http://www.youtube.com/watch?

v=H5jEMt3rulY

El Método del cinco-paso

En esta sección describimos un procedimiento general que se puede utilizar para

resolver problemas usando modelos matemáticos. Vamos a ilustrar este
procedimiento, llamado el método de cinco pasos, al usarla para resolver un
problema-máximo y mínimo de una variable típica de las que se encuentran la
mayoría de los estudiantes en el primer semestre de cálculo.

Ejemplo 1.1. Un cerdo que pesa 200 libras gana 5 libras por día y cuesta 45
centavos de dólar al día para mantener. El precio de mercado de los cerdos es de
65 centavos de dólar por libra, pero está cayendo 1 centavo por día. Cuando se
debe vender el cerdo?
El enfoque de modelado matemático para la resolución de problemas consta de
cinco pasos:

1. Haga la pregunta.
2. Seleccione el acercamiento modelado.
3. Formule al modelo.
4. Resuelva al modelo.
5. Conteste la pregunta.

El primer paso es hacer una pregunta. La pregunta debe expresarse en las

condiciones matemáticas, y exige a menudo a un trato bueno de trabajo hacer
esto. Nos exigen que hagamos realmente varios asunciones o suposiciones sobre
las cosas de la manera e
n el proceso es. Nosotros no debemos tener miedo hacer una suposición en esta
fase. Nosotros siempre podemos regresar y podemos hacer una suposición buena
después. Antes de que nosotros podamos hacer una pregunta en condiciones
matemáticas que nosotros necesitamos definir nuestras condiciones. Pase por el
problema y haga una lista de variables. Incluya las unidades apropiadas. Luego
haga una lista de asunciones sobre estas variables. Incluya cualquier relación
entre las variables (las ecuaciones y desigualdades) eso es conocido o supuesto.
Habiendo hecho todos esto, nosotros estamos listos hacer una pregunta. Apunte
en el idioma matemático explícito el objetivo de este problema. El aviso que los
pasos preliminares de listar variables, unidades, las ecuaciones y desigualdades, y
otras asunciones realmente son una parte de la pregunta. Ellos idean la pregunta.

En Ejemplo 1.1 el peso w del cerdo (en el lbs), el número de t de los días hasta
que nosotros vendamos el cerdo, el C del costo de guardar los días de t de cerdo
(en los dólares), el precio de mercado p para los cerdos ($/ el lb), el rédito que R
obtuvo cuando nosotros vendemos el cerdo ($), y nuestro P de beneficio neto
resultante ($) es todas las variables. Hay otras cantidades numéricas involucradas
en el problema, como el peso inicial del cerdo (200 lbs). Sin embargo, éstas no
son las variables. Está importante en esta fase separar las variables de esas
cantidades que permanecerán constantes.

Luego nosotros necesitamos listar nuestras asunciones sobre las variables

identificó en la primera fase de paso 1. En el proceso nosotros tendremos en
cuenta el efecto de las constantes en el problema. El peso del cerdo empieza a
200 lbs y sube por 5 lbs/day para que nosotros tenemos

t = tiempo (días)
w = peso del cerdo (lbs)
p = precio de los cerdos ($ / lb)
C = costo de mantener cerdo t días ($)
R = ingresos obtenido por la venta de cerdo ($)
P = ganancia de la venta de cerdo ($)

El aviso que nosotros hemos incluido las unidades como un cheque que nuestra
ecuación tiene el sentido. Las otras asunciones inherente en nuestro problema es
como sigue:
Nosotros también estamos asumiendo ese t ≥0. Nuestro objetivo en este problema
es aumentar al máximo nuestro beneficio neto, los dólares del P. Figure 1.1
resume los resultados de paso 1, en un formulario conveniente para la referencia
más tarde.

Las tres fases de paso 1 (las variables, asunciones, y objetivo) necesita no se

complete en cualquier orden particular. Por ejemplo, es a menudo útil determinar
el objetivo temprano en paso 1. En Ejemplo 1.1, no puede estar prontamente claro
que R y C son las variables hasta que nosotros hayamos definido nuestro
objective,P, y nosotros revocamos ese P = R −C. Una manera de verificar ese

paso 1 está completa es ver si nuestro P objetivo relaciona toda la manera atrás al
t inconstante. El consejo general mejor sobre paso 1 es hacer algo. Empiece
apuntando cualquier cosa está inmediatamente claro (por ejemplo, algunas de las
variables simplemente pueden encontrarse leyendo encima del problema y
buscando los nombres), y el resto de los pedazos entrará en el lugar
probablemente.

Paso 2 es para seleccionar el método de modelización. Ahora que tenemos un

problema planteado en lenguaje matemático, tenemos que seleccionar un enfoque
matemático a utilizar para obtener una respuesta. Existen muchos tipos de
problemas pueden ser expresadas en un formulario estándar para el que existe un
procedimiento eficaz solución general. La mayoría de la investigación en
matemáticas aplicadas consiste en la identificación de estas categorías generales
de los problemas e inventar maneras eficaces para resolverlos. Hay un cuerpo
considerable de literatura en esta área, y muchos de los nuevos avances se
siguen haciendo. Pocos, si alguno, los alumnos de este curso tendrán la
experiencia y familiaridad con la literatura para hacer una buena selección para el
enfoque de modelado. En este libro, con raras excepciones, los problemas van a
especificar el enfoque de modelado para ser utilizado. Nuestro problema de
ejemplo se puede modelar como un problema de optimización variable de uno, o
un problema de máximos y mínimos.
Nosotros perfilamos el acercamiento modelado que nosotros hemos seleccionado.
Para los detalles completos nosotros nos referimos al lector al libro de texto de
cualquier cálculo introductorio.

Nosotros nos damos una función real-estimada y = f(x) definido en un

subconjunto S de la línea real. Hay un teorema que los estados que si f logra su
máximo o mínimo a un punto interior x ∈S, entonces el f(x′) = 0, asumiendo ese f
es el differentiable a x. Esto nos permite gobernar fuera cualquier punto interior x
∈S a que el f(x′) ̸= 0 como un candidato para máximo-min. Este procedimiento
trabaja bien con tal de que no hay demasiados puntos excepcionales.

Ande 3 es formular al modelo. Nosotros necesitamos tomar la pregunta exhibida

en paso 1 y reformulate él en el formulario normal seleccionado en paso 2, para
que nosotros podamos aplicar el procedimiento de la solución general normal. Es
a menudo conveniente cambiar los nombres inconstantes si nosotros nos
referiremos a un acercamiento modelado que se ha descrito usando los nombres
inconstantes específicos, como es el caso aquí. Nosotros escribimos

Permita y = P es la cantidad que nosotros deseamos aumentar al máximo y x = t

la variable independiente. Nuestro problema es ahora aumentar al máximo

Ande 4 que es resolver al modelo, mientras usando el procedimiento de la

solución normal identificado en paso 2. En nuestro ejemplo nosotros queremos
encontrar el máximo de la función y = f(x) definido por Eq. (1.1) encima del x ≥0
fijo. Figure 1.2 muestras un gráfico del f(x de la función). Desde que f es
cuadrático en x, el gráfico es una parábola. Nosotros computamos eso

para que el f(x′) = 0 al punto x = 8. Desde que f está aumentando en el intervalo

(∞; 8) y disminuyendo adelante (8;), el punto x = 8 son el máximo global. A estas
alturas nosotros tenemos
y = f(8) = 133:20. Desde el punto (x; y) = (8; 133:20) es el máximo global de f
encima de la línea real entera, también es el máximo encima del x ≥0 fijo.
Ande 5 es contestar la pregunta propuesta originalmente en paso 1; es decir,
cuándo vender el cerdo para aumentar al máximo la ganancia. La respuesta
obtenida por nuestro modelo matemático es vender el cerdo después de ocho
días, mientras obteniendo un beneficio neto de $133:20 así. Esta respuesta es
válida con tal de que las asunciones hicieran en paso 1 permanece válido. Las
preguntas relacionadas y las asunciones alternativas pueden ser dirigidasse
cambiando lo que nosotros hicimos en paso 1. Desde que nosotros estamos
tratándonos de un problema real (UN granjero posee los cerdos. Cuándo ellos
deben venderse?), hay un elemento de riesgo involucrado en paso 1. Por esa
razón es normalmente necesario investigar varias alternativas. Este proceso, el
análisis de sensibilidad llamado, se discutirá en la próxima sección.

El propósito principal de esta sección era introducir el método del cinco-paso por el
planear matemático. Figure 1.3 resume el método en un formulario conveniente
para la referencia más tarde. En este libro nosotros aplicaremos el método del
cinco-paso para resolver una variedad ancha de problemas el planeando
matemático. Nuestra discusión de paso 2 generalmente incluirá una descripción
del acercamiento modelado seleccionada, junto con un ejemplo o dos. El lector
que ya está familiarizado con el acercamiento modelado puede escoger saltar esta
parte, o simplemente desnata para recoger la anotación. Algunos de los otros
puntos resumieron en Fig. 1.3, como el uso de “la tecnología apropiada,” se
extenderá después en en este libro. Los ejercicios al final de cada capítulo
también requieren la aplicación del Paso 1.
Ande 1. Haga la pregunta.
• Haga una lista de todas las variables en el problema, incluyendo las unidades
apropiadas.
• Tiene el cuidado para no confundir variables y constantes.
El Estado de
• cualquier asunción que usted está haciendo sobre estas variables, incluso las
ecuaciones y desigualdades.
• revise las unidades para asegurarse que sus asunciones tienen el sentido.
El Estado de
• el objetivo del problema en las condiciones matemáticas precisas.

Paso 2: Seleccione el método de modelización.

• Elegir un procedimiento de solución general a seguir en la solución de este
problema.
• En términos generales, el éxito en este paso requiere experiencia, habilidad y
familiaridad con la literatura relevante.
• En este libro generalmente especificaremos el enfoque de modelado para ser
utilizado.

Paso 3: Formular el modelo.

• Plantea la pregunta planteada en el paso 1 en los términos del enfoque de
modelado especificada en el paso 2.
• Es posible que deba volver a etiquetar algunas de las variables especificadas en
el paso 1 con el fin de ponerse de acuerdo con la notación utilizada en el paso 2.
• Tenga en cuenta los supuestos adicionales realizados con el fin de encajar el
problema descrito des en el paso 1 en la estructura matemática especificada en el
paso 2 ..

Ande 4. Resuelva al modelo.

• Apply que el procedimiento de la solución general especificó en paso 2 al

problema específico formulado en paso 3.

• Tiene el cuidado en su matemática. Verifique su trabajo para los errores de

matemática. ¿Su respuesta tiene el sentido?

• Use la tecnología apropiada. Los sistemas de álgebra de computación, gráficos,

y el software numérico aumentarán el rango de problemas dentro de su agarro, y
ellos también ayudan reduzca los errores de matemática.

Paso 5: Respuesta a la pregunta.

• Reformular los resultados de la etapa 4 en términos no técnicos.
• Evite los símbolos matemáticos y la jerga.
• Cualquier persona que puede entender el estado de la cuestión, ya que se
presentó a usted debería ser capaz de entender su respuesta.
Análisis de sensibilidad

La sección anterior describe el enfoque de cinco pasos para la modelización

matemática. El proceso comienza haciendo algunas suposiciones sobre el
problema. Rara vez somos lo suficientemente seguro de que las cosas sean
capaces de esperar que todos estos supuestos a ser exactamente válida. Por lo
tanto, debemos tener en cuenta lo sensible que nuestras conclusiones son que
cada uno de los supuestos que hemos hecho. Este tipo de análisis de sensibilidad
es un aspecto importante de la modelización matemática. Los detalles varían de
acuerdo con el enfoque de modelado utilizado, por lo que nuestra discusión sobre
el análisis de sensibilidad continuarán a lo largo de este libro. Nos centraremos
aquí en el análisis de sensibilidad para los simples problemas de optimización de
una sola variable.
En el apartado anterior hemos utilizado el problema cerdo (Ejemplo 1.1) para
ilustrar el enfoque de cinco pasos para la modelización matemática. Figura 1.1
resume los supuestos que hicimos en la solución de ese problema. En este caso
los datos y supuestos fueron mayormente explicadas por nosotros. Aun así,
tenemos que ser críticos. Los datos se obtienen por medición, observación, y, a
veces pura conjetura. Tenemos que considerar la posibilidad de que los datos no
son precisos.
Algunos datos son naturalmente conocen con certeza mucho más que otros. El
peso actual del cerdo, el precio actual de los cerdos, y el costo por día de
mantener el cerdo son fáciles de medir y se sabe que un alto grado de certeza. La
tasa de crecimiento del cerdo es un poco menos seguro, y la velocidad a la que el
precio está cayendo es aún más incierta. Sea r denota la velocidad a la que el
precio está cayendo. Asumimos que r = 0:01 de dólares por día, pero supongamos
ahora que el valor real de r es diferente. Repitiendo el procedimiento de solución
para varios valores diferentes de r, nos podemos hacer una idea de la sensibilidad
de nuestra respuesta al valor de r. Tabla 1.1 muestra los resultados de la solución
de nuestro problema por unos valores seleccionados de r. Figura 1.4 contiene los
mismos datos de sensibilidad en forma gráfica. Podemos ver que el momento
óptimo para vender es muy sensible al parámetro r.
Un método más sistemático por medir esta sensibilidad sería tratar r como un
parámetro desconocido, mientras siguiendo los mismos pasos como antes.
Escribiendo

nosotros podemos proceder como antes obtener

Entonces nosotros podemos computar

 La sensibilidad de momento mejor para vender x para tasar r a que el precio
está cayéndose para el problema del cerdo.

El gráfico de momento mejor para vender x contra la proporción r a que el precio

está cayéndose para el problema del cerdo
El gráfico de beneficio neto (el f(x) = (el 0:650:015x)(200 −+ 5x)0:45x) contra
tiempo para vender x para el problema del cerdo en el caso r = 0:015.

Para que al punto al punto

El momento óptimo para vender es dada por la ec. (1.2), siempre y cuando esta
expresión es positiva, es decir, siempre y cuando 0 <r≤0: 014. Para r> 0: 014, el
vértice de la parábola y = f (x) se encuentra fuera del x≥0 conjunto sobre el que
estamos maximizando. En este caso, el momento óptimo para vender es en x = 0
ya que hemos F '<0 en todo el intervalo [0; ∞). Ver Figura 1.5 para un ejemplo en
el caso r = 0: 015.

También estamos seguros de la tasa de crecimiento g del cerdo. Hemos asumido

que g = 5 libras / día. En términos más generales, tenemos que

lo que conduce a la ecuación

de modo que

Ahora f '(x) = 0 en el punto

Figura 1.6: Gráfico del mejor momento para vender x frente a la tasa de
crecimiento g para el problema de cerdo.

El momento óptimo para vender es dada por la ec. (1.4) tanto tiempo, ya que
representa un valor no negativo de x. Figura 1.6 muestra la relación entre la tasa
de crecimiento g y el momento óptimo para vender. Si x cambia por una cantidad
Dx, el cambio relativo en x viene dada por? X = x, y el porcentaje de cambio en x
es 100 Dx = x: si R cambios por Delta R, lo que resulta en el cambio en x? X ;
entonces la relación entre los cambios relativos es Dx = x dividido por Delta R = r:
Dejar Delta R → 0 y utilizando la definición de la derivada, se obtiene
Llamamos a esta cantidad que limita la sensibilidad de x para r, y lo denotaremos
por S (x, r). En el problema de cerdo tenemos

en el punto r = 0:01 y x = 8; por tanto,

Si r sube un 2%, entonces x se cae en un 7%. Desde

Tenemos

por lo que un aumento del 1% en la tasa de crecimiento del cerdo causaría que
esperemos un 3% más tiempo para vender el cerdo.
Con el fin de calcular la sensibilidad S (y; g), primera sustituto (1.4) en la función
objetivo y = f (x) a partir de (1.3) para obtener
Entonces calcular la derivada

y sustituir g = 5 para obtener dy/dg = 4:56, lo que conduce a

Si el cerdo crece un 10% más rápido de lo esperado, el beneficio neto esperado

será 1,7% mayor. El cálculo de las derivadas dy = dg en este caso se trata de un
poco de álgebra. En el capítulo 2, vamos a discutir cómo acomputer sistema de
álgebra se puede utilizar para llevar a cabo los cálculos algebraicos necesarios.

La aplicación con éxito de los procedimientos de análisis de sensibilidad requiere

buen juicio. Por lo general, no es posible calcular coeficientes de sensibilidad para
cada parámetro en el modelo, ni es particularmente deseable. Tenemos que
seleccionar los parámetros sobre los que hay más incertidumbre y realizar análisis
de sensibilidad en ellos. La interpretación de los coeficientes de sensibilidad
también depende del grado de incertidumbre, la cuestión fundamental es el grado
en que nuestra incertidumbre acerca de los datos afecta a nuestra confianza en la
respuesta. En el problema de cerdo, es probable que estemos mucho más
seguros de la tasa de crecimiento g de de la rata ritmo que los precios caen. Un
error del 25% en g sería muy sorprendente si observamos la historia pasada de
crecimiento en este cerdo o animales similares. Un error del 25% en nuestra
estimación de r no sería en absoluto sorprendente.
 OPTIMIZACIÓN DE MULTIVARIABLE

Muchos problemas de optimización requieren la consideración simultánea de un

número las variables de independientes. En este capítulo se considera la
categoría más simple de problemas de optimización multivariable. Las técnicas
deben ser familiar para la mayoría estudiantes de cálculo multivariable. En este
capítulo también introducimos el uso de los sistemas de álgebra computacional
para manejar algunos de los algebraica más complicado cálculos

Optimización sin restricciones

El tipo más simple de los problemas de optimización multivariable consiste en

encontrar el máximo o mínimo de una función diferenciable de varias variables en
un simple conjunto. Surgen otras complicaciones, como veremos más adelante,
cuando el conjunto sobre el cual optimizamos toma una forma más compleja

Ejemplo 2.1. Un fabricante de televisores a color está planeando la introducción

de dos nuevos productos, una pantalla plana LCD de 19 pulgadas conjunto con el
precio de un fabricante sugerido (MSRP) de $ 339 y una pantalla plana LCD de 21
pulgadas fijó con un precio sugerido de $ 399. El coste para la empresa es de $
195 por juego de 19 pulgadas y $ 225 por juego de 21 pulgadas, más un adicional
de $ 400,000 en costos fijos. En el mercado competitivo en el que se venderán
estos conjuntos, el número de ventas por año afectará el precio medio de
venta. Se estima que para cada tipo de conjunto, el precio medio de venta se
reduce en un centavo por cada unidad adicional vendida. Por otra parte, las ventas
del conjunto de 19 pulgadas afectarán las ventas del conjunto de 21 pulgadas, y
vice-versa. Se estima que el precio de venta promedio para el conjunto de 19
pulgadas se reducirá en un adicional de 0.3 centavos por cada conjunto de 21
pulgadas que se venden, y el precio para el conjunto de 21 pulgadas se reducirá
en 0,4 centavos por cada conjunto de 19 pulgadas vendido. ¿Cuántas unidades de
cada tipo de juego debe ser fabricado?
Figura 2.1: Resultados de la etapa 1 del problema televisión en color

El enfoque de cinco pasos para la modelación matemática, introducido en el

capítulo anterior, se puede utilizar para resolver este problema. Paso 1 es para
hacer una pregunta. Comenzamos por hacer una lista de variables. Siguiente
anotaremos las relaciones entre variables y cualquier otra hipótesis, como la no
negatividad. Finalmente, para-mular una pregunta en términos matemáticos,
utilizando la notación establecida. Los resultados de la etapa 1 se resumen en la
Figura 2.1.

Paso 2 es para seleccionar el método de modelización. Vamos a resolver este

problema como un problema de optimización no restringida multivariable. Este tipo
de problema se trata por lo general en los cursos introductorios de cálculo
multivariable. Vamos a esbozar el modelo y el procedimiento general solución
aquí. Remitimos al lector a cualquier libro de texto introductorio de cálculo para los
detalles y pruebas matemáticas.

Se nos ha dado una función y = f (x1;:::; xn) en un subconjunto S del espacio Rn

n-dimensional. Queremos encontrar el máximo y / o valores mínimos de la serie S.
Hay un teorema que establece que si f alcanza su máximo o mínimo en un punto
interior (x1;: ::; x n) en S, entonces ∇f = 0 en ese punto, asumiendo que f es
diferenciable en ese punto. En otras palabras, en el punto extremo
El teorema nos permite descartar como candidato a max-min a cualquier punto en
el interior de S para que cualquiera de las derivadas parciales de f no lo hacen
igual a cero. Por lo tanto, para encontrar los puntos de máximo-mínimo tenemos
que resolver simultáneamente las n ecuaciones con n incógnitas definidas por la
ecuación (2.1). Luego también hay que comprobar todos los puntos en la frontera
de S, así como los puntos donde una o más de las derivadas parciales no está
definido

Paso 3 es formular el modelo, utilizando el formulario normalizado elegido en el

paso 2.

Sea

Ahora vamos y = P será la cantidad que deseamos maximizar, y dejar que x1 = s;

x2 = t ser nuestras variables de decisión. Nuestro problema ahora es maximizar

sobre el conjunto
El paso 4 es para resolver el problema, utilizando los métodos de solución
estándar descritos en el paso 2 El problema es maximizar la función f dada por la
ecuación. (2.2) sobre el conjunto S se define en la ecuación (2.3). Figura 2.2
muestra un gráfico 3-D de la función f. Este gráfico indica que f alcanza su máximo
en el interior de S. Figura 2.3 muestra una gráfica de los conjuntos de nivel de f.

De esta figura se puede estimar que el valor máximo de la función f se produce

alrededor de x1 = 5; 000 y x2 = 7; 000. La función f es un paraboloide, y el vértice
del paraboloide es la única solución a la ecuación. (2.1) se obtiene mediante el
establecimiento ∇f = 0. Calculamos que

en el punto
Figura 2.2: Gráfico 3-D de la ganancia y = f (x1, x2) a partir de (2.2) frente a los
niveles de producción x1 de conjuntos de 19 pulgadas y x2 de conjuntos de 21
pulgadas para el problema TV color.

Figura 2.3: Diagrama de contorno que muestra conjuntos de nivel de ganancia y =

f (x1, x2) de (2.2) frente a los niveles de producción x1 de conjuntos de 19
pulgadas y x2 de conjuntos de 21 pulgadas para el problema TV color.

El punto (x1; x2) definida por la ecuación. (2.5) representa el máximo global de f
sobre todo el plano real. Es por lo tanto también el máximo de f en el conjunto S
se define en la ecuación. (2.3). El valor máximo de f se obtiene sustituyendo la
ecuación. (2,5) de nuevo en la ecuación. (2.2), lo que da

Los cálculos de la etapa 4 en este problema son un poco engorroso. En casos

como este, es conveniente utilizar un sistema de álgebra computacional para
realizar los cálculos necesarios. Sistemas de álgebra computacional pueden
diferenciar, integrar, resolver ecuaciones y simplificar expresiones algebraicas. La
mayoría de los paquetes también pueden realizar el álgebra matricial, dibujar
gráficos, y resolver algunas ecuaciones diferenciales. Varios buenos sistemas de
álgebra computacional (Maple, Mathematica, Derivar, etc) están disponibles tanto
para mainframe y los ordenadores personales, y muchos sistemas ofrecen una
versión para estudiantes a un precio reducido sustancialmente. Los gráficos de la
Figura 2.2 y la Figura 2.3 se extrajeron utilizando el Maple sistema de álgebra
computacional. Sistemas de álgebra computacional son un ejemplo de la clase de
que la "tecnología apropiada"

se hace referencia en la figura. 1,3, en nuestro resumen del método de cinco

pasos. La Figura 2.4 muestra los resultados de la utilización del sistema de
álgebra computacional Mathematica para resolver el modelo actual.

Hay varias ventajas de utilizar un sistema de álgebra computacional de un

problema como este. Es más eficiente y más precisa. Va a ser más productiva si
usted aprende a usar esta tecnología, y se le dará la libertad para concentrarse
más en los grandes temas de solución de problemas en lugar de enredarse en los
cálculos. Vamos a ilustrar el uso de sistemas de álgebra computacional de nuevo
en nuestros cálculos de análisis de sensibilidad por debajo, donde el álgebra es
aún más exigente.

El último paso, el paso 5, es responder a la pregunta en la llanura Inglés. En pocas

palabras, la empresa puede maximizar los beneficios mediante la fabricación de
4735 de los juegos de 19 pulgadas y 7043 de los juegos de 21 pulgadas, lo que
resulta en una ganancia neta de $ 553,641 para el año. El precio medio de venta
de un conjunto de 19 pulgadas es $ 270.52 y $ 309.63 para un conjunto de 21
pulgadas. Los ingresos proyectados es 3.461.590 dólar, resultando en un margen
de beneficio (beneficio / ingresos) de 16 por ciento. Estas cifras indican una
empresa rentable, así que le recomendamos que la empresa proceda a la
introducción de estos nuevos productos.

Las conclusiones del párrafo anterior se basan en los supuestos ilustrados en la

fig. 2.1. Antes de informar sobre nuestros resultados a la empresa, hay que
realizar un análisis de sensibilidad para asegurar que nuestras conclusiones son
robustos con respecto a nuestros supuestos acerca tanto el mercado de los
televisores y el proceso de fabricación. Nuestra principal preocupación es el valor
de las variables x1 y x2 de decisiones, ya que la empresa debe actuar sobre esta
información.

Nos ilustran el procedimiento para el análisis de sensibilidad mediante el examen

de la sensibilidad a la elasticidad-precio para los conjuntos de 19 pulgadas, que
denotaremos por la variable a. La elasticidad precio es el término utilizado por los
economistas para describir la sensibilidad de la cantidad vendida al precio de
venta. En nuestro modelo hemos supuesto que a = 0:01
Figura 2.4: Solución óptima para el problema TV color utilizando el sistema de
álgebra computacional Mathematica.

dólares por juego. Sustituyendo en nuestra fórmula anterior, obtenemos

Cuando calculamos las derivadas parciales y les hace igual a cero, obtenemos

Figura 2.5: Gráfico de óptima x1 nivel de producción de conjuntos de 19 pulgadas

frente a la elasticidad precio de una para el problema de la televisión en color.

Despejando x1 y x2 como antes rendimientos

Ver Figs. 2,5 y 2,6 para las gráficas de x1 y x2 frente a.

A partir de estas gráficas se observa que una mayor elasticidad precio de un

conjuntos de 19 pulgadas reducirá el x1 óptimo nivel de producción de grupos de
19 pulgadas y aumentar la x2 óptimo nivel de producción de grupos de 21
pulgadas. También parece que x1 es más sensible a una de x2, que parece tener
sentido. Para obtener una medida numérica de estas sensibilidades calculamos

en a = 0:01, de modo que

Figura 2.6: Gráfico de óptima x2 nivel de producción de conjuntos de 21 pulgadas

frente a la elasticidad precio de una para el problema de la televisión en color.
A los rendimientos de cálculo similares

Si la elasticidad precio de conjuntos de 19 pulgadas se incrementara en un 10%,

entonces debemos hacer un 11% menos series de 19 pulgadas y un 2,7% más
conjuntos de 21 pulgadas.

A continuación, tenemos en cuenta la sensibilidad de y respecto a a. ¿Qué efecto

tendrá un cambio en la elasticidad de los precios para los conjuntos de 19
pulgadas tendrá en nuestras ganancias? Para obtener una fórmula para y en
términos de a, sustituimos la ecuación. (2,9) de nuevo en la ecuación. (2.7) para
obtener

Ver Fig. 2,7 para un gráfico de Y frente a. Parece que el aumento de la elasticidad
de precios para los conjuntos de 19 pulgadas se traducirá en menores beneficios.
Figura 2.7: Gráfico de y ganancia óptima frente a la elasticidad-precio de una para
el problema de la televisión en color.

Para calcular S (y; a) vamos a necesitar para obtener una fórmula para dy / da.
Una forma de hacer esto sería el empleo de métodos de una variable directamente
en la ecuación. (2.10), tal vez con la ayuda de un sistema de álgebra
computacional. Otro método, que es computacionalmente más eficiente, es utilizar
la regla de la cadena multivariable, lo que implica que

Dado que tanto y son cero en el óptimo, tenemos

directamente de la ecuación. (2.7), por lo

Por lo tanto, un aumento del 10% en la elasticidad de los precios para los
conjuntos de 19 pulgadas se traducirá en una caída de 4% en sus ganancias.

El hecho de que el término

Figura 2.8: Cálculo de la sensibilidad S (x1; a) para el problema TV color con el
Maple sistema de álgebra computacional.

en la ecuación. (2.11) tiene su propio significado en el mundo real. Esta parte de la

derivada dy / da representa el efecto sobre los beneficios del cambio de los niveles
de producción óptima x1 y x2. El hecho de que se resume a cero significa que
pequeños cambios en los niveles de producción tienen (al menos en la
aproximación lineal) ningún efecto sobre los beneficios. Geométricamente, ya que
estamos en el punto máximo donde la curva y = f (x1, x2) es plana, pequeños
cambios en x1 y x2 tienen poco efecto en y. Casi la totalidad de la caída de los
beneficios óptimos causadas por un aumento del 10% en la elasticidad de los
precios para los conjuntos de 19 pulgadas se debe al cambio en el precio de
venta. Por lo tanto, los niveles de producción dadas por nuestro modelo será casi
óptima. Por ejemplo, supongamos que hemos asumido a = 0,01, pero que esta
elasticidad precio es, de hecho, un 10% superior. Vamos a establecer nuestros
niveles de producción utilizando la ecuación. (2.5), lo que significa que vamos a
producir 11% demasiadas series de 19 pulgadas y alrededor de 3% muy pocos
conjuntos de 21 pulgadas, en comparación con la solución óptima dada por la
ecuación. (2.9) con a = 0.011. Además, nuestras ganancias serán 4% inferior a lo
esperado. Pero ¿qué hemos hecho perdido mediante la aplicación de los
resultados de nuestro modelo? Usando la ecuación. (2.5) con a = 0,011,
tendremos un beneficio neto $ 531,219. El beneficio óptimo sería $ 533,514 (fijado
a = 0:. 011 en la ecuación (2.9) y sustituir de nuevo en la ecuación (2.7).).

Por lo tanto, hemos perdido sólo 0,43 por ciento del potencial máximo beneficio
mediante la aplicación de los resultados de nuestro modelo, a pesar de que
nuestros niveles de producción reales fueron bastante lejos de los valores
óptimos. Nuestro modelo parece ser extremadamente robusto en este sentido. Por
otra parte, una conclusión similar debe mantener durante muchos problemas
similares, ya que se debe fundamentalmente al hecho de que ∇f = 0 en un punto
crítico.

Todos los cálculos de análisis de sensibilidad anteriores también podría realizarse

mediante un sistema de álgebra computacional. De hecho, este es el método
preferido, suponiendo que hay uno disponible. Figura 2.8 ilustra cómo el sistema
de arce álgebra ordenador puede ser utilizado para calcular la sensibilidad S (x1;
a). Los cálculos de las otras sensibilidades son similares.

El análisis de sensibilidad para las otras elasticidades podría llevarse a cabo de la

misma manera. Mientras que los datos serán diferentes, la forma de la función f
sugiere que cada y afecta esencialmente de la misma manera. En particular,
tenemos un alto grado de confianza en que nuestro modelo conducirá a una
buena decisión (casi óptima) sobre los niveles de producción, incluso en la
presencia de pequeños errores en la estimación de la elasticidad de los precios.

Vamos a decir unas pocas palabras sobre el tema más general de robustez.
Nuestro modelo se basa en una estructura de precios lineal. Ciertamente, esto es
sólo una aproximación. Sin embargo, en aplicaciones prácticas es probable que
proceda de la siguiente manera. Comenzamos con una conjetura sobre el tamaño
del mercado para nuestros nuevos productos y con un precio de venta promedio
razonable. Luego calculamos las elasticidades sea sobre la base de la experiencia
pasada con situaciones similares o sobre la base de estudios de mercado
limitadas. Debemos ser capaces de obtener estimaciones razonables para estas
elasticidades más de un cierto rango de niveles de ventas. Esta gama incluye
presumiblemente los niveles óptimos. Así que, en efecto, simplemente estamos
haciendo una aproximación lineal de una función no lineal en un intervalo bastante
pequeña región. Este tipo de aproximación es bien conocido por exhibir robustez.
Después de todo, esta es la idea detrás de cálculo.

2.2 Multiplicadores de Lagrange

En esta sección comenzamos a considerar los problemas de optimización con una

estructura más sofisticada. Como señalamos al principio de la sección anterior, las
complicaciones surgen en la solución de modelos de optimización multivariable
cuando el conjunto sobre el cual optimizamos se vuelve más compleja. En
problemas reales nos lleva a considerar estos modelos más complicados por la
existencia de restricciones en las variables independientes.

Ejemplo 2.2.Nosotros reconsideraremos el problema de la televisión en color

(Ejemplo 2.1) introducido en la sección anterior. Hay que asumir que la empresa
tiene el potencial de producir cualquier número de televisores por año. Ahora
vamos a introducir restricciones basadas en la capacidad de producción
disponible. La consideración de estos dos nuevos productos se produjo porque la
compañía tiene previsto dejar de fabricar algunos modelos más antiguos,
proporcionando así un exceso de capacidad en su planta de ensamblaje. Este
exceso de capacidad podría utilizarse para aumentar la producción de otras líneas
de productos existentes, pero la compañía considera que los nuevos productos
serán más rentables.
Figura 2.9: Resultados de la etapa 1 para el problema de la televisión a color con
limitaciones.

Se estima que la capacidad de producción disponible será suficiente para producir

conjuntos de 10.000 por año (≈200 por semana). La empresa cuenta con una
amplia oferta de paneles LCD de 19 pulgadas y de 21 pulgadas y otros
componentes estándar; Sin embargo, las tarjetas de circuitos necesarios para la
construcción de los conjuntos son actualmente escasos. Además, la televisión de
19 pulgadas requiere un tablero diferente que el modelo de 21 pulgadas debido a
la configuración interna, que no puede ser cambiado sin un rediseño importante,
que la empresa no está preparada para llevar a cabo en este momento. El
proveedor es capaz de suministrar 8.000 tableros al año para el modelo de 21
pulgadas y 5.000 juntas por año para el modelo de 19 pulgadas. Teniendo en
cuenta esta información, ¿cómo debe la empresa establecer los niveles de
producción?

Una vez más vamos a emplear el método de cinco pasos. Los resultados de la
etapa 1 se muestran en la Figura 2.9. El único cambio es la adición de varias
restricciones en las variables de decisión s y t. Paso 2 es para seleccionar el
método de modelización. Este problema se puede modelar como un problema de
optimización con restricciones multivariable y resuelve utilizando el método de los
multiplicadores de Lagrange.

Se nos ha dado una función y = f (x1; :::; xn) y un conjunto de restricciones. Por el
momento, vamos a suponer que estas limitaciones se pueden expresar en forma
de ecuaciones funcionales k

Más adelante explicaremos cómo manejar restricciones de desigualdad. Nuestro

trabajo consiste en optimizar
sobre el conjunto

Hay un teorema que establece que en un x∈S punto extremo, debemos tener

que llamamos los multiplicadores de Lagrange. Este teorema

asume que ∇g1; :::; ∇gk vectores son linealmente independientes (véase Edwards
(1973), p. 113). Entonces, a fin de localizar el max-min Puntos logrados en el
conjunto S, debemos resolver las n ecuaciones multiplicadores de Lagrange

junto con las ecuaciones de restricción k

para las variables x1; :::; xn y También hay que comprobar los
puntos excepcionales en que los vectores gradiente ∇g1; :::; ∇gk no son
linealmente independientes.

El método de los multiplicadores de Lagrange se basa en una interpretación

geométrica del vector gradiente. Supongamos por el momento que sólo hay una
ecuación de restricción,
de modo que la ecuación se convierte en multiplicador de Lagrange

El conjunto de g = c es una superficie curva de dimensión n-1 en Rn, y para

cualquier punto x∈S la ∇g gradiente vector (x) es perpendicular a S en ese punto.
El vector gradiente ∇f siempre apunta en la dirección en la que f aumenta el más
rápido. En un máximo local o min, la dirección en la que f aumenta más rápido
también debe ser perpendicular a S, por lo que en ese momento debemos tener ∇f
and∇g apuntando a lo largo de la misma línea; es decir, ∇f =(lamda)∇g.

En el caso de varias limitaciones, el argumento geométrica es similar. Ahora el

conjunto S representa la intersección del nivel k superficies g1 = c1; :::; gk = ck.
Cada uno de ellos es una (n-1)-dimensional subconjunto de Rn, por lo que su
intersección es una (n-k) subconjunto dimensional. En un punto extremo, ∇f debe
ser perpendicular al conjunto S. Por lo tanto, debe estar en el espacio abarcado
por los vectores k ∇g1; : ::; ∇gk El estado técnico de independencia lineal asegura
que los vectores k ∇g1; :::; ∇gk realmente hacen abarcar un espacio k-
dimensional. (En el caso de una única restricción, la independencia lineal significa
simplemente que ∇g / = 0)

Ejemplo 2.3. maximizar sobre el conjunto

Este es un problema de optimización multivariable restringido. Sea

denotar la función objetivo, y dejar

denotan la función de restricción. Compute

En el máximo, ∇f = ∇g(lamda); en otras palabras,

Esto da tres ecuaciones con cuatro incógnitas. Problemas en términos de (lamda),
obtenemos

Usando el hecho de que

obtenemos una ecuación cuadrática en (lamda), con dos raíces reales. La raíz
(lamda) = √42 / 6 conduce a

de manera que el punto

es un candidato para el máximo.

La otra raíz, conduce a otro candidato, b = -a. Desde ∇g ̸ = 0

en todas partes en el conjunto de restricciones g=3, a y b son los dos únicos
candidatos al máximo. Dado que f es una función continua en el conjunto cerrado
y acotado g=3, f debe alcanzar su máximo y el mínimo en este conjunto.
Entonces, puesto
el punto a es el máximo y b es el mínimo. Tenga en cuenta la geometría de este
ejemplo. El conjunto de restricciones S definida por la ecuación

es una esfera de radio √3 centrado en el origen en R3. Conjuntos de nivel de la

función objetivo

son planos en R3. Los puntos a y b son los únicos dos puntos de la esfera S en la
que uno de estos aviones es tangente a la esfera. En el punto máximo a, los
vectores de gradiente ∇f y ∇g en el punto estan en la misma dirección. En el punto
mínimo b; las ∇f y ∇g están en direcciones opuestas.

Volviendo ahora al problema introducido al principio de esta sección, estamos

listos para continuar con el proceso de modelado con el paso 3 Vamos a formular
el problema televisión revisada como un problema de optimización multivariable
restringido. Queremos maximizar y = P (beneficio) en función de nuestras dos
variables de decisión, x1 = s y x2 = t: Tenemos la misma función objetivo

Queremos maximizar f sobre el conjunto S que consiste en todo x1 y x2 satisfacer

las restricciones

El conjunto S se llama la región factible, ya que representa el conjunto de todos

los niveles de producción viables. Figura 2.10 muestra una gráfica de la región
factible para este problema.
Vamos a aplicar métodos multiplicadores de Lagrange para encontrar el máximo
de y = f (x1; x2) sobre el conjunto S. Compute

Desde ∇f /= 0 en el interior de S, el valor máximo debe ocurrir en el límite.

Consideremos en primer lugar el segmento de la frontera en la línea de restricción

Aquí ∇g = (1; 1), por lo que las ecuaciones multiplicadores de Lagrange son

La solución de estos dos ecuaciones junto con la ecuación de restricción

Son
Figura 2.10: Gráfico que muestra el conjunto de todos los niveles de producción
factible x1 de conjuntos de 19 pulgadas y x2 de conjuntos de 21 pulgadas para el
problema de la televisión a color con limitaciones.

Figura 2.11: Gráfico de conjuntos de nivel que muestra el beneficio de y = f (x1,

x2) en comparación con los niveles de producción x1 de conjuntos de 19 pulgadas
y x2 de 21 pulgadas establece junto con el conjunto de todos los niveles de
producción factibles para el problema TV color con limitaciones.
Sustituyendo en la ecuación de vuelta. (2.2), obtenemos y = 532308 en el máximo.

Figura 2.11 muestra un gráfico de arce de los conjuntos de nivel de f junto con la
región factible.

El conjunto de nivel f = C para C = 0; 100; 000; :::; 500; 000 forman anillos
concéntricos cada vez más pequeños, todos los cuales forman intersección con la
región factible. El conjunto de nivel de f = 532; 308 forma el anillo más pequeño.
Este conjunto apenas toca la región factible S, y es tangente a la línea x1 + x2 =
10; 000 en el punto óptimo. Esta evidencia gráfica indica que el punto crítico se
encuentra utilizando multiplicadores de Lagrange a lo largo de la línea de
restricción x1 + x2 = 10; 000 es en realidad el máximo de la función f sobre las
regiones factibles.

Figura 2.12: Solución óptima para el problema TV color con limitaciones utilizando
el sistema de álgebra computacional Mathematica.

Figura 2.12: Solución óptima para el problema TV color con limitaciones utilizando
el sistema de álgebra computacional Mathematica.
Una prueba algebraica que este punto es en realidad el máximo es un poco más
complicado. Al comparar los valores de f en este punto crítico con los valores en
los extremos (5, 000, 5, 000) y (2, 000, 8, 000), podemos demostrar que este
punto crítico es la máxima en este segmento de línea. Entonces podemos
optimizar f en los segmentos de líneas restantes y comparar los resultados. Por
ejemplo, el máximo de f en el segmento de línea a lo largo del eje X1 se produce
en x1 = 5; 000. Para ver esto, se aplican los multiplicadores de Lagrange con g
(x1; x2) = x2 = 0 Aquí ∇g = (0; 1), por lo que las ecuaciones multiplicadores de
Lagrange son

La solución de estos dos ecuaciones junto con la ecuación de restricción x2 = 0

rendimientos x1 = 7; 200, x2 = 0, y (lamda) = 123: 6. Esto está fuera de la región
factible, por lo que el max-min a lo largo de este segmento debe ocurrir en los
extremos (0; 0) y (5; 000; 0). El primero es el mínimo y el segundo es el máximo,
ya que el valor de f en el segundo es mayor. También es posible optimizar lo largo
de este segmento de línea mediante la sustitución de x2 = 0 y el uso de uno
métodos variables. Dado que el valor más grande de f se produce en el segmento
de línea inclinada, hemos encontrado el máximo sobre S. Algunos de los cálculos
en el paso 4 son más bien involucrados. En tales casos, es necesario recurrir a un
sistema de álgebra computacional para simplificar el proceso de cálculo de los
derivados y la resolución de ecuaciones. La figura 2.12 muestra los resultados de
la utilización del sistema de álgebra computacional Mathematica para realizar los
cálculos de la etapa 4 de la línea de restricción x1 + x2 = 10; 000.

En la llanura Inglés, la empresa puede maximizar sus ganancias mediante la

producción de 3846 de los juegos de 19 pulgadas y 6154 de los juegos de 21
pulgadas para un total de 10.000 sistemas por año. Este nivel de producción utiliza
todo el exceso de capacidad de producción disponible. Las limitaciones de
recursos sobre la disponibilidad de las tarjetas de circuitos de televisión no son
vinculantes. Esta empresa va a producir un beneficio estimado de 532,308 dólares
al año.
Análisis de sensibilidad y Precios Sombra

En esta sección se discuten algunas de las técnicas especializadas para el

análisis de sensibilidad en modelos de multiplicadores de Lagrange. Resulta que
los propios multiplicadores tienen un significado en el mundo real.

Antes se reportan los resultados de nuestro análisis del modelo en el Ejemplo 2.2,
es importante realizar un análisis de sensibilidad. Al final de la sección 2.1 se
determinó la sensibilidad a la elasticidad de los precios de un modelo sin
restricciones. El procedimiento para el nuevo modelo no es muy diferente.
Examinamos la sensibilidad a un valor de parámetro en particular generalizando el
modelo ligeramente, sustituyendo el valor asumido con una variable. Supongamos
que queremos volver a examinar la elasticidad de los precios, a, para juegos de 19
pulgadas. Nosotros reescribimos la función objetivo como en la ecuación. (2.7) de
manera que

Donde y están dadas por la ec. (2.8). Ahora las

ecuaciones multiplicadores de Lagrange son

Resolviendo junto con la ecuación de restricción

Donde
Entonces tenemos

de manera que en el punto x1 = 3846 x2 = 6154 y a= 0.01, obtenemos

Vea las Figuras 2.13 y 2.14 para las gráficas de x1 y x2 frente a la variable a. Si la
elasticidad precio de 19 pulgadas establece aumentos, vamos a trasladar la
producción a partir de 19 pulgadas para juegos de 21 pulgadas. Si disminuye,
entonces vamos a producir más series de 19 pulgadas y un menor número de
conjuntos de 21 pulgadas.

En cualquier caso, siempre y cuando el punto (x1; x2) dada por la ecuación. (2.14)
se encuentra entre las otras líneas de las restricciones (: 007≤a≤: 022), siempre
vamos a producir un total de 10.000 juegos.

Ahora vamos a considerar la sensibilidad de nuestra utilidad óptima y que la

elasticidad-precio respecto de a para el conjunto de 19 pulgadas. Para obtener
una fórmula para y en términos de a, sustituimos la ecuación. (2.14) de nuevo en
la ecuación. (2,2) para conseguir
Véase la Figura 2.15 para la gráfica de y frente a.

Figura 2.13: Gráfico de óptima de producción de x1 del conjuntos de 19 pulgadas

frente a la elasticidad precio de a para el problema de la televisión a color con
limitaciones.

Figura 2.14: Gráfico de óptima producción de x2 del conjuntos de 21 pulgadas

frente a la elasticidad precio de a para el problema de la televisión a color con
limitaciones.
Figura 2.15: Gráfico de y ganancia óptima frente a la elasticidad-precio de a para
el problema de la televisión a color con limitaciones.

Con el fin de obtener una medida numérica de la sensibilidad de y a a, podríamos

aplicar técnicas de una variable a la expresión anterior, tal vez con la ayuda de un
sistema de álgebra computacional. Otro método, que es mucho más eficiente
computacionalmente, es utilizar la regla de la cadena multivariable en la ecuación.
(2.11). Para cualquier a, el vector gradiente de ∇f es perpendicular a la línea de
restricción g = 10000. Desde

es un punto de la curva G = 10; 000, el vector de velocidad

es tangente a la curva. Pero entonces ∇f es perpendicular a dx/da; es decir, el

producto punto

en general. Por lo tanto, obtenemos de nuevo

como en la Sección 2.1. Ahora podemos calcular fácilmente que

Como en el problema sin restricciones, un aumento de la elasticidad de los precios

conduce a la pérdida de beneficios. También es cierto que aquí, como en el
problema sin restricciones, casi totalidad de la ganancia perdida es debido al
hecho de que el precio de venta para los conjuntos de 19 pulgadas ha disminuido.
Si a = 0: 011 y usamos x1 = 3; 846; x2 = 6; 154 en lugar del nuevo óptimo dada
por la ecuación. (2.13), no vamos a perder mucho beneficio potencial. El vector
gradiente ∇f puntos en la dirección de aumento más rápido de la función objetivo f,
que representa nuestras utilidades. No estamos en el óptimo, pero el camino entre
el óptimo y el punto (3846, 6154) es perpendicular a ∇f. Por lo tanto, podemos
esperar que el valor en este punto no varía mucho del valor óptimo. Por lo tanto
nuestro modelo conduce a una decisión casi óptima incluso en presencia de
pequeñas variaciones en a.

Destacamos que para este problema también tendría sentido utilizar un sistema de
álgebra computacional para realizar los cálculos necesarios. Figura 2.16 ilustra el
uso de la Maple sistema de álgebra computacional para calcular la sensibilidad S
(x2; a). Las otras sensibilidades se pueden calcular de una manera similar.

Ahora vamos a considerar la sensibilidad de la óptima los niveles de producción x1

y x2 y la ordenada en beneficio resultante a la capacidad de fabricación
disponibles de c = 10; 000 juegos por año. Para ello vamos a volver a nuestro
problema original, en sustitución de la restricción g = 10; 000 por la forma más
general g = c. La región factible es similar a la representada en la fig. 2.10, pero
ahora la línea de restricción inclinado se mueve un poco (que queda paralela a la
recta x1 + x2 = 10; 000). Para valores de c cerca de 10; 000, el máximo todavía se
produce en el punto de la línea de restricción

donde ∇f =(lamda)∇g. Dado que tanto ∇f y ∇g no han cambiado desde nuestro

problema original, tenemos las mismas ecuaciones multiplicadores de Lagrange
de la ecuación. (2.12), que son a resolver junto con la nueva ecuación de
restricción, Eq. (2.16). Resolver, obtenemos

Figura 2.16: Cálculo de la sensibilidad S (x2; a) para el problema de la televisión a

color con restricciones utilizando el Maple sistema de álgebra computacional.

Ahora
Hay una explicación sencilla para la ecuación geométrica. (2.18). Desde puntos ∇f
en la dirección del aumento más rápido de f, cuando nos movemos la línea de
restricción en la ecuación (2.16), el nuevo óptimo. (X1; x2) debe estar situado
aproximadamente en el punto donde ∇f intersecta en línea la ecuación . (2.16).
Entonces

Para obtener la sensibilidad de y para c, calculamos

que es el valor del multiplicador de Lagrange (lamda). Ahora

La explicación geométrica para dy/dc =(lamda) es el siguiente. Tenemos ∇f

=(lamda)∇g, y a medida que aumentamos c, nos movemos en la dirección ∇f. A
medida que avanzamos en esta dirección, f aumenta (lamda) Veces más rápido
que g.

La derivada dy/dc = 24 tiene una importante interpretación del mundo real. La

adición de 1 unidad de capacidad de producción (delta)C = 1 resulta en un
aumento de los beneficios (delta)y = 24 dólares. Esto se llama un precio sombra.
Representa el valor a la empresa de un determinado recurso (capacidad de
producción). Si la empresa está interesada en la posibilidad de aumentar la
capacidad de producción, que es, después de todo, la restricción vinculante, debe
estar dispuesto a pagar hasta $ 24 por unidad de capacidad adicional. Por otra
parte, sería conveniente para transferir la capacidad de producción de la
fabricación de conjuntos de panel plano LCD TV de 19 pulgadas y de 21 pulgadas
a un producto alternativo si y sólo si el nuevo producto produciría una ganancia de
más de $ 24 por unidad

El cálculo de las sensibilidades en este problema se puede simplificar mediante el

uso de un sistema de álgebra computacional. Figura 2.17 ilustra el uso de la Maple
sistema de álgebra computacional para calcular la sensibilidad S (y; c).

Las otras sensibilidades se pueden calcular de una manera similar. Si tienes la

suerte de tener acceso a un sistema de álgebra computacional, debe utilizarlo
para su propio trabajo. Problemas del mundo real a menudo implican largos
cálculos. Algunos facilidad en el uso de un sistema de álgebra computacional, te
hará más productivo. También es mucho más divertido que el cálculo a mano.

Por supuesto, el nivel óptimo de y ganancias y el nivel de producción x1 yx2 son

totalmente insensibles a los valores de los otros coeficientes de restricción, ya que
las otras limitaciones, x1 ≤5; 000 y x2 ≤8; 000, no son vinculantes. Un pequeño
cambio en los límites superiores en x1 o x2 cambiaría la región factible, pero la
solución óptima se mantendría en (3846, 6154). Por lo tanto, los precios sombra
de estos recursos son cero. La compañía no estaría dispuesto a pagar una prima
para aumentar el número disponible de placas de circuitos de televisión, ya que no
los necesitan. Esta situación no cambiará a menos que el número de tablas
disponibles se redujo a 3,846 o menos para los conjuntos de 19 pulgadas, o 6,154
o menos para los conjuntos de 21 pulgadas. En el siguiente ejemplo, vamos a
considerar lo que sucede en este caso.

Ejemplo 2.5. Supongamos que en el problema televisión restringida del Ejemplo

2.2, el número de placas de circuitos disponibles para televisores de 19 pulgadas
es sólo 3.000 por año. ¿Cuál es el calendario de producción óptimo?
En este caso el punto de la curva de nivel de x1 + x2 = 10; 000 en la que f (x1; x2)
se maximiza se produce fuera de la región factible. El máximo de f en la región
factible ocurre en el punto (3000, 7000). Esta es la intersección de las curvas de
restricción

En este punto tenemos

De hecho, podemos calcular fácilmente

en el punto (3000, 7000); así tenemos (lamda)1 = 13 y (lamda)2 = 22 Por supuesto

que cualquier vector en R2 puede escribirse como una combinación lineal de (1, 1)
y (1, 0). El punto, sin embargo, de calcular los multiplicadores de Lagrange, es que
incluso en el caso de múltiples restricciones, no dejan de representar los precios
sombra de las restricciones de enlace (la capacidad de producción y los tableros
de 19 pulgadas). En otras palabras, una unidad adicional de la capacidad de
producción es un valor de $ 13, y una placa de circuito adicional vale $ 22.

Para la conveniencia del lector, incluimos aquí una prueba del hecho de que los
multiplicadores de Lagrange representan precios sombra. Se nos da una función y
= f (x1;: ::; xn), que ha de ser optimizado sobre el conjunto definido por una o más
ecuaciones de restricción de la forma

Supongamos que el óptimo se produce a un punto x0 en el que se cumplen las

hipótesis del teorema de Lagrange multiplicador, por lo que en este momento
tenemos

Puesto que las ecuaciones de restricción pueden ser escritos en cualquier orden,
será suficiente para mostrar que (lamda)1 es el precio sombra correspondiente a
la primera restricción. Sea x (t) denotan la ubicación del punto óptimo sobre el
conjunto g1 = t; g2 = c2; : ::; gk = ck. Desde g1 (x (t)) = t, tenemos ∇g (x (t)) · x '(t)
= 1, y en particular ∇g (x0) · x' (c1) = 1 para i Desde = 2; :::; k tenemos gi (x (t)) = ci
constante para todo t, tenemos ∇gi (x (t)) · x '(t) = 0, y, en particular ∇gi (x0) · x'
(c1) = 0 El precio sombra es

evaluado en el punto t = c1. Luego, desde el hecho de que la ecuación. (2.19) se

cumple en el punto x0, obtenemos ∇f (x0) · x '(c1) =(lamda)1∇g1 (x0) · x' (c1) = 1
como se desee.
 INTRODUCCIÓN A LOS MODELOS DINÁMICOS

Muchos de los problemas de interés práctico implican procesos que evolucionan

con el tiempo. Se utilizan modelos dinámicos para representar el comportamiento
cambiante de estos sistemas. El vuelo espacial, los circuitos eléctricos, las
reacciones químicas, el crecimiento demográfico, las inversiones y las rentas
vitalicias, las batallas militares, la propagación de enfermedades, y control de la
contaminación son sólo algunas de las muchas áreas en las que se hace un uso
extensivo de los modelos dinámicos.

El método de cinco pasos y los principios fundamentales del análisis de

sensibilidad y robustez son tan relevantes y útiles para los modelos dinámicos
como lo son para los modelos de optimización. Vamos a seguir confiando en ellos
a medida que exploramos algunas de las técnicas de modelado dinámico más
populares y de aplicación general. En el curso de este estudio, también vamos a
introducir los conceptos de modelado importantes de espacio de estado, el
equilibrio y la estabilidad. Todo esto también va a ser muy útil en la última parte de
este libro, donde exploramos modelos estocásticos.

Como regla general, los modelos dinámicos son fáciles de formular y difícil de
resolver. Exactas soluciones analíticas están disponibles sólo para algunos casos
especiales, tales como los sistemas lineales. Métodos numéricos en general no
presentan una buena comprensión cualitativa del comportamiento del sistema. Por
lo tanto, la aplicación de técnicas gráficas se emplea por lo general como al menos
una parte del análisis de modelos dinámicos. Debido a la simplicidad inherente de
las técnicas gráficas, junto con su naturaleza geométrica, este capítulo también
nos proporciona una oportunidad ideal para presentar algunos de los conceptos
más profundos y fundamentales de modelado utilizadas para los sistemas
dinámicos.

4.1 Análisis del Estado Estacionario

En esta sección vamos a considerar el tipo más simple de modelo dinámico. Las
matemáticas requeridas son de hecho elementales. Aun así, las aplicaciones
prácticas de este modelo son numerosas, y la ausencia de un exceso de técnica
sofisticada nos deja libre para concentrarse en algunas de las ideas más
fundamentales de la modelización dinámica

Ejemplo 4.1. En un tramo no administrado de la superficie forestal, de madera

dura y blanda árboles compiten por la tierra y el agua disponible. Los árboles de
madera dura más deseables crecen más lentamente, pero son más duraderas y
producen la madera más valiosa. Árboles de madera blanda compiten con las
maderas por un rápido crecimiento y el consumo de los nutrientes del agua y del
suelo disponibles. Las maderas duras compiten por el crecimiento más alto de las
maderas blandas puede y sombreando nuevas plántulas. También son más
resistentes a las enfermedades. ¿Pueden estos dos tipos de árboles coexistir en
una zona de la tierra de los bosques de forma indefinida, o tendrán un tipo de
árbol de conducir el otro a la extinción?

Vamos a utilizar el método de cinco pasos. Deja que H y S denotan las

poblaciones de madera dura y blanda árboles, respectivamente. Una unidad
conveniente a menudo utilizado por los biólogos es la biomasa (toneladas por
hectárea de árbol vivo). Tenemos que hacer algunas suposiciones acerca de la
dinámica de estas dos poblaciones. Para empezar, queremos hacer suposiciones
que son tan simples como sea posible sin dejar de lado los aspectos más
fundamentales del problema. Más adelante, podemos mejorar o enriquecer
nuestro modelo si es necesario. Es razonable suponer que en las condiciones de
crecimiento sin restricciones (un montón de espacio, la luz del sol, el agua y los
nutrientes del suelo), la tasa de crecimiento de una especie es aproximadamente
proporcional al tamaño de la especie. El doble de árboles generan el doble de
árboles pequeños. A medida que aumenta la población, los miembros de la misma
especie tienen que competir por los recursos, y esto inhibe el crecimiento. Por lo
tanto, es razonable suponer que la tasa de crecimiento es lineal más o menos en
el tamaño de la población para las pequeñas poblaciones y luego cae a medida
que aumenta la población. La función de la tasa de crecimiento más simple con
estas propiedades es

Aquí r es la tasa de crecimiento intrínseca, y un << r es una medida de la fuerza

de las limitaciones de recursos. Si a es menor, hay más espacio para crecer.

El efecto de la competencia se debe también a las limitaciones de recursos. La

presencia de árboles de madera dura limita la cantidad de luz del sol, el agua, etc.,
disponibles para las maderas blandas, y viceversa. La pérdida en la tasa de
crecimiento debido a la competencia depende del tamaño de ambas poblaciones.
Un simple suposición es que esta pérdida es proporcional al producto de los dos.
Dados estos supuestos sobre el crecimiento y la competencia, queremos saber si
podemos esperar una especie a desaparecer con el tiempo. Figura 4.1 resume los
resultados de la etapa 1.

Paso 2 es para seleccionar el enfoque de modelado. Vamos a modelar este

problema como un modelo dinámico en el estado de equilibrio.
Se nos ha dado funciones

Variables:

H = población de madera dura (toneladas / hectárea)

S = población blanda (toneladas / hectárea)

gH = tasa de crecimiento de las maderas duras (toneladas / hectárea / año)

GM = tasa de crecimiento de las maderas blandas (toneladas / hectárea / año)

CH = pérdida debido a la competencia por las maderas duras (toneladas /

hectárea / año)

cS = pérdida debido a la competencia de las maderas blandas (toneladas /

hectárea / año)

Objetivo: Determinar si H → 0 o S → 0

definida en un subconjunto S de Rn. Las funciones f1; :::; fn representa la tasa de

cambio de cada variable de x1; :::; xn respectivamente. Un punto (x1;:::; xn) en el
conjunto S se llama un punto de equilibrio siempre que
en este punto. La tasa de cambio de cada una de las variables x1; :::; xn es
entonces igual a cero, y así el sistema está en reposo.

Las variables x1; :::; xn se llaman variables de estado, y S se llama el espacio de

estados. Dado que las funciones f1; :::; fn depende sólo de la situación actual
(x1;: ::; xn) del sistema, el conocimiento de la situación actual es suficiente para
determinar todo el futuro del sistema. Lo que sucedió en el pasado no importa.
Tan sólo hay que saber dónde estamos ahora, no cómo hemos llegado hasta aquí.
Cuando nos encontramos en un punto de equilibrio, definido por la ecuación. (4.1),
nos dicen que el sistema está en estado estacionario. En este punto, todas las
tasas de cambio son iguales a cero. Todas las fuerzas que actúan sobre el
sistema están en equilibrio. Por esta razón, las ecuaciones en (4.1) se refieren a
veces como las ecuaciones de balance. Cuando un sistema dinámico se
encuentra en estado estable, permanece allí para siempre. Puesto que todas las
tasas de cambio son iguales a cero, cualquier momento en el futuro nos va a
encontrar en el mismo lugar que estamos ahora mismo.

Con el fin de encontrar los estados de equilibrio de un sistema dinámico, tenemos

que resolver las n ecuaciones con n incógnitas dadas por la Ec. (4,1). En casos
muy sencillos podemos resolver a mano. A veces podemos resolver mediante un
sistema de álgebra computacional. Todos los problemas de este capítulo,
incluyendo los ejercicios, se pueden resolver utilizando estas técnicas. Por
supuesto, muchos problemas reales dan lugar a sistemas de ecuaciones que no
se pueden resolver analíticamente. Vamos a tratar este tipo de problemas en el
capítulo 6, donde se discuten los métodos computacionales para sistemas
dinámicos. (Como alternativa, se podría utilizar la versión multivariable del método
de Newton introdujo en el Capítulo 3.)

Paso 3 es formular el modelo. Deja que x1 = x2 = H y S denotan nuestras dos

variables de estado, definido en el espacio de estados

Las ecuaciones de estado estacionario son

Estamos interesados en las soluciones de este sistema de ecuaciones que se
encuentran en el espacio de estados. Estas soluciones representan los puntos de
equilibrio de nuestro modelo dinámico.

Paso 4 es resolver el modelo. Factoring cabo x1 de la primera ecuación y x2 de la

segunda, encontramos cuatro soluciones, tres en las siguientes coordenadas:

y el cuarto en la intersección de estas dos líneas:

Ver Fig. 4.2 para una ilustración.

Resolver por rendimientos de la regla de Cramer

Si las dos líneas no se cruzan en el interior del espacio de estados, a

continuación, sólo hay tres equilibrios. En este caso, las dos especies de árboles
no pueden coexistir en equilibrio pacífico.

Nos interesa conocer las condiciones en las que x1> 0 y x2> 0. Es razonable
suponer que ai> bi, ya que el efecto de la competencia entre los miembros de la
misma especie debe ser más fuerte que la competencia entre las especies. La
tasa de crecimiento es
 Figura 4.2: Gráfico de coníferas frente a las maderas duras x2 x1

mostrando equilibrios para el problema del árbol.

donde el primer término representa el crecimiento sin restricciones, el segundo

representa el efecto de la competencia dentro de una población, y la tercera
representa la competencia entre poblaciones. Dado que los dos tipos de árboles
no ocupan exactamente el mismo nicho ecológico, nos suponemos que para xi =
xj el efecto de la competencia dentro de una población sería el más fuerte. Por lo
tanto ai> bi, por lo

La condición para la convivencia es, por tanto, que

o, en otras palabras,

como se muestra en la Fig. 4.2.

Paso 5 es informar de manera clara Inglés los resultados obtenidos en nuestro

análisis del modelo. Es difícil hacerlo en este caso, porque nuestra respuesta es
cualificado, así como la cualificación involucra parámetros desconocidos. Con el
fin de comunicar nuestros resultados claramente, nos gustaría encontrar una
interpretación más tangible de nuestras condiciones para la convivencia. Vamos a
reexaminar nuestra formulación del modelo para ver si somos capaces de
interpretar el significado de las relaciones ri /ai y ri/bi, de alguna manera sencilla.

Los parámetros ri miden la tendencia de crecimiento, y los parámetros ai y bi

medida la fuerza de la competencia dentro y entre poblaciones, respectivamente.
Por lo tanto, las relaciones de ri /ai y ri/bi deben medir la fuerza relativa de
crecimiento en comparación con la competencia. Vamos a tratar de ir más allá.
Ante la falta de competencia entre las especies, la tasa de crecimiento es

La relación ri/ai representa el nivel de población de equilibrio en ausencia de

competencia entre especies, o el nivel en el que la población dejará de crecer por
sí misma. Del mismo modo, si descuidamos el factor de la competencia dentro de
una población, la tasa de crecimiento neto es

La relación ri = bi tanto, representa el nivel de población j necesaria para poner fin

al crecimiento de la población i. A la luz de esto, ahora podemos dar a nuestros
resultados del análisis de la siguiente interpretación concreta.

Para cada tipo de árbol (madera dura y blanda), hay dos tipos de límites al
crecimiento. La primera proviene de la competencia con el otro tipo de árbol, y el
segundo viene de la competencia entre los árboles del mismo tipo en condiciones
de hacinamiento. Así, para cada tipo de árbol hay un punto donde el crecimiento
se detiene en sí por la aglomeración, y otro punto en el que el crecimiento de un
tipo de árbol detener el crecimiento del otro tipo debido a la competencia. La
condición para la coexistencia de los dos tipos es que cada tipo alcanza el punto
en que limita su propio crecimiento antes de que alcance el punto en que limita el
crecimiento de la otra.

El análisis de estado estacionario de esta sección deja una pregunta importante

sin respuesta. Teniendo en cuenta que un modelo dinámico tiene una solución de
equilibrio, nunca vamos a llegar? La respuesta depende de la dinámica del
modelo. Un punto de equilibrio

se dice que es asintóticamente estable (o simplemente estable) si siempre que las

variables de estado
pasa lo suficientemente cerca de x0, que se dibujan en el equilibrio. En otras
palabras,

Análisis de estado estacionario no puede responder a la cuestión de la estabilidad,

por lo que tendrá que aplazar el debate de este tema para la siguiente sección.