SOLUCIÓN EXAMEN 3

Solución ejercicio #1
Punto 1
Con restricciones:
2 2
min ( x 1 , x 2 ) f ( x 1 , x 2 )=−6 x 1−15 x 2+ x 1 + x 2

Sa .−x 1+15 x 2≤ 2x 1+ x 2≤ 6x 1 ≤ 5−x 2 ≤ 0−x 1 ≤−1(x 1 , x 2)≥ 0

Llevamos la función a una forma estándar y nos quedaría así

min ( x ,h ) f ( x 1 , x 2 )=−6 x 1−15 x 2+ x 12 + x 22 +0 h 1+0 h 2+0 h 3+0 h 4+0 h 5

Sa .−x 1+15 x 2+ h1=2x 1+ x 2+ h 2=6x 1+ h3=5−x 2+ h 4=0−x 1+ h5=−1

( x 1 , x 2 , h 1 ,h 2 , h 3 ,h 4 , h 5)≥ 0

Buscamos soluciones en los vértices de la región factible, tomando la función e igualándola con la
matriz identidad

( )( )
−1 15 1 0 0 0 0 2
1 1 0 1 0 0 0 6
1 0 0 0 1 0 0 = 5
0 −1 0 0 0 1 0 0
−1 0 0 0 0 0 1 −1

1. Ahora vamos a solucionar en R usando x 1=0 , x 2=0 y la respuesta nos da

()
2
6
5
0
−1

Como la última variable es -1, significa que la región no es factible.

2. Ahora vamos a solucionar en R usando x 1=0 , h 1=0 y la respuesta nos da

 ( )
0.1333333
5.8666667
5
0.1333333
−1

Como la última variable es -1, significa que la región no es factible.

3. Ahora vamos a solucionar en R usando x 1=0 , h 2=0 y la respuesta nos da

()
6
−88
5
6
−1

Como la última variable es -1 y -88 significa que la región no es factible.

Sin restricciones

min ( x 1 , x 2 ) f ( x 1 , x 2 )=−6 x 1−15 x 2+ x 12+ x 22

2
Sa . x 1, x 2 ϵ R
Pasamos a encontrar los puntos críticos derivando parcialmente

( )
d
( −6 x 1−15 x 2+ x 12+ x 22 )
dx 1
∇ f ( x 1 , x 2 )=
d
( −6 x 1−15 x 2+ x 12 + x 22 )
dx 2

∇ f ( x 1 , x 2 )= (22 xx 12 −6
−15 )
¿
x= (20 20 )=(156 )
Pasamos a encontrar los puntos críticos en R y obtenemos
 ( )
x ¿= 3
7,5
Después de hallar los puntos críticos, pasaremos a encontrar la matriz hessiana, derivando
parcialmente.

( )
d d
( 2 x 1−6 ) ( 2 x 2−15 )
dx 1 dx 1
Hf ( x 1, x 2 ) =
d d
( 2 x 1−6 ) ( 2 x 2−15 )
dx 2 dx 2

( 20 02)
Hf ( x 1, x 2 ) =

Ahora vamos a hallar los valores propios mediante R y obtenemos

λ 1=2≥ 0λ 2=2≥ 0

La matriz Hf ( x 1, x 2 ) es semi definida positiva, done tiene un mínimo local; Además, tiene punto

crítico en (7,53 )
Solución ejercicio #2
Planteamiento matemático:
T
min ( x ) x Σ x
T
s . a .1nx 1=1

Donde:

( ) ()
0.10 0.01 0.03 0.05 x1
0.01 0.3 0.06 −0.04
Σ= ; x= x 2
0.03 0.06 0.4 0.02
x3
0.05 −0.04 0.02 0.5

Deseamos resolver un problema de optimización de mínima varianza en R. Para hallar la

solución adaptamos el problema así:

min ( x )−d ⃗ 1
¿ T x+ x T D mat x ¿
2

s . a . A Tmat X=b ⃗¿ ¿

Donde:
d ⃗¿=0 ;D mat =2 Σ ; A mat =1nx 1; b⃗¿=1¿ ¿
nx1
A continuación, se muestra el script con el cual se encontró la solución al problema:

Resultados obtenidos del script en R

En R obtuvimos que:
sigma=¿

d ⃗¿=¿ ¿

Dmat =¿
Amat =¿

b ⃗¿=1 ¿

Respuesta:
R nos entrega la siguiente proporción 0.60623813 0.20709310 0.09420519
0.09246358 y una varianza de 0.07014408.
Esto quiere decir que el portafolio de mínima varianza se logra si en cada uno de
los activos 1,2,3 y 4 se invierte una proporción igual a: 0.60623813 0.20709310
0.09420519 0.09246358 respectivamente. La varianza estimada menor posible de
este portafolio es igual a 0.07014408.

Solución ejercicio #3
¿Qué es la programación lineal y cómo influye en las finanzas?
La programación lineal es una técnica de investigación operativa que se utiliza como
herramienta en la toma de decisiones. Por su sencillez se emplea frecuentemente para
modelizar una gran variedad de problemas reales de diversos ámbitos en los que
intervienen gran cantidad de variables (B.C. Yeicy, 2011).
Hoy en día, se cuenta con algunos Software que permiten dar solución a los problemas de
programación lineal planteados, como por ejemplo la herramienta Solver en Excel, R
Studio entre otros.
Entrando en tema, en el área financiera, la programación lineal , podría ayudar por
ejemplo en la gestión de una cartera de inversión, lo que supone tomar decisiones acerca
de en qué invertir y cuánto invertir, por lo que la programación lineal se presenta como un
instrumento útil tanto para la creación de la cartera como para su valoración(Asunción,
2015).
De manera más general, los objetivos de la programación lineal para el área financiera son
utilizados en mayor medida para la reducción de costos y maximizar la rentabilidad
(Fuentes Hernández & García, 2018).
Otro ejemplo de programación lineal aplicado a las finanzas sería obtener el máximo
beneficio de las inversiones. Algunas ventajas que nos trae la programación lineal son:

 Permite resolver modelos reales.

 Ayuda a la toma de decisiones.
 Permite comparar entre varias soluciones alternativas, en escaso tiempo.
 La utilización de la programación lineal permite enormes reducciones de costos
en las empresas, al usar de la manera más eficiente los recursos empleados
Teniendo en cuenta lo anterior, entrando más en detalle, un problema de programación
lineal normalmente tiene variables de decisión, función objetivo y restricciones. Estos son
tres elementos esenciales de cualquier problema de optimización. Los problemas que
carecen de restricciones se denominan problemas de optimización sin restricciones, pero
a menudo se usan problemas de optimización con restricciones. Los problemas sin
funciones objetivo se llaman problemas de factibilidad (Cornuejols & Tütüncü, 2006).
Algunos problemas pueden tener varias funciones objetivo, estos problemas se abordan a
menudo reduciéndolas a un problema de optimización con un solo objetivo. Si las
variables de decisión de un problema de optimización se limitan a números enteros
tenemos un problema de optimización discreta o entera. Si no hay tales restricciones en
las variables, el problema es un problema de optimización continua. Por supuesto, algunos
problemas pueden tener una mezcla de variables discretas y continuas. Continuamos con
una lista de las clases de problemas que vamos a encontrar en esta memoria (Ruiz
Coronel, 2015).

CONCLUSIONES
En cualquier sector empresarial, y especialmente en el financiero, cobra especial
relevancia la obtención de mayores beneficios (maximizar utilidad) y la reducción de
gastos/costos.
Para la toma de decisiones, es de gran importancia la programación lineal ya que se
consigue una asignación eficiente de los recursos, maximizando los beneficios o
minimizando los costos.
Para dar solución a un problema de programación lineal, solo basta con plantear el
problema de manera clara, luego se podría utilizar una herramienta (software) para
permitir encontrar la solución más adecuada, algunos de estos son Solver (Excel), R Studio,
entre otros.
BIBLIOGRAFÍA
Asunción, R. (2015). Aplicaciones de la Programación Lineal en las Finanzas . Recuperado
el 2 de diciembre de 2021, de
https://idus.us.es/bitstream/handle/11441/46434/file_1.pdf?sequence=1
B.C. Yeicy. (2011). Aplicaciones de programación lineal, entera y mixta. Ingeniería
Industrial. Actualidad y Nuevas Tendencias, 2(7), 85–104. Recuperado de
https://www.redalyc.org/articulo.oa?id=215024822007
Cornuejols, G., & Tütüncü, R. (2006). Optimization methods in finance. En Optimization
Methods in Finance. https://doi.org/10.1017/CBO9780511753886
Fuentes Hernández, N., & García, L. (2018). Memoria de Grado Título: Modelo de
Optimización de Finanzas Personales Microeconómicamente.
Ruiz Coronel, D. (2015). Programación Matemática Aplicada a las Finanzas.