La optimización univariada estudia la búsqueda de extremos (mínimos o máximos) de una función de una sola variable$f:R\to R$. En contextos administrativos y económicos, estos problemas aparecen continuamente: maximizar beneficios respecto a la cantidad producida, minimizar costos unitarios respecto al nivel de insumos o encontrar la tasa de descuento que optimiza el valor presente de un proyecto. Conceptualmente, la optimización univariada es la base de muchas técnicas más complejas (búsquedas en línea para algoritmos multivariados, búsquedas de paso en métodos de descenso, etc.), y por ello se estudian tanto métodos analíticos (derivadas) como numéricos.

En la figura detallada a continuación se pueden visualizar gráficos financieros en el contexto de optimización.

Si $f$es diferenciable, las condiciones necesarias y suficientes clásicas son el uso de derivadas: un punto $x^{*}$es candidato a extremo si $f^{\text{'}}\left(x^{*}\right)=0$(condición necesaria); si además $f^{\text{'}\text{'}}\left(x^{*}\right)>0$se tiene un mínimo local (condición suficiente). Para funciones no diferenciables o en presencia de restricciones, se emplean herramientas alternativas (subderivadas, unimodalidad o análisis directo de la función-valor). En economía, teoremas como el envelope theorem y el teorema del máximo establecen condiciones para derivar el valor óptimo respecto a parámetros (útiles para análisis comparativo de políticas). (Milgrom & Segal, 2002).

Métodos numéricos principales

1. Métodos basados en derivadas

   • Newton / Newton-Raphson: usa $x_{k+1}=x_k-\frac{f^{\text{'}}\left(x_k\right)}{f^{\text{'}\text{'}}\left(x_k\right)}$. Convergencia cuadrática cerca de la raíz si $f^{\text{'}\text{'}}$no se anula; sensible a malas aproximaciones iniciales.

2. Métodos sin derivadas (derivative-free) útiles cuando la función es ruidosa, discontinua o costosa de evaluar:

• Búsqueda por bisección (para problema de raíz/derivada): robusta, reduce el intervalo por dos cada iteración cuando se conoce un cambio de signo.
• >Método clásico para hallar el mínimo de funciones unimodales usando solo evaluaciones de $f$.

• Combina interpolación cuadrática inversa, la secante y la bisección; es robusto y normalmente más eficiente que la búsqueda dorada en práctica —por eso es muy utilizado en bibliotecas numéricas y en búsquedas de línea.

• Métodos híbridos y variantes modernas
• Secant / Método de la falsa posición: aproxima derivadas por diferencias finitas.
• Búsquedas de línea modernas: Se usan como subrutina en algoritmos multivariados. Investigaciones recientes proponen variantes que explotan convexidad o toleran ruido en la función para mejorar eficiencia y robustez.

Propiedades prácticas y criterios de paro

• Unimodalidad/convexidad: muchos métodos garantizan convergencia rápida si la función es unimodal o convexa en el intervalo de interés.
• Ruido y evaluación cara: Cuando la función tiene ruido estadístico o la evaluación es costosa (simulaciones, experimentos), conviene usar métodos tolerantes al ruido o reducir el número de evaluaciones (métodos cuasi-exactos, búsqueda adaptativa).
• Criterios de paro: tamaño del intervalo, cambio en el valor objetivo$\mid f\left(x_{k+1}\right)-f\left(x_k\right)\mid$o norma de la derivada estimada. Seleccionar tolerancias dependientes del problema (p. ej., impacto económico mínimo relevante) mejora la interpretabilidad.

Aplicaciones en Administración y Economía (ejemplos)

• Maximización de beneficios: hallar $q^{*}$que maximiza;$\pi \left(q\right)=p\left(q\right)q-c\left(q\right)$ si $p$y $c$son diferenciables, resolver${\pi }^{\text{'}}\left(q\right)=0$. Si la función de beneficio proviene de simulación o datos discretos, usar búsqueda univariada numérica.

• Determinación del Precio óptimo: optimizar ingreso o excedente en función del precio en modelos de demanda.
• Optimización de políticas y análisis comparativo: calcular el valor óptimo de una variable de política (inversión, tasa impositiva) y estudiar su sensibilidad ante parámetros; aquí intervienen el envelope theorem y análisis basado en derivadas del valor óptimo.

A continuación, se presenta un video en el que se explica la resolución de ejemplos con el cálculo de optimización univariable.

1.1.1 Tipos de optimización

La Optimización es el proceso de identificar la mejor alternativa posible dentro de un conjunto de opciones factibles, de acuerdo con un objetivo definido, como maximizar beneficios o minimizar costos. En el contexto de la Administración y la Economía, los distintos tipos de optimización permiten modelar problemas de decisión adaptados a las características de los sistemas empresariales, financieros o productivos. La clasificación puede hacerse según la naturaleza de la función objetivo, las variables, las restricciones o la información disponible.

En la figura detallada a continuación se pueden visualizar gráficos relacionados con el aumento del crecimiento de su negocio en línea, estrategias creativas en el contexto de optimización.

1. Optimización lineal: La función objetivo y las restricciones son lineales. Se aplica en problemas de asignación de recursos, mezcla de productos, planeación de la producción y distribución. Herramientas como el método simplex o la programación lineal entera son comunes en la gestión empresarial (Winston, 2022).

En la figura detallada a continuación se pueden visualizar gráficos relacionados con la optimización lineal.

Figura 3

Optimización lineal




• Optimización no lineal: Involucra funciones con términos cuadráticos, exponenciales o logarítmicos. Se usa en decisiones de precios, modelos de riesgo financiero y análisis de eficiencia. Los métodos de Newton, gradiente o algoritmos de búsqueda son esenciales para resolverlos.
2. Según el número de variables
• Optimización univariada: Analiza una sola variable de decisión, buscando el punto que maximiza o minimiza la función (por ejemplo, el nivel óptimo de producción).
• Optimización multivariada: Involucra varias variables interrelacionadas. Es típica en modelos de portafolio, análisis de costos conjuntos o problemas de logística donde intervienen múltiples factores simultáneos.
3. Según la existencia de restricciones
• Optimización sin restricciones: Se busca el valor óptimo considerando únicamente la función objetivo, sin limitaciones externas.
• Optimización con restricciones: Incluye limitaciones de recursos, presupuesto, tiempo o capacidad. Las condiciones de Karush-Kuhn-Tucker (KKT) proporcionan criterios matemáticos para resolver este tipo de problemas.
4. Según la disponibilidad de información
• Optimización determinista: Se asume que todos los parámetros del modelo son conocidos y constantes; se aplica en contextos estables o controlados.
• Optimización estocástica: Los parámetros se modelan como variables aleatorias. Es fundamental en decisiones bajo incertidumbre, como pronósticos de demanda o inversiones financieras.
5. Según la naturaleza de las variables
• Optimización continua: Las variables pueden tomar cualquier valor dentro de un rango. Se usa en análisis marginal, producción y asignación de recursos.
• Optimización discreta o combinatoria: Las variables solo pueden asumir valores enteros o específicos (por ejemplo, número de empleados, rutas o unidades). Es común en planificación y logística empresarial.

En la figura detallada a continuación se puede visualizar un gráfico relacionado con el proceso de optimización, ilustración vectorial.

Comprender los tipos de optimización permite seleccionar el método más adecuado según la naturaleza del problema. En la práctica, los economistas y administradores enfrentan decisiones complejas donde deben balancear recursos escasos, riesgos y objetivos múltiples. Aplicar correctamente los modelos de optimización mejora la eficiencia operativa, fortalece la rentabilidad y apoya una gestión estratégica basada en evidencia cuantitativa (Hillier & Lieberman, 2021).

La optimización sin restricciones se refiere a los problemas en los que la variable o conjunto de variables pueden asumir cualquier valor dentro de su dominio, sin estar limitadas por condiciones externas o restricciones explícitas. El objetivo es maximizar o minimizar una función objetivo que representa una medida de desempeño, utilidad, beneficio o costo.

En este tipo de problemas, la búsqueda del óptimo depende exclusivamente de las propiedades internas de la función, es decir, de su comportamiento y de las relaciones entre sus derivadas. Por ejemplo, una empresa que desea determinar el nivel de producción qque maximiza sus beneficiosπ(q)=I(q)-C(q), sin restricciones de capacidad o recursos, enfrenta un caso de optimización sin restricciones.

1. Condiciones necesarias de primer orden

Si la función $f\left(x\right)$es continua y derivable, un punto crítico $x^{*}$es candidato a máximo o mínimo si cumple:

$f^{\text{'}}\left(x^{*}\right)=0$

Esta condición significa que la pendiente de la función es cero, es decir, no hay cambio en la dirección de crecimiento o decrecimiento.

En términos económicos, equivale al punto donde el ingreso marginal es igual al costo marginal, o donde la utilidad marginal se anula, lo que indica equilibrio.

2. Condiciones suficientes de segundo orden

Una vez identificado el punto crítico$x^{*}$, es decir, aquel en el que la primera derivada se anula$f^{\text{'}}\left(x^{*}\right)=0$, se requiere verificar la naturaleza de dicho punto para determinar si corresponde a un máximo local, un mínimo local o un punto de inflexión. Esta evaluación se realiza mediante la segunda derivada de la función, la cual indica la curvatura del gráfico en el entorno del punto analizado.

De acuerdo con las condiciones suficientes de segundo orden, se tiene que:

 

$\{\begin{array}{c}{f}^{\text{'}\text{'}}\left(x^{*}\right)>0\Rightarrow \text{M}\acute{\text{ı}}\text{n}\text{i}\text{m}\text{o}\text{l}\text{o}\text{c}\text{a}\text{l}\text{(}\text{l}\text{a}\text{f}\text{u}\text{n}\text{c}\text{i}\acute{\text{o}}\text{n}\text{e}\text{s}\text{c}\text{o}\text{n}\text{v}\text{e}\text{x}\text{a}\text{e}\text{n}\text{e}\text{s}\text{e}\text{p}\text{u}\text{n}\text{t}\text{o}\text{)}\\ f^{\text{'}\text{'}}\left(x^{*}\right)<0\Rightarrow \text{M}\acute{\text{a}}\text{x}\text{i}\text{m}\text{o}\text{l}\text{o}\text{c}\text{a}\text{l}\text{(}\text{l}\text{a}\text{f}\text{u}\text{n}\text{c}\text{i}\acute{\text{o}}\text{n}\text{e}\text{s}\text{c}\acute{\text{o}}\text{n}\text{c}\text{a}\text{v}\text{a}\text{e}\text{n}\text{e}\text{s}\text{e}\text{p}\text{u}\text{n}\text{t}\text{o}\text{)}\\ f^{\text{'}\text{'}}\left(x^{*}\right)=0\Rightarrow \text{P}\text{u}\text{n}\text{t}\text{o}\text{d}\text{e}\text{i}\text{n}\text{f}\text{l}\text{e}\text{x}\text{i}\acute{\text{o}}\text{n}\text{o}\text{s}\text{e}\text{r}\text{e}\text{q}\text{u}\text{i}\text{e}\text{r}\text{e}\text{a}\text{n}\acute{\text{a}}\text{l}\text{i}\text{s}\text{i}\text{s}\text{a}\text{d}\text{i}\text{c}\text{i}\text{o}\text{n}\text{a}\text{l}\end{array}$

En términos económicos, estas condiciones son fundamentales para determinar, por ejemplo, si una combinación de insumos minimiza los costos de producción o si un nivel de precios maximiza los ingresos. La segunda derivada, por tanto, proporciona información sobre la tasa de cambio de la pendiente y sobre la forma de la función, aspectos esenciales para la toma de decisiones óptimas. Cuando la función es convexa, presenta una “curva hacia arriba”, indicando que el punto crítico corresponde a un mínimo; cuando es cóncava, presenta una “curva hacia abajo”, señalando un máximo.

En casos donde$f^{\text{'}\text{'}}\left(x^{*}\right)=0$el análisis debe complementarse con derivadas de orden superior o con una inspección gráfica y contextual del problema, ya que el punto podría ser de inflexión o tener un comportamiento indeterminado.

3. Interpretación económica

En Economía y Administración, los problemas sin restricciones son muy comunes y se asocian a situaciones donde las decisiones no están limitadas por recursos externos. Algunos ejemplos incluyen:

• Maximización del beneficio:


$\pi \left(q\right)=I\left(q\right)-C\left(q\right)$

¿Dónde ?(?)es el ingreso y ?(?)el costo? El óptimo ocurre cuando?′(?)=?′(?)

• Minimización del costo medio:


$C_m\left(q\right)=\frac{C\left(q\right)}{q}$; el punto óptimo se encuentra donde $C_m^{\text{'}}\left(q\right)=0$.

• Maximización de la utilidad del consumidor

Cuando las preferencias se modelan con una sola variable (por ejemplo, consumo de un bien en función del ingreso disponible).

En la figura detallada a continuación se puede visualizar un gráfico relacionado con la maximización de la utilidad del consumidor.

Figura 5

Maximización de la utilidad del consumidor




Aprende más

Para conocer más sobre (maximización de la utilidad del consumidor), puedes leer el siguiente artículo ¡Accede aquí!

• Visualización del caso sin restricciones

La representación gráfica del caso sin restricciones permite comprender intuitivamente cómo se identifican los puntos óptimos de una función. En este contexto, el punto óptimo (máximo o mínimo) se visualiza como el vértice de una parábola o el punto más alto o debajo de una curva continua y suave. Este punto marca el cambio en el comportamiento de la pendiente de la función, que es precisamente lo que las derivadas matemáticas permiten detectar.

En términos de pendiente:

• En un máximo local, la pendiente de la función pasa de positiva a negativa, es decir, la curva asciende hasta el punto óptimo y luego comienza a descender.
• En un mínimo local, la pendiente cambia de negativa a positiva, la curva desciende hasta alcanzar su valor más bajo y luego vuelve a subir.

 Estas transiciones reflejan el cambio en el signo de la primera derivada$f^{\text{'}}\left(x\right)$, que es cero en el punto crítico$x^{*}$, mientras que la segunda derivada $f^{\text{'}\text{'}}\left(x\right)$indica la curvatura de la función: positiva en los mínimos (curva convexa) y negativa en los máximos (curva cóncava).

Desde una perspectiva económica, esta visualización es fundamental para interpretar fenómenos como:

• La maximización del beneficio, donde el ingreso total alcanza su punto más alto antes de disminuir con la producción adicional.
• La minimización del costo, donde los gastos totales alcanzan su punto más bajo antes de aumentar nuevamente.

Gráficamente, estas situaciones se pueden representar mediante curvas continuas y suaves, donde el punto de tangencia horizontal (pendiente cero) indica el equilibrio óptimo. Esta interpretación visual refuerza la comprensión del análisis derivado y su utilidad práctica en la toma de decisiones económicas y administrativas.

4. Métodos numéricos aplicables

Cuando no es posible derivar analíticamente la función, se pueden aplicar métodos numéricos como:

• Método de Newton-Raphson: utiliza derivadas para refinar el punto crítico.
• Búsqueda de gradiente (gradient descent/ascent): iteraciones sucesivas para encontrar el mínimo o máximo.
• Métodos sin derivadas (Brent o búsqueda dorada): útiles si la función no es diferenciable o contiene ruido.

Estos métodos se implementan fácilmente en programas como Excel, MATLAB, Python o R para aplicaciones administrativas y económicas.

Aplicación práctica

Ejemplo:

Una empresa tiene la función de beneficios:

$\mathrm{<b> </b>\pi }\left(q\right)=-2q^2+40q-150$

Para encontrar el nivel de producción que maximiza la ganancia:

Derivamos: ${\pi }^{\text{'}}\left(q\right)=-4q+40$.

Igualamos a cero: $-4q+40=0\Rightarrow q^{*}=10$.

Evaluamos la segunda derivada: ${\pi }^{\text{'}\text{'}}\left(q\right)=-4<0$, por tanto, $q^{*}=10$es un máximo local.

Interpretación: La producción óptima sin restricciones es de 10 unidades, donde la empresa maximiza su beneficio.

En resumen, el caso básico sin restricciones constituye la forma más elemental y didáctica de la optimización. Permite comprender cómo las decisiones económicas y administrativas se fundamentan en la búsqueda de equilibrios internos del sistema, sin considerar aún limitaciones reales como presupuestos o recursos finitos. Este enfoque prepara el terreno para abordar los problemas con restricciones, más representativos del entorno empresarial y macroeconómico.

Conclusión

En síntesis, la visualización del caso sin restricciones constituye una herramienta esencial para comprender el comportamiento de las funciones y su relación con los procesos de optimización en la administración y la economía. A través del análisis gráfico y del uso de derivadas, es posible identificar de manera precisa los puntos de máximo y mínimo, interpretando cómo los cambios en la pendiente reflejan variaciones en la eficiencia o rentabilidad de una decisión.

Este enfoque no solo facilita la comprensión teórica del concepto de óptimo, sino que también ofrece un soporte práctico para la toma de decisiones estratégicas, como la determinación del nivel óptimo de producción, precios o costos. En consecuencia, la combinación del análisis matemático y la representación gráfica fortalece la capacidad analítica del estudiante y del profesional para evaluar y optimizar resultados dentro de contextos reales de gestión económica y empresarial.

Los Principios de optimización permiten formular y resolver problemas donde se busca obtener el mejor resultado posible bajo condiciones limitadas. En toda organización, ya sea pública o privada, las decisiones deben tomarse en función de objetivos concretos (maximizar utilidades, minimizar costos, aumentar la eficiencia o equilibrar recursos), y la optimización brinda el marco analítico y matemático para alcanzarlos.

A continuación, se presenta un video en el que se explican la optimización y resolución de problemas.

A través de su aplicación, los administradores y economistas logran transformar problemas reales en modelos cuantitativos que facilitan la evaluación de alternativas, la simulación de escenarios y la selección de estrategias óptimas.

En la figura se pueden visualizar las aplicaciones básicas de los principios de optimización.

En la Administración, la optimización se aplica en casi todas las áreas funcionales. En finanzas, se utiliza para determinar estructuras de capital que minimicen el riesgo y maximicen la rentabilidad; por ejemplo, optimizar la combinación de inversión entre activos financieros con diferentes rendimientos y volatilidades. En producción y operaciones, se busca minimizar costos mediante la asignación eficiente de recursos, el diseño de procesos productivos o la programación de inventarios y mantenimiento. En marketing, los modelos de optimización ayudan a asignar presupuestos de publicidad, fijar precios óptimos o determinar el nivel de descuento que maximiza las ventas sin reducir el margen de beneficio. En recursos humanos, se aplican para optimizar horarios de trabajo, asignaciones de personal o estructuras de incentivos que maximicen la productividad.

En el ámbito de la economía, los principios de optimización sustentan buena parte de las teorías microeconómicas y macroeconómicas. A nivel microeconómico, el consumidor busca maximizar su utilidad (satisfacción) dadas sus restricciones presupuestarias, lo que da origen al equilibrio del consumidor y a las curvas de demanda. De manera similar, las empresas buscan maximizar su beneficio, eligiendo niveles de producción y combinación de insumos que minimicen los costos. En estos casos, las condiciones de primer y segundo orden de la derivada permiten identificar puntos de equilibrio económico, donde los ingresos marginales igualan a los costos marginales o donde la utilidad marginal se anula.

En la figura detallada a continuación se pueden visualizar las aplicaciones básicas de los principios de optimización en la Administración y en la Economía.

A nivel macroeconómico, la optimización permite formular modelos que orientan políticas públicas eficientes. Por ejemplo, los gobiernos utilizan técnicas de optimización para asignar recursos fiscales, diseñar políticas de inversión pública, planificar la expansión del gasto en sectores estratégicos o equilibrar el presupuesto nacional. También se aplica en modelos de crecimiento económico, donde el objetivo es maximizar el bienestar intertemporal de la sociedad, considerando las restricciones de capital, trabajo y tecnología. Estas aplicaciones contribuyen a comprender cómo las economías pueden alcanzar equilibrios sostenibles entre producción, consumo e inversión.

En el contexto de la gestión empresarial moderna, la optimización se vincula estrechamente con el uso de herramientas computacionales y de análisis de datos. Programas como Excel Solver, MATLAB, Python, R y software de programación lineal y no lineal permiten resolver problemas complejos de asignación, simulación y predicción, incluso cuando las funciones son no lineales o presentan múltiples variables. Gracias a estos avances, los procesos de toma de decisiones se vuelven más precisos, transparentes y basados en evidencia cuantitativa. Así, la optimización se convierte en una ventaja competitiva que mejora la eficiencia organizacional, la rentabilidad y la capacidad de respuesta ante entornos cambiantes.

Finalmente, las aplicaciones básicas de la optimización no solo se limitan al ámbito productivo o económico, sino que se extienden a la planeación estratégica, la sostenibilidad y la innovación. Por ejemplo, la optimización ambiental permite minimizar el impacto ecológico de las operaciones empresariales al usar menos recursos y generar menos residuos; la optimización logística mejora la eficiencia energética en el transporte; y la optimización de la innovación ayuda a priorizar proyectos de investigación que generen mayor valor agregado. En todos los casos, el principio subyacente es el mismo: lograr el máximo resultado posible con los recursos disponibles, lo que convierte a la optimización en una herramienta esencial para el desarrollo económico, social y empresarial sostenible.

En la figura detallada a continuación se pueden visualizar las aplicaciones básicas en la planeación, sostenibilidad e innovación.

A continuación, se presenta un video en el que se explican las aplicaciones básicas de la optimización.

1.1.1 Problemas en Ciencias Administrativas y Económicas

En las ciencias administrativas y económicas, gran parte de los retos de gestión y decisión se pueden formular como Problemas de optimización: es decir, identificar la alternativa que maximice o minimice un objetivo, sujeto a ciertas condiciones, variables y restricciones. Por ejemplo, una empresa debe decidir cuántas unidades producir para maximizar beneficios, o cómo asignar un presupuesto limitado entre distintas campañas de marketing para obtener el mayor retorno. En este contexto, los problemas de optimización permiten modelar de forma sistemática esas situaciones reales, facilitando el análisis cuantitativo, la simulación de escenarios y la toma de decisiones informadas (Calvet, de la Torre, Goyal, Marmol & Juan, 2020).

Tipologías comunes de problemas

• Maximización del beneficio o utilidad Por ejemplo, una empresa que busca π(q)=p(q)q-c(q)y debe encontrar el nivel de producción q^*que maximiza la ganancia. Aquí el problema puede resolverse mediante la condición de primer orden π^' (q)=0 y la segunda derivada para verificar la naturaleza del extremo. Este tipo de problema se incluye entre los básicos de optimización univariada. En la figura a continuación se muestra la maximización del beneficio explicado con un ejemplo.

Figura 4

Maximización del beneficio




• 2. Minimización de costos: Otro tipo habitual en administración es el problema de minimizar los costos operativos o de producción, dado un nivel de producción, tecnología y recursos disponibles. Aquí la variable puede ser, por ejemplo, los insumos o el número de horas de trabajo, y el objetivo es obtener el costo mínimo.

En la figura a continuación se muestra una explicación de la minimización de costos.

Figura 5

Minimización de costos




• Asignación de recursos: En economía y administración también es común el problema de asignar recursos escasos (capital, trabajo, tiempo) entre diferentes alternativas para optimizar el resultado total. Estos problemas normalmente implican más de una variable, o transforman en un problema multivariado o con restricciones.
• Fijación de precios óptimos: En marketing y economía, otro problema típico es establecer el precio que maximiza ingresos o participación de mercado, dada la demanda en función del precio, los costos, la competencia, etc. Este problema puede implicar funciones no lineales y análisis de elasticidad.

En la figura a continuación se muestran las tipologías comunes de problemas en ciencias administrativas y económicas.

Figura 6

Tipologías comunes de problemas de optimización




Particularidades y desafíos en los contextos administrativo-económicos

• No linealidad y múltiples variables: En muchos problemas reales, las funciones objetivo o las restricciones son no lineales, lo que implica que los métodos clásicos (derivadas simples, álgebra lineal) pueden no ser suficientes. Esto exige el uso de programación no lineal, algoritmos numéricos, heurísticas o simulaciones (Luque et al., 2022).
• Restricciones múltiples y dependencias de variables: Muchos problemas en administración no son sin restricciones; tienen presupuestos, capacidades, políticas, regulaciones. Esto transforma el problema en uno de optimización con restricciones, a veces planteado como programación lineal o no lineal, a veces con variables enteras o discretas.

En la figura a continuación se muestran las particularidades y desafíos en los contextos administrativo-económicos.

Figura 7

Particularidades y desafíos




• Incertidumbre y dinámica del entorno: En economía y administración, los parámetros (demanda, precios, costos, regulaciones) pueden variar y estar sujetos a incertidumbre. Esto convierte el problema en optimización estocástica o dinámica, y exige métodos avanzados que combinen optimización, simulación y aprendizaje automático (Calvet et al., 2020).
• Dimensión computacional y práctica de la implementación: A pesar de tener modelos claros, la implementación práctica en empresas o instituciones puede enfrentar limitaciones de datos, integración tecnológica, capacidades analíticas y resistencia organizacional. Por ello, los estudios recientes señalan la necesidad de enfoques híbridos que combinen optimización tradicional, simulación, big data y machine learning (Calvet et al., 2020).

Relevancia y aplicación estratégica

Entender los problemas de optimización en administración y economía es clave porque permite pasar de la intuición a decisiones basadas en modelos y evidencia, lo que incrementa la eficiencia organizacional y la competitividad. Por ejemplo, al modelar un problema de fijación de precios como un problema de optimización, una empresa puede anticipar el efecto de distintos precios sobre la demanda, el ingreso y el beneficio, y seleccionar el óptimo. Asimismo, una política pública puede utilizar modelos de asignación óptima de recursos para maximizar el bienestar social bajo presupuesto limitado. En suma, estos problemas estructuran la forma en la que los gestores y economistas visualizan, cuantifican y resuelven las decisiones clave.

En la figura a continuación se muestra una explicación con un ejemplo del concepto de relevancia y aplicación estratégica

Caso práctico. Optimización empresarial: Fijación del precio óptimo en una empresa de alimentos saludables

La empresa SGEcuador S.A. produce y comercializa jugos elaborados con frutas. Actualmente, vende su producto estrella, un jugo natural, a un precio de USD 2,00 por unidad, logrando ventas mensuales de 10.000 botellas; sin embargo, la gerencia considera que podría aumentar su rentabilidad ajustando el precio.

Estudios de mercado indican que la demanda estimada (Q) depende del precio (P) según la relación:

$Q=20000-5000P$

El costo total (CT) incluye un costo fijo de USD 5.000 y un costo variable unitario de USD 0,80 por botella:

$\mathrm{CT}=5000+0.8Q$

Problema de optimización

Determinar el precio óptimo (P*) que maximiza el beneficio total (π) de la empresa.

$\pi =\mathrm{Ingreso}-\mathrm{Costo}=PQ-(5000+0.8Q)$

Sustituyendo Q=20.000-5.000, se obtiene una función solo en términos de P.

El objetivo es encontrar P^* tal que:

$\frac{\mathrm{d\pi }}{\mathrm{dP}}=0$

Preguntas:

1. ¿Cuál es el precio que maximiza la utilidad?
2. ¿Qué cantidad se vendería a ese precio?
3. ¿Cuál sería la ganancia máxima obtenida?
4. ¿Cómo afectaría un cambio en el costo variable al precio óptimo?

Aplicación del modelo

Este problema puede resolverse analíticamente (por derivación) o mediante simulación numérica en Excel.

Resolución:

Datos

Demanda: $Q=20000-5000P$

Costo total: $CT=5000+\mathrm{0,8}Q$(costo fijo$F=\mathrm{5,000}$, costo variable unitario$c=\mathrm{0,8}$)

Beneficio: $\pi =P\cdot Q-CT$

 

Sustituyendo $Q$en función de $P$:

 

$\pi \left(P\right)=P(20000-5000P)-(5000+\mathrm{0,8}(20000-5000P\left)\right).$

 

Simplificando:

$\pi \left(P\right)=-5000P^2+24000P-21000.$

1. ¿Cuál es el precio que maximiza la utilidad?

Derivada primera:

$\frac{d\pi }{dP}=-10000P+24000.$

Igualando a cero:

$-10000P+24000=0\Rightarrow P^{*}=\frac{24000}{10000}=\mathrm{2,40}.$

Verificación (segunda derivada):

$\frac{d^2\pi }{d{P}^2}=-10000<0,$

Por tanto, $P^{*}=USD \mathrm{2,40} es$un máximo.

 

Respuesta: $P^{*}=USD \mathrm{2,40}$por unidad.

2. ¿Qué cantidad se vendería a ese precio?

Sustituimos $P^{*}$en la función demanda:

$Q^{*}=20000-5000\left(\mathrm{2,4}\right)=20000-12000=8000\text{ unidades}.$

Respuesta: $Q^{*}=\mathrm{8,000}$botellas por mes.

3. ¿Cuál sería la ganancia máxima obtenida?

Calcular ingresos y costos en $P^{*},Q^{*}$:

 

Ingreso: $R=P^{*}\cdot Q^{*}=\mathrm{2,4}\times 8000=USD 19200.$

Costo total: $CT=5000+\mathrm{0,8}\times 8000=5000+6400=USD 11400.$

Beneficio: ${\pi }^{*}=19200-11400=USD 7800.$

 

O directamente evaluando, $\pi \left(P^{*}\right)$también da USD 7,800.

Respuesta: Ganancia máxima ${\pi }^{*}=USD \mathrm{7,800}$mensual.

Para comparar: con el precio actual $P=\mathrm{2,00}$la empresa vende $Q=\mathrm{10,000}$y obtiene$\pi =USD \mathrm{7,000}$.

• Ingreso: $R=P^{*}\cdot Q^{*}=2\times 10000=USD 20 000.$

• Costo total: $CT=5000+\mathrm{0,8}\times 10000=5000+8 000=USD 13 000.$

• Beneficio: ${\pi }^{*}=20 000-13 000=USD 7\text{ 0}00.$

Subir a USD 2,40 mejora la ganancia en USD 800.

4. ¿Cómo afectaría un cambio en el costo variable al precio óptimo?

Hagamos el cálculo general suponiendo costo variable unitarioc. Repetimos la derivación simbólica:

$Q=a-bP$con$a=\mathrm{20,000}$, $b=\mathrm{5,000}$.

$CT=F+cQ$.

$\pi \left(P\right)=P(a-bP)-[F+c(a-bP\left)\right]=-b{P}^2+(a+cb)P-(F+ca)$.

Derivada:

$\frac{d\pi }{dP}=-2bP+(a+cb)=0\Rightarrow P^{*}=\frac{a+cb}{2b}.$

Sustituyendo $a,b$:

$P^{*}\left(c\right)=\frac{\mathrm{20,000}+\mathrm{5,000}c}{\mathrm{10,000}}=2+\mathrm{0,5}c.$

Interpretación y consecuencias:

El precio óptimo aumenta linealmente con el costo variable$c$.

 

La sensibilidad es:$\frac{\partial P^{*}}{\partial c}=\mathrm{0,5}$ por cada USD 1,00 que aumenta$c$, el precio óptimo sube USD 0,50.

Intuición: parte del incremento de costo se traslada al precio, pero no totalmente, porque al subir el precio disminuye la demanda; por eso la subida del precio es menor que la subida del costo.

Ejemplo numérico: si c sube de USD 0,80 a USD 1,00,

$P^{*}=2+\mathrm{0,5}\left(\mathrm{1,00}\right)=\mathrm{2,50}; Q=\mathrm{20,000}-\mathrm{5,000}\left(\mathrm{2,5}\right)=\mathrm{7,500}.$

Beneficio en ese caso:

Ingreso: $\mathrm{2,5}\times \mathrm{7,500}=\mathrm{18,750}$.

Costo: $\mathrm{5,000}+\mathrm{1,0}\times \mathrm{7,500}=\mathrm{12,500}$.

$\pi =\mathrm{6,250}$(Menor que USD 7,800 con $c=\mathrm{0,8}$): el aumento del costo reduce la ganancia máxima, aunque el precio óptimo sube.

Interpretación y recomendaciones prácticas

• El precio óptimo calculado (USD 2,40) mejora la rentabilidad frente al precio actual (USD 2,00).
• El análisis muestra la compensación precio-cantidad: subir el precio reduce la demanda, pero puede aumentar la ganancia total si la caída en volumen no es demasiado grande.
• Si los costos variables aumentan, la empresa debe ajustar el precio al alza, pero con cuidado: el traslado del costo al precio no es completo y la ganancia total puede disminuir.
• Antes de implementar el cambio de precio, realizar pruebas de mercado o simulaciones y analizar efectos en elasticidad, percepción de marca y competencia.

Fórmulas resumen

$Q\left(P\right)=\mathrm{20,000}-\mathrm{5,000}P$

$\pi \left(P\right)=-\mathrm{5,000}{P}^2+\mathrm{24,000}P-\mathrm{21,000}$

$P^{*}=\mathrm{2,40}$(si $c=\mathrm{0,8}$) ; en general $P^{*}\left(c\right)=2+\mathrm{0,5}c$.

$Q^{*}=\mathrm{8,000}$; ${\pi }^{*}=USD \mathrm{7,800}$.

Conclusión

La optimización constituye uno de los pilares fundamentales de las ciencias administrativas y económicas, ya que permite traducir los problemas complejos de gestión y política pública en modelos cuantitativos que facilitan la toma de decisiones racionales y basadas en evidencia. A lo largo de esta clase se ha evidenciado que tanto las organizaciones privadas como las instituciones públicas enfrentan desafíos que pueden expresarse como problemas de maximización o minimización: maximizar beneficios, utilidad o bienestar social, o minimizar costos, riesgos e ineficiencias.

En el ámbito empresarial, la optimización guía decisiones estratégicas sobre producción, precios, inversión y asignación de recursos, como se observa en el caso de SGEcuador S.A., donde el análisis matemático permitió determinar el precio óptimo que maximiza la utilidad. Las herramientas analíticas transforman la intuición en decisiones cuantificables, transparentes y medibles.

Asimismo, los avances tecnológicos como el uso de Excel Solver, MATLAB, Python o R amplían la capacidad de aplicar métodos de optimización lineal, no lineal, estocástica o dinámica en contextos reales, permitiendo simular escenarios, analizar sensibilidad y mejorar la eficiencia institucional. Estos enfoques no solo incrementan la competitividad empresarial, sino que fortalecen la gestión pública, la sostenibilidad ambiental y la innovación.

En síntesis, comprender y aplicar los principios de optimización permite a los profesionales de la administración y la economía convertir los recursos limitados en ventajas estratégicas, logrando decisiones más efectivas, equitativas y sostenibles. La optimización no es únicamente una técnica matemática, sino una filosofía de gestión que impulsa la eficiencia, la racionalidad económica y el bienestar social.