Matem

aticas III (GIC y GITI, curso 20152016)

DE CAMPOS ESCALARES
Lecci
on 3. OPTIMIZACION

Un problema habitual en ingeniera es hallar el valor mnimo de una funcion, llamada funci
on
objetivo, que representa un coste, como el precio de los materiales que intervienen en la fabricacion
de un producto o el error de un ajuste experimental, y que depende de una o varias variables
independientes. Por ejemplo, en la asignatura de Matematicas I se ha estudiado un caso especial,
el de la regresion lineal, que conduce a un problema de esta clase: Dada una nube de puntos
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) que representan valores experimentales, se buscan los coeficientes de
la recta de ecuacion y = ax + b que mejor se ajusta a estos datos en el sentido de los mnimos
cuadrados, esto es, que hacen mnima la suma de cuadrados
f (a, b) = (ax1 + b y1 )2 + (ax2 + b y2 )2 + + (axn + b yn )2 .
Esta es la recta de regresi
on. Aqu, a y b son las variables y f es la funcion objetivo.

Nube de puntos y su recta de regresi

on.

En otros casos la funcion objetivo representa un beneficio y se busca su valor maximo. Este
tipo de problemas que consisten en buscar maximos y mnimos de funciones que dependen de
varias variables independientes se conocen genericamente como problemas de optimizaci
on sin
restricciones. Es mas habitual que las variables no sean independientes, sino que esten ligadas
por una o varias relaciones; este tipo de problemas se conocen genericamente como problemas de
optimizaci
on con restricciones. Dedicaremos esta leccion a establecer las bases teoricas de este tipo
de problemas y dar las tecnicas para resolver algunos ejemplos simples con dos o tres variables.
En las aplicaciones a la ingeniera el n
umero de variables suele ser mucho mayor y es necesario
resolver los problemas de optimizacion de forma aproximada mediante tecnicas numericas que se
estudian en la asignatura Metodos Matematicos, de segundo curso.
El caso particular en el que tanto la funcion objetivo como las restricciones son lineales, es de
especial importancia y se conoce como programaci
on lineal. La resolucion de los problemas de
programaci
on lineal tiene tecnicas muy especficas que se basan en los resultados del algebra lineal y
se estudian en las asignaturas Estadstica e Investigaci
on Operativa, de primer curso, y Metodos
Cuantitativos de Organizacion Industrial, de tercer curso (GITI).
40

3. Optimizaci
on de campos escalares

41

Si recordamos el caso de las funciones de una variable, la determinacion de los maximos y los
mnimos absolutos de una funcion en un intervalo se lleva a cabo usando las derivadas. En el
bachillerato se ense
na que los puntos candidatos a que en ellos se alcance el maximo o el mnimo
absoluto de una funcion son los puntos en los que la derivada vale cero, los extremos del intervalo
y los puntos donde la derivada no existe; ademas, cuando la derivada primera es cero, entonces que
la derivada segunda sea positiva o negativa nos dice, respectivamente, si estamos ante un mnimo
relativo o un maximo relativo. Veremos que cuando la funcion objetivo depende de dos o mas
variables, la diferenciabilidad tambien es la herramienta que permite resolver los problemas de
optimizaci
on.
Dedicaremos la primera seccion a la optimizacion sin restricciones, donde analizaremos las nociones
de extremo absoluto, extremo relativo y punto de silla. En el caso de dos variables se intuye que en
un maximo, o en un mnimo, el plano tangente a la grafica del campo escalar debe ser horizontal
y, por tanto, las derivadas parciales deben ser nulas; sin embargo, no esta claro a priori el papel
que deben tener las derivadas parciales segundas para dilucidar si se trata de maximos o mnimos.
Esto lo estudiaremos tambien en esta seccion, viendo que la herramienta esencial para determinar
c
omo es dicho papel es la clasificacion de la forma cuadratica asociada a la matriz hessiana.
El estudio de los problemas de optimizacion con restricciones lo empezamos en la segunda seccion,
en la que abordaremos el problema de calcular los maximos y minimos relativos de una funcion de
dos o tres variables sobre una curva dada de forma implcita por una igualdad, en el plano, o dos
igualdades, en el espacio tridimensional. Tambien analizaremos el caso en el que la restriccion es
una superficie dada de forma implcita.
Finalmente, en la tercera secci
on, analizaremos la existencia de los maximos y mnimos absolutos
de una funcion escalar de dos o tres variables con restricciones generales y el procedimiento para
calcularlos.
Enunciaremos los resultados para funciones de tres variables aunque la mayora son validos para
funciones de mas variables. Como venimos haciendo, usaremos el caso bidimensional, en el que
basta con suprimir la coordenada z (y cambiar esfera por crculo en lo que sigue), para poner
ejemplos y dar las interpretaciones geometricas.
SIN RESTRICCIONES
1. OPTIMIZACION
Extremos absolutos. En un problema de optimizacion sin restricciones tenemos una funcion
f , llamada funci
on objetivo, definida en un conjunto U , que generalmente sera todo el espacio, y
queremos calcular los puntos, si es que existen, en los que f alcanza su valor maximo y su valor
mnimo; es decir, buscamos los puntos Pmn , Pmax U tales que
f (Pmn ) f (P ) f (Pmax )

para todo P U .

Los valores maximo y mnimo de f y, por abuso de lenguaje, los puntos en los que se alcanzan
dichos valores, se llaman extremos absolutos, o globales, de f en U .
Como ejemplo de partida, antes de abordar los problemas de optimizacion sin restricciones en el
caso general, nos detenemos en el caso particular de las formas cuadraticas que has estudiado en
Matem
aticas I. La razon es doble: por un lado, porque es un caso simple en el que podemos ir
se
nalando las principales cuestiones con las que nos encontraremos y, por otro lado, porque sera
esencial para determinar el caracter de los puntos crticos, los puntos en los que se anulan las
derivadas parciales de la funcion objetivo. Empezamos recordando como se clasifican las formas
cuadr
aticas en terminos del signo que pueden tomar sus autovalores y viendo como se relaciona
esto con sus extremos absolutos.

42

Matem
aticas III (GIC y GITI, 20152016)

Forma cuadr
atica generada por una matriz sim
etrica. Sea A = [aij ] una matriz cuadrada,
real y simetrica de orden 3, entonces el campo escalar definido en R3 por

a11 a12 a13
x

(x, y, z) = [x, y, z] a21 a22 a23

y
a31 a32 a33
z
se llama forma cuadr
atica generada por A y se puede escribir de forma desarrollada como
(x, y, z) = a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz.
Clasificaci
on de las formas cuadr
aticas. Se dice que una forma cuadratica no nula o, por
extensi
on, la matriz real simetrica A que la genera, es:
(1) Definida positiva si (x, y, z) > 0 para todo (x, y, z) = (0, 0, 0) o, equivalentemente, si todos
los autovalores de A son positivos o, equivalentemente, si el origen es el u
nico punto en el que se
alcanza el mnimo absoluto.
En dimension dos, la grafica de una forma cuadratica definida positiva es un paraboloide elptico
con su vertice en el origen que se abre hacia arriba, por lo que no existe el maximo absoluto, ya
que los valores de tienden a infinito cuando el punto (x, y) tiende a infinito.

Gr
afica de una forma cuadr
atica con mnimo absoluto.

(2) Semidefinida positiva si (x, y, z) 0 para todo (x, y, z) y hay puntos (x, y, z) = (0, 0, 0) tales
que (x, y, z) = 0 o, equivalentemente, si 0 es un autovalor y los demas autovalores de A cumplen
0 o, equivalentemente, si hay una recta o un plano de mnimos absolutos que pasa por el origen.
(3) Definida negativa si (x, y, z) < 0 para todo (x, y, z) = (0, 0, 0) o, equivalentemente, si todos
los autovalores de A son negativos o, equivalentemente, si el origen es el u
nico punto en el que se
alcanza un maximo absoluto.
En dimension dos, la grafica de una forma cuadratica definida negativa es un paraboloide elptico
con su vertice en el origen que se abre hacia abajo, por lo que no existe el mnimo absoluto, ya que
los valores de tienden a cuando el punto (x, y) tiende a infinito.

Gr
afica de una forma cuadr
atica con m
aximo absoluto.

3. Optimizaci
on de campos escalares

43

(4) Semidefinida negativa si (x, y, z) 0 para todo (x, y, z) y hay puntos (x, y, z) = (0, 0, 0)
tales que (x, y, z) = 0 o, equivalentemente, si 0 es un autovalor y los demas autovalores de A
cumplen 0 o, equivalentemente, si hay una recta o un plano de maximos absolutos que pasa
por el origen.
(5) Indefinida si no es definida ni semidefinida; o sea, si existen vectores (x, y, z) tales que
(x, y, z) < 0 y existen vectores (x, y, z) tales que (x, y, z) > 0 o, equivalentemente, si A tiene alg
un autovalor positivo y alg
un autovalor negativo o, equivalentemente, si no tiene maximos
ni mnimos absolutos.

Gr
afica de una forma cuadr
atica sin mnimo ni m
aximo y silla de montar.

Desde el punto de vista geometrico, la grafica de una forma cuadratica indefinida en dimension
dos es un paraboloide hiperbolico, con centro en el origen, que se abre hacia arriba a lo largo de la
direcci
on del autovector asociado el autovalor positivo y hacia abajo a lo largo de la direccion del
autovector asociado al autovector negativo. Debido al parecido de esta grafica con el de una silla
de montar a caballo, se dice que el origen es un punto de silla.
M
as adelante en la seccion aplicaremos esta clasificacion a la matriz hessiana de un campo escalar
para determinar cuando un punto en el que las derivadas parciales son cero es un mnimo relativo
o un maximo relativo.
Determinar los autovalores suele ser un trabajo complicado; sin embargo, lo u
nico que necesitamos
conocer son los signos de los autovalores y para ello hay criterios relativamente simples de aplicar
en el caso bidimensional.
Criterios de clasificaci
on para una matriz sim
etrica 22. Sea A una matriz real y simetrica
de orden 2. Sean t = a11 + a22 su traza y d = a11 a22 a21 a12 su determinante. Entonces se cumple
lo siguiente:
(1) Si d > 0 y t > 0, entonces A es definida positiva.
(2) Si d > 0 y t < 0, entonces A es definida negativa.
(3) Si d < 0, entonces A es indefinida.
(4) Si d = 0 y t > 0, entonces A es semidefinida positiva.
(5) Si d = 0 y t < 0, entonces A es semidefinida negativa.
Algunas consideraciones sobre los problemas de optimizaci
on sin restricciones. Como
acabamos de ver con diversos ejemplos de formas cuadraticas, los problemas de optimizacion sin
restricciones pueden no tener solucion. En algunos casos puede deducirse que debe existir el maximo
absoluto o el mnimo absoluto estudiando el comportamiento de la funcion objetivo cuando (x, y)
tiende a infinito, pero eso no siempre es facil de hacer.
A la hora de abordar un problema, una idea central es restringir la b
usqueda de los extremos
absolutos a un conjunto, deseablemente finito, de puntos que verifiquen alguna condicion especial.
La mas com
un, que ya se conoce en el caso de las funciones de una variable, es la de extremo

44

Matem
aticas III (GIC y GITI, 20152016)

relativo: puntos donde la funcion alcanza su valor maximo o su valor mnimo entre los puntos
suficientemente cercanos. Como ya hemos comentado antes y hemos visto en el caso de las formas
cuadr
aticas de dos variables, la intuici
on geometrica nos dice que si una funcion definida en todos
los puntos del plano alcanza un extremo relativo en un punto, entonces el plano tangente a su
gr
afica en dicho punto debe ser horizontal, lo que nos dara una condicion practica para restringir
la b
usqueda de extremos absolutos. Vamos ahora a fijar todas estas ideas con precision.
Extremos relativos. Se dice que f : U R tiene un m
aximo relativo o m
aximo local en un
punto P0 U si existe una esfera D centrada en P0 y contenida en U tal que f (P0 ) f (P ) para
todo P D.
Se dice que f tiene un mnimo relativo o mnimo local en un punto P0 U si existe una esfera D
centrada en P0 y contenida en U tal que f (P0 ) f (P ) para todo P D.
Los maximos relativos y mnimos relativos de f se llaman genericamente extremos relativos, o
locales, de f .

La gr
afica de una funci
on con dos m
aximos relativos; s
olo uno de ellos es absoluto.

Criterio de las derivadas parciales nulas para los extremos relativos o condici
on necesaria de extremo relativo. Si la funcion objetivo f y tiene un extremo relativo en un punto P0
y es diferenciable en dicho punto, entonces Df (P0 ) = 0.
f
f
En el caso de que f dependa de dos variables, tenemos
(P0 ) = 0 y
(P0 ) = 0, es decir,
x
y
efectivamente, el plano tangente a la grafica de f es horizontal.
f
f
f
Para tres variables, tenemos
(P0 ) = 0,
(P0 ) = 0 y
(P0 ) = 0.
x
y
z
Ejemplo. En el ejemplo de la recta de regresion, dados los puntos (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) se
buscan los coeficientes de la recta de ecuacion y = ax + b que hacen mnima la suma de cuadrados
n

f
f
f (a, b) =
(axk + b yk )2 . Imponiendo
=
= 0 obtenemos que los coeficientes optimos
a
b
k=1
a, b son las soluciones del sistema de ecuaciones
)
( n
( n
)
n

x2k a +
xk b =
xk yk
k=1

k=1
n

k=1

xk

a + nb =

k=1
n

yk

k=1

que son, como se ha visto en Matematicas I, las ecuaciones normales de Gauss del sistema
[
]T [ ]
x1 x2 . . . xn
a
T
sobredeterminado
= [ y1 y2 . . . yn ] .
1
1 ... 1
b

3. Optimizaci
on de campos escalares

45

Punto crtico. Se dice que un punto P0 U es un punto crtico o punto estacionario de la

funci
on objetivo f cuando Df (P0 ) = 0.
f
f
Incluso en el caso bidimensional, la resolucion del sistema de ecuaciones
= 0,
= 0 puex
y
de ser complicada o, en algunos casos, imposible de hacer a mano. En estos casos, hay que
emplear metodos numericos para obtener soluciones aproximadas que se estudiaran en la asignatura
Metodos Matematicos de segundo curso.
Puntos de silla. El teorema anterior nos dice que cualquier extremo relativo es un punto crtico.
Como ya hemos visto con las formas cuadraticas y es conocido del caso de una variable, el recproco
es falso en general. As, hemos probado que la funcion objetivo f (x, y) = x2 y 2 tiene un punto
crtico en (0, 0) y que, sin embargo, dicho punto no es un maximo relativo ni un mnimo relativo.
Los puntos crticos de una funcion que no son extremos relativos de la misma se llaman puntos de
silla. Tan cerca como queramos de un punto de silla encontramos puntos en los que la funcion vale
m
as y puntos en los que la funcion vale menos que en el propio punto crtico.
Clasificaci
on de los puntos crticos. C
omo podemos saber si un punto crtico es un maximo
relativo, un mnimo relativo o un punto de silla? Geometricamente, para funciones de dos variables,
el plano tangente a la grafica en los puntos crticos es un plano horizontal. En los maximos y
mnimos locales, cerca del punto el plano deja a un lado la superficie; en los puntos de silla, la
atraviesa. La geometra de los puntos de silla se parece a la de los puertos de monta
na: los puntos
m
as bajos hasta los que hay que subir para atravesar una sierra, por ello, a los puntos de silla
tambien se les llama puertos.
Como regla general, pero no siempre, si observamos las curvas de nivel, en torno a los maximos
y mnimos locales, las curvas de nivel aparecen como curvas cerradas. En los mnimos las curvas
se alejan del punto conforme el nivel crece; en los maximos se acercan al punto conforme el nivel
crece. En ambos casos, las curvas de nivel degeneran cuando nos acercamos al punto crtico; lo
que, recordando el teorema de la funcion implcita, nos dice que al ser ambas derivadas parciales
nulas, no podemos aplicar ese teorema para despejar una variable en funcion de la otra en la curva
de nivel, de hecho la curva de nivel en un maximo o un mnimo local se reduce a un punto; no es
propiamente una curva.

Un punto de silla o puerto.

M
aximos (A), mnimos (B) y puntos de silla (C).

En los puntos de silla las curvas de nivel aparentan acercarse y alejarse del punto sin llegar a
rodearlo y suelen aparecer dos curvas del mismo nivel que pasan justamente por el punto; en este
caso, no es posible aplicar el teorema de la funcion implcita para despejar una variable en funcion
de la otra, de hecho la ecuacion implcita corresponde a dos curvas de nivel, no una sola.
Analticamente, para las funciones de una variable la determinacion de si un punto crtico es un
m
aximo relativo o un mnimo relativo se hace analizando el signo de la derivada segunda; aqu

Matem
aticas III (GIC y GITI, 20152016)

46

se hace algo parecido aunque mas complicado: utilizamos el teorema de Taylor y clasificamos la
forma cuadratica generada por la matriz hessiana. Para ello, observemos que si (x0 , y0 ) es un
punto crtico, de manera que Df (x0 , y0 ) = 0 entonces el Teorema de Taylor nos dice que para
(x, y) suficientemente cerca de (x0 , y0 ) se tiene
[
]
] 2
1[
x x0
f (x, y) f (x0 , y0 ) + x x0 , y y0 D f (x0 , y0 )
y y0 ,
2
Por tanto, que f (x, y) sea mayor o menor que f (x0 , y0 ) depende del signo de la forma cuadratica
generada por la matriz hessiana D2 f (x0 , y0 ).
El test de las derivadas segundas o condici
on suficiente de extremo relativo. Supongamos
que la funcion objetivo es de clase C 2 (U ) y que P0 es un punto crtico de f ; esto es, tal que
Df (P0 ) = 0. Entonces, seg
un sea la forma cuadratica generada por la matriz hessiana D2 f (P0 ),
se tiene lo siguiente:
(1) Si D2 f (P0 ) es definida positiva, entonces f tiene en P0 un mnimo relativo.
(2) Si D2 f (P0 ) es definida negativa, entonces f tiene en P0 un maximo relativo.
(3) Si D2 f (P0 ) es indefinida, entonces f tiene en P0 un punto de silla.
(4) Si D2 f (P0 ) es semidefinida, entonces las derivadas segundas no dan informacion.
Ejemplos. (1) La(funcion)f (x, y) = x2 + ky 2 tiene un punto crtico en (0, 0). En dicho punto, la
2 0
. En funcion del signo de k obtenemos que:
matriz hessiana es
0 2k
(1) Si k > 0, entonces la matriz es definida positiva y por tanto (0, 0) es un mnimo relativo.
(2) Si k < 0, entonces la matriz es indefinida y por tanto (0, 0) es un punto de silla.
(3) Si k = 0, entonces la matriz es semidefinida, por lo que el metodo no da informacion.
Si observamos la funcion en este caso vemos que f (x, y) = x2 0 = f (0, 0), para todo
(x, y) R2 . Por tanto (0, 0) es un mnimo relativo de f .
(2) La funcion f (x, y) = x2 + ky 2 y 3 tiene un(punto cr
)tico en (0, 0). En dicho punto, la matriz
2 0
hessiana es la misma que en el ejemplo anterior
. Sin embargo, en el caso en que la forma
0 2k
cuadr
atica es indefinida, el tipo de punto crtico es distinto. En efecto, en funcion del signo de k
obtenemos que:
(1) Si k > 0, entonces la matriz es definida positiva y por tanto (0, 0) es un mnimo relativo.
(2) Si k < 0, entonces la matriz es indefinida y por tanto (0, 0) es un punto de silla.
(3) Si k = 0, entonces la matriz es semidefinida, por lo que el metodo no da informacion. En
este caso vemos que f (x, y) = x2 y 3 y, usando el mismo razonamiento que vimos antes
para x2 y 2 , es facil deducir que (0, 0) es un punto de silla de f .
1
EJERCICIOS DE LA SECCION
Ejercicio 1. Halla y clasifica los puntos crticos de los siguientes campos escalares (utiliza alguna
de las paginas web que se indican al final del guion para dibujar las graficas y las curvas de nivel
del campo).
(1)
(3)
(5)
(7)
(9)

f (x, y) = x4 2x2 y 6x2 + 4y 2

f (x, y) = 12x2 + 12y 2 x3 y 3 + 5
f (x, y) = x2 y + xy 2 + x + y
f (x, y) = x2 y 2
f (x, y) = x3 + y 3 3xy

(2)
(4)
(6)
(8)
(10)

f (x, y) = x3 + 3xy 2 15x 12y

2
2
f (x, y) = (x2 + y 2 )ex y
f (x, y) = (1 x2 y 2 )2
f (x, y) = cos(x) cos(y)
f (x, y) = x sen(y)

3. Optimizaci
on de campos escalares

47

Ejercicio 2. El origen es un punto crtico del campo escalar definido por f (x, y) = x2 + y 2 + xy.
Determina que tipo de punto crtico es seg
un los valores de .
Ejercicio 3. Prueba que la ecuacion z cos(z) + xy = 0 define implcitamente z como funcion de x
e y en un entorno del punto (0, 0, 0), determina el polinomio de Taylor de grado 2 de dicha funcion
z(x, y) en el origen y prueba que el origen es un punto crtico. Que tipo de punto crtico es?
Ejercicio 4. Considera la superficie S de ecuacion x2 + y 2 + 3xz + 3yz + x + y = 0.
(1) Prueba que dicha ecuacion define una funcion z = f (x, y) cerca de P = (1, 0, 0).
(2) Es (1, 0) un punto crtico de f ? Si es as, clasifcalo; si no lo es, di por que.
Ejercicio 5. Sea f (x, y) = (x cos(y)) ex cos(y) un campo escalar de dos variables. Se pide:
(1) Calcular los infinitos puntos crticos de f y clasificarlos.
(2) Comprobar que f (x, y) = 0 define y como funcion implcita y = y(x) cerca de P = (0, /2).
(3) Hallar la recta tangente a la grafica de y = y(x) en el punto P del apartado anterior.
Ejercicio 6. Considera la superficie S de ecuacion xez + yez + z = 1 y el punto P = (0, 0, 1) S.
(1) Prueba que en un entorno del punto P puede obtenerse la coordenada z de los puntos de
S como una funcion explcita z = z(x, y) de las otras dos coordenadas.
(2) Halla la ecuacion del plano tangente a S en el punto P .
(3) Halla la recta tangente en P a la curva intersecci
on de S con el cilindro x2 + (y + 1)2 = 1.
(4) Prueba que (0, 0) es un punto crtico del campo f (x, y) = z(x, y) + ex+1 + ey+1 y clasifcalo.
Ejercicio 7. Prueba que z 3 2xy + y = 0 define z como funcion implcita de z = z(x, y) en un
entorno de (1, 1, 1) y determina el polinomio de Taylor de segundo orden de z(x, y) en (1, 1).
Halla los valores de los parametros y para los que el punto (1, 1) es un punto crtico de la
funci
on g(x, y) = z(x, y) (x 1) + (y 1) y clasifcalo.
Ejercicio 8. Considera el punto P = (1, 1, 0) y, para cada valor de un parametro R, la
ecuaci
on x2 + 2 xyz + sen(z) xy + x y = 0.
(1) Comprueba que para cualquier valor de esta ecuacion define implcitamente z como
funcion z = z (x, y) en un entorno del punto P = (1, 1, 0).
(2) Para cada , calcula el gradiente de z (A) en el punto A = (1, 1) y escribe la ecuacion del
correspondiente plano tangente en el punto P = (1, 1, 0).
(3) Para cada , determina la direccion unitaria u = (u1 , u2 ) en la que la derivada direccional
Du z (A) de z en A = (1, 1) es maxima e indica su valor.
(4) Halla el valor de para el cual A = (1, 1) es un punto crtico del campo z (x, y) y clasifcalo.
Ejercicio 9. El origen es un punto crtico del campo escalar definido por f (x, y) = 3x4 4x2 y +y 2 .
Comprueba que a lo largo de cada recta y = mx el origen es un mnimo pero que para el campo
dado el origen es un punto de silla (indicacion: estudia que ocurre sobre una parabola y = ax2 ).
Ejercicio 10. Del campo escalar f (x, y) = axy 2 + by 4x3 se sabe que el valor maximo de
sus derivadas direccionales en el punto P = (1, 2) es 4 y se alcanza en la direccion del vector
u = (0, 1). Halla los valores de las constantes a y b, calcula los puntos crticos de f y clasifcalos.
Ejercicio 11. Halla y clasifica los puntos crticos de los siguientes campos escalares.
(1) f (x, y, z) = x4 + y 4 + z 4 4xyz
(2) f (x, y, z) = x2 + y 2 + z 2 + xz + 3x 2y
2
2
2
(3) f (x, y, z) = log(x + y + z + 1)
(4) f (x, y, z) = x2 z + xy + 12z z 3

48

Matem
aticas III (GIC y GITI, 20152016)

2. EL TEOREMA DE LOS MULTIPLICADORES DE LAGRANGE

Iniciamos en esta seccion el estudio de los problemas de optimizacion con restricciones abordando
el problema de calcular los extremos relativos, maximos y mnimos, de una funcion de dos o
tres variables cuando estas variables no son independientes sino que estan sobre una curva o una
superficie. Este tipo de problemas se conocen genericamente como problemas de optimizaci
on con
restricciones de igualdad.
Problemas de optimizaci
on sobre curvas. Dada la funcion objetivo f , supongamos que tenemos una curva regular a trozos C contenida en el dominio de f y nos planteamos el problema
de hallar los valores maximo y mnimo que alcanza f sobre los puntos de la curva C.
Este problema puede resolverse por los metodos ya conocidos si podemos representar C mediante
una parametrizacion r(t), donde
( el)parametro t recorre un cierto intervalo. En ese caso, pasamos a
una funcion objetivo (t) = f r(t) de una sola variable y hallamos su maximo y su mnimo sobre
el intervalo, si existen. A partir de los extremos de obtenemos los puntos de la curva C en los
que f alcanza sus extremos.
Sin embargo, a veces no se puede hallar una parametrizacion de C. En el plano esto ocurre
generalmente cuando C es una curva definida implcitamente por g(x, y) = 0. En el espacio, ocurre
cuando la curva viene dada como la intersecci
on de dos superficies definidas de forma implcita.
En esta seccion abordaremos este tipo de problemas, primero en el caso bidimensional. Despues
diremos como se extienden las tecnicas al caso tridimensional, tanto para superficies como para
curvas definidas implcitamente.
Extremos relativos restringidos en el plano. Dada la funcion objetivo f (x, y), supongamos
que tenemos una curva de ecuacion implcita g(x, y) = 0 contenida en el dominio de f y sea (x0 , y0 )
un punto de dicha curva.

Optimizaci
on con restricciones de igualdad.

Se dice que f tiene en (x0 , y0 ) un m

aximo relativo sujeto a la restricci
on g(x, y) = 0 si existe un
crculo D centrado en (x0 , y0 ) tal que f (x0 , y0 ) f (x, y) para todo punto (x, y) D que cumpla
g(x, y) = 0.
Se dice que f tiene en (x0 , y0 ) un m
aximo relativo sujeto a la restricci
on g(x, y) = 0 si existe un
crculo D centrado en (x0 , y0 ) tal que f (x0 , y0 ) f (x, y) para todo punto (x, y) D que cumpla
g(x, y) = 0.
Genericamente, los maximos y mnimos relativos de la funcion objetivo f en la curva g(x, y) = 0
se llaman extremos relativos de f sujetos a la restricci
on g(x, y) = 0 o, simplemente, extremos
relativos restringidos y, en algunos textos, extremos relativos condicionados.

3. Optimizaci
on de campos escalares

49

Teorema de los multiplicadores de Lagrange. En las condiciones anteriores, si f y g son

diferenciables en un punto (x0 , y0 ) en el que f tiene un extremo relativo sujeto a la restriccion
g(x, y) = 0 y Dg(x0 , y0 ) = [0, 0], entonces existe un n
umero R, llamado multiplicador de
Lagrange, tal que
Df (x0 , y0 ) = Dg(x0 , y0 );
o sea,
f
g
(x0 , y0 ) = (x0 , y0 )
x
x

f
g
(x0 , y0 ) = (x0 , y0 ).
y
y

Geometricamente, el teorema de los multiplicadores significa que en un extremo relativo restringido

(x0 , y0 ), son tangentes la curva restriccion g(x, y) = 0 y la curva de nivel de f que pasa por dicho
punto, f (x, y) = f (x0 , y0 ).

Interpretaci
on geom
etrica del teorema de los multiplicadores de Lagrange.

En la practica, para hallar los extremos relativos de f sujetos a g(x, y) = 0, los puntos candidatos
se obtienen resolviendo un sistema de tres ecuaciones con tres incognitas , x e y:
g(x, y) = 0,

f
g
(x, y) = (x, y)
x
x

f
g
(x, y) = (x, y).
y
y

Como en el caso de la determinacion de los puntos crticos, la resolucion de este sistema de ecuaciones puede ser complicada o, en algunos casos, imposible de hacer a mano y, en ese caso, hay
que emplear metodos numericos para obtener soluciones aproximadas.
Para hallar los valores maximo y mnimo de f sobre la curva, a los puntos obtenidos resolviendo el
sistema hay que a
nadir los puntos de la curva g(x, y) = 0 en los que no se puede aplicar el teorema
de los multiplicadores, como los extremos de la curva, los puntos en los que Dg(x, y) no existe o
los puntos en los que se tiene Dg(x, y) = [0, 0].
El m
etodo de los multiplicadores de Lagrange en el caso tridimensional. En el caso
tridimensional, el metodo funciona de manera totalmente similar cuando tenemos solo una restricci
on g(x, y, z) = 0, lo que correspondera a trabajar sobre una superficie. Para hallar los extremos
relativos de f (x, y, z) sujetos a g(x, y, z) = 0, los puntos candidatos se obtienen resolviendo un
sistema de cuatro ecuaciones con cuatro incognitas , x, y, z:
g = 0,

f
g
= ,
x
x

f
g
= ,
y
y

f
g
= .
z
z

De nuevo, a los puntos obtenidos resolviendo este sistema hay que a

nadir los puntos de la superficie
g(x, y, z) = 0 en los que no se puede aplicar el teorema de los multiplicadores, como el borde de la
superficie, los puntos en los que Dg(x, y, z) no existe o los puntos en los que Dg(x, y, z) = [0, 0, 0].

50

Matem
aticas III (GIC y GITI, 20152016)

En el caso tridimensional tambien puede ocurrir que estemos trabajando en una curva definida
como la intersecci
on de dos superficies de ecuaciones implcitas g(x, y, z) = 0 y h(x, y, z) = 0.
En ese caso, la condicion de que el diferencial de la restriccion no sea cero hay que sustituirla
por una condicion algo mas exigente: que los diferenciales de las restricciones sean linealmente
independientes.
Si (x0 , y0 , z0 ) es un extremo relativo de la funcion objetivo f (x, y, z) sujeto a las restricciones
g(x, y, z) = 0 y h(x, y, z) = 0 y los diferenciales Dg(x0 , y0 , z0 ) y Dh(x0 , y0 , z0 ) son linealmente
independientes, entonces existen sendos multiplicadores y para cada restriccion tales que
Df (x0 , y0 , z0 ) = Dg(x0 , y0 , z0 ) + Dh(x0 , y0 , z0 )
En este caso, los puntos candidatos para ser extremos relativos se obtienen con las soluciones del
correspondiente sistema de cinco ecuaciones con cinco incognitas: x, y, z, y y, de nuevo, a
estos puntos hay que a
nadir los extremos de la curva restriccion y los puntos en los que Dh(x, y, z)
y Dg(x, y, z) no son linealmente independientes o, simplemente, alguno de ellos no existe.
2
EJERCICIOS DE LA SECCION
Ejercicio 1. Determina los posibles extremos relativos de la funcion f (x, y) = x2 + y 2 sujetos
a la restriccion 2x + 3y = 6. Dibuja la restriccion y las curvas de nivel de la funcion objetivo e
interpreta geometricamente el problema.
Ejercicio 2. Determina los posibles extremos relativos de la funcion f (x, y) = x2 + y 2 siendo
(x, y) puntos de la elipse 5x2 + 6xy + 5y 2 = 8. Dibuja la restriccion y las curvas de nivel de la
funci
on objetivo e interpreta geometricamente el problema.
Ejercicio 3. Determina los posibles extremos relativos de la funcion f (x, y) = 2(x 3)2 + (y 4)2
siendo (x, y) puntos de la circunferencia unidad. Dibuja la restriccion y las curvas de nivel de la
funci
on objetivo e interpreta geometricamente el problema.
Ejercicio 4. Considera el campo escalar f definido por f (x, y) = y 3 + x2 y + 2x2 + 2y 2 4y 8.
(1) Determina los puntos crticos de f . Que informacion proporciona el criterio de las derivadas segundas sobre cada uno de dichos puntos crticos?
(2) Calcula los candidatos a extremos relativos de f sujetos a la restriccion x2 + y 2 = 1.
Ejercicio 5. Determina los puntos candidatos a ser extremos relativos de la funcion f (x, y) = xy
sujetos a la restriccion x + y = 1
Ejercicio 6. Sea f (x, y, z) = 3x2 + 4xy + z 3 . Determina los puntos candidatos a ser extremos
relativos de f sujetos a x2 + y 2 = 1.
Ejercicio 7. Determina los puntos candidatos a ser extremos relativos de la funci
on f (x, y) = xyz
sujetos a la restriccion 2x + 4y + z 6 = 0
Ejercicio 8. Determina los puntos candidatos a ser extremos relativos de la funcion objetivo
dada por f (x, y) = (x 1)2 + y 2 + z 2 sujetos a la restriccion x2 + (y 1)2 = z 2 e interpreta
geometricamente el resultado.
Ejercicio 9. Calcula los puntos candidatos a ser extremos relativos del la funcion f (x, y, z) = z
sujetos a la curva intersecci
on de la esfera x2 + y 2 + z 2 = 36 con el plano 2x + y z = 6.

3. Optimizaci
on de campos escalares

51

Ejercicio 10. En los siguientes casos, calcula los puntos candidatos a ser extremos relativos de la
funci
on f (x, y, z) = x2 + y 2 + z 2 sujetos a la restricciones que se dan
(1)
(3)

x + 3z = 7, x + y + 3z = 9.
x2 + 2y2 + 3z 2 = 1, 2x2 + 3y 2 + z 2 = 1.

(2) 2z 2 = x2 + y 2 , z = 1 + x + y.
(4) x2 + y 2 = 1, 2x + y + z = 4.

CON RESTRICCIONES GENERALES

3. OPTIMIZACION
En las secciones anteriores hemos estudiado como detectar los extremos relativos de un campo
escalar sin restricciones o con restricciones de igualdad; apenas hemos visto nada sobre la existencia
y calculo de sus extremos absolutos. Ahora analizaremos la existencia y los procedimientos de
obtenci
on de maximos y mnimos absolutos de un campo escalar bajo restricciones generales.
Planteamiento general. Sea f la funcion objetivo, definida en un conjunto abierto U , y supongamos que queremos hallar los valores maximo y mnimo que puede alcanzar f entre los puntos que
cumplan un conjunto de restricciones que, en general, vendr
an dadas como una o varias igualdades
o desigualdades. Llamaremos D U al conjunto de puntos que cumplen las restricciones que se
impongan a las variables (en algunos libros D recibe el nombre de conjunto factible.)
Teorema de Weierstrass. Sea f : U R3 R un campo escalar continuo y sea D U
un conjunto cerrado y acotado contenido en U . Entonces f alcanza en D sus valores mnimo y
m
aximo; es decir, existen Pmn , Pmax D tales que f (Pmn ) f (P ) f (Pmax ) para todo P D.
Extremos absolutos. Los valores maximo y mnimo de f y, por abuso de lenguaje, los puntos
en los que se alcanzan dichos valores, se llaman extremos absolutos, o globales, de f en D.
Procedimiento general para resolver problemas de optimizaci
on. Puede ocurrir que D
no sea cerrado y acotado y, seg
un el comportamiento de f (P ) cuando P U tiende a infinito o a
la frontera de D, que el maximo o el mnimo absoluto no existan. En otros casos, a pesar de ser
D no acotado, el comportamiento de f permite asegurar que existe el maximo o el mnimo global
y que este se encuentra en un conjunto acotado. Por ejemplo, si queremos hallar el punto de una
curva mas cercano a un punto dado, entonces aunque la curva no este acotada, el mnimo siempre
existe y podemos localizarlo en un tramo acotado de la curva fuera del cual podamos asegurar que
la distancia se hace muy grande. Por tanto, el primer paso es, si se puede, reducir el problema al
de encontrar los extremos absolutos de la funcion objetivo f en un subconjunto cerrado y acotado
D U.
En el caso de las funciones de una variable, los puntos candidatos a que en ellos se alcance el maximo
o el mnimo absoluto de una funcion en un intervalo cerrado y acotado son los puntos del intervalo
abierto en los que la derivada vale cero y los extremos del intervalo, as que el procedimiento es
calcular estos puntos candidatos y evaluar la funcion objetivo en ellos para decidir en cual(es) se
alcanza el maximo absoluto y en cual(es) el mnimo absoluto.
Para el caso de dos o tres variables, la geometra del conjunto D puede ser mas complicada pero en
la practica totalidad de los casos habituales de las aplicaciones, D puede descomponerse facilmente
en su frontera, que es donde se cumplen alguna restriccion de igualdad, y en sus puntos interiores,
que es donde se cumplen las restricciones de desigualdad estricta.
Las dos ideas esenciales ahora son, por un lado, que el conjunto de puntos interiores es abierto,
as que los candidatos a extremos que esten en el interior de D son los puntos crticos de f que
esten en el interior de D o sea, los que hemos estudiado en la primera seccion y, por otro

52

Matem
aticas III (GIC y GITI, 20152016)

lado, que la frontera viene dada por los tramos en los que alguna restriccion es de igualdad, as
que los candidatos a extremos que esten en la frontera de D son los extremos relativos de f sujetos
a restricciones de igualdad o sea, los que hemos estudiado en la segunda seccion .
Los resultados de las secciones anteriores requieren que la funcion objetivo sea, al menos, diferenciable y, si ademas queremos usar el test de las derivadas segundas para clasificar los puntos
crticos, entonces de clase C 2 (U ), lo que ocurre en la practica totalidad de los casos de interes. En
resumen, para determinar los extremos absolutos de una funcion objetivo de clase C 2 (U ) sobre un
conjunto cerrado y acotado D se hace, entonces, lo siguiente:
(1) Se descompone D en su frontera y su interior
(2) Se hallan los puntos crticos de f en el interior de D.
(3) (a) Si son dos variables, entonces la frontera de D es una curva dada por igualdades. Para
hallar los extremos relativos de f en cada tramo de la frontera podemos hacer dos cosas:
O bien la representamos (mediante )una parametrizacion (x(t), y(t)) y pasamos a una
funcion objetivo (t) = f x(t), y(t) de una sola variable, en cuyo caso se hallan los
puntos crticos de y con estos valores crticos del parametro se obtienen los puntos
de la frontera en los que f podra tener un extremo.
O bien determinamos los candidatos a extremos relativos sujetos a la frontera usando
el teorema de los multiplicadores de Lagrange junto con los puntos en los que el
teorema no sea aplicable.
(b) Si tenemos tres variables, entonces la frontera de D es una superficie o una curva. En
este caso, o bien parametrizamos la frontera, o bien usamos el metodo de los multiplicadores
de Lagrange con una o dos restricciones seg
un sea el caso.
(4) Se eval
ua f en todos los puntos obtenidos y se escogen aquellos donde f alcanza el valor
mayor (maximo absoluto) y el valor menor (mnimo absoluto).
En la siguiente figura vemos un ejemplo de optimizacion con restricciones. En rojo se representan
las curvas de nivel de la funcion objetivo y en azul el conjunto D de las restricciones; azul mas
claro para el interior y mas oscuro para la frontera. Los candidatos que estan en el interior son
los puntos crticos de la funcion objetivo: un maximo local A, un mnimo local B y dos puntos de
silla C. Los candidatos que estan en la frontera son los seis puntos L dados por el teorema de los
multiplicadores de Lagrange (la frontera y la curva de nivel son tangentes en dichos puntos).

Optimizaci
on con restricciones generales.

3. Optimizaci
on de campos escalares

53

Para descartar errores o ahorrar en los calculos, si f es de clase C 2 (U ), puede ser buena idea
clasificar los puntos crticos obtenidos en el paso (1) mediante el test de las derivadas segundas; de
esa forma, si en el paso (4) obtenemos un maximo global en un punto crtico que hemos clasificado
como mnimo relativo entonces seguramente hay alg
un error en los calculos
3
EJERCICIOS DE LA SECCION
Ejercicio 1. Determina los extremos absolutos de la funcion f (x, y) = 3x2 y 2 + 2x3 + 2y 3 en el
rectangulo R dado por 2 x 1, 5 y 1.
Ejercicio 2. Sea f : R2 R la funcion definida por f (x, y) = cos(x) + sen(y). Halla y clasifica
sus puntos crticos en el interior del cuadrado D dado por 1 x 7, 1 y 7.
Ejercicio 3. Halla los valores maximos y mnimos de f (x, y) = y 3 + x2 y + 2x2 + 2y 2 4y 8 en
el cuadrante positivo del crculo unidad.
Ejercicio 4. Determina los extremos absolutos de la funcion f (x, y) = x2 + y 2 + x2 y 2 en la region
dada por 4x2 + y 2 4.
Ejercicio 5. Determina los extremos absolutos de la funcion f (x, y) = e(x
el crculo x2 + y 2 4.

+y 2 )

(2x2 + 3y 2 ) sobre

Ejercicio 6. Determina el rectangulo de mayor area, con lados paralelos a los ejes, que puede
inscribirse en la elipse definida por la ecuacion x2 /a2 + y 2 /b2 = 1.
Ejercicio 7. Halla los semiejes de la elipse centrada en el origen 5x2 + 6xy + 5y 2 = 8.
Ejercicio 8. Determina los puntos donde el campo f (x, y) = 4x2 +y 2 4x3y alcanza sus valores
m
aximo y mnimo absolutos en la mitad superior de la elipse 4x2 + y 2 13.
Ejercicio 9. En los siguientes casos, determina los puntos de la curva mas proximos al origen de
coordenadas (en los problemas de hallar el mnimo o el maximo de una distancia es conveniente
tomar como funcion objetivo el cuadrado de la distancia para evitar la raz cuadrada).
(1) La recta x + y = 4.
(2) La circunferencia de centro (1, 2) y radio r = 8.
(3) El triangulo de vertices A = (3, 2), B = (3, 8) y C = (6, 1).
Ejercicio 10. Calcula las dimensiones de la piramide recta de base cuadrada y maximo volumen
que puede construirse con un alambre de longitud L.
Ejercicio 11. Calcula los extremos absolutos de la funcion f (x, y) = xyexy en la region D dada
por x2 + 4y 2 1.
Ejercicio 12. Considera la region D del primer cuadrante limitada por las curvas: y 2 x2 = 1,
x2 y 2 = 1, x + y = 2, x + y = 4. Halla los extremos absolutos de f (x, y) = 2x3 + y 2 en D.
Ejercicio 13. Considera el campo escalar f (x, y) = 3x3 +9xy 2 +36x2 +47y +1. Sea S la superficie
de ecuacion z = f (x, y) y sea P = (x, y, z) un punto de S. Sabiendo que una de las rectas tangentes
a S en P es paralela a la recta r dada por las ecuaciones x + y = 0 y x y + z = 0, prueba que las
coordenadas (x, y) de P est
an sobre la parabola de ecuacion x2 + y 2 2xy + 8x 5 = 0 y halla el
punto de esta parabola mas cercano al punto (2, 0).

54

Matem
aticas III (GIC y GITI, 20152016)

Ejercicio 14. Considera el campo escalar f (x, y) = y 3 + x2 y + 2x2 + 2y 2 4y 8.

(1) Determina los puntos crticos de f . Que informacion proporciona el criterio de las derivadas segundas sobre cada uno de dichos puntos crticos?
(2) Calcula los extremos absolutos de f sujetos a la restriccion x2 + y 2 = 1 usando el Teorema
de los Multiplicadores de Lagrange.
(3) Determina los puntos donde el campo f alcanza sus valores maximo y mnimo absolutos
en el crculo unidad x2 + y 2 1.
Ejercicio 15. Sea f (x, y, z) = 3x2 + 4xy + z 3 . Calcula los extremos absolutos de f en el cilindro
S = {(x, y, z) R3 : x2 + y 2 1, 2 z 2}.
Ejercicio 16. Calcula el maximo y el mnimo absolutos de f (x, y, z) = x2 + y 2 + z 2 + x + y + z
sobre el conjunto D = {(x, y, z) : x2 + y 2 + z 2 1, y + z = 1}.

Ejercicio 17. Prueba que los angulos de un triangulo cumplen sen(x) + sen(y) + sen(z) 3 3/2.
Ejercicio 18. Calcula los extremos absolutos de f (x, y, z) = x + 3xy z 2 en la esfera unidad.
Ejercicio 19. Determina los extremos absolutos de la funcion f (x, y, z) = x2 + yz en la region
definida por x2 + y 2 z 1.
Ejercicio 20. Una sonda espacial con forma esferica de radio 6 unidades entra en la atmosfera y
su superficie empieza a calentarse. Pasada una hora, la temperatura en un punto (x, y, x) de su
superficie es de T (x, y, z) = 6x y 2 + xz + 60. Determina los puntos de la superficie de la sonda
m
as fros y mas calientes. Razona en ambos casos por que podemos garantizar su existencia.
Ejercicio 21. Encuentra el punto mas alto de la circunferencia definida por la interseccion de la
esfera x2 + y 2 + z 2 = 36 con el plano 2x + y z = 6.
Ejercicio 22. En los siguientes casos, determina los puntos de la curva mas proximos al origen
de coordenadas
(1) La intersecci
on del cono 2z 2 = x2 + y 2 con el plano z = 1 + x + y.
(2) La curva dada por la intersecci
on de los elpsoides x2 + 2y2 + 3z 2 = 1 y 2x2 + 3y 2 + z 2 = 1.
(3) El triangulo de vertices A = (3, 2, 2), B = (3, 8, 4) y C = (6, 1, 0).
Ejercicio 23. Encuentra el punto del cono z 2 = x2 + (y 1)2 m
as cercano al punto P = (1, 0, 0).
Ejercicio 24. Encuentra las dimensiones optimas de un recipiente con forma de caja sin tapa de
superficie dada a.
Ejercicio 25. Encuentra las dimensiones optimas de un recipiente con forma de caja sin tapa de
volumen dado v.
Ejercicio 26. Halla las distancias maxima y mnima desde el origen hasta la curva dada por la
intersecci
on de los elipsoides x2 + 2y 2 + 3z 2 = 1 y 2x2 + 3y 2 + z 2 = 1.
Ejercicio 27. Calcula el punto mas cercano al eje OY de la elipse dada por la intersecci
on del
2
2
cilindro x + 2y = 1 con el plano 3x = 4z.
Ejercicio 28. Calcula los extremos absolutos del campo escalar f (x, y, z) = x y z sobre la
elipse dada por la intersecci
on del cilindro 2x2 + y 2 = 4 con el plano x + y + z = 1.

3. Optimizaci
on de campos escalares

55

Ejercicio 29. Cortando el paraboloide z = 4 x2 y 2 con el plano z = y + 2 se obtiene una curva

C. Ademas, sea V el solido formado por el trozo acotado de los dos en que dicho corte divide al
paraboloide.

Los elementos geom

etricos descritos.

(1)
(2)
(3)
(4)

Calcula la recta tangente a C en el punto P = (0, 1, 3).

Calcula el plano tangente al paraboloide en dicho punto P .
Calcula la recta tangente al paraboloide en el punto P que tiene pendiente maxima.
Utilizando el teorema de los multiplicadores de Lagrange, prueba que P = (0, 1, 3) es el
punto mas alto de la curva C.

Ejercicio 30. De los puntos que estan a la vez en el cilindro x2 + y 2 = 1 y en la superficie

z 2 xy = 0, calcula, en el caso de que existan, el que esta mas cerca y el que esta mas lejos del
origen de coordenadas.
Ejercicio 31. La ecuacion x2 + 3y 2 2xy = 1 representa una elipse centrada en el origen de
coordenadas. Aplica el teorema de los multiplicadores de Lagrange para hallar sus semiejes.
Ejercicio 32. Sea S la superficie dada en R3 por z 3 + zx3 + zy 4 + y 2 + 2xy 2x 4y + 3 = 0.
(1) Prueba que en un entorno del punto P = (1, 1, 0) puede obtenerse la coordenada z de los
puntos de S como una funcion explcita z = f (x, y) de las otras dos coordenadas.
(2) Calcula el polinomio de Taylor de grado 2 de f en el punto (1, 1).
(3) Prueba que (1, 1) es un punto crtico de f y clasifcalo.
(4) Sea C la intersecci
on de S con el plano XY . Para hallar los extremos relativos del campo
g(x, y) = x(y 1) sujetos a la restriccion C, cuales son los puntos candidatos a extremos
relativos que proporciona el teorema de los multiplicadores de Lagrange para este caso?
(5) Halla los extremos absolutos de g sujetos a la restriccion C.
Algunas notas hist
oricas. Los problemas de optimizaci
on el c
alculo de m
aximos y mnimos forman parte de
las matem
aticas, y de sus aplicaciones a la mec
anica y la ingeniera, desde sus orgenes. Por ejemplo, los astr
onomos
de Babilonia ya se dieron cuenta que los planetas parecan detenerse cuando aparentaban estar lo m
as lejos o cerca
posible. La leyenda de la reina Dido, fundadora de Cartago, cuenta c
omo resolvi
o, mediante una circunferencia,
el problema de rodear una cantidad lo m
as grande posible de terreno cuando el permetro est
a dado. Este y otros
problemas de optimizaci
on fueron resueltos por los ge
ometras griegos. Por ejemplo, Her
on descubri
o, en torno al
siglo i ac, que la luz se refleja siguiendo el camino m
as corto.
Con la invenci
on del c
alculo infinitesimal se desarrollaron los primeros m
etodos sistem
aticos para resolver problemas
de optimizaci
on. As, Pierre de Fermat fue el primero, en 1636, en postular que la derivada vale cero en los extremos
locales de una funci
on de una variable. Tambi
en mostr
o en 1657 que la ley de Snell es una consecuencia de que la
luz viaja siguiendo el camino m
as corto tambi
en cuando se refracta al pasar de un medio a otro, aire y agua, por
ejemplo, en el que viaja a diferente velocidad. En 1696 Johann y Jacob Bernoulli y Newton plantean y resuelven al
problema de la braquistocrona: la propiedad que tiene la cicloide de ser la curva por la que un m
ovil sujeto a la acci
on
de la gravedad pasa en el menor tiempo posible de un punto a otro, ambos situados en un mismo plano vertical.

56

Matem
aticas III (GIC y GITI, 20152016)

Este resultado y otros en problemas similares permiten a Leonhard Euler formular en 1740 los primeros criterios de
optimalidad de curvas y superficies, lo que se conoce como el c
alculo de variaciones. Joseph Louis Lagrange resolvi
o
en 1755 algunas cuestiones planteadas por Euler, y su colaboraci
on culmin
o con la formulaci
on de las ecuaciones
de Euler-Lagrange que son el punto central de la teora del c
alculo de variaciones. En paralelo, Lagrange formul
o
en 1759 el test de las derivadas segundas para funciones de dos variables y tambi
en fue de los primeros en estudiar
problemas de optimizaci
on con restricciones, formulando en 1788 su teorema de los multiplicadores.
A lo largo del siglo xix y primera mitad del xx se establecen los fundamentos te
oricos de la disciplina y se formulan
m
etodos num
ericos para resolver problemas de optimizaci
on. En 1806 Adrien M. Legendre y Carl F. Gauss inventan
el m
etodo de los mnimos cuadrados. Bernard Bolzano (1830, para funciones de una variable) y Karl Weierstrass
(1860, para varias variables) formulan la condici
on suficiente para la existencia de extremos; Carl Gustav Jacobi,
en 1850, y James Joseph Sylvester, en 1852, dan la clasificaci
on de las cu
adricas seg
un los signos de los autovalores,
extendiendo el resultado de Lagrange a campos de varias variables. Augustin Cauchy formula en 1857 el m
etodo
del descenso m
as r
apido.
La aparici
on de los computadores a mediados del siglo xx dieron un enorme impulso a los m
etodos num
ericos
para resolver problemas de optimizaci
on que son esenciales en la ingeniera. Se
nalemos, sobre todo, el m
etodo del
smplex que permite resolver problemas de optimizaci
on lineales de muchas variables sujetas a restricciones lineales,
inventado de forma independiente por Leonid V. Kantorovich en 1939 y George Dantzig en 1947. Este y otros
m
etodos ser
an estudiados en las asignaturas M
etodos Matem
aticos, Estadstica e Investigaci
on Operativa y, en
GITI, M
etodos Cuantitativos de Organizaci
on Industrial.

BIBLIOGRAFIA
G.L. Bradley y K.J. Smith, C
alculo, vol. 2, Captulo 12.
R.E. Larson, R.P. Hostetler y B.H. Edwards, C
alculo, vol. 2, Captulo 12.
G.B. Thomas, Jr., C
alculo, varias variables, Captulo 14.
P
aginas web de interes:
http://www.wolframalpha.com
http://web.monroecc.edu/manila/webfiles/calcNSF/JavaCode/CalcPlot3D.htm
http://www.desmos.com/