente a A.

Punto frontera
Ejemplo
Sean
1
A = {(x, y ) ∈ R2 | (x − 1)2 + (y + 1)2 < ( )2 }
2
1
B = {(x, y ) ∈ R2 | x 2 + y 2 ≤ }
3
Tenemos que Fr (A) = {(x, y ) ∈ R2 | (x − 1)2 + (y + 1)2 = ( 12 )2 } y
1
Fr (B) = {(x, y ) ∈ R2 | x 2 + y 2 = }.
3

Conjunto cerrado
Conjunto cerrado
Se dice que el conjunto A es cerrado si contiene a todos sus puntos
frontera.

Conjunto cerrado
Ejemplo
En muchos de los problemas de optimización que tratemos, los dominios
estarán definidos por una o más desigualdades. Por ejemplo, si p, q y m
son parámetros positivos, el conjunto presupuestario de los puntos (x, y )
que verifican las desigualdades
px + qy ≤ m, x ≥ 0, y ≥ 0
es cerrado.

Conjunto cerrado
Conjunto cerrado
Se dice que el conjunto A es cerrado si contiene a todos sus puntos
frontera.
En general, si g (x) = g (x, y ) es una función continua de 2 variables y c
es un número real, los tres conjuntos
{(x, y ) ∈ R2 | g (x, y ) ≥ c} {(x, y ) ∈ R2 | g (x, y ) ≤ c} {(x, y ) ∈ R2 | g (x, y ) = c}
son cerrados.
Ejemplo
El conjunto C = {(x, y ) / 2x − 3y ≤ 12} es cerrado.
El conjunto D = {(x, y ) / x 2 + y 2 ≤ 9} es cerrado.

Conjunto acotado
Conjunto acotado
Se dice que el conjunto A es acotado si existe una bola que lo contenga.
Ejemplo
El conjunto {(x, y ) | 4 < x 2 + y 2 ≤ 9} es acotado.

Conjunto acotado
Conjunto acotado
Se dice que el conjunto A es acotado si existe una bola que lo contenga.
Ejemplo
El conjunto {(x, y ) | 4 < x 2 + y 2 } no es acotado.

Conjunto compacto
Conjunto compacto
Se dice que el conjunto A es compacto si es cerrado y acotado.

Conjunto compacto
Ejemplo
El conjunto {(x, y ) | 4 < x 2 + y 2 ≤ 9} no es compacto, pues es acotado
pero no cerrado. Sin embargo, el conjunto {(x, y ) | 4 ≤ x 2 + y 2 ≤ 9} sı́
es compacto.

Conjunto compacto
Ejemplo
El conjunto {(x, y ) | 4 ≤ x 2 + y 2 } no es compacto, pues es cerrado pero
no acotado.

Sea f : S ⊆ R2 −→ R una función de dos variables definida en un

dominio S ⊆ R2 y sea (a, b) ∈ S.
Se dice que f tiene un máximo absoluto en a si
f (x, y ) ≤ f (a, b) ∀(x, y ) ∈ S.
En este caso, f (a, b) es el valor máximo de f

en S.
Se dice que f tiene un mı́nimo absoluto en a si
f (a, b) ≤ f (x, y ) ∀(x, y ) ∈ S.

f (x, y ) = −x 2 − y 2 tiene un máximo
En este caso, f (a, b) es el valor mı́nimo de f absoluto en (0, 0)
en S.

Generalización del Teorema de Weierstrass
Teorema de Weierstrass para funciones de una variable

Si f : [a, b] −→ R es una función continua en el intervalo cerrado y
acotado (es decir, compacto) [a, b], entonces f tiene un máximo absoluto
c y un mı́nimo absoluto d en [a, b]. Es decir, existen c, d ∈ [a, b] tales
que
f (d) ≤ f (x) ≤ f (c) ∀x ∈ [a, b]
Teorema de Weierstrass para funciones de dos variables

Si f : S ⊆ R2 −→ R es una función continua y S ⊆ R2 es un conjunto
cerrado y acotado (compacto), entonces f tiene un máximo absoluto
c = (c1 , c2 ) y un mı́nimo absoluto d = (d1 , d2 ) en S. Es decir, existen
(c1 , c2 ), (d1 , d2 ) ∈ S tales que
f (d1 , d2 ) ≤ f (x, y ) ≤ f (c1 , c2 ) ∀(x, y ) ∈ S

Máximos y mı́nimos relativos o locales

dominio abierto S ⊆ R2 y sea (a, b) ∈ S.
Se dice que f tiene un máximo relativo o local en
(a, b) si existe una bola Br (a, b) con centro (a, b)
tal que
f (x, y ) ≤ f (a, b) ∀(x, y ) ∈ Br (a, b).
Se dice que f tiene un mı́nimo relativo o local en

(a, b) si existe una bola Br (a, b) con centro (a, b)
tal que
f (a, b) ≤ f (x, y ) ∀(x, y ) ∈ Br (a, b).
Se dice que f tiene un punto de silla en (a, b) si en f tiene un mı́nimo relativo en (0, 0)
toda bola Br (a, b) centrada en (a, b), la función
y un máximo relativo en (1, 1)
toma valores por encima y por debajo de f (a, b).

Máximos y mı́nimos relativos o locales

dominio abierto S ⊆ R2 y sea (a, b) ∈ S.
Se dice que f tiene un punto de silla en (a, b)

si en toda bola Br (a, b) centrada en (a, b), la
función toma valores por encima y por debajo
de f (a, b).

Relación entre extremos locales y absolutos
Los extremos absolutos de la función f en S son extremos relativos, pero

el recı́proco no es cierto, es decir, los extremos relativos no tienen por
qué ser extremos absolutos.
Ejemplo
Imaginémonos la cordillera del Himalaya. Toda cima es un máximo local,
pero sólo la más elevada, el Everest, es el máximo global. Los puntos de
máxima profundidad de los lagos son mı́nimos locales y los desfiladeros
de montaña son puntos de silla.

Punto crı́tico o estacionario

Sea f : S ⊆ R2 −→ R y (x0 , y0 ) un punto interior de S. Se dice que
(x0 , y0 ) es un punto crı́tico o estacionario de f (x, y ) si (x0 , y0 ) es solución
de las 2 ecuaciones siguientes
∂f ∂f
(x0 , y0 ) = 0, (x0 , y0 ) = 0,
∂x ∂y
es decir, si ∇f (x0 , y0 ) = 0.

Sea f : S ⊆ R2 −→ R una función definida en el conjunto S ⊆ R2 y sea

(x0 , y0 ) un punto interior de S en el que f es diferenciable. Si (x0 , y0 ) es
un extremo local (máximo o mı́nimo local), entonces (x0 , y0 ) es un punto
crı́tico de f , es decir,
∂f ∂f
(x0 , y0 ) = (x0 , y0 ) = 0.
∂x ∂y
La condición anterior es necesaria pero no suficiente

No en todo punto crı́tico existe un máximo o un mı́nimo, ya que se puede
producir, por ejemplo, lo que se llama un punto de silla.


Ejemplo
Estudiemos la función f (x, y ) = x 2 − y 2 .
∂f
f (x, y ) tiene un punto de silla en (0, 0). En efecto, como = 2x y
∂x
∂f
= −2y , el único punto crı́tico de f es el origen.
∂y
Como f (x, 0) = x 2 , f (x, y ) toma valores positivos en puntos
arbitrariamente cercanos al origen.
Como f (0, y ) = −y 2 , f (x, y ) también toma valores negativos
en puntos arbitrariamente cercanos al origen.
Luego (0, 0) es un puntoMade silla

Victoria Herranz Matemáticas. TEMA 3
Clasificación de puntos crı́ticos en el caso n = 2 Criterio del Hessiano
Índice




Ejemplo
Calcula los puntos crı́ticos de
f (x, y ) = −x 3 + xy + y 2 + x
Los puntos crı́ticos de f (x, y ) deben verificar las dos ecuaciones siguientes:
fx = −3x 2 + y + 1 = 0 y fy = x + 2y = 0
La segunda ecuación implica que x = −2y , es decir, y = − x2 . Llevando este

valor a la primera ecuación, se tiene que
x 1 2
−3x 2 − +1 = 0 =⇒ −6x 2 −x +2 = 0 =⇒ las soluciones son x = y x = − .
2 2 3
Como y = − x2 , obtenemos que los únicos puntos crı́ticos son ( 12 , − 14 ) y
(− 23 , 31 ). Ahora bien, ¿se trata de máximos relativos, mı́nimos relativos o
puntos de silla?

Consideremos una función z = f (x, y ) definida en un dominio S. Sea

(x0 , y0 ) un punto interior de S que sea también un punto crı́tico de f , es
decir, fx (x0 , y0 ) = fy (x0 , y0 ) = 0. Entonces, (x0 , y0 ) es un máximo
relativo, un mı́nimo relativo o un punto de silla. ¿Cómo podemos
diferenciar estos tres casos?


Teorema (criterio del hessiano)
Sea f : S ⊆ R2 −→ R una función con derivadas parciales continuas de primer
y segundo orden en un conjunto S y sea (x0 , y0 ) un punto interior de S que sea
punto crı́tico de f . Sea |Hf (x0 , y0 )| el determinante de la matriz hessiana, que
recordemos que está definida por

fxx (x0 , y0 ) fxy (x0 , y0 )
Hf (x0 , y0 ) =
fyx (x0 , y0 ) fyy (x0 , y0 )
1 Si |Hf (x0 , y0 )| > 0 y fxx (x0 , y0 ) < 0, entonces (x0 , y0 ) es un máximo

relativo.
2 Si |Hf (x0 , y0 )| > 0 y fxx (x0 , y0 ) > 0, entonces (x0 , y0 ) es un mı́nimo
relativo.
3 Si |Hf (x0 , y0 )| < 0, entonces (x0 , y0 ) es un punto de silla.
4 Si |Hf (x0 , y0 )| = 0, entonces (x0 , y0 ) puede ser un máximo relativo,
mı́nimo relativo o un punto de silla (el criterio no da información).
Ejemplo
Clasificar los puntos crı́ticos de
f (x, y ) = −x 3 + xy + y 2 + x
Solución:
En el ejemplo anterior hemos obtenido que los únicos puntos crı́ticos son
( 12 , − 41 ) y (− 23 , 13 ). Entonces

1 1
−3 1
|Hf ( 2 , − 4 )| = = −7 < 0 =⇒ ( 1 , − 1 ) es un punto de silla
1 2 2 4

4 1
|Hf (− 32 , 13 )| = = 7 > 0 y fxx = 4 > 0 =⇒
1 2
es un mı́nimo relativo

También es de utilidad para clasificar los puntos crı́ticos es hacer una

tabla como la siguiente:
Punto fxx fxy fyy |Hf | = fxx fyy − fxy2 Clasificación

( 12 , − 14 ) −3 1 2 −7 Punto de silla
(− 23 , 13 ) 4 1 2 7 Mı́nimo relativo

Ejercicio 2b) de las hojas de ejercicios

Halla todos los puntos crı́ticos de las funciones siguientes y clasificarlos
mediante el criterio del hessiano.
b) f (x, y ) = x 2 − xy + y 2 + 3x − 2y + 1.
En primer lugar, hallamos los puntos crı́ticos de f (x, y ), que se obtienen al

resolver el siguiente sistema de ecuaciones

fx = 2x − y + 3 = 0 −4 1
⇒x = , y=
fy = −x + 2y − 2 = 0 3 3
Obtenemos un único punto crı́tico. Para poder clasificarlo, calculamos la matriz

Hessiana:
fxx fxy 2 −1
H(x, y ) = =
fyx fyy −1 2

−4 1
Al evaluar la matriz Hessiana en el punto crı́tico ( , ) y calcular su
3 3
determinante, obtenemos

2 −1
−1 2 = 3 > 0.

Además, como fxx ( −4 1 −4 1

3 , 3 ) > 0, deducimos que el punto ( 3 , 3 ) es un
mı́nimo relativo.

Extremos absolutos y relativos de una función de 2 variables Método de los multiplicadores de Lagrange en dos variables
Clasificación de puntos crı́ticos en el caso n = 2 Método de las curvas de nivel
Extremos condicionados. Método de los multiplicadores de Lagrange Condiciones suficientes de segundo orden
Índice




Optimización con restricciones de igualdad

Ejemplo
¿Cómo optimizamos la función f (x, y ) = x 3 − xy + y 2 + 3 sujeta a la
condición que los puntos (x, y ) satisfagan la ecuación de la elipse
x 2 + 2y 2 = 1?

Ejemplo
Una empresa produce dos productos A y B cuyas cantidades demandadas
respectivas vienen dadas por x e y . La función de ingresos viene dada por
I (x, y ) = 12x − x 2 + 20y − 3y 2 y la función de costes por
C (x, y ) = 3 + 2x + 2y . Maximiza el beneficio sujeto a una restricción de
coste de 27u.m.

En esta sección, analizaremos el problema general
max (min) f (x, y ) sujeta a g (x, y ) = c.
Nota
f (x, y ) es la función objetivo y g (x, y ) es la restricción.
Una restricción de la forma g (x, y ) = c, es equivalente a
g (x, y ) − c = 0.

Extremos condicionados con una restricción de igualdad
Definición
Sea A un conjunto abierto de R2 y f : A −→ R. Dada la función
g : A −→ R, se considera el conjunto S = {(x, y ) ∈ A | g (x, y ) = c}.
Se dice que un punto (a, b) ∈ S es un máximo de f (x, y ) sujeto
(condicionado) a la restricción g (x, y ) = c, si f (x, y ) ≤ f (a, b) para
todo (x, y ) ∈ S.
Se dice que un punto (a, b) ∈ S es un mı́nimo de f (x, y ) sujeto
(condicionado) a la restricción g (x, y ) = c, si f (a, b) ≤ f (x, y ) para
todo (x, y ) ∈ S.

Optimización con restricciones de igualdad.

Dado el problema
max (min) f (x, y ) sujeta a g (x, y ) = c,
podemos obtener la solución mediante la eliminación de variables,

transformando entonces el problema en uno de optimización de una única
variable.
Ejemplo
Dado el problema
opt x 2 + y 2 sujeta a x + y − 1 = 0,
podemos transformarlo en un problema de optimización de una variable

simplemente despejando la variable y (por ejemplo) de la restricción: y = 1 − x,
y sustituyendo en la función objetivo f (x, y ), el problema se reduce a
opt x 2 + (1 − x)2
Optimización con restricciones de igualdad.

Dado el problema
max (min) f (x, y ) sujeta a g (x, y ) = c,
podemos obtener la solución mediante la eliminación de variables,

transformando entonces el problema en uno de optimización de una única
variable.
Nota
El método de eliminación de variables no resulta operativo cuando el
problema tiene muchas restricciones (en el caso de una función de
más de tres variables) o las restricciones son complejas.
Normalmente, emplearemos un método alternativo que
proporcionará más información sobre el problema (método de los
multiplicadores de Lagrange).

El método de los multiplicadores de Lagrange proporciona una condición

necesaria que deben verificar los extremos de la función f (x, y ) sujetos a
la condición g (x, y ) = c, es decir, se emplea para problemas del tipo
max (min) f (x, y ) sujeta a g (x, y ) = c.
Consiste en considerar la función
L(x, y ) = f (x, y ) − λ(g (x, y ) − c),
donde λ es una constante denominada multiplicador de Lagrange, y se

basa en el hecho de que los extremos condicionados de f deben ser
puntos crı́ticos de la función L(x, y ).


Para hallar las soluciones del problema
max (min) f (x, y ) sujeta a g (x, y ) = c
se procede ası́:
1 Escribir la función lagrangiana
L(x, y ) = f (x, y ) − λ(g (x, y ) − c)
donde λ es una constante.

2 Derivar L(x, y ) con respecto a x e y , e igualar a 0 las parciales.
3 Escribir el sistema formado por las dos ecuaciones obtenidas en el
apartado 2 junto con la restricción:
fx (x, y ) = λgx (x, y )

fy (x, y ) = λgy (x, y )
g (x, y ) = c
4 Resolver estas tres ecuaciones en las tres incógnitas x, y y λ.

Ejemplo
Resolver el problema
max (min) f (x, y ) = x + y sujeta a g (x, y ) = x 2 + y 2 = 100 (1)
La función lagrangiana es en este caso
L(x, y , λ) = x + y − λ(x 2 + y 2 − 100)
A partir de ella, calculando sus derivadas parciales de primer orden,

obtenemos las siguientes tres ecuaciones
Lx (x, y ) = 1 − 2λx = 0
Ly (x, y ) = 1 − 2λy = 0
x 2 + y 2 − 100 = 0

Resolviendo las ecuaciones anteriores, obtenemos los puntos

√ √ √
(5 2, 5 2) con λ = 102
√ √ √
(−5 2, −5 2) con λ = −10 2
¿Cómo podemos saber qué tipo de óptimos son?. Observemos que la función
f (x, y ) = x + y es una función continua. Además, el conjunto
S = {(x, y ) / x 2 + y 2 = 100}
es un conjunto compacto (ya que es cerrado y acotado). Por tanto, el teorema

de Weierstrass nos asegura la existencia tanto de máximo como de mı́nimo
absoluto de f (x, y ) en S. Observemos que
√ √ √ √ √ √
f (5 2, 5 2) = 10 2, f (−5 2, −5 2) = −10 2
√ √
luego (5 2, 5 2) es un máximo absoluto del problema de optimización (1),
√ √
mientras que (−5 2, −5 2) es el mı́nimo absoluto del problema.

Curvas de nivel
Dada una función z = f (x, y ) de dos variables reales y valor real, la gráfica de
dicha función corresponde al conjunto
gráfica(f ) = {(x, y , f (x, y )) : (x, y ) ∈ Dom(f )}
Al ubicar dichos puntos en el espacio R3 , obtenemos una superficie en dicho

espacio. Una forma de estudiar dicha superficie, aunque en dos dimensiones, es
considerar la intersección de dicha superficie con el plano z = k. De esta
forma, obtenemos un conjunto de puntos que corresponden a una curva de
nivel de la fución f (x, y ).
Curva de nivel
Dada una función f (x, y ), la intersección del plano horizontal, de altura k,
z = k, con la superficie z = f (x, y ), se llama curva de contorno de altura k. La
proyección de esta curva de contorno sobre el plano OXY , se llama curva de
nivel de altura k de la función f .
Ck = {f (x, y ) = k : (x, y ) ∈ dom(f )}

Curvas de nivel
Ejemplo

max(min) f (x, y ) sujeta a g (x, y ) = c

Consideramos las curvas de nivel de la función f (x, y ),
f (x, y ) = c
e imaginamos que éstas se “desplazan” en la dirección del crecimiento de

z. Entonces, el punto solución del problema deberá estar en la
intersección de una curva de nivel con la gráfica de g (x, y ) = c. Por
tanto, se trata de encontrar:
1 Si buscamos un mı́nimo: El primer punto en que las curvas de nivel
tocan a la gráfica de la restricción g (x, y ) = c.
2 Si buscamos un máximo: El último punto en que las curvas de nivel
tocan a la gráfica de la restricción g (x, y ) = c.


Ejemplo
Hallar el mı́nimo de la función f (x, y ) = x 2 + y 2 condicionado por la restricción x + y = 1,

mediante las curvas de nivel.
Las curvas de nivel de la función f (x, y ) = x 2 + y 2 vienen dadas por

2 2
x + y = c,
√
luego se trata de circunferencias con centro en el origen de coordenadas y radio c. Al aumentar
c, las circunferencias se alejan del origen.
La primera circunferencia que toca a la recta x + y = 1, lo hace en el punto (1/2, 1/2). Luego
este valor corresponde al menor valor de c, para el cual (x, y ) está en una curva de nivel y en la
restricción. En consecuencia, el mı́nimo solicitado es f (1/2, 1/2) = 1/2,.

Criterio del Hessiano orlado
Condiciones suficientes de segundo orden para el caso de dos variables y una restricción
Consideremos el problema
max(min) f (x, y ) sujeta a g (x, y ) = c
y supongamos que f (x, y ) y g (x, y ) son continuas y tienen derivadas parciales de primer y
segundo orden continuas. Sea D(x, y , λ) el Hessiano orlado, definido por el determinante

0 gx (x, y ) gy (x, y )

D(x, y , λ) = gx (x, y ) Lxx (x, y ) Lxy (x, y )

gy (x, y ) Lyx (x, y ) Lyy (x, y )
Sea (x0 , y0 , λ0 ) un punto que verifica las condiciones necesarias de Lagrange (condiciones de
primer orden). Entonces:
1 D(x0 , y0 , λ0 ) > 0 =⇒ (x0 , y0 )es un máximo relativo o local
2 D(x0 , y0 , λ0 ) < 0 =⇒ (x0 , y0 )es un mı́nimo relativo o local

Ejemplo
Dado el problema de optimización
max(min) x + y sujeta a x 2 + y 2 = 100
Comprueba,
√ √ con las √ condiciones
√ suficientes de segundo orden, que los puntos
(5 2, 5 2) y (−5 2, −5 2) son máximo y mı́nimo, respectivamente, del
problema de optimización.
Ya sabemos que estos dos puntos son los puntos crı́ticos de la función de
Lagrange. Ahora, comprobaremos las condiciones suficientes de segundo orden.
Para ello, calculamos el Hessiano orlado:

0 gx (x, y ) gy (x, y ) 0 2x 2y
D(x, y , λ) = gx (x, y ) Lxx (x, y ) Lxy (x, y ) = 2x −2λ 0
gy (x, y ) Lyx (x, y ) Lyy (x, y ) 2y 0 −2λ

√ √ √
Ahora, evaluamos el Hessiano orlado en los puntos (5 2, 5 2) con λ = 102 y
√ √ √
(−5 2, −5 2) con λ = −10 2 .
√ √ √ √
Como D(5 2, 5 2, 102 ) = 80 2 > 0, deducimos que el punto
√ √ √
(5 2, 5 2) con λ = 102 es un máximo relativo del problema de
optimización.
√ √ √ √
Como D(−5 2, −5 2, −10 2 ) = −80 2 < 0, deducimos que el punto
√ √ √
(−5 2, −5 2) con λ = −10 2 es un mı́nimo relativo del problema de
optimización.

Optimización con una restricción de igualdad
Ejercicio 10 de las hojas de ejercicios

Consideremos el problema
max f (x, y ) = x + y sujeta a g (x, y ) = x 2 + y = 1.
1 Determina si se verifican las condiciones del Teorema de Weierstrass y, por

tanto, podemos asegurar que el problema de optimización tiene solución.
2 Escribe la función lagrangiana para el problema y resolver las condiciones
necesarias en este caso.
3 Comprueba que el punto obtenido en el apartado anterior verifica las
condiciones suficientes de segundo orden.
4 Explica geométricamente la solución dibujando las curvas de nivel de
f (x, y ), junto a la gráfica de la parábola g (x, y ) = x 2 + y = 1. ¿Tiene
solución el correspondiente problema de minimización?

Ejemplo
Una empresa produce dos productos A y B cuyas cantidades demandadas
respectivas vienen dadas por x e y . La función de ingresos viene dada por
I (x, y ) = 12x − x 2 + 20y − 3y 2 y la función de costes por
C (x, y ) = 3 + 2x + 2y . Maximiza el beneficio sujeto a una restricción de coste
de 27u.m.
En primer lugar, planteamos el problema de optimización. La función de

beneficios viene dada por
B(x, y ) = I (x, y ) − C (x, y ) = 10x − x 2 + 18y − 3y 2 − 3
Además, como el coste tiene que ser de 27 u.m., tenemos la restricción

C (x, y ) = 27. Ası́ pues, el problema de optimización que debemos resolver es
max 10x − x 2 + 18y − 3y 2 − 3 s.a. 3 + 2x + 2y = 27

La función de Lagrange es
L(x, y , λ) = 10x − x 2 + 18y − 3y 2 − 3 − λ(3 + 2x + 2y − 27)
Ahora, resolvemos el sistema de ecuaciones siguiente


Lx = 10 − 2x − 2λ = 0 
Ly = 18 − 6y − 2λ = 0
2x + 2y = 24

y obtenemos el punto (8, 4) con λ = −3.

Ahora, comprobaremos que este punto es realmente el máximo del problema de

optimización, aplicando las condiciones suficientes de segundo orden.
Calculamos para ello el Hessiano orlado

0 2 2

D(8, 4, −3) = 2 −2 0 = 32 > 0.
2 0 −6
Luego, efectivamente, el punto (8, 4) es la solución del problema de

optimización. Es decir, el beneficio se maximiza al producir 8 unidades del
producto A y 4 unidades del producto B.

Ejercicio 4 de las hojas de ejercicios

Determina si se verifica el teorema de Weierstrass en los siguientes
problemas de optimización:
1 max(min) x 2 + y 2 sujeto a x + y = 3.
2 max(min) (x + 1)2 + (y + 1)2 sujeto a x 2 + y 2 ≤ 4, x < 1.
3 max(min) 2x + y sujeto a x + y = 1, x 2 + y 2 ≤ 9.
4 max(min) x + ln y sujeto a x − y 2 ≥ −1, x + y 2 ≤ 1.

Tema3 Optimización

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema3 Optimización

Cargado por

Copyright:

Formatos disponibles

Extremos absolutos y relativos de una función de 2 variables

Clasificación de puntos crı́ticos en el caso n = 2

TEMA 3: Optimización de funciones

Grado en Administración y Dirección de Empresas

Ma Victoria Herranz Matemáticas. TEMA 3

1 Extremos absolutos y relativos de una función de 2 variables

2 Clasificación de puntos crı́ticos en el caso n = 2

3 Extremos condicionados. Método de los multiplicadores de Lagrange

Ma Victoria Herranz Matemáticas. TEMA 3

1 Extremos absolutos y relativos de una función de 2 variables

2 Clasificación de puntos crı́ticos en el caso n = 2

3 Extremos condicionados. Método de los multiplicadores de Lagrange

Ma Victoria Herranz Matemáticas. TEMA 3

La norma del vector ~x = (x1 , x2 ) se define como

Ma Victoria Herranz Matemáticas. TEMA 3

Bola con centro ~a y radio r

Br (a) = {~x ∈ R2 | d(~x , ~a) = ||~x − ~a|| < r }

La bola de R2 con centro el

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Ma Victoria Herranz Matemáticas. TEMA 3

Máximos y mı́nimos absolutos

Sea f : S ⊆ R2 −→ R una función de dos variables definida en un

f (x, y ) ≤ f (a, b) ∀(x, y ) ∈ S.

En este caso, f (a, b) es el valor máximo de f

f (a, b) ≤ f (x, y ) ∀(x, y ) ∈ S.

En este caso, f (a, b) es el valor mı́nimo de f absoluto en (0, 0)

Ma Victoria Herranz Matemáticas. TEMA 3

Generalización del Teorema de Weierstrass

Teorema de Weierstrass para funciones de una variable

Teorema de Weierstrass para funciones de dos variables

f (d1 , d2 ) ≤ f (x, y ) ≤ f (c1 , c2 ) ∀(x, y ) ∈ S

Ma Victoria Herranz Matemáticas. TEMA 3

Máximos y mı́nimos relativos o locales

Sea f : S ⊆ R2 −→ R una función de dos variables definida en un

f (x, y ) ≤ f (a, b) ∀(x, y ) ∈ Br (a, b).

Se dice que f tiene un mı́nimo relativo o local en

f (a, b) ≤ f (x, y ) ∀(x, y ) ∈ Br (a, b).

Ma Victoria Herranz Matemáticas. TEMA 3

Máximos y mı́nimos relativos o locales

Sea f : S ⊆ R2 −→ R una función de dos variables definida en un

Se dice que f tiene un punto de silla en (a, b)

Ma Victoria Herranz Matemáticas. TEMA 3

Relación entre extremos locales y absolutos

Los extremos absolutos de la función f en S son extremos relativos, pero

Ma Victoria Herranz Matemáticas. TEMA 3

Condición necesaria de extremo local

Punto crı́tico o estacionario

Ma Victoria Herranz Matemáticas. TEMA 3

Condición necesaria de extremo local

Sea f : S ⊆ R2 −→ R una función definida en el conjunto S ⊆ R2 y sea

La condición anterior es necesaria pero no suficiente

Ma Victoria Herranz Matemáticas. TEMA 3

Condición necesaria de extremo local