LABORATORIO DE MATEMÁTICAS I.

CURSO 2002/03
Práctica 4. Introducción a la optimización
de funciones reales de varias variables

OBJETIVO. Resolver problemas de optimización de funciones de varias variables sin

restricciones, calculando y clasificando sus puntos críticos. Para problemas de
optimización de funciones de varias variables con restricciones de igualdad se aplicará
el método de los multiplicadores de Lagrange y se acompañará de su resolución
geométrica.

4.1 Optimización sin restricciones

G
Opt f (x )
G
s.a. : x ∈ F = A, A = Dom(f )

En los problemas de optimización clásica sin restricciones, el primer paso

consiste en calcular los puntos críticos de una función real de varias variables, para lo
que es necesario la obtención del vector gradiente. A continuación hemos de resolver
el sistema de ecuaciones formado por las derivadas parciales igualadas a cero que se
obtiene al establecer la condición necesaria o de primer orden.
Una vez obtenidos los puntos críticos, la condición suficiente o de segundo
orden sobre la matriz hessiana de la función en dichos puntos críticos, permitirá
clasificarlos, para el caso de funciones reales de dos variables.
Con tal fin utilizaremos las instrucciones definidas en prácticas anteriores
grad y solve, además de introducir una nueva instrucción para el cálculo del
determinante de la matriz hessiana.

La instrucción det nos permite obtener el determinante de una matriz

cuadrada. Su sintaxis es la siguiente: det(matriz), donde matriz es una
matriz cuadrada de orden n.

Ejemplo 4.1.1. Considerando la función f(x, y) = 3x 2 + 5 x − 6 y 2 + y − 24 , obtener y

clasificar sus puntos críticos.

Ejemplo 4.1.1
Declaramos la función
2 2
#1: f(x, y) := 3·x + 5·x - 6·y + y - 24

Calculamos el vector gradiente, para plantear el sistema de

ecuaciones que necesariamente debe verificarse por los puntos
críticos ...

#2: GRAD(f(x, y), [x, y])

#3: [6·x + 5, 1 - 12·y]

... y finalmente resolvemos el sistema de ecuaciones obtenido

#4: SOLVE([6·x + 5, 1 - 12·y], [x, y])

„ 5 1 †
#5: ¦x = - ———  y = ————¦
… 6 12 ‡
 De esta forma tenemos como resultado las coordenadas del único punto crítico
−5 1 
de la función, que serán  , .
 6 12 

Sólo para funciones de dos variables, utilizaremos el criterio que nos brinda
la condición suficiente o de segundo orden con el fin de clasificar los puntos críticos.
Para ello, necesitaremos calcular las derivadas parciales de segundo orden de la
función, es decir, construir su matriz hessiana, sustituir las coordenadas de cada punto
crítico en la anterior matriz, y estudiar el signo del elemento superior izquierdo y del
determinante de dicha matriz resultante.

[Nota: La sustitución puede hacerse mediante el icono de acceso directo

existente en la barra de herramientas, a partir del cual se desplegará una
ventana para sustituir los valores de cada una de las variables.]

#6: GRAD(GRAD(f(x, y), [x, y]), [x, y])

„ 6 0 †
#7: ¦ ¦
… 0 -12‡
„ 6 0 †
#8: DET ¦ ¦ = -72
… 0 -12‡

En nuestro ejemplo, con la línea #6 obtenemos la matriz hessiana de la función

bajo estudio, y directamente –sin tener que sustituir, en este caso- calculamos su
determinante. Detallando la clasificación,
6 0 
DET   = −72 < 0 ,
 0 − 12 
con lo cual se trata de un punto de silla.

Ejemplo 4.1.2. Sea la función f (x , y ) = x 3 + xy 2 − x , obtener y clasificar sus puntos

críticos.

Ejemplo 4.1.2
Declaramos la función
3 2
#1: f(x, y) := x + x·y - x

Calculamos el vector gradiente, para plantear el sistema de

ecuaciones que necesariamente debe verificarse por los puntos
críticos ...

#2: GRAD(f(x, y), [x, y])

„ 2 2 †
#3: …3·x + y - 1, 2·x·y‡

... y finalmente resolvemos el sistema obtenido

„ 2 2 †
#4: SOLVE(…3·x + y - 1, 2·x·y‡, [x, y])
 1 -1
#5: x=0 y=1, x=0 y=-1, x= y=0, x= y=0
3 3
... que serán los puntos críticos de la función. Para su
clasificación ...

#6: GRAD(GRAD(f(x, y), [x, y]), [x, y])

„ 6·x 2·y †
#7: ¦ ¦
… 2·y 2·x ‡

sustituimos el punto crítico (0,1) ...

„ 6·0 2·1 †
#8: ¦ ¦
… 2·1 2·0 ‡
„ 0 2 †
#9: ¦ ¦
… 2 0 ‡
„ 0 2 †
#10: DET¦ ¦= -4
… 2 0 ‡
... en (0,1) la matriz hessiana tiene determinante negativo,
por lo que se trata de un punto de silla.

[ Marcamos la expresión #7 ...]

Sustituimos ahora en el punto crítico (0,-1) ...

„ 6·0 2·(-1) †
#11: ¦ ¦
… 2·(-1) 2·0 ‡

„ 0 -2 †
#12: ¦ ¦
…-2 0 ‡
„ 0 -2 †
#13: DET¦ ¦= -4
…-2 0 ‡
...en (0,-1) la matriz hessiana tiene determinante negativo,
por lo que se trata de un punto de silla

[ Marcamos la expresión #7 ...]

 1 
A continuación, en el punto crítico  ,0  ...
 3 

„ 1 †
¦6·———— 2·0 ¦
¦ ‹3 ¦
#14 ¦ ¦
¦ 1 ¦
¦ 2·0 2·————¦
… ‹3 ‡

„2·‹3 0 †
¦ ¦
#15: ¦ 2·‹3 ¦
¦ 0 ——————¦
… 3 ‡
 „2·‹3 0 †
¦ ¦
#16 DET¦ 2·‹3 ¦= 4
¦ 0 ——————¦
… 3 ‡
 1 
...en  ,0  la matriz hessiana tiene determinante positivo y
 3 
2·‹3>0, por lo que se trata de un punto mínimo local.

[ Marcamos finalmente la expresión #7 ]

 −1 
Y sustituimos en el punto crítico  ,0  ...
 3 
„  1 ‚ †
¦6·¦- ————¦ 2·0 ¦
¦  ‹3 ƒ ¦
#17: ¦ ¦
¦  1 ‚¦
¦ 2·0 2·¦- ————¦¦
…  ‹3 ƒ‡

„-2·‹3 0 †
¦ ¦
#18: ¦ -2·‹3 ¦
¦ 0 —————— ¦
… 3 ‡

„-2·‹3 0 †
¦ ¦
#19 DET¦ -2·‹3 ¦= 4
¦ 0 —————— ¦
… 3 ‡
 −1 
... en  ,0  la matriz hessiana tiene determinante positivo y
 3 
-2·‹3<0, por lo que se trata de un punto máximo local.

El procedimiento para obtener los puntos críticos de funciones de más

variables es el mismo, pero en ese caso –más de dos variables- no disponemos en
este curso de condiciones suficientes para clasificarlos.

Ejemplo 4.1.3. Sea la función f (x , y , z, t ) = 3 − 2 xz + y 2 − z 2 + 2 t − 5 t 2 + yt , obtener

sus puntos críticos.

Ejemplo 4.1.3

2 2 2
#1: f(x, y, z, t) := 3 - 2·x·z + y - z + 2·t - 5·t + y·t

#2: GRAD(f(x, y, z, t), [x, y, z, t])

#3: [- 2·z, 2·y + t, - 2·x - 2·z, y - 10·t + 2]

#4: SOLVE([- 2·z, 2·y + t, - 2·x - 2·z, y - 10·t + 2], [x, t, z, y])

„ 4 2 †
#5: ¦x = 0  t = ————  z = 0  y = - ————¦
… 21 21 ‡
4.2 Optimización con restricciones de igualdad
G
Opt f (x )
G
s.a : x ∈ F = A ∩ S ,
G G
A = Dom(f ), S = {x ∈ A / g (x ) = b}

En los problemas de optimización clásica con restricciones, el primer paso

consiste en la construcción de la función lagrangiana
L(x , y , λ ) = f (x , y ) − λ (g ( x , y ) − b )
a continuación calculamos los puntos críticos de dicha función, para lo que es
necesario obtener el vector gradiente y resolver el sistema de ecuaciones formado por
las derivadas parciales igualadas a cero resultante de establecer la condición
necesaria o de primer orden sobre dicha función lagrangiana. Para ello, emplearemos
las instrucciones que hemos mencionado en el apartado anterior
grad y solve. Una vez obtenidos los puntos críticos, podremos clasificar
geométricamente aquellos que satisfacen la condición de tangencia sin más que
representar la restricción y algunas curvas de nivel apropiadas, comprobando la
dirección y el sentido indicados por el vector gradiente de la función objetivo en éstos.
La instrucción definida en la práctica anterior
vector(f(x,y)=c,c,c0,c1,salto)
nos permitirá construir la deseada sucesión de curvas de nivel. Un detalle interesante
cuando representemos las curvas de nivel es fijarnos en que éstas son dibujadas en
orden creciente si el parámetro de nivel salto es positivo. Esto puede darnos una
idea inicial del sentido del crecimiento de la función objetivo -puede ayudarnos
determinar el ∇f (x , y ) en el punto obtenido-.

Ejemplo 4.2.1. Resolver el siguiente problema de optimización restringida

Min f (x , y ) = x 2 − y
s.a. : 2 x + y = 5
Ejemplo 4.2.1
Declaramos la función
2
#1: f(x, y) := x - y

#2: L(x, y, ¿) := f(x, y) - ¿·(2·x + y - 5)

Construimos la función lagrangiana Calculamos el vector

gradiente para plantear el sistema de ecuaciones que debe,
necesariamente, verificarse por los puntos críticos de la
función lagrangiana ...

#3: GRAD(L(x, y, ¿), [x, y, ¿])

#4: [2·x - 2·¿, -¿ - 1, - 2·x - y + 5]

... y finalmente resolvemos el sistema obtenido

#5: SOLVE([2·x - 2·¿, -¿ - 1, - 2·x - y + 5], [x, y, ¿])

#6: [x = -1  ¿ = -1  y = 7]

punto crítico (-1,7; -1)

 A continuación, representamos la gráfica de la restricción. Si precisamos
dibujar algunas curvas de nivel, hemos de tener en cuenta el rango de variación del
nivel, así como el salto de variación del mismo. Para ello, calcularemos el valor de la
función objetivo en el punto crítico f(-1,7) y utilizaremos la instrucción vector con
los parámetros adecuados, presentándose la serie de curvas de nivel resultantes que
dibujaremos, en la misma ventana gráfica anterior.

#7: 2·x + y = 5
#8: f(-1, 7) = -6

#9: VECTOR(f(x, y) = c, c, -6, 0, 1)

#10: [ x2-y=-6, x2-y=-5, x2-y=-4, x2-y=-3, x2-y=-2, x2-y=-1, x2-y=0 ]

#11: GRAD(f(x, y), [x, y])

#12: [2·x, -1]

sustituyendo el punto (-1, 7)
#13: [ -2, -1]
3er cuadrante

Así obtendremos la siguiente ventana gráfica, a partir de la cual y teniendo en

cuenta que intentamos resolver un problema de optimización con restricciones donde
se pretende minimizar la función objetivo, la orientación del vector gradiente –que nos
indica la dirección de máximo crecimiento- debe ser la contraria. Así, podemos concluir
que el punto (-1,7) es un mínimo local.

Además dicho mínimo local es global puesto que no existe ninguna otra curva
de nivel, tangente en esta dirección contraria al vector gradiente, donde se verifique la
restricción impuesta.

(-1,7) -∇f(x,y)

∇f(x,y)
Ejemplo 4.2.2. Resolver el siguiente problema de optimización restringida
Opt f (x , y ) = 50 + 2 x − 6 y − x 2 − y 2
s.a. : 3 x + y = 10

Ejemplo 4.2.2
Declaramos la función,
2 2
#1: f(x, y) := 50 + 2·x - 6·y - x - y

#2: 3·x + y = 10

dibujamos la restricción en la ventana gráfica.

#3: L(x, y, ¿) := f(x, y) - ¿·(3·x + y - 10)

Construimos la función lagrangiana. Calculamos el vector

gradiente para plantear el sistema de ecuaciones que debe,
necesariamente, verificarse por los puntos críticos de la
función lagrangiana ...

#4: GRAD(L(x, y, ¿), [x, y, ¿])

#5: [- 2·x - 3·¿ + 2, - 2·y - ¿ - 6, - 3·x - y + 10]

... y finalmente resolvemos el sistema obtenido

#6: SOLVE([- 2·x - 3·¿ + 2, - 2·y - ¿ - 6, - 3·x - y + 10], [x, ¿, y])

#7: [x = 4  ¿ = -2  y = -2]

punto crítico (4,-2; -2)

#8: f(4, -2)

#9: 50

dibujaremos la curva de nivel f(x,y)=50; su gráfica es una elipse.

#10:f(x, y) = 50

Calculamos el vector gradiente en el punto (4,-2)

#11:GRAD(f(x, y), [x, y])

#12: [2 - 2·x, - 2·y - 6]

sustituyendo el el punto (4, -2)

#13:[2 - 2·4, - 2·(-2) - 6]

#14: [-6, -2]

3er cuadrante

Dibujaremos algunas curvas de nivel para apreciar el crecimiento

del nivel c ...

#15:VECTOR(f(x, y) = c, c, 0, 50, 10)

 2 2 2 2 2 2
#16: [ -x +2·x-y-6·y+50=0,-x+2·x-y-6·y+50=10,-x+2·x-y-6·y+50=20,
2 2 2 2 2 2
-x+2·x-y-6·y+50=30,-x+2·x-y-6·y+50=40,-x+2·x-y-6·y+50=50]

Así obtendremos la siguiente ventana gráfica, a partir de la cual y teniendo en

cuenta que intentamos resolver un problema de optimización con restricciones, la
orientación del vector gradiente –que nos indica la dirección de máximo crecimiento-
nos permite concluir que el punto (4,-2) es un máximo local.

Además dicho máximo local es global puesto que no existe ninguna otra curva
de nivel, tangente en la dirección del vector gradiente, donde se verifique la restricción
impuesta.

(4 ,−2 )
∇f(x,y)
 EJERCICIOS PROPUESTOS

1. Dadas las siguientes funciones, obtener y clasificar sus puntos críticos

1.1 f (x , y ) = x 2 + y 2 + 3 y 3 − 1
1.2 f (x , y ) = x 4 + y 4 − 2 x 2 + 4 xy − 2 y 2

2. Una empresa produce dos bienes en cantidades x e y cuyos precios vienen dados
por p x = 42 y p y = 51 . Si la función de costes viene dada por
C (x , y ) = 1.5 x 2 + 3 xy + 2 y 2 + 34.5
Calcular los niveles de producción que maximizan la función de beneficios, así
como el valor del beneficio máximo.

3. La función de beneficios por unidad de superficie cultivada de un agricultor, que

utiliza dos factores productivos en cantidades x e y, es:
B (x , y ) = 20 x + 26 y + 4 xy − 4 x 2 − 3 y 2 .
Encontrar los valores de x e y que maximizan el beneficio. ¿Cuál es el valor del
beneficio máximo? Escribir la matriz de derivadas de orden dos (matriz
hessiana) justificando que el punto obtenido es máximo.

4. Sea la función f (x, y ) = 2 x 2 + 4y 2 − 5 x + 6y + 24 , se pide:

4.1 Obtener sus puntos críticos y clasificarlos.

Dada la restricción x + 3 y = 10 ,

4.2 Aplicar el método de los multiplicadores de Lagrange y escribir la

solución obtenida.
4.3 Obtener el valor de f (x, y ) en el punto calculado en el apartado 2.
Escribir y dibujar la curva de nivel dada por dicho valor, así como la
gráfica de la restricción del problema.
4.4 Calcular ∇f (x , y ) , y sustituirlo en la solución obtenida en el apartado 2,
indicando su dirección y sentido. ¿Puede afirmarse que la solución es
máximo o mínimo? Justificar tu respuesta.

5. Una empresa de construcción obtiene un determinado material a partir de dos

factores productivos que utiliza en cantidades x e y, según la función de
producción
q (x , y ) = 30 x + 5 xy − 3 y 2
Para superar las pruebas de resistencia del material fabricado, la cantidad
utilizada del segundo factor debe ser el triple de la cantidad utilizada del primer
factor. Hallar las cantidades x e y que maximizan el nivel de producción, así
como el nivel de producción óptimo.