Documentos de Académico
Documentos de Profesional
Documentos de Cultura
(Matemáticas)
Grado en:
Administración y Dirección de Empresas
1
1.- Modelización matemática en Economía.
Los problemas económicos plantean situaciones que para resolverlas es necesario la cons-
trucción previa del modelo matemático. Este modelo depende del tipo del problema que quera-
mos resolver y los iremos viendo a lo largo de las lecciones de la asignatura.
Nuestro objetivo es dar los conceptos necesarios para resolver problemas de Optimiza-
ción, es decir, calcular máximos y mínimos de funciones restringidas a un subconjunto.
Para ello, en esta lección, estudiaremos la convexidad de las funciones que componen el
problema, veremos teoremas importantes previos para conocer qué tipo de problema vamos a
resolver y empezaremos a estudiarlos de forma gráfica.
Ejemplo.
Veamos que la expresión del segmento se corresponde con la fórmula de la ecuación de la recta que ya
conocemos. Según lo anterior, el segmento que une los vectores (1, 2) y (2, 3) lo obtenemos:
λ (1, 2) + (1 − λ )(2, 3) = ( x, y )
Operando, resulta:
λ + 2 − 2λ = 2 − λ = x
2λ + 3(1 − λ ) = 3 − λ = y
Despejando λ obtenemos:
λ = 2− x
λ = 3− y
De donde 2 – x = 3 – y, por tanto, y = x + 1, que es la ecuación de la recta que pasa por los puntos (1, 2) y
(2, 3), con 0 ≤ λ ≤ 1 . □
2
Con ello, podemos ya definir que un subconjunto K de ℜn es un conjunto convexo si para
cualquier par de puntos de K, el segmento que los une está totalmente contenido en K, matemá-
ticamente:
Vemos como el primero no es un conjunto convexo mientras que los otros dos sí lo son.
Los hiperplanos y los semiespacios son dos ejemplos de conjuntos convexos que tienen una
alta aplicabilidad en modelos económicos lineales. Pasamos a exponer sus definiciones.
Dado un vector c∈ℜn con alguna componente distinta de cero y para cualquier α∈ℜ, un hi-
perplano se define como:
π = {x∈ℜn / ct x = α }
Ejemplos.
3
4
6 4 2 2 4 6
2) Si tomamos -3x + 2y- z = 9 (ecuación de un plano), que es un hiperplano en ℜ 3, con el vector, por
ejemplo, c =(-3, 2, -1) y α = 9. En este caso la gráfica está en tres dimensiones:
Asimismo, obsérvese que todo hiperplano divide al espacio en dos partes. A cada una de
ellas las denominamos semiespacios, concepto que definimos a continuación:
Sπ = {x∈ℜn / ct x ≤ α }
• semiespacios cerrados en los dos primeros casos (≤ , ≥), ya que contienen a su frontera.
Ejemplo.
{
k = ( x, y ) ∈ ℜ 2 / y ≥ x 2 , x 2 + y 2 ≥ 1 }
Solución:
Vamos a considerar la gráfica formada por la intersección de dos conjuntos; uno de ellos es el exte-
rior de una parábola:
y ≥ x2
4
y el otro es el exterior de la circunferencia:
x2 + y 2 ≥ 1
Ejemplo.
{ }
Sea K = ( x, y ) ∈ ℜ 2 / − 2 x + y ≤ 4, − x + y ≤ 1, 2 x + y ≤ 6, x ≥ 0, y ≥ 0 ¿Es un conjunto
convexo?, ¿es cerrado?, ¿es acotado?, ¿le sobra alguna desigualdad? Justifique las respuestas.
Solución:
Respecto a las otras cuestiones, el conjunto es cerrado pues contiene a su frontera (todas las res-
tricciones tienen la igualdad en su definición).
Para contestar si está acotado o no, tenemos que representar gráficamente al conjunto K:
5
Observamos que la recta “superior”: -2x + y = 4 no influye en la figura y por ello podemos consi-
derar que “sobra” en la definición de K. En este sentido, se suele decir que esa ecuación, o restricción de
igualdad, es ineficaz o redundante frente a K.□
Gráficamente, dibujamos algunos ejemplos para funciones de una variable de los casos
anteriores:
La función de la derecha:
f(x) = -x2
6
La función de la derecha:
f(x) = x2
La función de la derecha:
f(x) = x + 2
La función de la derecha:
f(x) = x3+2x2-x-2
• Una función lineal y = c t x siempre será cóncava y convexa y éstas serán las únicas
funciones que lo son, de tal forma que si queremos estudiar la convexidad de una fun-
ción y no es lineal, es imposible que sea cóncava y convexa a la vez en D.
Nótese que:
7
1) Para que una función sea convexa en el entorno de un punto, la matriz hessiana ha de ser en
dicho punto y en su entorno semidefinida positiva (igual para cóncava).
2) Cuando la hessiana resulta definida positiva en el punto, no se tiene que estudiar en el entorno
ya que este signo se conserva, pudiendo afirmar que la función es estrictamente convexa (igual
para estrictamente cóncava).
3) Cualquier situación que no esté recogida en el teorema anterior, la función será ni cóncava ni
convexa.
Ejemplo.
Solución:
0 0
HF (1, 2) =
0 2
Puesto que es diagonal, observamos que el signo es semidefinida positiva. En estos casos el teorema
necesita realizar un estudio en el entorno pero aquí vemos que la hessiana no depende del punto, por lo que
podemos afirmar que la función es convexa en el punto (1, 2) .□
Ejemplo.
Estudie la convexidad en el punto (0,0) de la función: F ( x, y ) = 2 x 4 + y 2 − 3 x 2 y .
Solución:
24 x 2 − 6 x − 6 x
HF ( x, y ) =
− 6x 2
0 0
HF (0,0) =
0 2
8
− 6ζ 0
HF (0, ξ ) =
0 2
Vemos que en el entorno es indefinida, con lo cual resulta que f es “ni cóncava ni convexa” en el entorno
del punto (0, 0). □
Teorema.
Sea f : D ⊂ ℜ n
→ ℜ y un escalar a ∈ℜ . Llamemos K al conjunto:
K = { x ∈ D / f ( x ) ≤ a} ⊂ ℜ n
Teorema.
Sea g: D ⊂ ℜ n
→ ℜ y a ∈ℜ . Llamemos K al conjunto:
K = { x ∈ D / g ( x ) ≥ a} ⊂ ℜ n
K = {x ∈ D / f ( x ) ≤ α , g ( x) ≥ β }
1) Para restricciones con el signo “≤” (también se verifica con la desigualdad estricta), necesitamos
que la función sea convexa.
2) Para restricciones con el signo “≥” (también con ">"), necesitaremos que sea cóncava.
9
4) Observamos que el teorema es una condición suficiente, esto es, si no se verifica, no podemos
afirmar nada sobre la convexidad de K.
Ejemplo
{ }
K = ( x, y, z ) ∈ ℜ 3 / x 2 + y 2 + z 2 ≤ 0, x + y + z ≥ 0
Solución:
Aplicando el teorema anterior, para poder probar la convexidad del conjunto tenemos que estudiar
la convexidad de las funciones que lo componen.
Para la primera, puesto que es una desigualdad de “≤ ”, la función debe ser convexa. Calculando
su matriz hessiana:
2 0 0
HF ( x, y, z ) = 0 2 0
0 0 2
Resulta definida positiva, por lo que la función es convexa (estrictamente convexa), de forma que
para la primera restricción se cumple el teorema.
Para la segunda restricción, al ser un semiespacio, podemos asegurar directamente que también es
un conjunto convexo, por lo que concluimos que K es intersección de conjuntos convexos y por tanto, el
conjunto es convexo. □
10
Usualmente, el problema se escribirá:
Optimizar F ( x )
s.a. g ( x) ≤ b
donde, con esta notación, H será:
H = {x ∈ ℜ n / g ( x) ≤ b}
Una restricción se dice que es activa en un punto admisible x, si satisface dicha restricción
en términos de igualdad, y se dice que es inactiva si la verifica en términos de desigualdad es-
tricta. Por último, si una restricción es inactiva para cualquier punto del conjunto de oportunida-
des se dice que es superabundante o redundante, es decir, no influye para nada en X, de forma
que se puede suprimir sin que varíe la solución del problema.
Ejemplo.
Un fabricante produce mesas (x1) y escritorios (x2). Para cada mesa que produce requiere dos horas
y media de montaje, tres horas de pulido y una hora de embalaje. Asimismo, para cada escritorio, se requiere
una hora de montaje, tres horas de pulido y dos horas de embalaje. Estas secciones presentan las siguientes
limitaciones: la unidad de montaje trabaja, como máximo, 20 horas al día; la unidad de pulido, como má-
ximo, 15 horas al día; la unidad de embalaje, como máximo, 16 horas al día. El fabricante trabaja con un
margen de beneficios de tres unidades monetarias por mesa producida y cuatro por cada escritorio. Plantee
el modelo de Programación Matemática en el caso de que el fabricante pretenda maximizar beneficios.
Solución:
Maximizar 3 x1 + 4 x2
sujeta a 2,5 x1 + x2 ≤ 20
3 x1 + 3 x2 ≤ 15
x1 + 2 x2 ≤ 16
x1 , x2 ≥ 0
cuya solución es x1 = 0, x2 = 5 (la forma de obtener dicha solución la veremos más adelante). □
Sea F :D ⊂ ℜ n
→ ℜ la función objetivo del problema de programación matemática:
11
Optimizar F ( x )
sujeta a x∈ X
Observamos que este teorema, caso de verificarse, nos da condiciones suficientes para po-
der afirmar la existencia de, al menos, un máximo y un mínimo global, aunque no nos ofrece un
método para calcularlos. Por supuesto, la no verificación de las hipótesis del teorema no significa
que no exista solución.
3.3.-Teorema local-global (para afirmar que los óptimos locales son globales)
Este teorema se puede enunciar para el caso de máximo y otro en el de mínimo; en ambos
casos partimos del problema general de Programación Matemática:
Optimizar F(x)
s.a x ∈ X
12
• Si la función objetivo F(x) es continua y convexa en su conjunto de definición D y si X
es un conjunto convexo, entonces, todo mínimo local es global.
Según como sea el problema de Programación Matemática recibe un nombre y tiene téc-
nicas distintas de resolución.
Optimizar F (x )
Optimizar F ( x )
s.a g ( x) = b
Optimizar F ( x )
s.a g ( x) ≤ b
Por último, cuando la función objetivo y las restricciones son funciones lineales se deno-
mina problema de Programación Lineal, la cual suele llevar en su definición el primer cuadrante
para las variables:
Optimizar c t x
s.a Ax = b
x≥0
13
Todos estos casos se irán estudiando a lo largo de las distintas lecciones de la asignatura.
Ejemplo.
Dado el problema:
Optimizar x+ y
s.a x + y2 ≤ 1
2
Solución:
b) Para poder asegurar que el problema tiene solución sin resolverlo, aplicaremos el teorema de Weierstrass.
Las hipótesis son:
Por tanto, podemos asegurar que, al menos, existirán un máximo y un mínimo global.
b) Para poder afirmar si los óptimos serán globales, hemos de aplicar el teorema local-global. Para máximo
nos pide:
1. Función objetivo continua en D.
2. Función objetivo cóncava (se cumple porque es lineal).
3. Conjunto de oportunidades convexo (dados dos puntos, el segmento que une dos puntos está en el con-
junto, luego es convexo).
Por tanto, podemos afirmar que todos los máximos serán globales.
Para los mínimos, tenemos que cambiar la hipótesis 2) por “función objetivo convexa”. Esto se verifica
porque es lineal, por lo que podemos afirmar que también los mínimos serán globales.
Podemos observar que el teorema local-global sólo se puede cumplir para máximo y mínimo si la función
objetivo es lineal (y el conjunto de oportunidades convexo)..□
14
4.- Resolución gráfica de problemas de Optimización.
La resolución gráfica sólo la llevaremos a cabo para problemas con dos variables. Para ello,
vamos a necesitar el siguiente concepto.
constante.
Por tanto, para representar gráficamente las curvas de nivel de una función F(x, y), sólo hay
que mostrar las gráficas de las ecuaciones:
F ( x, y ) = k , ∀k
donde k es un escalar. Variando los valores de k, obtenemos el llamado mapa de curvas de nivel.
3) Estudiar el máximo crecimiento de la función objetivo (a partir del gradiente de dicha fun-
ción). Los mínimos se encontrarán en la dirección opuesta al gradiente.
Ejemplo.
Maximizar x + y
s.a x2 + y2 ≤ 1
Solución:
15
Donde observamos que hay un máximo global en , . (Como se han obtenido sus coordenadas exac-
√ √
tamente se verá más adelante).□
Ejemplo.
Resolver gráficamente el siguiente problema:
Optimizar ( x − 1) 2 + y 2
s.a x + y ≤1
x, y ≥ 0
Solución:
Dibujamos las curvas de nivel de la función objetivo, el conjunto de oportunidades y la dirección de creci-
miento:
Donde observamos que el mínimo global es el punto (1, 0) y el máximo global (0, 1). □
16