La Optimización multivariada estudia problemas en los que el objetivo depende de varias variables, comunes en campos como economía, administración y finanzas. Esta preparación es esencial porque, a diferencia de la optimización univariada, las funciones multivariadas presentan comportamientos más complejos, con interacciones entre variables, distintas curvaturas y múltiples restricciones que definen regiones factibles no lineales.

En la figura a continuación se muestra la preparación para la optimización multivariada.

1. Comprender la estructura de las funciones en varias variables


Las funciones multivariadas, como $f(x,y)$o,$f(x_1,x_2,...,x_n)$describen superficies o hipersuperficies donde el valor de la función depende simultáneamente de todas las variables. Es fundamental entender:

• cómo la variación en una variable afecta la función cuando las demás se mantienen constantes;
• cómo interactúan dos o más variables en conjunto;
• cómo se representan curvas de nivel, gradientes, superficies 3D y regiones factibles.

Esta base geométrica permite visualizar intuitivamente máximos, mínimos y puntos silla, que no tienen equivalentes simples en una dimensión.

Conjunto de puntos donde la función toma un valor constante.k

$f(x_1,x_2,\dots ,x_n)=k$

Representan superficies planas (2 variables) o hipersuperficies (n variables).

En la figura a continuación se muestra la estructura de las funciones en varias variables.

Figura 2

Estructura de las funciones en varias variables




2. Derivadas parciales como herramienta de análisis local

La derivada parcial mide cómo cambia la función al variar solo una de sus variables, manteniendo las demás fijas. En problemas multivariados, estas derivadas permiten:

• identificar puntos críticos donde el gradiente se hace cero;
• analizar sensibilidad (qué variable impacta más el objetivo);
• descomponer efectos marginales en modelos económicos como Cobb-Douglas, CES o funciones de costos.
Para una función:$f(x_1,x_2,\dots ,x_n)$

Derivada parcial respecto a la variable x_i

$\frac{\partial f}{\partial x_i}$

Para dos variables:

$f_x=\frac{\partial f}{\partial x},f_y=\frac{\partial f}{\partial y}$

En administración, esto se traduce en conocer cómo una decisión afecta directamente el desempeño, sin considerar aún las interacciones complejas.

3. El gradiente como vector de dirección de mayor cambio


El gradiente reúne$\nabla f$ todas las derivadas parciales en un solo objeto matemático y señala la dirección de mayor incremento de la función. Prepararse para usar esta herramienta implica comprender que:

• Si el gradiente es cero, existe un punto crítico.
• Su magnitud indica la intensidad del cambio.
• En algoritmos numéricos, el gradiente es la base del método de descenso o ascenso.

Para dos variables

$\nabla f(x,y)=(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y})$

Para n variables

$\nabla f\left(x\right)=\left(\begin{array}{c}\frac{\partial f}{\partial x_1}\\ \frac{\partial f}{\partial x_2}\\ ⋮\\ \frac{\partial f}{\partial x_n}\end{array}\right)$

Condición de punto crítico

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

En términos prácticos, el gradiente es la brújula que guía hacia mínimos o máximos.

4. La matriz Hessiana y el análisis de curvatura

Para clasificar los puntos críticos en máximos, mínimos o puntos silla, es necesario evaluar la curvatura mediante la matriz Hessiana, que contiene las segundas derivadas. Su interpretación requiere comprender conceptos como:

• convexidad y concavidad en varias dimensiones.
• Definitud positiva, negativa e indefinida.
• Cómo distinguir si un punto estacionario es estable, inestable o neutro.

Para dos variables

$Hf(x,y)=\left(\begin{array}{cc}\frac{{\partial }^{2}f}{\partial x^2}& \frac{{\partial }^{2}f}{\partial x\partial y}\\ \frac{{\partial }^{2}f}{\partial y\partial x}& \frac{{\partial }^{2}f}{\partial y^2}\end{array}\right)$

Para n variables

Para n variables

$H\left(x\right)=\left(\begin{array}{ccc}\frac{{\partial }^{2}f}{\partial x_1^2}& \cdots & \frac{{\partial }^{2}f}{\partial x_1\partial x_n}\\ ⋮& \ddots & ⋮\\ \frac{{\partial }^{2}f}{\partial x_n\partial x_1}& \cdots & \frac{{\partial }^{2}f}{\partial x_n^2}\end{array}\right)$

Clasificación de un punto crítico usando la Hessiana

Se analiza la definitez de:$H\left(x^{*}\right)$

• Definida positiva → mínimo local
$H\left(x^{*}\right)\succ 0$
• Definida negativa → máximo local
$H\left(x^{*}\right)\prec 0$
• Indefinida → punto silla
$H\left(x^{*}\right)\text{ indefinida}$

Esto es esencial en modelos de costos, utilidad, producción y bienestar social.

• La incorporación de restricciones

En la práctica, casi todos los problemas administrativos y económicos incluyen restricciones: presupuestos, capacidades, límites normativos, asignación de recursos, etc. Antes de resolver un problema multivariado, es necesario dominar:

• El método de multiplicadores de Lagrange para restricciones de igualdad.
• La programación lineal y no lineal para restricciones más complejas.
• La interpretación económica de los multiplicadores (valores sombra).

Maximizar/minimizar $f(x_1,\dots ,x_n)$sujeto a:

$g(x_1,\dots ,x_n)=0$

Construimos la función Lagrangiana:

$L(x_1,\dots ,x_n,\lambda )=f(x_1,\dots ,x_n)+\lambda g(x_1,\dots ,x_n)$

Condición necesaria:

${\nabla }_{x,\lambda }L=0$

Así se pueden modelar políticas públicas, estrategias de precios, producción optimizada o asignación de recursos limitada.

• Desarrollo de intuición numérica y uso de herramientas computacionales

Los problemas con múltiples variables suelen ser difíciles o imposibles de resolver analíticamente. Por ello, la preparación incluye:

• manejo de herramientas como Excel, Solver, Python, MATLAB, Julia, GAMS o R;
• criterio para interpretar convergencia, soluciones locales y escenarios alternativos,
• sensibilidad a parámetros, incertidumbre y análisis de escenarios.

Paso del método de descenso de gradiente

$x_{k+1}=x_k-{\alpha }_k\nabla f\left(x_k\right)$

Método de Newton

$x_{k+1}=x_k-H^{-1}\left(x_k\right)\nabla f\left(x_k\right)$

En instituciones o empresas, esta capacidad es esencial para transformar modelos en decisiones implementables.

• Conexión con problemas reales

La preparación también implica saber traducir una situación real a un modelo matemático multivariado. Esto implica definir:

• variables de decisión.
• función objetiva.
• restricciones.
• interpretación de resultados cuantitativos.

Ejemplos típicos incluyen portafolios financieros, producción multifactorial, asignación óptima de personal, logística, tarificación dinámica o políticas públicas para maximizar el bienestar social.

A continuación, se presenta un video en el que se explica la optimización multivariada.

Aprende más

Para conocer más sobre (Optimización multivariable sin restricciones), puedes leer el siguiente artículo ¡Accede aquí!

2.3.1 Portafolios Óptimos

El concepto de Portafolio óptimo se refiere a la combinación específica de activos financieros que maximiza el rendimiento esperado para un nivel dado de riesgo, o que minimiza el riesgo para un nivel objetivo de rendimiento.

Ejemplo.

Supongamos que un inversionista quiere distribuir su dinero entre tres activos financieros: A, B y C.

Desea minimizar el riesgo (varianza) del portafolio manteniendo un rendimiento esperado mínimo.

• Variables del modelo
• $w_A,w_B,w_C$: proporción del portafolio invertida en los activos A, B y C.
• ${\mu }_A,{\mu }_B,{\mu }_C$: rendimientos esperados de cada activo
• $\Sigma$: matriz de covarianzas entre los activos
• $R_0$: rendimiento mínimo deseado por el inversionista
• Función objetiva (minimizar el riesgo total)
$\underset{w}{min}{w}^{\top }\Sigma w$
• Restricciones
• Rendimiento mínimo del portafolio

$w_A{\mu }_A+w_B{\mu }_B+w_C{\mu }_C\ge R_0$

• La suma de las proporciones debe ser 1

$w_A+w_B+w_C=1$

• Los pesos no pueden ser negativos (sin ventas en corto)
$w_A,w_B,w_C\ge 0$

Supongamos:

Matriz de covarianzas:

$\Sigma =\left(\begin{array}{ccc}{0.10}^2& 0.012& 0.005\\ 0.012& {0.15}^2& 0.009\\ 0.005& 0.009& {0.07}^2\end{array}\right)$

El inversionista exige un rendimiento mínimo.

$R_0=0.09\left(9\%\right)$

Resultado

$w_A=0.40, w_B=0.45, w_C=0.15$

Interpretación:

El portafolio óptimo usa un 40 % en A, un 45 % en B y un 15 % en C para lograr al menos un 9 % de rendimiento con el menor riesgo posible.

• Fundamento teórico

El rendimiento esperado de un portafolio es una combinación ponderada de los rendimientos de los activos individuales; sin embargo, el riesgo no depende solo de la volatilidad de cada activo, sino también de las covarianzas entre ellos.

Existe un conjunto de portafolios denominados portafolios eficientes, los cuales conforman la llamada frontera eficiente. Esta frontera representa todas las combinaciones posibles que logran la mejor relación riesgo–rendimiento disponible en el mercado.

En la figura a continuación se muestra el fundamento teórico de los portafolios óptimos.

Figura 3

Fundamento teórico




• Definición de portafolio óptimo

Un portafolio óptimo es aquel que, dentro de la frontera eficiente, satisface las preferencias específicas de un inversionista en términos de aversión al riesgo. Bajo un criterio clásico, el portafolio óptimo se elige maximizando la función de utilidad esperada del inversionista, que suele tomar la forma cuadrática:

$U=E\left(R_p\right)-\frac{1}{2}A{\sigma }_p^2$

donde:

• $E\left(R_p\right)$: rendimiento esperado del portafolio,
• ${\sigma }_p^2$: varianza del portafolio (riesgo),
• $A$: coeficiente de aversión al riesgo del inversionista.

Este planteamiento implica que cada inversionista tendrá un portafolio óptimo diferente dependiendo de su tolerancia al riesgo. Los inversionistas más adversos seleccionarán portafolios con bajo riesgo, mientras que los menos adversos preferirán portafolios con mayor exposición a activos volátiles, pero con mayor potencial de retorno (Elton et al., 2014).

• Aplicación práctica

En la práctica, los administradores de inversión utilizan métodos numéricos para estimar portafolios óptimos, dado que la varianza, covarianzas y rendimientos esperados pueden cambiar con el tiempo. Herramientas como programación cuadrática, simulaciones de Monte Carlo y optimización robusta permiten encontrar soluciones estables ante incertidumbre (Boyd & Vandenberghe, 2004).

En la figura a continuación se muestra la aplicación práctica de un portafolio óptimo.

Figura 4

Aplicación práctica de un portafolio óptimo




• 2.3.2 Sistemas de ecuaciones lineales

Los sistemas de ecuaciones lineales constituyen una de las herramientas matemáticas más relevantes en economía, administración, finanzas, ingeniería y ciencias sociales, debido a su capacidad para representar relaciones entre variables que interactúan de manera simultánea (Anton & Rorres, 2022).

En economía, los sistemas lineales son esenciales para analizar modelos de equilibrio general, multiplicadores macroeconómicos, funciones de producción, modelos input–output y optimizaciones con restricciones. Por ejemplo, la matriz de Leontief permite estudiar cómo sectores productivos se abastecen entre sí, representando la estructura interindustrial mediante ecuaciones lineales (Miller & Blair, 2022). En administración, estos sistemas se utilizan para la asignación eficiente de recursos, programación de inventarios, análisis de costos conjuntos y planificación de operaciones bajo condiciones de capacidad fija (Hillier & Lieberman, 2021).

Matemáticamente, un sistema lineal puede expresarse en forma matricial como:

$\mathrm{ A}x=b$

donde A es una matriz de coeficientes, x es el vector de incógnitas y b es el vector de constantes.

La resolución puede lograrse mediante métodos numéricos iterativos como Jacobi o Gauss-Seidel, que resultan especialmente útiles para matrices grandes o dispersas (Burden, Faires & Burden, 2023). En finanzas, los sistemas lineales permiten obtener portafolios óptimos, ya que los problemas de media-varianza del modelo de Markowitz se transforman en ecuaciones lineales al aplicar condiciones de primer orden (Elton, Gruber, Brown & Goetzmann, 2020).

En la figura a continuación se muestra el sistema de ecuaciones lineales

Figura 5

Sistema de ecuaciones lineales




En síntesis, los sistemas de ecuaciones lineales funcionan como una base algebraica para representar estructuras complejas y resolver problemas reales de optimización, planeamiento y equilibrio.

2.3.3 Álgebra lineal

El álgebra lineal es una rama fundamental de las matemáticas que estudia los vectores, los espacios vectoriales, las matrices y las transformaciones lineales. Su importancia en las ciencias administrativas y económicas es enorme, porque permite modelar y resolver problemas donde intervienen múltiples variables que mantienen relaciones lineales entre sí. En contextos reales, esto se traduce en la posibilidad de analizar sistemas de precios, balances contables, flujos interindustriales, rendimientos de portafolios financieros, programación de recursos y modelos macroeconómicos estructurales.

En la figura a continuación se muestra la relevancia del álgebra lineal en la optimización.

Sistema de precios en equilibrio (modelo input–output de Leontief)

Supongamos una economía con dos sectores:

• Agricultura (A)
• Manufactura (M)

Cada sector utiliza productos del otro para producir. Estas relaciones pueden expresarse como un sistema lineal:

$\begin{array}{cc}{\mathrm{ p}}_A& =0.4p_A+0.2p_M+v_A\\ p_M& =0.3p_A+0.3p_M+v_M\end{array}$

Donde:

$p_A$: precio del producto agrícola

$p_M$: precio del manufacturado

Los coeficientes (0.4, 0.2, etc.) son los insumos requeridos por unidad producida

$v_A$y $v_M$son los valores agregados (salarios, capital, etc.)

Forma matricial (álgebra lineal pura)

$\left(\begin{array}{c}{p}_A\\ p_M\end{array}\right)=\left(\begin{array}{cc}0.4& 0.2\\ 0.3& 0.3\end{array}\right)\left(\begin{array}{c}{p}_A\\ p_M\end{array}\right)+\left(\begin{array}{c}{v}_A\\ v_M\end{array}\right)$

Llevando todo a un solo lado:

$(I-A)p=v$

Con:

$A=\left(\begin{array}{cc}0.4& 0.2\\ 0.3& 0.3\end{array}\right),I=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)$$I-A=\left(\begin{array}{cc}0.6& -0.2\\ -0.3& 0.7\end{array}\right)$

Resolución del sistema

Si:

$v=\left(\begin{array}{c}30\\ 40\end{array}\right)$

Buscamos:

$p=(I-A{)}^{-1}v$

El álgebra lineal nos permite:

• Calcular (I-A)^{(-1)(matriz inversa)}
• Obtener los precios en equilibrio
• Analizar impactos si cambian los coeficientes o el valor agregado

Resultado aproximado:

 p

$\approx \left(\begin{array}{c}68.75\\ 92.5\end{array}\right)$

Interpretación:

El precio de equilibrio agrícola es 68.75

El precio manufacturero es 92.5

Relevancia del álgebra lineal en la optimización

El álgebra lineal es fundamental en la optimización multivariada porque proporciona el marco matemático para representar y resolver modelos económicos y administrativos que involucran múltiples variables y relaciones lineales. A través de vectores, matrices y espacios vectoriales, es posible describir sistemas complejos como precios, producción, demanda o portafolios.

Las matrices permiten estructurar restricciones, modelar sistemas insumo–producto y resolver ecuaciones mediante determinantes e inversas, mientras que las transformaciones lineales explican cambios en estados económicos y financieros. Además, los autovalores y autovectores permiten analizar estabilidad, crecimiento y reducción de dimensiones en grandes conjuntos de datos, lo que convierte al álgebra lineal en una herramienta esencial para la optimización, la economía aplicada y la toma de decisiones.

Aplicaciones directas en administración y economía

En la figura a continuación se muestran las aplicaciones directas en administración y economía.

• Optimización

La programación lineal depende completamente del álgebra lineal:

• Maximización de utilidades
• Minimización de costos
• Asignación óptima de recursos
• Optimización de portafolios (varianzas y covarianzas)
• Econometría

La forma matricial del modelo clásico:

$\widehat{\beta }=(X^{\text{'}}X{)}^{-1}{X}^{\text{'}}Y$

Usa operaciones matriciales básicas.

• Finanzas

El cálculo de riesgo y retornos en portafolios usa:

• Matrices de covarianza.
• Vectores de pesos.
• Optimización cuadrática.
• Gestión operativa
• Matrices de covarianza.
• Vectores de pesos.
• Optimización cuadrática.

Conclusión

La preparación para la optimización multivariada constituye un pilar esencial para el análisis riguroso de problemas en economía, administración, finanzas y ciencias sociales. El dominio de conceptos como funciones de varias variables, derivadas parciales, gradientes, matrices Hessianas y métodos de optimización con restricciones permite comprender fenómenos complejos donde múltiples decisiones interactúan simultáneamente. Esta base matemática se complementa con herramientas computacionales y una adecuada interpretación económica, lo que facilita traducir situaciones reales como la asignación de recursos, la gestión de portafolios o el análisis de sistemas productivos a modelos cuantitativos sólidos y resolubles.

La preparación para la optimización multivariada constituye un pilar esencial para el análisis riguroso de problemas en economía, administración, finanzas y ciencias sociales. El dominio de conceptos como funciones de varias variables, derivadas parciales, gradientes, matrices Hessianas y métodos de optimización con restricciones permite comprender fenómenos complejos donde múltiples decisiones interactúan simultáneamente. Esta base matemática se complementa con herramientas computacionales y una adecuada interpretación económica, lo que facilita traducir situaciones reales como la asignación de recursos, la gestión de portafolios o el análisis de sistemas productivos a modelos cuantitativos sólidos y resolubles.

La Optimización multivariada sin restricciones se refiere al conjunto de métodos y principios utilizados para encontrar los valores de varias variables que maximizan o minimizan una función objetiva sin imponer límites externos sobre esas variables. Este enfoque es central en economía, administración, estadística, ingeniería y ciencias de datos, dado que muchos problemas reales se pueden formular como la búsqueda de un óptimo interno en una función de varias dimensiones (Nocedal & Wright, 2006; Boyd & Vandenberghe, 2004).

En la figura a continuación se muestra la gráfica de una función de 2 variables.

Concepto general

Un problema de optimización multivariada sin restricciones se plantea como:

$\underset{x\in R^n}{min}f\left(x\right)\text{o}\underset{x\in R^n}{max}f\left(x\right)$

donde $f(x_1,x_2,\dots ,x_n)$es una función diferenciable de varias variables.

La solución óptima se encuentra analizando los puntos críticos de la función, los cuales surgen cuando todas las derivadas parciales se igualan a cero. (Nocedal & Wright, 2006).

En la figura a continuación se muestran los puntos críticos de una función.

Condiciones de primer orden

Los puntos críticos son los vectores x que satisfacen

$\nabla f\left(x\right)=0.$

Resolver $\nabla f\left(x\right)=0$equivale a encontrar sistemas de ecuaciones no lineales que determinan candidatos a extremos (Boyd & Vandenberghe, 2004).

En la figura a continuación se muestra la condición de primer orden.

Condiciones de segundo orden

Ejemplo: Clasificación de puntos críticos usando la Hessiana

Consideremos la función de dos variables

$f(x,y)=x^2+xy+y^2-4x-6y$

- Condiciones de primer orden: encontrar puntos críticos

Calculamos las derivadas parciales:

$\frac{\partial f}{\partial x}=2x+y-4$$\frac{\partial f}{\partial y}=x+2y-6$

Igualamos a cero para hallar los puntos críticos:

$\{\begin{array}{c}2x+y=4\\ x+2y=6\end{array}$

Resolviendo el sistema:

Multiplicamos la segunda ecuación por 2:

$2x+4y=12$

Restamos la primera:

$(2x+4y)-(2x+y)=12-4$$3y=8\Rightarrow y=\frac{8}{3}$

Sustituimos en:

$x+2y=6$

$x+\frac{16}{3}=6\Rightarrow x=6-\frac{16}{3}=\frac{2}{3}$

Punto crítico encontrado:

$(\frac{2}{3},\frac{8}{3})$

- Construcción de la matriz Hessiana

La Hessiana está formada por las segundas derivadas:

$H(x,y)=\left(\begin{array}{cc}\frac{{\partial }^{2}f}{\partial x^2}& \frac{{\partial }^{2}f}{\partial x\partial y}\\ \frac{{\partial }^{2}f}{\partial y\partial x}& \frac{{\partial }^{2}f}{\partial y^2}\end{array}\right)$

Calculamos cada término:

$\frac{{\partial }^{2}f}{\partial x^2}=2,\frac{{\partial }^{2}f}{\partial y^2}=2,\frac{{\partial }^{2}f}{\partial x\partial y}=1$

Por tanto:

$H=\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)$

- Evaluación de la definitud de la Hessiana

La matriz es definida positiva si:

1. El determinante es positivo:

$det\left(H\right)=2\cdot 2-1\cdot 1=3>0$

2. El primer elemento diagonal es positivo:

$2>0$

Como ambas condiciones se cumplen:

$H\text{ es definida positiva}$

- En resumen

Dado que la Hessiana en el punto crítico es definida positiva, podemos afirmar que:

$(\frac{2}{3},\frac{8}{3})\text{ es un **m}\acute{\text{ı}}\text{nimo}\text{ local** de }f(x,y)$

Una vez encontrados los puntos críticos mediante ∇f(x) = 0, se utiliza la matriz Hessiana formada por las segundas derivadas parciales para determinar si dichos puntos corresponden a mínimos, máximos o puntos silla. La clasificación depende de la definitud de la Hessiana: si es definida positiva, el punto es un mínimo local; si es definida negativa, es un máximo local, y si es indefinida, se trata de un punto silla. Este análisis permite entender la curvatura de la función y evaluar la estabilidad de las soluciones, siendo esencial en optimización multivariada y ampliamente aplicado en economía, estadística, machine learning y teoría de control.

Interpretación geométrica y económica

La interpretación geométrica del gradiente y la Hessiana permite visualizar la optimización multivariada como el análisis de un paisaje o una superficie. El gradiente indica la dirección de máximo ascenso de la función y la rapidez con la que aumenta; por eso, cuando es cero, señala un punto crítico que puede corresponder a un máximo, mínimo o punto silla. La Hessiana, por su parte, describe la curvatura local de la superficie y determina la naturaleza de esos puntos críticos.

En economía, esta perspectiva geométrica se traduce en términos marginales. El gradiente actúa como un vector de efectos marginales que muestra cómo cambia una función económica como utilidad, costo, producción o beneficio ante variaciones pequeñas en cada variable de decisión.

Así, sirve para identificar qué factores influyen más en el resultado económico y hacia dónde deben ajustarse para mejorar el desempeño o alcanzar un objetivo.

Métodos numéricos

En muchos problemas reales de optimización multivariada, la función objetiva puede ser altamente no lineal, presentar múltiples óptimos locales o tener una dimensión tan grande que impide obtener soluciones analíticas. En estos casos, se recurre a métodos numéricos iterativos, los cuales generan una secuencia de puntos que se acercan progresivamente al óptimo. Estos algoritmos exploran la geometría local de la función, utilizando información del gradiente, de la Hessiana o de aproximaciones de ella.

Entre los métodos más utilizados se encuentran:

1. Descenso de gradiente

Este método actualiza la solución moviéndose en la dirección opuesta al gradiente, ya que esta indica la dirección de mayor aumento de la función. Puede implementarse con:

• Matrices de covarianza.
• Vectores de pesos.
• Optimización cuadrática.

El descenso de gradiente es sencillo de implementar y muy útil en problemas de alta dimensión, aunque puede ser lento en valles estrechos o en funciones mal condicionadas.

En la figura a continuación se muestran los descensos de gradiente, con varios mínimos.

Figura 4

Puntos de descenso de gradiente




2. Métodos de Newton y cuasi-Newton

Los métodos de Newton utilizan información de la matriz Hessiana para aproximar la forma local de la función y dirigir el movimiento hacia el óptimo con pasos más eficientes, logrando frecuentemente convergencia cuadrática cerca del punto óptimo. Sin embargo, requieren calcular la Hessiana y su inversa, lo cual puede ser costoso en grandes dimensiones.

Por ello surgen los métodos cuasi-Newton, como BFGS y L-BFGS, que construyen aproximaciones de la Hessiana utilizando únicamente gradientes pasados. Estos métodos logran un equilibrio entre eficiencia y costo computacional, siendo ampliamente utilizados en econometría, machine learning y calibración de modelos económicos.

En la figura a continuación se muestra una ilustración de una iteración del método de Newton (la función f se muestra en azul y la línea de la tangente en rojo).

Figura 5

Método Newton




3. Gradiente conjugado y métodos estocásticos

El método de gradiente conjugado es especialmente eficaz para problemas grandes y dispersos, como los provenientes de modelos de equilibrio general o simulaciones numéricas. Requiere solo gradientes y evita el almacenamiento de matrices grandes.

Por otro lado, los métodos de optimización estocástica se emplean en situaciones donde los datos contienen ruido, son masivos o están distribuidos. Estos métodos realizan aproximaciones del gradiente a partir de muestras, lo que reduce drásticamente el costo computacional por iteración.

4. Elección del método

La selección del algoritmo adecuado depende de varios factores:

• Estructura de la función f: si es convexa, la convergencia a un mínimo global está garantizada; si es no convexa, se requiere mayor cautela para evitar óptimos locales.
• Tamaño y dimensionalidad del problema: métodos basados en Hessiana pueden ser impracticables en espacios muy grandes.
• Disponibilidad y costo del cálculo del gradiente o Hessiana.
• Presencia de ruido en los datos, lo cual favorece métodos estocásticos.

En conjunto, estos métodos permiten resolver problemas complejos de optimización que no admiten soluciones cerradas, constituyendo herramientas esenciales para la modelación matemática aplicada en economía, ingeniería y ciencias computacionales (Nocedal & Wright, 2006; Burden, Faires & Burden, 2023).

Aplicaciones en economía y administración

La optimización multivariada sin restricciones se aplica en: maximización del beneficio empresarial, calibración de parámetros en modelos macroeconómicos (DSGE), ajuste de portafolios sin restricciones iniciales, identificación de parámetros en modelos estadísticos y ajuste de planes operativos que no imponen límites explícitos sobre las variables de decisión.

Relación con problemas con restricciones

El estudio sin restricciones es la base conceptual para abordar luego problemas con restricciones (mediante multiplicadores de Lagrange o programación convexa). Comprender el caso sin restricciones facilita la extensión a problemas con igualdad/inecuaciones y a la formulación de algoritmos híbridos (Boyd & Vandenberghe, 2004).

Aprende más

Para conocer más sobre (Optimización de funciones sin restricciones), puedes leer el siguiente artículo ¡Accede aquí!

2.4.1 Caso básico (funciones cuadráticas)

Las Funciones cuadráticas multivariadas representan uno de los pilares de la optimización sin restricciones, ya que permiten analizar de forma exacta la estructura de curvatura, la existencia de óptimos y su naturaleza. De manera general, una función cuadrática en varias variables se expresa como:

$f\left(x\right)=\frac{1}{2}{x}^{\text{'}}Ax+b^{\text{'}}x+c,$

donde x es un vector de decisión, A es una matriz simétrica, b un vector de coeficientes lineales y c una constante. Este tipo de funciones aparece en problemas de minimización de costos, análisis de riesgo en portafolios, estimación econométrica, análisis input–output y modelos de producción.

1. Condiciones de optimización

La solución de un problema cuadrático sin restricciones se encuentra aplicando el gradiente:

$\nabla f\left(x\right)=Ax+b.$

Para un óptimo, se cumple la condición de primer orden:

$A{x}^{*}+b=0,$

y, siempre que Asea invertible, el punto óptimo es:

$x^{*}=-A^{-1}b.$

Este resultado es central en optimización clásica y en algoritmos como Newton y Quasi-Newton, donde la matriz Hessiana cumple un rol estructural.

En la figura a continuación se muestra una ilustración de mínimos cuadrados no lineales, que es un caso especial de optimización sin restricciones: x1 mínimo global, x2 mínimo local estricto, x3 mínimo local no estricto.

Figura 6

Ejemplo de mínimos cuadrados no lineales




2. Naturaleza del óptimo según la matriz A

La matriz A determina el tipo de solución:

1. Si A es definida positiva, → mínimo global

La función es convexa y existe un único punto que minimiza.f(x)

Este caso es el más común en economía (costos, riesgo, producción).

2. Si A es definida negativa → máximo global

La función es cóncava y la solución representa un máximo.

3. Si A es indefinida → punto silla

La función no tiene máximo ni mínimo global.

Situación frecuente en superficies económicas no convexas (Varian, 2019).

3. Interpretación geométrica

Las funciones cuadráticas generan superficies cuyas formas dependen de la curvatura matricial:

• Elipsoides → mínimo
• Paraboloides invertidos → máximo
• Hiperboloides → puntos silla

Esta visualización es fundamental para comprender fenómenos como rendimientos marginales decrecientes o interacciones entre variables.

En la figura a continuación se muestra una ilustración de una función cuadrática.

Figura 7

Ejemplo de función cuadrática




4. Ejemplos

Una función de costos como:

$\mathrm{ C}(K,L)=3K^2+2L^2+4KL-10K-8L$

Es un caso típico de función cuadrática donde A define la estructura productiva o tecnológica del sistema.

En la figura a continuación se muestra una ilustración de minimización de costes.

Figura 8

Minimización de costes




Optimización de portafolios (Markowitz)

La varianza del portafolio:

${\mathrm{ \sigma }}_p^2=w^{\text{'}}\Sigma w$

Es una función cuadrática donde la matriz de covarianza Σ es positiva semidefinida.

Este es el fundamento matemático de la frontera eficiente.

Mínimos cuadrados ordinarios

Los modelos lineales estimados mediante OLS resuelven un problema cuadrático:

$\underset{\beta }{\mathrm{ m}in}(Y-X\beta {)}^{\text{'}}(Y-X\beta )$

lo que conduce a la famosa solución:

$\beta =(X^{\text{'}}X{)}^{-1}{X}^{\text{'}}Y$

5. Relevancia para modelos no lineales

Gracias al Teorema de Taylor, cualquier función suavemente diferenciable puede aproximarse localmente por una función cuadrática, lo que convierte a este caso en el punto de partida para:

• optimización no lineal
• algoritmos numéricos
• modelos macroeconómicos dinámicos
• programación financiera
• análisis de sensibilidad

Por ello, el análisis cuadrático es considerado la base matemática del campo.

Conclusión

La optimización multivariada sin restricciones constituye un marco analítico esencial para comprender cómo se comportan las funciones en espacios de varias dimensiones y cómo identificar sus puntos óptimos utilizando información derivada del gradiente y la Hessiana. Este cuerpo teórico no solo proporciona criterios rigurosos para determinar máximos, mínimos o puntos silla, sino que también permite interpretar la estructura geométrica y económica de los problemas, revelando cómo influyen los cambios marginales y la curvatura local en las decisiones óptimas. Su aplicación abarca desde la minimización de costos y la maximización de beneficios en economía hasta la calibración de modelos estadísticos, el análisis de portafolios, el aprendizaje automático y la ingeniería computacional.

Asimismo, el estudio de funciones cuadráticas, base de muchos modelos y algoritmos, demuestra que la estructura matricial determina la existencia y naturaleza del óptimo, reforzando la importancia de la convexidad y la definitud en la evaluación de soluciones. Estos fundamentos teóricos se complementan con métodos numéricos modernos, como el descenso de gradiente, los métodos de Newton y cuasi-Newton, el gradiente conjugado y las técnicas estocásticas, que permiten resolver problemas reales de alta complejidad donde las soluciones analíticas no son factibles.

En conjunto, la optimización multivariada sin restricciones integra teoría, geometría, economía y algoritmos computacionales para ofrecer un conjunto de herramientas robustas, versátiles e indispensables en la solución de problemas contemporáneos. Su comprensión profunda no solo facilita el análisis local y global de funciones, sino que también sirve como punto de partida para abordar problemas más avanzados con restricciones, consolidándose como un pilar fundamental de la modelación matemática aplicada.