TEORA DE LA

OPTIMIZACIN Y
MTODO CLSICO
Elaborado por:
Tania Delgado Lpez
Janella Lezcano Hernndez
Introduccin
Los modelos de optimizacin constituyen hoy en da uno de
los campos de las matemticas con mayor nmero de
aplicaciones . Pierre de Fermat y Joseph Louis Lagrange
encontraron clculos basados en formulas identificadas como
ptimas, mientras que Isaac Newton y Carl Friedrich Gauss
propusieron mtodos iterativos para el movimiento hacia un
ptimo, el primer trmino para la optimizacin fue
programacin lineal.
Desarrollo
TEORA DE LA OPTIMIZACIN

Las tcnicas determinsticas

Son muy tiles para encontrar el mnimo de una funcin objetivo de varias variables bajo una serie de
restricciones preestablecidas siendo las restricciones y las funciones lineales o no lineales.

Las tcnicas estocsticas

Se pueden emplear para analizar problemas descritos por un conjunto de variables aleatorias que
tienen una funcin de distribucin de probabilidad.

Las tcnicas estadsticas

Permiten analizar los problemas con datos experimentales y la construccin de modelos empricos para
obtener la representacin ms adecuada de la situacin fsica que se requiere optimizar.

Las tcnicas modernas de optimizacin

Son algoritmos poderosos que permiten resolver problemas tan complejos como el caso de
movimientos de masas o tendencias, entre otras, que se adecuaron para ser aplicados a problemas de
ingeniera.
 Un conjunto de variables
Teora de Cuyos valores son nmeros reales y sirven para
optimizacin representar cada una de las alternativas del sistema.
clsica
Un conjunto de restricciones
Los modelos formales para
resolver los problemas de Que tienen la forma de igualdades o desigualdades, que
decisin ptima son los ligan las variables y sirven para representar las relaciones
modelos matemticos de entre stas e incluir las condiciones del sistema.
optimizacin.
Un modelo matemtico de Una funcin objetivo
optimizacin incluye los
siguientes elementos: Que depende de los valores de las variables, toma
valores en el conjunto de los nmeros reales y sirve para
comparar las alternativas.
La elaboracin y utilizacin
de un modelo matemtico
de optimizacin para
representar y operar un
sistema real es una tarea
compleja. Para llevarla a
cabo son necesarias
diversas fases: anlisis del
sistema, formulacin del
modelo, solucin del
modelo, validacin del
modelo y puesta en prctica
de la solucin
Ejemplo
Supongamos que se dispone de un capital, digamos un milln de
euros, para invertir en el mercado de la mejor manera posible. El
primer paso que hay que dar es, obviamente, averiguar qu activos
ofrece el mercado y cules son sus caractersticas respecto de
aquello que puede interesar al inversor: rentabilidad. liquidez,
riesgo, etc. Para fijar ideas y por simplicidad, vamos a suponer que
nada ms es posible la inversin en dos tipos de activos que
llamaremos A y B. En este caso, parece claro que habremos resuelto
el problema cuando sepamos qu cantidad del capital total ha de
invertirse en A y qu cantidad en B. Veamos cmo se determinan
cada uno de los ingredientes del problema.
Anlisis del sistema
En una primera aproximacin descriptiva, el inversor puede desear
que inversin sea lo "ms rentable" posible, con el "menor riesgo"
posible, "gran liquidez".

Variables
Unas cantidades que son candidatas naturales a intervenir en el
problema como variables son:
X1 = Cantidad a invertir en A
X2 = Cantidad a invertir en B
La solucin del problema debe proporcionar valores ptimos para
X1 y X2.
 La cantidad total invertida no puede ser superior a la
cantidad disponible. Esta cantidad es un parmetro del
problema, que viene fijado en este caso en un milln de
euros.

La rentabilidad media de la inversin ha de ser como mnimo

Restricciones un determinado nivel prefijado.

No se permite hacer una inversin a crdito en un activo,

exigiendo las condiciones naturales de que los valores de las
inversiones que se hagan en A y B sean no negativos.
Datos
Los datos necesarios para el Inversin Rentabilidad Riesgo Riesgo
modelo que estamos (media) Individual Conjunto
construyendo se obtendran (varianza) (covarianza)
como ya se ha comentado
recurriendo a los archivos
histricos de las A 10 2 -4
cotizaciones de A y B y
utilizando las tcnicas B 25 10 -4
estadsticas para conocer, a
partir de ellas las
cotizaciones medias de A y
B y sus varianzas.
Variables:

Modelo
X1 = Cantidad a invertir en A
X2 = Cantidad a invertir en B
Restricciones:
Inversin total Capital disponible (en millones de euros)
Rentabilidad media de la inversin total Rendimiento
mnimo deseado.
Supongamos que este rendimiento mnimo se fija en un 20
%. Si se invierten X1 euros en A entonces se obtendrn
0.10 X1 de rentabilidad
inversin en un activo no puede ser negativa.
Se tienen las condiciones:
1 0
2 0
Objetivo:
Minimizar la variabilidad de la inversin. Dadas las varianzas individuales y la
covarianza de A y B, la estadstica nos permite calcular la varianza de la inversin
conjunta X1 + X2 que viene dada por la expresin:
1 , 2 = 0.0212 + 0.1022 + 2(0.04)1 2
Esta es la funcin que hay que minimizar.
En resumen, el modelo matemtico para el problema de la inversin ptima es
minimizar:
1 , 2 = 0.0212 + 0.1022 0.081 2
Sujeto a
1 + 2 1
0.101 + 0.252 0.20
1 0
2 0
En la Figura 2 se representan algunas curvas de nivel de la funcin
objetivo, es decir, las curvas del plano tales que0.0212 +
0.1022 0.081 2 = , donde k es una constante. Observando el
grfico se comprende que la solucin del problema ser el primer
punto de la regin factible que "toque" la curva de nivel cuya
constante k sea lo menor posible. Dicho punto es, como puede
apreciarse, el punto de interseccin de las rectas,
1 + 2 = 1
0.101 + 0.252 = 0.20

Es decir, el punto (1/3, 2/3). En la figura se representa la curva de

nivel que corresponde al valor ptimo f = 0.029.
Interpretacin de la
solucin
La solucin del problema, obtenida en este caso de forma
grfica, nos conduce a la siguiente poltica de inversin: "se
deber invertir 1/3 del milln de euros en el activo A y 2/3 en el
activo B ".
CONCLUSIN