Universidad Nacional de San Antonio

Abad del Cusco

ESCUELA DE POST GRADO

FACULTAD DE CIENCIAS

MAESTRÍA EN CIENCIAS MENCIÓN MATEMÁTICAS

CONTROL ÓPTIMO EN TIEMPO DISCRETO

APLICADO A LA EXPLOTACIÓN DE LOS RECURSOS
NATURALES

TESIS PRESENTADA POR:

Br. RENEE PANCCA QUISPE

PARA OPTAR EL GRADO DE

MAESTRO EN MATEMÁTICAS

ASESOR: MGT. HERMITAÑO AYALA

HUILLCA

CUSCO-PERÚ

2017
 DEDICATORIA

Dedico este trabajo en principal a Dios,

por haberme dado la vida y permitirme el haber
llegado hasta este momento tan importante de
mi formación profesional.

A mi madre, a pesar de nuestra distancia

física, siento que estás conmigo siempre y
aunque nos faltaron muchas cosas por vivir
juntos, sé que este momento hubiera sido tan
especial para ti como lo es para mí.

A mi padre, por ser el pilar más

importante y por demostrarme siempre su
cariño y apoyo incondicional sin importar
nuestras diferencias de opiniones.

Gracias a ustedes hoy puedo ver

alcanzado mi meta, ya que siempre estuvieron
impulsándome en los momentos más difíciles
de mi profesión.
.

II
AGRADECIMIENTO
Agradezco a la UNIVERSIDAD
NACIONAL DE SAN ANTONIO ABAD DEL
CUSCO, escuela profesional y escuela de post
grado de MATEMATICAS por impulsarme a
obtener el grado de Maestro.
Agradezco de manera muy especial a los
docentes del Departamento Académico de
Matemáticas por su valiosa enseñanza de toda
mi formación profesional.
Agradezco al Mgt. Hermitaño Ayala
Huillca su incondicional apoyo para la realización
de este trabajo, sus ideas y su colaboración
activa desde el inicio del mismo. El proceso
hasta la conclusión del mismo ha sido largo, y
sin su apoyo y estimulo en todo este tiempo no
habrá sido posible. Sus amplios conocimientos
compartidos me han permitido adquirir
experiencia considerable en esta área.
A mis compañeros de facultad, por
compartir las dificultades que presenta la
carrera.
A mis compañeros de trabajo por su
fuerza y entereza afrontando los malos
momentos, y aun con todo, transmitiendo fuerza
y energía positiva.
A los que creen en la ciencia como
camino para el desarrollo.
A la gente tenaz y trabajadora.
Por último, agradecer a mis padres,
hermanos, los que no se cansan de apoyarme.
Gracias el mérito es vuestro.

III
 RESUMEN
El presente trabajo de investigación es una contribución a la teoría de
control óptimo en tiempo discreto, en concreto aplicado a la explotación de
recursos naturales.

A través del cual se puede plantear, modelar problemas y resolver mediante el

principio de máximo de Pontryaguin. Cuando se habla de optimización
dinámica se incorpora el factor tiempo al problema, en todas las variables que
intervienen en el modelo; se busca una trayectoria o camino óptimo dentro de
un conjunto de trayectorias admisibles que optimizará el funcional objetivo.
Relacionar el término optimización con los recursos naturales renovables o no
renovables, es estar frente a problemas de asignación, aprovechamiento
óptimo, externalidades, sustentabilidad, tiempo y ganancias; por ello el objetivo
es aplicar el modelo de control óptimo en tiempo discreto a la explotación de
los recursos naturales, para determinar la extracción óptima económica de los
recursos, con el fin de contribuir a la toma de decisiones relativas al
aprovechamiento sostenible, económico y medioambiental.

En este trabajo de investigación se identificó y describió la forma de

producción de las minas de arena y carbón, determinando los costos incurridos
en el proceso de explotación, la rentabilidad de la actividad y determinando las
cantidades de extracción anual para el sendero óptimo.
Palabras claves: Control óptimo discreto, principio del máximo de
Pontryagin, recursos naturales.

IV
 ABSTRACT
The present work of investigation is a contribution to the theory of optimal
control in discrete time, in concrete applied to the exploitation of natural
resources.

Through which you can pose, model problems and solve using the maximum
principle of Pontryaguin. When talking about dynamic optimization, the time
factor is incorporated into the problem, in all the variables that intervene in the
model; an optimal trajectory or path is sought within a set of admissible
trajectories that will optimize the objective function. To relate the term
optimization with renewable or non-renewable natural resources is to face
problems of allocation, optimal use, externalities, sustainability, time and profits;
for that reason the objective is to apply the model of optimal control in discrete
time to the exploitation of natural resources, to determine the optimal economic
extraction of resources, in order to contribute to the decision making regarding
the sustainable, economic and environmental use .

In this research work, the way of production of sand and coal mines was
identified and described, determining the costs incurred in the exploitation
process, the profitability of the activity and determining the quantities of annual
extraction for the optimal path.

Keywords: Optimal discrete control, Pontryagin maximum principle,

natural resources.

V
 INDICE GENERAL
Página
DEDICATORIA II
AGRADECIMIENTO III
RESUMEN IV
ABSTRACT V
INDICE DE FIGURAS X
INDICE DE TABLAS XI
INTRODUCCION 1

CAPITULO I PLANTEAMIENTO METODOLÓGICO DE LA INVESTIGACIÓN

1.1. Descripción del problema 2
1.2. Formulación del Problema 3
1.2.1. Problema General 3
1.2.2. Problemas Específicos 3
1.3. Justificación de la Investigación 4
1.3.1. Importancia Teórica 4
1.3.2. Importancia Académica 4
1.4. Objetivos de la Investigación 5
1.4.1. Objetivo General 5
1.4.2. Objetivos Específicos 5
1.5. HIPÓTESIS 5
1.5.1. Hipótesis General 5
1.5.2. Hipótesis Específicas 5
1.6. METODOLOGÍA 5
1.6.1. Tipo y Diseño de Investigación 5
1.6.2. Delimitación de la investigación 6
1.6.2.1. Delimitación Temporal 6
1.6.2.2. Delimitación Conceptual 6
1.6.3. Nivel de Investigación 6
1.6.4. Limitaciones 6
1.6.5. Antecedentes de la Investigación 6

VI
CAPITULO II MARCO TEORICO
2.1. Conceptos preliminares 9
2.1.1. Sucesiones 9
2.1.2. Estructura de IRn espacio euclidiano 11
2.1.3. Continuidad y Diferenciabilidad 11
2.1.4. Derivada parcial 12
2.1.5. Formas Cuadráticas 14
2.1.6. Diferencia finita 14
2.1.7. Clasificación de las ecuaciones en diferencias 16
2.1.8. Solución de una ecuación en diferencias 16
2.1.9. Ecuaciones en diferencia lineales de orden n 17
2.1.10. Optimización 17
2.1.11. Optimización Dinámica 22
2.1.12. La variable independiente tiempo discreto t 22
2.1.13. La variable de estado 22
2.1.14. La variable de control 23
2.1.15. Funcional 23
2.2. Fundamento Teórico 24
2.2.1. Cálculo de variaciones en tiempo discreto 24
2.2.1.1. El problema de cálculo de variaciones 24
2.2.1.2. Condiciones de contorno 27
2.2.1.3. Función residual 27
2.2.1.4. Variable n-dimensional 28
2.2.1.5. Desfases de orden mayor que 1 28
2.2.1.6. Restricciones sobre las variables 29
2.2.1.7. Problema general de cálculo de variaciones 29
2.2.2. Programación Dinámica 30
2.2.3. Ecuación de Bellman 30
2.2.4. La función de Hamilton 31
2.2.5. La función Lagrangiana o Lagrangiano 31
2.2.6. Programación Dinámica para problemas de Control en Tiempo
Discreto 32
2.2.7. Propiedad de causalidad 34

VII
 2.2.8. Solución al problema de control óptimo mediante programación
dinámica 35
2.2.9. Factor de Descuento al problema de control óptimo en tiempo
discreto 37
2.2.10. Resolución del problema de control optimo en tiempo discreto por
el Método de los multiplicadores de Lagrange 38
2. 2.10.1. El Método de los multiplicadores de Lagrange 39
2. 2.10.2. El Principio del máximo de Pontryagin en tiempo
discreto 40
2. 2.10.3. Factor de Descuento y Hamiltoniano del valor presente
42
2.2.11. Descuento 43
2. 2.11.1. Se contabiliza una vez al año 43
2. 2.11.2. Se contabiliza dos veces al año 44
2. 2.11.3. Se contabiliza m veces al año 46
2.3. Marco Conceptual 48
2.3.1. Recursos naturales 48
2.3.2. Recursos renovables 48
2.3.3. Recursos no renovables 48
2.3.4. Modelo matemático 48
2.3.5. Bienes 49
2.3.6. Tasa Interna de Retorno TIR 49
2.3.7. Valor actual neto VAN 50
2.3.8. Libre a bordo FOB 50
2.3.9. Modelo de valoración de activos financieros CAPM 50
2.3.10. Costo medio ponderado de capital WACC 50
CAPITULO III APLICACIÓN DEL CONTROL ÓPTIMO EN TIEMPO
DISCRETO A LA EXPLOTACION DE LOS RECURSOS NATURALES
3.1. CONTROL ÓPTIMO EN LA EXPLOTACION DEL RECURSO
NATURAL ARENA
3.1.1. Introducción 51
3.1.2. Área de estudio 52
3.1.3. Resultados y Discusión 52

VIII
 3.1.3.1. Costos de Inversión y Producción de una Mina de Arena
52
3.1.3.2. Producción y Ganancias 54
3.1.3.3. Sendero Óptimo de Extracción 54
3.2 ESTIMACIÓN DE LA SENDA ÓPTIMA DE EXTRACCIÓN PARA LA
ACTIVIDAD CARBONÍFERA SUBTERRANEAS
3.2.1. Introducción 59
3.2.2. Área de estudio 60
3.2.3. Evaluación económica 60
3.2.3.1. Flujo de caja 60
3.2.3.1.1. Estado de pérdidas y ganancias 61
3.2.3.1.2. Flujo de caja económico 62
3.2.3.2. Análisis sensibilidad flujo económico del proyecto 64
3.2.3.2.1. Inversiones 64
3.2.3.2.2. Costos de producción 65
3.2.3.2.3. Precio del carbón 66
3.2.3.3. Análisis de escenarios del flujo económico del proyecto
66
3.2.3.4. Resultados del flujo financiero 67
3.2.3.5. Sendero Óptimo de Extracción 68

CONCLUSIONES

RECOMENDACIONES

BIBLIOGRAFÍA

ANEXOS

IX
 INDICE DE FIGURAS
Figura Titulo Página
2.1 Clasificación de la Optimización 18
2.2 Programación Dinámica en Tiempo Discreto 33
3.1 Sendero de extracción óptima anual del mineral arena 57
3.2 Sensibilidad de las inversiones 65
3.3 Sensibilidad de los costos de producción 65
3.4 Sensibilidad del precio 66
3.5 Sendero de extracción óptima anual del mineral carbón 70

X
 INDICE DE TABLAS
Tabla Titulo Página
2.1 Valores futuros cuando se contabiliza una vez al año 44
2.2 Valores presentes descontados al contabilizar una vez al año 44
2.3 Valores presentes descontados al contabilizar una vez al año 45
2.4 Valores presentes descontados al contabilizar dos veces al año 46
2.5 Valores futuros cuando se contabiliza m veces al año 47
2.6 Valores presentes descontados al contabilizar m veces al año 47
3.1 Necesidades de maquinaria y equipo 2017 52
3.2 Necesidades de insumo y material 2017 53
3.3 Necesidades de personal 2017 53
3.4 Depreciación de maquinaria y equipo 53
3.5 Costos totales de producción 2017 54
3.6 Ganancia total de producción 2017 54
3.7 Coeficientes para el sendero óptimo 56
3.8 Sendero óptimo y remanentes 57
3.9 Ruta óptima a una tasa de interés del 12% 58
3.10 Ruta óptima a una tasa de interés del 4% 59
3.11 Asignación de regalías 61
3.12 Costo de inversión del proyecto del Alto Chicama 62
3.13 Estimación del costo de oportunidad del accionista (Ke) 63
3.14 Estimación del costo de la deuda (Kd) de pequeñas empresas mineras
63
3.15 Flujo económico (US$ miles) 64
3.16 Resultados de la evaluación económica 64
3.17 Análisis de escenarios del flujo económico del proyecto 66
3.18 Resultados del flujo financiero 67
3.19 Flujo financiero (US$ miles) 67
3.20 Resultados de la evaluación financiera 67
3.21 Sendero óptimo y remanentes 69

XI
 INTRODUCCIÓN
Conforme evoluciona la ciencia y la tecnología, las técnicas de optimización
matemática cada vez tienen mayor relevancia. Estas han permitido que la ciencia
formule y explique diversos problemas de una manera más rigurosa y precisa;
hablar de un recurso natural no renovable es estar frente a problemas de
asignación, aprovechamiento óptimo, externalidades, sustentabilidad, tiempo y
ganancias. Es decir, el aprovechamiento de un recurso natural de este tipo implica
varios factores que debe tomar en cuenta; sin embargo, tal vez el punto central es
el tiempo de aprovechamiento y las ganancias que se derivan tanto actuales como
futuras, lo que implica que para tomar decisiones de explotación se tiene que tener
presente las tasas de interés. Puede parecer que la explotación de un recurso
natural agotable nunca puede ser demasiado lenta para el bien público; para cada
tasa propuesta de extracción indudablemente habrá algún punto para el
agotamiento final, en el cual esa tasa implicará y requerirá más retraso en la
explotación. Pero si en el modelo se considera que la oferta total del recurso no se
puede heredar a los descendientes, se tiene que buscar un sendero óptimo de
extracción.
Un problema de optimización dinámica para tiempo discreto consiste, en la
búsqueda de una trayectoria de estado óptima o camino óptimo dentro de un
conjunto de trayectorias admisibles que optimizará el funcional objetivo que
proporcione un máximo o un mínimo para esta funcional.
Cuando se habla de optimización dinámica se incorpora el factor tiempo al
problema, en todas y cada una de las diferentes variables que intervienen, lo que
afectará a los modelos matemáticos que se empleen para representar el
comportamiento y las relaciones existentes entre dichas variables, también afecta
al funcional objetivo a optimizar.
Este trabajo en su aplicación busca determinar el sendero de extracción
óptima de una mina de arena y carbón tomando en cuenta un periodo de
aprovechamiento y determinadas tasas de interés. El objetivo principal de este
trabajo de investigación es aplicar el modelo de Control óptimo en tiempo discreto
a la explotación de los recursos naturales, con el cual se determina la tasa de
extracción óptima económica de las minas de arena y carbón, con el fin de
contribuir a la toma de decisiones relativas al aprovechamiento sustentable
económico y medioambiental.

-1-
 CAPÍTULO I PLANTEAMIENTO METODOLÓGICO DE LA
INVESTIGACIÓN
1.1. Descripción del Problema
Se sabe de la necesidad que tiene la humanidad de modelar fenómenos y
procesos que intervienen y determinan su devenir diario, siendo el estudio de
los modelos matemáticos necesarios para obtener soluciones y conclusiones
que nos puedan ayudar a explicar problemas en determinadas situaciones.
Considerando la desaparición de recursos no renovables y renovables
tales como: minerales, maderas, y otros activos agotables en nuestro país y en
el mundo han conducido a requerimientos para la regulación de su explotación.
El método propuesto para detener la devastación masiva de recursos
naturales solo con dificultad, ha consistido en prohibir su explotación durante
ciertos periodos de tiempo o reducirlas insistiendo en que se continúen
utilizando métodos ineficientes. Por ello se considera a la teoría de control
óptimo en tiempo discreto como una herramienta importante para la solución de
problemas que ocurren en forma natural en diversos campos. En la explotación
de recursos naturales el problema de control óptimo en tiempo discreto se
define especificando inicialmente un sistema dinámico que evoluciona en el
tiempo, como por ejemplo en los recursos minerales la x (t ) representa el total
de mineral que se tiene en la mina al inicio del periodo t  1 y u (t ) representa la
cantidad de mineral que se extrae de la mina al inicio del periodo t  1 , para
cada t  0,1,..., N  1 y F ( x (t ),u (t )) representa el tasa de extracción óptima de la
actividad extractiva económica que enfrenta el problema.
De manera general se considera un problema de control óptimo,
empleando la variable de estado x (t ) y la variable de control u (t ) , siendo la
variable u (t ) un instrumento que permite influir a la variable de estado;
entendido, se dice que alguna trayectoria de control u (t ) implicará una
trayectoria de estado asociada x ( t ) . Por lo que se debe elegir la trayectoria de
control óptima admisible u  ( t ) la cual, junto con la trayectoria de estado óptimo
admisible asociada x  ( t ) optimizará el funcional objetivo en un determinado
periodo de tiempo. La teoría del control óptimo permite manejar una restricción

-2-
sobre la variable de control u (t ) tal que u(t ) U(t )  IR m , t  0,,N  1 , así el
modelo de control es:
N 1
Maximizar  F ( x (t ),u (t ), t )  F ( x (N )) ,
t 0

sujeto a : 
x (t  1)  f ( x (t ), u (t ), t ) ;  t  0,, N  1 ,
x 0 y N   conocidos .
N 1
El funcional objetivo F ( x (t ),u (t ), t )  F ( x (N )) debe ser maximizado. La ecuación
t 0

x (t  1)  f ( x (t ),u (t ), t ) llamado sistema dinámico relaciona la variable de estado y

la variable de control. El conjunto U (t ) es el conjunto de controles admisibles.
1.2. Formulación del Problema
1.2.1. Problema General
Dado un sistema dinámico con estado inicial x 0 , para cada periodo t

la ecuación de xk 1  xk  fk ( xk ,uk ) permitirá encontrar el sendero de

extracción del modelo de control óptimo dado:

N 1
Maximizar  F ( x (t ),u (t ), t )  F ( x (N )) ,
t 0

sujeto a : 
x (t  1)  f ( x (t ), u (t ), t )  ;  t  0,, N  1 ,
x 0 y N   conocidos. 
¿Será posible aplicar el modelo de control óptimo en tiempo discreto a la
explotación de los recursos naturales?
1.2.2. Problemas Específicos
a) ¿Es posible determinar la trayectoria óptima entre un conjunto de
trayectorias admisibles que optimicen los valores de las variables
de decisión y que maximice el funcional objetivo?
b) ¿Es posible establecer las condiciones de principio del máximo de
Pontryagin en tiempo discreto a problemas con factor de
descuento?
c) ¿Es posible identificar, describir la forma de producción de los
recursos naturales y determinar los costos incurridos en el
proceso?

-3-
1.3. Justificación de la Investigación
Los principios naturales, sociales y económicos así como los objetos
fabricados usando la más sofisticada tecnología obedecen al principio común
de la optimalidad de su diseño, es el caso de la técnica de control óptimo en
tiempo discreto cuyo fin es buscar una estrategia adecuada para resolver un
problema que encamine a la obtención de las condiciones óptimas, de una
manera rápida y eficiente.
Por lo cual la técnica de control óptimo es recomendable para modelar
problemas económicos, sociales y biológicos y dar las respectivas soluciones
para luego tomar decisiones frente a un problema dado. Por ejemplo en un
problema de explotación de recursos naturales no renovables permite
determinar la senda óptima de agotamiento del recurso, el tiempo de
agotamiento y una estimación de su precio en el mercado.
Al modelar un problema, lo que se busca es una mejor solución para tal
problema. Es decir, modelando el problema se puede medir situaciones y
soluciones del proceso o fenómeno que de otra manera (sin modelar) no se
puede hacer, de modo que se busca la mejor solución entre todas las posibles
soluciones. En otras palabras, establecido un modelo, lo que interesa, es
obtener la solución óptima que el modelo nos pueda brindar.
Además de los objetivos planteados con este trabajo, se espera que el
mismo motive el desarrollo de futuros proyectos de estudio de la aplicación de
la matemática a otras ramas del conocimiento.
1.3.1 Importancia Teórica
a) Aporta en el conocimiento científico de la aplicación de los modelos
matemáticos en otros campos científicos del conocimiento humano.
b) Contribuye al enriquecimiento teórico del control óptimo en tiempo
discreto.
1.3.2 Importancia Académica
a) La trascendencia para las futuras investigaciones en las que se
encontraran una gran variedad de modelos de la Matemática
Aplicada.
b) El desarrollo del Control Optimo constituye una herramienta útil
dentro del campo de las Matemáticas Aplicadas.

-4-
1.4. Objetivos de la Investigación
1.4.1. Objetivo General
Aplicar el modelo de control óptimo en tiempo discreto a la
explotación óptima de recursos naturales.
1.4.2. Objetivos Específicos
a) Determinar la trayectoria óptima entre un conjunto de trayectorias
admisibles que optimicen los valores de las variables de decisión
y que maximice el funcional objetivo.
b) Establecer las condiciones de Principio del Máximo de Pontryagin
en tiempo discreto a problemas con factor de descuento.
c) Identificar, describir la forma de producción de los recursos
naturales y determinar los costos incurridos en el proceso.
1.5. Hipótesis
1.5.1. Hipótesis General
El modelo de control óptimo en tiempo discreto se aplica a la
explotación óptima de recursos naturales.
1.5.2. Hipótesis Específicas
a) En un problema de control óptimo se determina la trayectoria
óptima entre un conjunto de trayectorias admisibles que optimizan
el funcional objetivo.
b) En el principio de máximo en tiempo discreto se establecen las
condiciones de principio del máximo de Pontryagin en tiempo
discreto a problemas factor de descuento.
c) En el proceso de producción se identifica, describe la forma de
producción de los recursos naturales y se determinan los costos
incurridos en el proceso.
1.6. Metodología
1.6.1. Tipo y Diseño de la Investigación
El trabajo de investigación es deductivo–inductivo, en razón a que
se deducen modelos matemáticos para adecuar a problemas de control
óptimo en tiempo discreto y según la naturaleza de la investigación es
aplicada porque se aplican estos modelos de control óptimo a la
explotación de recursos naturales.

-5-
1.6.2. Delimitación de la Investigación
1.6.2.1. Delimitación Temporal
El presente trabajo de investigación se desarrolló del mes
de abril del 2016 al mes de agosto del 2017.
1.6.2.2. Delimitación Conceptual
La presente investigación se encuentra enmarcada dentro
del área de la optimización. La optimización es una de las ramas
amplias de la matemática la cual puede clasificarse de acuerdo al
siguiente cuadro.
Estática

Optimización  Continua
Dinámica Discreta
 
El modelo de control óptimo es un método para resolver
problemas de optimización dinámica cuando la variable temporal es
discreta.
1.6.3. Nivel de Investigación
De acuerdo a la naturaleza de estudio de la investigación es la usual
en investigaciones matemáticas es de nivel básico, descriptiva porque
permite describir ciertos casos de la realidad, percibe describir sucesos o
hechos en el medio que nos rodea.
1.6.4. Limitaciones
En la realización de cualquier trabajo es muy común afrontar y
superar obstáculos y dificultades para llegar a su culminación, estas
limitaciones son bibliográficas. El presente trabajo no podía escapar de
esta situación, siendo la principal limitación y dificultad es la de adecuar el
desarrollo teórico a la aplicación práctica de la matemática a la explotación
de recursos naturales; esto debido a tener escasa referencia bibliográfica
en nuestro medio que estén relacionados con este tema de investigación.
1.6.5. Antecedentes de la Investigación
A nivel nacional se reseña el siguiente antecedente:
i) Ayala, H., (2015), tesis sobre: Control óptimo aplicado a procesos
productivos. Cusco: UNSAAC, en la Escuela de Post Grado en la
Universidad Nacional de San Antonio Abad del Cusco, Facultad de

-6-
Ciencias, Departamento de Matemáticas – Perú. La investigación
llego a la siguiente conclusión:
1. Logra aplicar la teoría del control óptimo a procesos productivos
tales como: extracción óptima de recursos naturales (recurso
mineral), aplicación a recursos pesqueros.
2. Minimiza los costos de producción para lo cual utiliza los
diagramas de fases en la solución de los problemas planteados.

A nivel internacional tenemos los siguientes estudios:

ii) Meneu, D. R., (2014), tesis sobre: La Teoria del Control Óptimo en
Tiempo Discreto. Modelos Financieros Aplicados a las pensiones de
Jubilación, en la Facultad de Ciencias Económicas y Empresariales,
Departamento de Economía Financiera i Matemática de la
Universidad de Valencia-España. En este trabajo de investigación se
llegó a las siguientes conclusiones:
1. A nivel teórico, se resalta los aspectos principales de la teoría
del control óptimo en tiempo discreto resultando un instrumento
matemático asequible para el estudio de problemas financieros y
económicos.
2. A nivel Aplicativo: a las que se ha llego indica que la fiscalidad
no es suficientemente alentadora para canalizar a través de un
planes de pensiones individuales la mayor parte del ahorro con
fines de complemento a la pensión pública de jubilación, y más si
se tiene en cuenta la iliquidez de este instrumento.
iii) Alcalá, R. (2010). Control Óptimo Aplicado a la Economía de los
Recursos Minerales. Red de Revistas Científicas de América Latina,
el Caribe, España y Portugal, 28(3),265-269. La investigación llegó a
las siguientes principales conclusiones:
1. La actividad extractiva es rentable, debido a que los ingresos
netos superan a los costos de extracción.
2. Puede llegar el momento en que se tiene que sustituir este
recurso natural por otro.

-7-
 Matriz de Consistencia
TITULO: CONTROL ÓPTIMO EN TIEMPO DISCRETO APLICADO A LA EXPLOTACIÓN DE LOS RECURSOS NATURALES
PROBLEMA OBJETIVOS METODOLOGIA
Problema General Objetivo General Tipo y Diseño de la Investigación
¿Será posible aplicar el modelo de control Aplicar el modelo de control óptimo en La metodología en el trabajo de
óptimo en tiempo discreto a la explotación tiempo discreto a la extracción óptima de investigación es deductivo–inductivo en
de los recursos naturales? recursos naturales. razón a que se deducen modelos
matemáticos para adecuar a problemas
Problemas Específicos Objetivos Específicos de control óptimo en tiempo discreto y
a) ¿Es posible determinar la trayectoria a) Determinar la trayectoria óptima entre según la naturaleza de la investigación
óptima entre un conjunto de trayectorias un conjunto de trayectorias admisibles es aplicada porque se aplican estos
admisibles que optimicen los valores de que optimicen los valores de las variables modelos de control óptimo a la
las variables de decisión y que maximice de decisión y que maximice el funcional explotación de recursos naturales.
el funcional objetivo? objetivo.
b) ¿Es posible establecer las condiciones b) Establecer las condiciones de Principio Nivel de Investigación
de principio del máximo de Pontryagin en del Máximo de Pontryagin en tiempo De acuerdo a la naturaleza de estudio de
tiempo discreto a problemas con factor de discreto a problemas con Factor de la investigación es la usual en
descuento? Descuento. investigaciones matemáticas es de nivel
c) ¿Es posible identificar, describir la c) Identificar, describir la forma de básico, descriptiva porque permite
forma de producción de los recursos producción de los recursos naturales y describir ciertos casos de la realidad,
naturales y determinar los costos determinar los costos incurridos en el percibe describir sucesos o hechos en el
incurridos en el proceso? proceso. medio que nos rodea.

-8-
 CAPITULO II MARCO TEORICO
2.1. Conceptos Preliminares
2.1.1 Sucesiones
Definición 2.1.1.1. (Función discreta) Sea S  IN conjunto de números
naturales y S '  IR conjunto de números reales. La función f : S  S ' cuyo
dominio es un conjunto numerable (o discreto) se dice que es discreta1, si
asocia a cada número natural n  S , un número real fn  S ' .

Observación Una función discreta no debe confundirse con una función

discontinua, puesto que estas últimas corresponden a funciones reales
definidas por tramos.
Definición 2.1.1.2. Sea IN conjunto de números naturales. Una sucesión
de números reales2 es una función del conjunto de los números naturales
en los reales, es decir x : IN  IR que asocia a cada número natural n un
número real xn ; la cual es denotada por ( x1 , x2 ,..., xn )  o ( xn ) . Al elemento xn

se le llama término n-ésimo de la sucesión.

Definición 2.1.1.3. Una sucesión ( xn )  se dice que está acotada

superiormente (respectivamente inferiormente) si existe c  IR , talque xn  c

(respectivamente xn  c ) para todo n  IN .

Definición 2.1.1.4. Se dice que la sucesión ( x n ) está acotada, si la

sucesión está acotada superior e inferiormente, es decir existe k  0 , tal que

| xn |  k para todo n  IN .
Definición 2.1.1.5. Se dice que una sucesión ( x n ) converge al número real

a , si para todo número real ε  0 arbitrario, se puede obtener n0  IN tal

que todos los términos xn con índice n  n0 cumplen la condición x n  a  ε ;

es decir ( x n ) converge al número real a sí lim x n  a .

n

Simbólicamente: lim x n  a  ε  0,  n0  IN ; n  n0  x n  a  ε .
n

1
Para el estudio de función discreta, véase [17] Rathinam, Muruhan; Murray, Richard M. (31 de Agosto de 1998). Discrete
Function Approximation: Numerical Tools for Nonlinear Control. Technical Memorandum, pp. 1-2. Pasadena, California, United
States of America: California Institute of Technology.
2
Para el estudio de definición de sucesiones, véase [9] Lages, E. (1997). Análisis Real (Vol. 1). Lima, Perú: IMCA. pp.25-26.

-9-
 Teorema 2.1.1.6. (Unicidad del límite)3 Si una sucesión es convergente
entonces esta sucesión no puede converger a dos límites diferentes.
Prueba
La demostración se realiza por reducción al absurdo.
Suponga que ( xn )  tiene dos límites distintos a y b, suponemos que b > a,

lim x n  a  ε  0,  n1  IN ; n  n1  x n  a  ε ,  a  ε  x n   a  ε ,
n

lim x n  b  ε  0,  n2  IN ; n  n2  x n  b  ε ,  b  ε  x n   b  ε .
n

Consideremos a  ε  b  ε , o sea ε   b  a  / 2 y n0  max n1, n2  .

Si n  n0 se cumple por la convergencia de la sucesión

b  ε  x n   b  ε ,

a  ε  x n   a  ε ,
lo cual es absurdo, pues x n no puede pertenecer a dos entornos disjuntos.

Por lo tanto b  a. Análogamente suponga b  a. ■

Teorema. 2.1.1.7. Toda sucesión monótona y acotada es convergente. De
forma más concreta:
Si ( xn )  es una sucesión creciente y mayorada, se tiene

lim x n  sup x n / n  IN .

Si ( xn )  es decreciente y minorada, entonces lim x n  inf x n / n  IN .

Prueba
Si ( xn )  es creciente y mayorada, supongamos b  sup x n / n  IN , para

probar que ( xn )  b . Dado ε  0 , por definición de supremo existe n0 tal

que b  ε  x n 0 Pero, para n  n0 se tendrá b  ε  x n 0  x n  b  b  ε , de

donde x n   b  ε , como queríamos probar.

Para una sucesión ( xn )  decreciente y minorada, se puede razonar de

manera análoga, o bien aplicar lo ya demostrado a la sucesión (xn ) que

es creciente y mayorada.■

3
Para el estudio de resultados de sucesiones, véase [9] Lages, E. (1997). Análisis Real (Vol. 1). Lima, Perú: IMCA. pp.27-28.

- 10 -
2.1.2. Estructura de IRn espacio euclidiano
Definición 2.1.2.1. Sea n un número natural. El espacio euclidiano
n  dimensional IR n es el producto cartesiano de n factores iguales a IR :

IR n  IR  IR   IR .
Los elementos o puntos de IR n son secuencias (o listas) de n términos
reales x  ( x1 , . . . , x n ) , donde para cada i  1, . . . , n , el termino x i se llama

la i -ésima coordenada de x.
Dados x  ( x1 , . . . , x n ) , y  ( y 1 , . . . , y n ) en IR n y un número real α ,

definimos la suma x  y i el producto αx por

x  y  ( x1  y 1 , . . . , x n  y n ) ,

α x  (α x 1 , . . . , α x n ).

Estas operaciones hacen de IR n un espacio vectorial de dimensión n sobre

el cuerpo de los reales, en el cual el elemento neutro para la adición es
0  (0, . . . , 0) , el opuesto del vector x  ( x1 , . . . , x n ) es  x  (  x 1 , . . . ,  x n ) .

Observación
a) Dados x  ( x1 , . . . , x n ) e y  ( y 1 , . . . , y n ) , se dice que x  y si y

solamente si, x1  y 1 , , x n  y n . Así, toda igualdad entre dos elementos de

IR n equivale a n igualdades entre números reales.

b) IR1  IR es el conjunto de los números reales, IR 2 es el modelo
numérico del plano y IR 3 é o modelo del espacio euclidiano tridimensional.
Los elementos de IR n a veces son llamados puntos y a veces vectores,
este segundo nombre se aplica principalmente cuando se considera entre
ellas las operaciones que definiremos ahora.
c) Los vectores e1  (1,0,0, ,0), e 2  (0,1,0, ,0),  ,e n  (0,0,0, ,1) , que

tiene una única coordenada no-nula, igual a 1, constituyen la base canónica

de IR n . La igualdad x  ( x1 , . . . , x n ) significa que x  x1  e1  . . . + x n e n .

2.1.3. Continuidad y Diferenciabilidad

Se extiende los conceptos de continuidad y diferenciabilidad de
funciones reales de variable real, a funciones de IR n sobre IR m . La
extensión de la función de valor real de una variable a funciones de valores
reales de varias variables; es mucho más significante. Geométricamente el

- 11 -
concepto de continuidad en el punto x 0 , implica que si x es un punto

cercano a x 0 ; son graficados por f a puntos cercanos de f ( x 0 ) .

Definición 2.1.3.1. Sea f : S  IR m una función sobre un conjunto S  IR n ,

x0 un punto interior de S , y sea B( x0 ; r ) una bola en S . Se dice que la

función f es diferenciable en x0 , si existe una matriz real de orden m  n ,

A depende solamente de x 0 , tal que f ( x 0  y )  f ( x 0 )  A( x 0 ) y  rx ( y ) para todo

0

rx0 ( y )
y  IR n con y  r , donde lim  0.
y 0 y

Teorema 2.1.3.2. Sea S un conjunto en IR n . Una función f : S  IR m es

diferenciable en un punto interior x 0 de S , si y solo si, cada de sus

funciones componentes f i es diferenciable en x0 . En este caso la i-ésima

componente de d f ( x 0 ;u ) es d fi ( x 0 ;u ) ; i  1,2,..., m.

La demostración del teorema uno puede encontrar en [11] Pág. 95.

Teorema 2.1.3.3. (Unicidad) Supongamos que f : S  IR m , S  IR n sea
diferenciable en un punto x 0 de S esto es d f ( x 0 ;u )  A( x 0 )u . Supongamos

una segunda matriz A ( x 0 ) existente tal que d f ( x 0 ;u )  A ( x 0 )u . Entonces

A( x 0 )  A ( x 0 ).
La demostración del teorema uno puede encontrar en [11] Pág. 96.
Teorema 2.1.3.4. Si f : S  IR m es diferenciable en un punto x 0 de S  IR n ,

entonces f es continua en x 0 .

La demostración del teorema uno puede encontrar en [11] Pág. 96.

2.1.4. Derivada parcial
El objetivo de esta parte es definir primero el concepto de derivada
parcial de la componente f i con respecto a la j-ésima coordenada en x 0 y

luego con un resultado garantizar la existencia de tal derivada parcial.

Definición 2.1.4.1. Sea f : S  IR m una función definida en un conjunto
S  IR n con valores en IR m , fi : S  IR ( i  1,..., m ) la i-ésima componente de

la función f , x 0 un punto interior de S , y e j el j-ésimo vector unitario en

IR n . Sea otro punto x0  t e j en IR n ya que x 0 es un punto interior de S ,

- 12 -
 fi ( x 0  t e j )  fi ( x 0 )
donde x 0  te j  S para t suficientemente pequeño, el lim
t 0 t
.define la derivada parcial de f i con respecto a la j -ésima coordenada en

fi ( x 0  t e j )  fi ( x 0 )
x 0 , que denotaremos por D j fi ( x 0 ) , es decir D j fi ( x 0 )  lim .
t 0 t
Teorema 2.1.4.2. (Existencia) Sea f : S  IR m una función definida en un
subconjunto S  IR n y x 0 un punto interior de S . Si f es diferenciable en

x 0 sí, y solo si, existen D j fi ( x 0 ) .

La demostración del teorema uno puede encontrar en [11] Pág. 97.

Teorema 2.1.4.3. Sea f : S  IR m una función vectorial definida en un
conjunto S  IR n diferenciable en un punto interior x 0 de S , u un vector

real n 1 . Entonces df ( x0 ;u )  (Df ( x 0 ))u , donde Df ( x0 ) es una matriz m  n

cuyos elementos D j fi ( x 0 ) son las derivadas parciales de f evaluado en x 0 .

Recíprocamente, si A( x0 ) es una matriz tal que df ( x0 ;u )  A( x 0 )u para todos

los vectores n 1 reales u , entonces A( x0 )  Df ( x0 ) .

La demostración del teorema uno puede encontrar en [11] Pág. 98.

Definición 2.1.4.4. Sea la matriz m  n Df ( x0 ) de df ( x0 ;u )  (Df ( x 0 ))u cuyo

ij -ésimo elemento es D j fi ( x 0 ) , se llama matriz jacobiana de f en x 0 , si está

definido en cada punto donde las parciales D j fi ( i  1,, m; j  1,, n) existen.

(De ahí la matriz jacobiana Df ( x0 ) puede existir incluso cuando la función f

no es diferenciable en x 0 ).

Observación
a) Dados Cuando m  n , el determinante de la matriz jacobiana de f
se llama jacobiano de f .
b) La transpuesta de la m  n matriz Jacobiana Df ( x 0 ) es una matriz

nm llamada gradiente de f en x 0 ; se denota por f ( x 0 ) . Así

f ( x 0 )  (Df ( x 0 ))t .

- 13 -
 2.1.5. Formas Cuadráticas
En esta parte definiremos una forma cuadrática, la cual nos permitirá
definir si una matriz cuadrada es definida positiva, definida negativa.
Definición 2.1.5.1 Sea una Q : IR n  IR función real. Se dice que Q es una
n n
forma cuadrática, si está definida por: Q ( x )   ai j x i x j ; x  0  IR n , donde
i 1 j 1

los ai j  IR ;  i , j  1, n . La expresión anterior es equivalente a escribir:

t
 x1   a11  a1n   x1 
    
Q( x )           ,
x   a  a  x 
 n  n1 nn   n 

Q( x )  x t Ax , 0  x  IR n .
Definición 2.1.5.2 Sea A una matriz simétrica de orden m  n y un vector x
de orden n 1 .Se dice que A es:
Definida positiva, si x t Ax  o, x  0.

Definida negativa, si x t Ax  o, x  0.
2.1.6. Diferencia finita4
Definición 2.1.6.1. Se llama diferencia finita de una sucesión ( y x ) denotada

por y x , a la función que evalúa la variación entre dos términos

consecutivos de dicha sucesión; es decir: y x  y x 1  y x .

Propiedad 2.1.6.2.
i) c  0, si c es constante.
ii) x  1.
iii) a x  (a  1)a x .
Prueba
i) Siendo la sucesión constante y x  c , entonces y x  y x 1  y x  c  c  0 .

ii) Para la sucesión y x  x , entonces y x  y x 1  y x  x  1  x  1 .

iii) Siendo la sucesión y x  a x entonces resulta

y x  y x 1  y x  a x 1  a x  (a  1)a x . ■

4
Para el estudio de Diferencia Finita, véase [8] Juarez, G. A., & Navarro, S. I. (2005). ECUACIONES EN DIFERENCIAS CON
APLICACIONES A MODELOS EN SISTEMAS DINÁMICOS. Catamarca: Universidad Nacional de Catamarca. pp.08-18.

- 14 -
De las identidades anteriores y de la definición 2.1.6.1, se presentan
algunas reglas para calcular diferencias:
1. La diferencia de un múltiplo constante de una sucesión es igual al
múltiplo constante de la diferencia de tal sucesión:
(a y x )  a y x .
2. La diferencia de la suma (o diferencia) de dos sucesiones es igual a la
suma (o diferencia) de la diferencia de tales sucesiones:
( y x  zx )  y x  z x .
3. La diferencia de la combinación lineal de dos sucesiones es igual a la
combinación de lineal de la diferencia de esas sucesiones:
(ay x  bzx )  ay x  bz x .
4. La diferencia del producto de dos sucesiones es igual a la suma del
producto de una sucesión por la diferencia de la segunda más el término
(n+1)-ésimo de la otra sucesión multiplicado por la diferencia de la primera
sucesión:
( y x zx )  y x zx  zx 1y x  y x 1zx  zx y x .
5. La diferencia del cociente de una sucesión por otra no nula está dado
por:
 y  z y  y x  z x
 x   x x
 zx  z x z x 1

De la definición 2.1.6.1., se observa que la variable x es un natural, pero

podemos extender nuestra idea a trabajar con la sucesión con subíndice
sobre los reales, de forma tal que podamos generalizar la definición la
definición de diferencia finita a:  y x  y x h  y x .
h

Donde h es una constante no nula llamada unidad de división o tamaño de

paso esto lo volveremos a plantear.
Hasta aquí se tuvo la diferencia finita con h igual a uno. Si se introduce una
n
variable t y una sucesión y t tal que:  t y x h t  y t , se tiene
h
 x n  x nh  x n  x h t h  x h t  y t 1  y t  y t .
h

- 15 -
 Definición 2.1.6.3. Una ecuación en diferencias5 es una ecuación que
relaciona una función y x  y ( x ) de variable x entera con una o más de sus

diferencias sucesivas hasta un determinado orden y x , y x 1, y x 2 ,..., y x n1, y x n ,

dentro de un conjunto S , en el que se hallan definidas tanto la función y x

como sus diferencias.

Definición 2.1.6.4. Se denomina orden de una ecuación en diferencias
a la diferencia que existe entre el mayor y menor de los sub-índices que
afectan a y .
Definición 2.1.6.5. Se denomina grado de una ecuación en diferencias al
exponente de mayor sub-índice que afecta a y .
2.1.7. Clasificación de las ecuaciones en diferencias
Por su orden
Pueden ser ecuaciones en diferencias de primer, segundo, tercer,…,
n  ésimo orden.
Por su grado
Pueden ser ecuación en diferencias lineal o no lineal.
Por sus coeficientes
Pueden ser ecuaciones en diferencias con coeficientes constantes o
coeficientes variables.
2.1.8. Solución de una ecuación en diferencias
Una sucesión y x  y ( x ) es solución de una ecuación en diferencias si

y x , y x 1, y x 2 ,... reducen dicha ecuación en una identidad para todo

x  0,1,2,...
La solución general de una ecuación en diferencias finitas es una
función que satisface la ecuación y es la que contiene un número de
constantes arbitrarias, ai igual al orden de la ecuación.

La solución particular de una ecuación en diferencias se obtiene a

partir de la solución general, donde las constantes se determinan para unas
condiciones dadas llamadas condiciones iniciales o condiciones de frontera

5
Para el estudio de una ecuación en diferencias, véase [17] Quiroga, A. (2008). INTRODUCCION AL CALCULO II. Madrid: Delta.
pp.367-369.

- 16 -
del problema. Si la ecuación en diferencias es de orden n , las n constantes
proporcionarán distintas soluciones particulares.
2.1.9. Ecuaciones en diferencia lineales de orden n
Una ecuación en diferencias se dice que es lineal si está expresada
de la forma:
an ( x )y x n  an1( x )y x n1  ...  a1( x )y x 1  ao ( x )y x  g ( x ) (1.1)

donde: an ( x ), an1( x ),...,a1( x ),a0 ( x ) y g ( x ) son constantes o funciones que sólo

dependen de la variable independiente x . Además y x , y x 1, y x 2 ,...y x n deben

ser lineales.
Observación
a) Si an ( x ) y a0 ( x ) son no nulos se dice que la ecuación (1.1) es de

orden n .
b) A una ecuación en diferencias autónoma de orden n , puede
escribirse como una función implícita de la forma:
F ( y x , y x 1,..., y x n1, y x n )  0 donde y x n  f ( y x , y x 1,..., y x n1 ) , es decir, el
estado de la variable depende no solo del estado en el periodo
anterior sino de los estados en los n periodos anteriores.
c) Para el caso no autónomo la ecuación en diferencias se
denotará por:
F ( y x , y x 1,..., y x n1, y x n )  0 donde y x n  f ( y x , y x 1,..., y x n1 ) .
d) Una ecuación en diferencias es autónoma si la variable
independiente x no aparece explícitamente. A una ecuación en
diferencias de orden n también se puede escribir como función de
y x y sus primeras n diferencias, esto es:

F ( y x , Ay x , A2 y x ..., An1y x , An y x )  0 , donde y x k  Ak y x , k  0, n .

2.1.10. Optimización
La optimización o programación matemática, es un instrumento
fundamental en la economía empleada para modelizar la asignación de
recursos escasos entre fines alternativos y resolver problemas de
distribución económica desarrollados en teoría de la producción, economía
del bienestar, equilibrio general, etc.; es decir incluye el descubrimiento de
los mejores valores de alguna función objetivo dado un dominio definido,

- 17 -
 incluyendo una variedad de diferentes tipos de funciones objetivo y
diferentes tipos de dominio. Optimizar es la acción de buscar la mejor
forma de hacer algo; es decir, buscar los mejores resultados, más eficacia
o mayor eficiencia en el desempeño de alguna tarea.
2.1.10.1. Clasificación de los problemas de optimización
Con el fin de ubicar la optimización dinámica dentro de la
optimización en general6,y en segundo lugar al cálculo de variaciones y a la
teoría de control dentro de la optimización dinámica, a continuación se
presenta un resumen de forma general y esquemática:
  Lineales
 Restringida 
Estática  No Lineales
 
 No Restringida Lineales
 
  No Lineales

   Lineales
  Restringida 
 Continua  No Lineales
Optimización   
  No Restringida Lineales
  
  No Lineales
Dinámica 
   Lineales
  Restringida 
 Discreta  No Lineales
 
 No Restringida Lineales
  
   No Lineales
Figura 2.1 Clasificación de la Optimización.
La optimización estática no depende del tiempo, resuelve
problemas de optimización como si únicamente se fuera a vivir un instante.
Se inició formalmente con los griegos y tiene que ver problemas de
optimización de cursos de Cálculo.
La optimización dinámica, estudia la optimización de sistemas que
evolucionan en el tiempo. Dado un sistema que evoluciona en el tiempo, se
trata de guiar o controlar el sistema de manera óptima a lo largo de un
horizonte temporal dado, de acuerdo a un objetivo previamente fijado.

6
Para mayor información sobre clasificación y bosquejo histórico de la optimización, véase [15] José del Niño Jesús Campero
Pardo, propuesta didáctica en optimización dinámica: el caso del cálculo de variaciones y la teoría de control óptimo, Tesis para
optar el grado de Doctor en matemática educativa, Centro de investigación en ciencia aplicada y tecnología avanzada, México,
D.F., Febrero de 2010, pp. 11-26. www.matedu.cicata.ipn.mx/tesis/doctorado/campero_2010.

- 18 -
 La optimización dinámica involucra, entonces, la dimensión
temporal, no pregunta por un punto óptimo, sino por la trayectoria óptima.
El cálculo de variaciones surgió en el siglo XVIII con los trabajos
de Euler (1707-1783) y de Lagrange (1736-1813) en la forma de una teoría
matemática rigurosa. Podríamos considerar un origen análogo para la
teoría de control, que constituye una generalización al cálculo de
variaciones, debido al salto cualitativo entre las llamadas optimización
estática y optimización dinámica y con el fin de ubicarlas adecuadamente,
se presenta un resumen donde en primer lugar se hablará sobre la
optimización en general, para después ver la diferencia esencial entre los
dos tipos de optimización luego se terminará hablando de algunos saltos
cualitativos que haya tenido este tema a lo largo del tiempo.
Definición 2.1.10.2. Sea A subconjunto de IR n . Se define el problema
fundamental de la optimización estática o problema de programación no
lineal 7 al problema expresado de la forma:
Optimizar f ( x ) ,
sujeto a : h ( x )  0 ;  i  1,, m ,
 i
(problemas de programación no lineal) 
  g j ( x )  0 ;  j  1,, p ,
  x  ( x1,, x n )  A  IR n ,


donde f , hi , g j : A  IR  ;  i  1,, m ,

  j  1,, p.
Definición 2.1.10.3. Se distinguen algunos casos particulares del problema
general de optimización (problema de programación no lineal)
a) Problemas sin restricciones: En este tipo de problemas no hay
restricciones de ningún tipo, es decir m  p  0 . La expresión general para
estos problemas es:
Optimizar f ( x ) ,
(problemas sin restricciones) 
sujeto a : x  A.
Las únicas limitaciones vienen dadas por el conjunto A  IR n donde está
definida la función f : A  IR .

7
Para mayor información sobre problema de programación no lineal, véase [20] SPH. (s.f.). Fundamentos de Optimización pdf.
Recuperado el 28 de Agosto de 2017, de Universidad Tecnológica de la Mixteca: https://nuyoo.utm.mx/~jjf/rna/guia_foe.pdf, pp.
05-07.

- 19 -
b) Problemas sólo con restricciones de igualdad: Son problemas de
optimización con restricciones donde solamente existen restricciones de
igualdad, por tanto m  0 y p  0 . Son problemas de la forma

Optimizar f ( x ) ,

(problemas solo con restricciones de igualdad) sujeto a hi ( x )  0 ;  i  1,, m ,
 x  ( x1,, x n )  A.

No hay restricciones dadas por inecuaciones, sólo por ecuaciones.
c) Problemas unidimensionales o univariantes: Este es un caso particular
de los problemas sin restricciones en los que solamente hay una variable,
es decir para n  1 , m  0 y p  0 . El problema se expresa como

Optimizar f ( x ) ,
(problemas unidimensionales o univariantes) 
sujeto a : x  I  IR ,
donde I es, en la mayoría de las ocasiones, un intervalo.
Definición 2.1.10.4. (Solución factible) Se dice que x  ( x1 , , x n )  A  IR n

es una solución factible del problema de programación no lineal si cumple

todas sus restricciones, es decir
hi ( x )  0 ;  i  1,, m ,
x solucion factible  
g j ( x )  0 ;  j  1,, p.
Definición 2.1.10.5. (Conjunto factible) Se define región o conjunto
factible del problema de programación no lineal   IR n al conjunto de
todas sus soluciones factibles
  { x  A  IR n : x es solucion factible}  IR n .

Definición 2.1.10.6. (Mínimo global) Se dice que x   ( x 1 ,, x n )    IR n .

es un mínimo global del problema de programación no lineal o que f ( x )

tiene un mínimo global sobre el conjunto factible  de PPNL, si
f ( x  )  f ( x ) ,  x  { x  }.
El punto x  será mínimo global estricto si la desigualdad es estricta
f ( x  )  f ( x ) ,  x  { x  }.

Definición 2.1.10.7. (Máximo global) Se dice que x   ( x 1 ,, x n )    IR n .

es un máximo global del problema de programación no lineal o que f ( x )

- 20 -
tiene un máximo global sobre el conjunto factible del problema  de
programación no lineal, si f ( x  )  f ( x ) ,  x  { x  }.

El punto x  será máximo global estricto si la desigualdad es estricta

f ( x  )  f ( x ) ,  x  { x  }.
Definición 2.1.10.8. (Solución óptima) Se dice que x     IR n es una
solución óptima del problema de programación no lineal o que f ( x ) tiene un
óptimo en x  sobre el conjunto factible  si ocurre alguna de las dos
situaciones
a) x  es un mínimo global del problema de programación no lineal y el
objetivo del problema es minimizar.
b) x  es un máximo global del problema de programación no lineal y el
objetivo del problema es maximizar.
Definición 2.1.10.9. (Valor óptimo) Si x     IR n es una solución óptima
del problema de programación no lineal, entonces se define el valor óptimo
como el valor de la función objetivo en la solución óptima, es decir, si x  es
una solución óptima del problema de programación no lineal, entonces
f ( x  ) es el valor óptimo.
Definición 2.1.10.10. (Mínimo local) Sea el problema de optimización del
problema de programación no lineal y  su conjunto factible. Se dice que
x     IR n es un mínimo local o relativo de f ( x ) en  sí y sólo

x    ,  δ  0 tal que si 0  x  x   δ  f ( x  )  f ( x ).

El punto x  será un mínimo local estricto de f ( x ) en  si la desigualdad es

estricta x    ,  δ  0 tal que si 0  x  x   δ  f ( x  )  f ( x ).

Definición 2.1.10.11. (Máximo local) Sea el problema de optimización del

problema de programación no lineal y sea  su conjunto factible. Se dice
que x     IR n es un máximo local o relativo de f ( x ) en  sí y sólo

x    ,  δ  0 tal que si 0  x  x   δ  f ( x  )  f ( x ).

El punto x  será un máximo local estricto de f ( x ) en  si la desigualdad es

estricta x    ,  δ  0 tal que si 0  x  x   δ  f ( x  )  f ( x ).

- 21 -
 2.1.11 Optimización Dinámica
La Optimización Dinámica8 es el estudio de la optimización de
sistemas dinámicos; es decir la optimización de sistemas que evolucionan
en el tiempo, tratando de guiar o controlar el sistema de manera óptima a lo
largo de un horizonte temporal dado, de acuerdo a un objetivo previamente
fijado.
Definición 2.1.11.1 Supóngase el problema a lo largo de un intervalo
temporal, eligiendo la cantidad óptima en cada instante, t para maximizar:
t N
max  F ( xt ,xt 1,t ) ,
xt 
t 1

donde la solución óptima es x  y sí F : IR es una función de clase C 1

(funciones continuas con derivadas parciales de primer orden continuas),
ha de cumplir la condición necesaria de primer orden, F l ( x  )  0.
El problema así enunciado se llama problema de optimización dinámica.
2.1.12. Variable independiente tiempo discreto t
Se dice de periodos de tiempo y no de instantes de tiempo, la cual
parte siempre del instante 0 ; siendo desde ese instante hasta el instante 1
transcurre el periodo 1, de la misma forma desde el instante 0 hasta llegar
al instante t transcurre el periodo t . Los valores de las variables se
asignan al principio del periodo y son constantes en el periodo. Se
supondrá que el proceso de optimización termina en el instante N , es decir,
se consideran N periodos.
2.1.13. Variable de estado
La variable de estado en un periodo t es una variable
n  dimensional representada por xt  ( xt1,..., xti ,..., xtn ) . El total de vectores de
variables de estado en un problema con N periodos es N  1,
{ x0 , x1,..., x i ,..., xN } y por tanto el vector que incluye todas las variables de

estado es X  ( x0 , x1,..., x i ,..., xN ) , es decir, un vector con (N  1)n

componentes.

8
Para información de Optimización Dinámica, véase [3] Cabo, F. J. (s.f.). Facultad de ciencias Económicas y Empresariales.
Recuperado el 29 de Agosto de 2017, de Programación Dinámica Introducción: http: //www5.uva.es/pcabo/introduccion.pdf, pp.
01-05.

- 22 -
 2.1.14. Variable de control
La variable de control en un periodo t es una variable m-
dimensional representada por ut  (ut1,...,uti ,...,utm ) . El total de vectores de

variables de control en un problema con N periodos es N , {u0 ,u1,...,ui ,...,uN 1 } ,

de donde el vector que contiene todas las variables de control es

U  (u0 ,u1,...,ui ,...,uN 1 ) , vector con N m componentes.
2.1.15. Funcional
Para construir el concepto de funcional9 se requiere de
conocimientos previos, de:
i) Concepto de funciones discretas.
ii) Diferencias de funciones.
iii) Concepto de Espacio Vectorial.
iv) Bases y dimensión.
Es decir, es necesario conocer la estructura de función y el de
espacio vectorial para construir las acciones o procesos que permiten
definir distintos tipos de funciones (primero con dominio en IR n y después
los que tienen dominio en cualquier espacio vectorial normado).
Definición 2.1.15.1. Un conjunto X  φ , se llama espacio vectorial 10 sobre
el campo K , si está provisto de dos operaciones: adición u operación
interna (+) y multiplicación por un escalar u operación externa (  ), definidos
de la siguiente manera:
: XX  X
la suma de dos vectores es otro vector
( x , y )  x  y ; x , y  X
: KX  X
el producto de un escalar por un vector, es
(α , x )  α  x ; α  K , x  X
otro vector
y que cumple las siguientes axiomas:
A1) Conmutativa
x  y  y  x ; x , y  X .

9
Para mayor información sobre clasificación y bosquejo histórico de la optimización, véase [15] José del Niño Jesús Campero
Pardo, propuesta didáctica en optimización dinámica: el caso del cálculo de variaciones y la teoría de control óptimo, Tesis para
optar el grado de Doctor en matemática educativa, Centro de investigación en ciencia aplicada y tecnología avanzada, México,
D.F., Febrero de 2010, pp. 11-26. www.matedu.cicata.ipn.mx/tesis/doctorado/campero_2010.
10
Para mayor información de la definición de espacio vectorial, véase [1] texto Álgebra lineal y sus aplicaciones de Abel Arce
Carrasco, Cusco-Peru-1993, pp. 50 - 92.

- 23 -
 A2) Asociativa
( x  y )  z  x  ( y  z ); x , y , z  X .
A3) Existencia del elemento neutro aditivo
!0  X / x  0  x ; x  X .
A4) Existencia del elemento inverso aditivo
x  X , !  x  X / x  (  x )  0.
P1) Asociativa escalar
α  ( β  x )  (αβ )  x ; α , β  K ; x  X .
P2) Existencia del escalar 1
1 x  x ;  x  X , 1  K .
Distributiva:
D1) Distributiva del múltiplo escalar con respecto a la suma de escalares
(α  β )  x  α  x  β  x ; α , β  K ; x  X .
D2) Distributiva del múltiplo escalar con respecto a la suma de vectores
α  ( x  y )  α  x  α  y ; α  K ; x , y  X .
Definición 2.1.15.2. Una funcional J es una transformación lineal, cuyo
dominio es un IR  espacio vectorial V , y cuyo rango es un subconjunto de
IR , tal que J ( x )  k donde k es una constante; es decir:
J : V  IR . En particular V  F (IN ,IR ) ,
x  J (x )  k , x  IR n .
Estas aplicaciones conjuntamente con la definición de espacio vectorial
juegan un papel importante en la optimización dinámica.
2.2. Fundamento Teórico
2.2.1. Cálculo de variaciones en tiempo discreto11
2.2.1.1 El problema de cálculo de variaciones
Un problema simple de optimización dinámica en tiempo discreto se
puede enunciar de la siguiente manera:
N 1
max J  F ( x (t ),u (t ),t ) , (1.2)
u ( t )Nt01 t 0

11
Para mayor detalle sobre el cálculo de variaciones en tiempo discreto, véase [13] Meneu Gaya, D. R. (2014). La Teoría del
Control Óptimo en Tiempo Discreto. Modelos Financieros Aplicados a las pensiones de Jubilación. Tesis para optar el grado de
Doctor en economía España: Publicaciones ProQuest LLC, pp. 19-28.

- 24 -
donde el objetivo es encontrar los valores de la sucesión de números
reales: { x (t )  IR ; t  0, 1,, N } ,
que maximiza aquel sumatorio. La dinamicidad del problema viene del
hecho que la función intermedia F depende de dos elementos de la
sucesión, es decir de la variable evaluada en dos periodos de tiempo. El
problema (1.2) es el equivalente, en tiempo discreto, al problema de cálculo
de variaciones clásico en tiempo continuo.
El problema (1.2) se puede resolver, tal y como hacen, utilizando
paralelismos con las técnicas de resolución en tiempo continuo, en
concreto la ecuación de Euler. Sin embargo, se pueden utilizar también
técnicas más antiguas de programación clásica, aunque de esta manera se
pierde la visión dinámica del problema ya que éstas son técnicas estáticas.
Para ello hay que razonar de la siguiente manera: la variable dinámica x (t ) ,
se puede entender como una sucesión de N  1 variables estáticas, cada
una de las cuales representa el valor de la variable dinámica en cada
periodo de tiempo. De esta manera, el Problema (1.2) se relee como un
problema de programación clásica con N  1 variables estáticas. A partir de
aquí, y con la única condición de que las funciones intermedias sean
diferenciables, se pueden aplicar las conocidas condiciones necesarias de
máximo relativo, que proporcionan el conjunto de puntos críticos. Estas
condiciones se expresan igualando a cero el gradiente de la función
objetivo, obteniéndose para el Problema (1.2) el sistema de ecuaciones
siguiente:
F (0)
0,
x (0)
F (0) F (1)
 0,
x (1) x (1)

F (N  2) F (N  1)
 0,
x (N  1) x (N  1)
F (N  1)
 0.
x (N )
Englobando las N  1 igualdades intermedias del sistema anterior, se
obtiene:

- 25 -
 F (0)
0, (1.a )
x (0)
F (t  1) F (t )
  0 ; t  1,2,, N  1 , (1.b)
x (t ) x (t )
F (N  1)
 0. (1.c )
x (N )
Las ecuaciones (1.a ), (1.b ) y (1.c ) representan las condiciones
necesarias de máximo local. La ecuación (1.b) se puede entender como la
equivalente en tiempo discreto a la condición de Euler en tiempo continuo.
Se observa que al desarrollarla se obtiene una ecuación dinámica de la
forma: h ( x (t  1), x (t ), x (t  1))  0 t  1, 2,, N  1 ,
es decir, una ecuación en diferencias de segundo orden. Para resolverla se
necesita de dos condiciones de transversalidad que vienen dadas por las
ecuaciones (1.a ) y (1.c ) .
La condición suficiente de máximo local también se conoce en
programación clásica y hace referencia a la concavidad de la función
objetivo en un punto crítico x ι condición que queda garantizada si la
siguiente matriz Hessiana de la función objetivo representa una forma
cuadrática definida negativa:
  2F ( x ι )  2F ( x ι ) 
  
 x (1) x (1) x (N ) 
2

HF ( x ι )     .
 2 ι 
  F(x )  2F ( x ι ) 
 x (N ) x (1)  x (N )2 
 
El hecho de que se utilicen técnicas estáticas para resolver un
problema dinámico no significa que éste carezca de entidad propia ya que
modelizar y presentar los resultados con los instrumentos propios de las
variables dinámicas discretas (ecuaciones en diferencias) supone una
ventaja de concreción respecto a tratar la variable de estado en cada
periodo de tiempo como una variable estática distinta.
Por tanto, se puede aprovechar las ventajas, en lo que a técnicas de
resolución se refiere, de la equivalencia de nuestro problema con otro ya
conocido como el de programación clásica, pero sin perder de vista que se

- 26 -
trata de un problema dinámico, es decir, la solución se debe interpretar
como una variable dinámica y no como un conjunto de variables estáticas.
2.2.1.2 Condiciones de contorno
Existen distintos tipos de problemas según se conozcan o no los
valores iniciales y finales de las variables de estado. Así, se dice que el
enunciado (1.2) es un problema de punto inicial y final libres porque no se
parte de valores conocidos inicial x (0) , ni final x (N ) . De forma similar,
puede aparecer el problema de punto inicial fijo o el problema de punto final
fijo. Es fácil observar que si se fija el punto inicial desaparece la condición
(1.a ) y si se fija el punto final desaparece la condición (1.c ) al existir en cada
caso una variable menos en el problema. El enunciado más habitual es el
de punto inicial conocido y punto final libre:
x (0)  x (0) , (1.d )
x (N )  R .
Este problema tiene como condiciones necesarias (1.b ) y (1.c ) , junto con
(1.d ).
2.2.1.3 Función residual
A veces, sobre todo en aplicaciones económicas, suele aparecer en
la función objetivo algún tipo de función que depende del estado final del
sistema y que tiene la interpretación de una función residual F ( x (N )) . Si se
introduce en el Problema (1.2) en forma de un término adicional de la
función objetivo el único cambio que se produce es sobre la condición (1.c )
F (N  1) F
que ahora se transforma en:   0. (1.cι )
x (N ) x (N )
Definición 2.2.1.3.1 Sea un problema simple de optimización
N 1
dinámica en tiempo discreto max J  F ( x (t ),u (t ), t )  F ( x (N )) , donde el objetivo
t 0

es encontrar los valores de la sucesión de números reales

{ x (t )  IR ; t  0, 1,, N } , que maximiza aquel sumatorio. Se dice que el
término adicional F ( x (N )) de la función objetivo del Problema (1.2) es una
función residual, si este depende solamente del estado final del sistema.

- 27 -
 2.2.1.4 Variable n-dimensional
Si aparece más de una variable, es decir x  IR n , el conjunto de
condiciones (1) debe exigirse para cada una de las variables. Basta por

tanto con reinterpretar x ( t ) como un vector ( x 1 (t ),..., x n (t )) y al mismo tiempo

reescribir las condiciones necesarias como:

F (0)
0  ;  i  1, , n ,
x i (0)
F (t  1) F (t )
 0 ;  t  1,, N  1; i  1, , n ,
x i (t ) x i (t )
F (N  1)
0 ;  i  1, , n.
x i (N )

Lo que se tiene es, por tanto, un sistema de n ecuaciones en

diferencias de orden 2 con un conjunto de 2n condiciones de contorno.
2.2.1.5 Desfases de orden mayor que 1
Si las funciones intermedias dependen de la variable de estado
desfasada en más de un periodo, las condiciones (1) tienen más
sumandos. Se supone que aparecen s  1 desfases en las funciones
intermedias, es decir son de la forma: F ( x (t  1), x (t ), x (t  1), , x (t  s ), t ) y se
supone también que se conocen los s  1 primeros valores de la sucesión:
x (0), x (1), , x ( s ) conocidos. Entonces se tiene el Problema (1.3) :
N 1 N 1
max F ( x (t  1), x (t ), x (t  1),, x (t  s ))  F (t ) , (1.3)
t 0 t s

x (0), x (1),, x (s ) conocidos.

Las condiciones necesarias asociadas son:
F (t  1) F (t ) F (t  s )
    0 ;  t  s  1,, N  1 ,
x (t ) x (t ) x (t )
F (N  1)
 0.
x (N )
Hay que tener en cuenta que en la primera igualdad, para que la
notación sea consistente, se anulan los sumandos en los que el subíndice
de la función F sea mayor que N  1 . Se observa que la solución forma una
ecuación en diferencias de orden s  2 .

- 28 -
 2.2.1.6 Restricciones sobre las variables
Es habitual en las aplicaciones económicas que los valores de las
variables no sean del todo libres sino que deban pertenecer a un
determinado subconjunto. En la medida en que este subconjunto se pueda
delimitar por restricciones de igualdad, el problema se puede resolver a
través del método de Lagrange, esto es, sin salirse de la programación
clásica. El problema, en el caso de m donde m  N  1 , restricciones de
igualdad funcionalmente independientes, admite el siguiente enunciado:
N 1 N 1
max F ( x (t  1), x (t ))  F (t ) ,
t 0 t 0

sujeto a : g1 ( x (N ), x (N  1), , x (0))  0 , (1.4)


g m ( x (N ), x (N  1), , x (0))  0.

El problema (1.4) se resuelve con programación clásica. Para ello se define

la siguiente función Lagrangiana:
N 1 m
L ( x (N ), x (N  1), , λ1 , , λm )  F (t )  λ j g j .
t 0 j 1

El vector (λ1 , , λm ) es el de multiplicadores de Lagrange. Las condiciones

necesarias de máximo local se obtienen al igualar a cero las derivadas

parciales primeras de la función Lagrangiana. Si la estructura que adoptan
las restricciones es adecuada se llega a una ecuación en diferencias de
segundo orden como en el caso más simple; sin embargo, en el caso
general, esto no queda asegurado y se tiene que resolver un sistema de
ecuaciones simultáneas.
2.2.1.7 Problema general de cálculo de variaciones
Las consideraciones introducidas permiten establecer como
enunciado más general de un problema de cálculo de variaciones en
tiempo discreto el siguiente:
N 1 N 1
max F ( x (t  1), x (t ))  F (t ) ,
t 0 k 0

sujeto a : x (t )  X t  ;  t  1,, N , (1.5)

x (0)  x (0) ,

donde x (t )  IR n ,  t  1, , N son variables dependientes y X t  IR n ,  t  1, , N

son los subconjuntos definidos por restricciones de igualdad. El objetivo es

- 29 -
 encontrar aquella sucesión en IR n de entre las sucesiones admisibles
(sucesiones que cumplan las restricciones y cuyo valor inicial sea el fijado)
que maximice la función objetivo. La solución se obtiene construyendo la
función Lagrangiana, a partir de la cual, mediante las correspondientes
derivadas parciales, se obtiene un sistema de ecuaciones que, según la
forma de las restricciones, puede ser también un conjunto de ecuaciones
en diferencias de segundo orden con sus condiciones de transversalidad.
2.2.2. Programación Dinámica12
La Programación Dinámica inventada por Richard Bellman, es un
método aplicado típicamente a problemas de optimización complejos que
pueden ser discretizados y secuencializados, donde puede haber muchas
soluciones, cada una tiene un valor asociado y se pretende obtener la
solución con valor óptimo; al igual como dividir y conquistar , el problema
es dividido en subproblemas de tamaños menores que son más fáciles de
resolver. Una vez resueltos estos subproblemas, se combinan las
soluciones obtenidas para generar la solución del problema original.
2.2.3. Ecuación de Bellman13
Definición 2.2.3.1 Sea un estado x , un control u , funciones definidas por:
x : {0, ..., N  1}  IR
t  x (t ) ,

u : {0, ..., N }  IR
t  u(t ) ,
y las familias de funciones de clase C 2 (funciones continuas con derivadas
parciales segundas continuas), definidas por:
{Ft : D  IR 2  IR / Ft ( x (t ),u (t ))  F ( x (t ),u(t ), t )  t  0,, N } ,
{ft : E  IR 2  IR / ft ( x (t ),u (t ))  f ( x (t ),u(t ), t )  t  0,, N } ,

y sea J una funcional objetivo de clase C 2 , la estructura general del

problema de programación dinámica que al escoger u y x adecuado hacen
que se resuelva el problema:

12
Para mayor detalle sobre programación dinámica, véase [6] Cortes, D. (Noviembre de 2011). VALUACION DE OPCIONES
AMERICANAS VIA PROGRAMACION DINAMICA. TESIS para obtener el grado de Maestro en Ciencias, 20-23. Puebla, México:
UNIVERSIDAD AUTONOMA DE PUEBLA.
13
Para información sobre ecuación de Bellman, véase [4] Emilio Cerda Tena, Optimización Dinámica, Texto teórico y aplicativo en
optimización dinámica, Madrid: Prentice Hall, 2001, pp. 223.

- 30 -
 N
J ( x (t ))  maxN 1 F ( x (t ),u (t ), t ) ,
u ( t )t 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N , (1.6)

     x (0) y x (N  1) dados.

Se define la ecuación por J t ( x (t ))  maxN 1 {F  x (t ),u (t ), t   J t 1( x (t  1))} , donde el

u ( t )t 0

máximo es con respecto al control u (t ) sujeto a x (t  1)  f ( x (t ),u (t ), t ) y x (t )

dado y t  {N  1, N  2, , 1, 0} ; llamada ecuación de Bellman.
2.2.4. La función de Hamilton14
Definición 2.2.4.1. Dado el problema de control en tiempo discreto:
N
maxN 1 J  F ( x (t ),u (t ), t ) ,
u ( t )t 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N ,

     x (0) y x (N  1) dados ,
se define la función asociado al problema anterior, de la siguiente forma:
H : IR n  IR m  IR n  IR  IR
n
( x , u , λ ,t )  H ( x ,u , λ , t )  F ( x ,u, t )   λi fi ( x ,u, t )  F ( x ,u, t )  λf ( x , u, t ) ,
i 1

donde λ (t )  (λ1(t ), λ2 (t ),, λn (t )) es un vector fila n  dimensional que se

llama vector de variables adjuntas o variables de coestado; llamada función

de Hamilton.
2.2.5. Función Lagrangiana o Lagrangiano15
Definición 2.2.5.1. Dado el problema de control en tiempo discreto:
N 1
maxN 1 J   F ( x (t ),u (t ), t )  F ( x (N )) ,
u ( t )t 0 t 0

sujeto a : f ( x 0 ,u (0),0)  x (1)  0 , (1.7)

  f ( x (1),u (1),1)  x (2)  0 ,
  
  f ( x (t ),u (t ), t )  x (t  1)  0 ,

  f ( x (N  1),u (N  1), N  1)  x (N )  0 ,

14
Para información sobre la función de Hamilton, véase [4] Emilio Cerda Tena, Optimización Dinámica, Texto teórico y aplicativo
en optimización dinámica, Madrid: Prentice Hall, 2001, pp. 119.
15
Para información sobre la función Lagrangiana o Lagrangiano, véase [4] Emilio Cerda Tena, Optimización Dinámica, Texto
teórico y aplicativo en optimización dinámica, Madrid: Prentice Hall, 2001, pp. 274.

- 31 -
y los multiplicadores λ (0), λ (1),..., λ (t ), , λ (N  1) , asociados respectivamente
a las restricciones del problema (1.7) . Se define la función asociado al
problema anterior, de la siguiente forma:
L : IR n  IR m  IR n  IR  IR , tal que :
N 1 N 1
L( x ,u , λ , t )  F ( x ,u , t )  F ( x (N ))  λ (t ) f ( x ,u, t )  x (t  1) ,
t 0 t 0

donde para cada t  0,, N  1 , λ (t ) es un vector fila n-dimensional: llamado

función Lagrangiana o Lagrangiano.
2.2.6. Programación Dinámica para problemas de Control en Tiempo
Discreto
Para entender cómo se obtiene el óptimo de problemas de control en
tiempo discreto; se considera un sistema dinámico, formulado en tiempo
discreto, para un número dado de N etapas o periodos, cuya situación
inicial viene dado por el vector n  dimensional x 0 , y que evoluciona en el

tiempo; dicha evolución depende del valor que se dé a ciertas variables,

llamadas variables de control, que permite influir en el sistema.
Sea u (t ) el vector m  dimensional de variables de control en la
etapa o periodo t , y x (t ) el vector n  dimensional para cada t  0,, N  1 ,
llamado vector de variables de estado, que nos indica la situación del
sistema en la etapa o periodo t .
La evolución del sistema en el tiempo viene descrita por un sistema
de ecuaciones en diferencias finitas, conocido como la ecuación de estado:
x (t  1)  f ( x (t ),u (t ), t ),   t  0, 1,, N  1,
     con   : x (0)  x 0 ,
siendo f una función:
f : D1  D2  {0,, N  1}  IR n
(x , u, t)  f ( x ,u , t ) ,

donde D1  IR n , D2  IR m y u(t )  U (t )  IR m ,  t  0,1,,N  1, en donde para

cada t , U (t ) es el conjunto de controles admisibles.

N 1
El funcional objetivo es del tipo: J   F ( x (t ),u (t ), t )  F ( x (N )) , siendo F una
t 0

funcional definida como:

- 32 -
 F : D1  D2  {0,,N  1}  IR
(x , u , t )  F ( x ,u , t ) ,

F : D1 ( IR n )  IR
x  F(x ) ,
respectivamente.
Es decir el sistema dinámico parte del estado inicial x 0 . En el

periodo o etapa 1 correspondiente a t  0 , hay que elegir un control

u (0)  U (0) , en dicho periodo o etapa se realiza una aportación al funcional
objetivo dada por F ( x (0),u (0),0) y se inicia en el periodo o etapa 2
correspondiente a t  1 con el siguiente valor del vector de estado:
x (1)  f ( x (0),u (0),0).
En dicho periodo o etapa 2 correspondiente a t  1 , hay que elegir
un control u (1)  (1) , en dicho periodo o etapa se realiza una aportación al
funcional objetivo dada por F ( x (1),u (1),1) y se inicia en el periodo o etapa 3
correspondiente a t  2 con el siguiente valor del vector de estado:
x (2)  f ( x (1),u (1),1).
Se sigue de esta manera hasta que por último comienza el periodo o
etapa N correspondiente a t  N 1, hay que elegir un control
u (N  1)  (N  1) , en dicho periodo o etapa se realiza una aportación al
funcional objetivo dada por F ( x (N  1),u (N  1), N  1) , alcanzando el sistema un
estado final: x (N )  f ( x (N  1),u (N  1), N  1) ,
y por el hecho de terminar en dicho estado se realiza una aportación al
funcional objetivo dada por F ( x (N )) .

Etapa 1 Etapa 2 Etapa j+1 Etapa N

(t=0) (t=1) (t=j) (t=N-1)
Figura 2.2 Programación Dinámica en Tiempo Discreto.
Un control óptimo se define como un control
u(t ) (t )  IR m  ;  t  0,,N  1,
por tanto admisible que maximiza el funcional objetivo.

- 33 -
 Por tanto el problema que nos ocupa es el siguiente:
Dado un sistema dinámico con condición inicial x 0 , y que evoluciona

en el tiempo de acuerdo con la ecuación de estado x (t  1)  f ( x (t ),u (t ), t ) , se

trata de encontrar para cada t un vector de control que sea admisible y
haga que el funcional objetivo alcance el valor máximo. Que expresado en
términos matemáticos se trata de:
N 1
maxN 1 J   F ( x (t ),u (t ), t )  Fx ((N )),
u ( t )t 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N  1 , (1.8)

     con  : x (0)  x 0 ,
        u (t )  (t ).

La secuencia de controles u   (u  (0),u  (1),...,u  (N  1))t que resuelve el

problema se llama control óptimo y x   ( x  (0), x  (1),..., x  (N  1), x  (N ))t ,

determinado por la ecuación de estado a partir de u  y de x (0) , se llama
trayectoria de estado óptima o camino óptimo.
2. 2.7. Propiedad de causalidad16
El problema de control óptimo en tiempo discreto planteado (1.8) ,
verifica una propiedad importante, llamada causalidad el cual se expresa de
la siguiente manera:
Teorema 2.2.7.1. Para cualesquier j , r  {0,1,, N  1} , con j < r , se verifica
que x (r ) depende únicamente de x( j) y de los controles
{u ( j ),u ( j  1),...,u ( r  1)} .
Prueba
Sea la ecuación de estado:
x ( j  1)  f ( x ( j ),u ( j ), j ) ,
en función del anterior tenemos:
x ( j  2)  f ( x ( j  1),u ( j  1), j  1)  f (f ( x ( j ),u ( j ), j ), u ( j  1), j  1) ,
Luego x ( j  2) depende únicamente de x ( j ) y de los controles {u ( j ),u ( j  1)}
en función del anterior tenemos:

16
Para información sobre la propiedad de causalidad, véase [4] Emilio Cerda Tena, Optimización Dinámica, Texto teórico y
aplicativo en optimización dinámica que fue muy utilizado en nuestra tesis, Madrid: Prentice Hall, 2001, pp. 257-282.

- 34 -
 x ( j  3)  f ( x ( j  2),u ( j  2), j  2)  f (f ( x ( j  1),u( j  1), j  1),u( j  2), j  2)
 f (f (f ( x ( j ),u ( j ), j ),u( j  1), j  1),u( j  2), j  2) ,
ahora x ( j  3) depende únicamente de x ( j ) y de los controles
{u ( j ),u ( j  1),u ( j  2)}
y así sucesivamente tenemos que:
x (r )  f ( x (r  1),u (r  1), r  1)  f (f ( x (r  2),u (r  2), r  2),u (r  1), r  1)
   ϕ ( x ( j ),u ( j ),u ( j  1)),,u (r  1) ,
en donde la última función ϕ se obtiene de ir sustituyendo de manera
recursiva el vector de variables de estado por el valor que resulta aplicar la
ecuación de estado.
Luego x (r ) depende únicamente de x( j) y de los controles
{u ( j ),u ( j  1),...,u ( r  1)}. ■
2.2.8. Solución al problema de control óptimo mediante programación
dinámica
Lema 2.2.8.1. Sean D , D  dos conjuntos cualesquiera. Sean g y h
funciones reales, cuyos dominios son D y D  D , respectivamente.
Entonces:
max g ( y )  h( y , z ) / y  D, z  D   max g ( y )  max h( y , z ) / z  D / y  D.

Se supone la existencia de solución óptima para estos problemas.

Prueba
a) Se verifica que la expresión situada a la izquierda de la igualdad es
mayor o igual a la situada a la derecha.
max g ( y )  h( y , z ) / y  D, z  D  g ( y )  h( y , z ), y  D, z  D ,

en particular
max g ( y )  h( y , z ) / y  D, z  D  g ( y )  max h( y , z ) / z  D , y  D ,

por lo que
max g ( y )  h( y , z ) / y  D, z  D  max g ( y )  max h( y , z ) / z  D  / y  D.

b) Se verifica que la expresión situada a la izquierda de la igualdad es

menor o igual a la situada a la derecha.
Se tiene que h( y , z )  max h( y , z ) / z  D , y  D, z  D ,

por lo que

- 35 -
g ( y )  h( y , z )  g ( y )  max h( y , z ) / z  D

 max g ( y )  max h( y , z ) / z  D / y  D, y  D, z  D ,

se obtiene
max g ( y )  h( y , z ) / y  D, z  D   max g ( y )  max h( y , z ) / z  D  / y  D ,

luego de a) y b), se tiene que:

max g ( y )  h( y , z ) / y  D, z  D   max g ( y )  max h( y , z ) / z  D / y  D. ■

Proposición 2.2.8.2. Sea J  ( x 0 ) el valor óptimo del funcional objetivo del

problema (1.8) , entonces: J  ( x 0 )  J 0 ( x 0 ) en donde la función J 0 viene

dado por el último paso del siguiente algoritmo, que comienza al final del
horizonte temporal y va hasta el principio del horizonte temporal, por tanto
hacia atrás en el tiempo.
J N ( x ( N ))  F ( x ( N )) ,

y para cada t  N  1, N  2,,1, 0 ,

J t ( x (t ))  max  F ( x (t ), u (t ), t )  J t1(f ( x (t ), u (t ), t )) ,

u ( t ) ( t )

que son las ecuaciones de Bellman para nuestro problema.

Además si u  (t ) maximiza la expresión situada a la derecha de la
ecuación de Bellman, en función de x (t ) , para cada t  {N  1, N  2, , 1, 0} ,

entonces u   (u  (0), u  (1),..., u  (N  1))t ,

es el control óptimo del problema dado.
Prueba
Del enunciado del problema (1.8) , se tiene que:
N 1

J (x0 )  max  { F ( x (t ),u (t ), t )  F ( x (N ))}
u (0) (0),,u ( N 1) ( N 1)
t 0

 max
u (0) (0),,u ( N 1) ( N 1)
  F ( x (0),u (0),0)    F ( x (N  1),u(N  1),N  1)  F ( x (N )).
Por el teorema 2.2.7.1 de la propiedad de causalidad y el Lema 2.2.8.1, la
anterior expresión es equivalente a:
J  ( x 0 )  max {F ( x (0),u (0),0)  max {F ( x (1), u (1),1)  max {F ( x (2), u (2), 2)
u (0) (0) u (1) (1) u (2) (2)

    max {F ( x (N  1),u (N  1), N  1)  F ( x (N ))}}}} ,

u ( N 1) ( N 1)

además la maximización está sujeta a la restricción de la ecuación de

estado del sistema:

- 36 -
 x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N  1,
     con  : x (0)  x 0 ,

sea: JN ( x (N ))  F ( x (N )) ,

J N 1 ( x (N  1))  max  F ( x (N  1),u (N  1), N  1)  J N ( x (N )) ,

u ( N 1) ( N 1)

siendo x (N )  f ( x (N  1),u (N  1), N  1) ,

aquí u  (N  1) maximiza la expresión J N 1 ( x ( N  1)).

En forma sucesiva se llega hasta

J1 ( x (1))  max  F ( x (1),u (1),1)  J 2 ( x (2)) ,
u (1) (1)

en donde x (2)  f ( x (1),u (1),1) ,

aquí u  (1) maximiza la expresión J 1 ( x (1))

y por ultimo J 0 ( x (0))  max  F ( x (0),u (0),0)  J1 ( x (1)) ,

u (0) (0)

siendo x (1)  f ( x (0),u (0),0), con x (0)  x0 ,

aquí u  (0) maximiza la expresión J 0 ( x (0)) y por las igualdades, se prueba

que el control óptimo del problema (1.8) es u   (u  (0), u  (1),..., u  (N  1)) t ,

donde cada u  (t ) maximiza la expresión derecha de la ecuación de

Bellman, en función de x (t ) , para cada t  0, 1,, N  1 .■
2.2.9. Factor de Descuento al problema de control óptimo en tiempo
discreto
Se considera el siguiente problema de control óptimo en tiempo
discreto, que contiene el factor de descuento β  (0,1) :
N 1
maxN 1 J   β t F ( x (t ),u (t ), t )  β N F ( x (N )) ,
u ( t )k 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N  1 , (1.9)

     con  : x (0)  x 0 ,
        u (t )  (t ).
En la Proposición 2.2.8.2 se han obtenido las ecuaciones de
Bellman, que constituyen el algoritmo de la programación dinámica, y
que permiten resolver el problema dado. Para el problema (1.8) , se tiene

que: JN ( x (N ))  β N F ( x (N )) ,
y para cada t  N  1, N  2,  ,1, 0

- 37 -
 J t ( x (t ))  max  β t F ( x (t ),u (t ), t )  J t1(f ( x (t ), u (t ), t )).
u ( t ) ( t )

Para el problema (1.9) , las ecuaciones de Bellman también pueden

ser expresadas, como lo da la proposición siguiente:
Proposición 2.2.9.1. Sea para el problema (1.9) , las ecuaciones de

Bellman pueden ser expresadas también como: VN ( x (N ))  F ( x (N )) y para

cada t  N  1, N  2,  ,1, 0 Vk ( x (t ))  max  F ( x (t ),u (t ), t )  βVt 1(f ( x (t ), u (t ), t )).

u ( t ) ( t )

Prueba
1 
Se define: VN ( x ( N ))  J N ( x ( N ))  F ( x ( N )) ,
βN
1 
para cada t  N  1, N  2,  ,1, 0 Vt  ( x ( t ))  J t ( x ( t )).
βt

Luego se tiene que:

1
Vt  ( x (t ))  max  β t F ( x (t ),u (t ), t )  J t1(f ( x ( k ),u ( k ), k ))
β t u ( t ) ( t )
 β t F ( x (t ),u (t ), t )  J t1(f ( x (k ),u (k ), k )) 
 max   
u ( t ) ( t )
 βt 
 β t F ( x (t ),u (t ), t ) J t1(f ( x (k ),u (k ), k )) 
 max    
u ( t ) ( t )
 βt βt 
 1 
 max  F ( x (t ),u (t ), t )  t J t1(f ( x (t ),u (t ), t )) 
u ( t ) ( t )
 β 
 β 
 max  F ( x (t ),u (t ), t )  t 1 J t1(f ( x (t ),u (t ), t )) 
u ( t ) ( t )
 β 
 1 
 max  F ( x (t ),u (t ), t )  β t 1 J t1(f ( x (t ),u (t ), t )) 
u ( t ) ( t )
 β 

 max  F ( x (t ),u (t ), t )  βVt 1(f ( x (t ),u (t ), t )). ■

u ( t ) ( t )

2.2.10. Resolución del problema de control óptimo en tiempo

discreto por el Método de los multiplicadores de Lagrange
Sea el problema básico de control óptimo en tiempo discreto
(1.8) , pero sean además de las funciones del funcional objetivo y las
ecuaciones de estado son diferenciables, y además todas las variables
de control toman valores reales y no están sujetos a restricciones

- 38 -
 N 1
maxN 1 J   F ( x (t ),u (t ), t )  F ( x (N )) ,
u ( t )t 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ),   t  0, 1,, N  1, (1.10)

     con  x (0)  x 0 ,

donde para cada t  0, 1,, N  1 , u (t ) es el vector m-dimensional de

variables de control, que no está sujeto a restricciones, y para cada
t  0, 1,, N  1 , x (t ) es el vector n-dimensional de variables de estado, y

además se supone que las funciones F y f  C .

1

2.2.10.1. El Método de los multiplicadores de Lagrange

El problema (1.10) , se puede expresar de la siguiente forma:
N 1
maxN 1 J   F ( x (t ),u (t ), t )  F ( x (N )) ,
u ( t )t 0 t 0

sujeto a : f ( x 0 ,u (0),0)  x (1)  0 ,

  f ( x (1),u (1),1)  x (2)  0 ,
  
  f ( x (t ),u (t ), t )  x (t  1)  0 ,

  f ( x (N  1),u (N  1), N  1)  x (N )  0 ,
se introducen los multiplicadores λ (0), λ (1),..., λ (t ), , λ (N  1) , asociados
respectivamente a las restricciones del problema dado. Se supone que
para cada t  0, 1,, N  1 , λ (t ) es un vector fila n -dimensional.
Se define la función Lagrangiana o el Lagrangiano:
L  L(u (0),u (1),...,u (N  1), x (1),..., x (N ), λ (0),, λ (N  1))
N 1
 F ( x (t ),u (t ), t )  F  x (N )   λ (0) f ( x 0 ,u (0),0)  x (1) 
t 0

 λ (1) f ( x (1),u (1),1)  x (2)     λ (t ) f ( x (t ),u (t ), t )  x (t  1) 

 λ (t  1) f ( x (t  1),u (t  1), t  1)  x (t  2) 
   f ( x (N  1),u (N  1), N  1)  x (N )  ,

equivalentemente:
N 1 N 1
L  F ( x (t ),u (t ), t )  F ( x (N ))  λ (t ) f ( x (t ), u (t ), t )  x (t  1)  ,
t 0 t 0

siendo x (0)  x 0

Aplicamos las condiciones de Lagrange:

- 39 -
 L F f
0  λ (0) ,
u (0) u (0) u (0)

L F f
0  λ (N  1) ,
u (N  1) u (N  1) u (N  1)
L F f
0  λ (0)  λ (1) ,
x (1) x (1) x (1)

L F f
0  λ (N  2)  λ (N  1) ,
x (N  1) x (N  1) x (N  1)
L F
0  λ (N  1) ,
x (N ) x (N )
L
 0  f ( x 0 ,u (0),0)  x (1) ,
λ (0)

L
 0  f ( x (N  1),u (N  1), N  1)  x (N ) ,
λ (N  1)
con x (0)  x 0 .

En forma resumida se puede expresar como:

L F f 
0  λ (t )  ;  t  0, 1,, N  1 , 
u (t ) u (t ) u (t )

L F f 
0  λ (t  1)  λ (t )  ;  t  1, 2,, N  1 ,
x (t ) x (t ) x (t ) 
  L.1.10
L F 
0  λ (N  1) ,
x (N ) x (N ) 

L 
 0  f ( x (t ),u (t ), t )  x (t  1) ;  t  0, 1,, N  1 ,
λ (t ) 

con x (0)  x 0 .

2.2.10.2. El Principio del máximo de Pontryagin en tiempo discreto

Para el problema (1.10) se define el Hamiltoniano:
H ( x ,u , λ , t )  F ( x ,u , t )  λ f ( x ,u , t ) ,

sea la secuencia óptima de controles u  ( t ) , t  0, 1,, N  1 asociada al

estado óptimo x  (t ) , t  0, 1,, N , existen multiplicadores λ  (t )

t  0, 1,, N  1 , que cumplen las condiciones del Teorema 2.2.10.2.1.,
que constituyen el principio del máximo de Pontryagin para problemas en
tiempo discreto.

- 40 -
Teorema 2. 2.10.2.1. Sea el problema (1.10) asociado al Hamiltoniano

definido por H ( x ,u , λ , t )  F ( x ,u , t )  λ f ( x ,u , t ) , u  ( t ) la secuencia óptima de

controles para cada t  0, 1,, N  1 y x  (t ) la secuencia de estado óptima

asociada, para cada t  0, 1,, N . Entonces existen multiplicadores λ  ( t ) ,

para cada t  0, 1,, N  1 , tales que se verifican las siguientes condiciones:

H ( x  (t ),u  (t ), λ  (t ), t )
1) λ  (t  1)   ;  t  N  1, N  2,,1,
x
 dF ( x  (N ))
con : λ (N  1)  ,
dx (N )
H ( x  (t ),u  (t ), λ  (t ), t )
2)  0 ;  t  0, 1,, N  1,
u
3) x  (t  1)  f ( x  (t ),u  (t ), t ) ;  t  0, 1,N  1,
con x  (0)  x 0 ,
Prueba
Las condiciones de Lagrange  L.1.10 , son condiciones necesarias de

optimalidad para el problema (1.10) , se pueden expresar también de la

siguiente manera:
F ( x (t ),u (t ), t ) f ( x (t ),u(t ), t )
1)  λ (t )  λ (t  1) ;   t  N  1, N  2,,1,
x (t ) x (t )
dF ( x (N ))
con : λ (N  1)  ,
dx (N )
F ( x (t ),u (t ), t ) f ( x (t ),u(t ), t )
2)  λ (t )  0 ;  t  0, 1,, N  1,
u (t ) u (t )
3) x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,N  1,
con x  (0)  x 0 .
Utilizando el Hamiltoniano, para las condiciones anteriores tenemos:
H ( x (t ),u (t ), λ (t ), t )
1) λ (t  1)   ;  t  N  1, N  2,,1 ,
x
dF ( x (N ))
con : λ (N  1)  ,
dx (N )
H ( x(t ),u(t ), λ(t ),t )
2)  0 ;  t  0,1,N  1,
u
3) x (t  1)  f ( x ( t ), u ( t ), t ) ;  t  0, 1, N  1 ,

con x (0)  x 0 . ■

- 41 -
2.2.10.3 Factor de Descuento y Hamiltoniano del valor presente
Sea el problema:
N 1
maxN 1 J   β t F ( x (t ),u (t ), t )  β N F ( x (N )) ,
u ( t )t 0 t 0

sujeto a : x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,, N  1, (1.11)

     con  x (0)  x 0 ,

donde para cada t  0, 1,, N  1 , u (t ) es el vector m  dimensional de

variables de control, que no está sujeto a restricciones, y para cada
t  0, 1,, N , x (t ) es el vector n  dimensional de variables de estado,
β  (0,1) es el factor de descuento y además se supone que las funciones
F y f son diferenciables.
La función Lagrangiana es:
N 1 N 1
L  β t F ( x (t ),u (t ), t )  β N (Fx (N ))  λ (t ) f ( x (t ), u (t ), t )  x (t  1)  ,
t 0 t 0

siendo x (0)  x 0 .

Las condiciones de Lagrange son:

L F f
 0  βt  λ (t )  ;  t  0, 1,, N  1,
u (t ) u (t ) u (t )
L F f
 0  βt  λ (t  1)  λ (t )  ;  t  1, 2,, N  1,
x (t ) x (t ) x (t )
L F
 0  βN  λ (N  1) ,
x (N ) x (N )
L
 0  f ( x (t ),u (t ), t )  x (t  1) ;  t  0, 1,, N  1,
λ (t )
con x (0)  x 0 .

El Hamiltoniano asociado al problema (1.11) , será:

H ( x ,u, λ ,t )  β t F ( x ,u,t )  λf ( x ,u,t ).

Se define el Hamiltoniano valor presente, representado por  de la
siguiente forma:   β t H  F ( x ,u,t )  β t λf ( x ,u,t ).

Sea m(t )  β t λ (t ) ,
por lo que ( x ,u , λ ,t )  F ( x ,u, t )  m f ( x ,u, t ).

A partir de las condiciones de Lagrange  L.1.10  , y λ (t )  β k m(t ) ; se tiene:

- 42 -
 F f
βt  β t m (t )  0 ;  t  0, 1,, N  1,
u (t ) u (t )
F f
βt  β t 1m (t  1)  β t m (t )  0 ;  t  1, 2,, N  1,
x (t ) x (t )
F
βN  λ (N  1)  0 ,
x (N )
f ( x (t ),u (t ), t )  x (t  1)  0 ;  t  0, 1,, N  1,
con x (0)  x 0 obtenemos el principio de máximo en tiempo discreto,

utilizando el Hamiltoniano valor presente:

 ( x (t ),u (t ), m (t ), t )
1) m (t  1)  β  ;  t  N  1, N  2,,1 ,
x
dF ( x (N ))
con : m (N  1)  β ,
dx (N )
 ( x (t ),u (t ), m (t ), t )
2)  0 ;  t  0, 1,N  1 ,
u
3) x (t  1)  f ( x (t ),u (t ), t ) ;  t  0, 1,N  1 ,
con x (0)  x 0 .

2.2.11. Descuento17
Se supone que se tiene A dólares, que se deposita en un banco a
un tipo de interés anual δ . Dicha cuenta se deja abierta durante varios
años, sin ingresos ni reintegros, acumulándose los intereses. Se calcula la
cantidad de dinero que existe en la cuenta a lo largo de los años
sucesivos. Dicha cantidad dependerá de A , de δ , de los años
transcurridos, y también de las veces que se contabilicen los intereses
durante cada año; por lo que se realiza cálculos para diferentes casos.
2.2.11.1. Se contabiliza una vez al año
La cantidad de dinero que se tendrá en la cuenta a través del
tiempo será:
Al principio, A .
Al cabo de un año, (1  δ ) A .

Al cabo de dos años, (1  δ )2 A .

Al cabo de tres años, (1  δ )3 A .

En general, al cabo de t años, (1  δ )t A .

17
Texto referencia para la teoría de descuentos, véase [5] Matemática Financiera. Continental, U., Repositorio Continental,
Cusco-Perú., 2012, pp. 43-69.

- 43 -
De esta manera vemos que, en las condiciones consideradas, A dólares
de ahora se transforman en B  (1  δ ) t A dentro de t años. En la Tabla 2.1
aparecen los valores en que se transforma A  6,000.00 dólares, para
distintos valores de δ y t . Fuente: Elaboración propia con datos

δ 0.02 0.04 0.05

t
0 6,000.00 6,000.00 6,000.00
1 6,120.00 6,240.00 6,300.00
2 6,242.40 6,489.60 6,615.00
3 6,367.25 6,749.18 6,945.75
4 6,494.59 7,019.15 7,293.04
5 6,624.48 7,299.92 7,657.69
10 7,313.97 8,881.47 9,773.37
20 8,915.68 13,146.74 15,919.79
50 16,149.53 42,640.10 68,804.40

Tabla 2.1 Valores futuros cuando se contabiliza una vez al año.

Recíprocamente, para que dentro de t años tengamos B dólares en la
1 t
cuenta se necesita depositar A  ( ) B dólares. Dicho de otro modo, B
1 δ
1 t
dólares dentro de t años corresponden a ( ) B dólares ahora. En la
1 δ
Tabla 2.2 aparecen los valores presentes descontados correspondientes
a B  1,500 dólares dentro de t años; para distintos valores de δ .
Fuente: Elaboración propia con datos

δ 0.02 0.04 0.05

t
0 1,500.00 1,500.00 1,500.00
1 1,470.59 1,442.31 1,428.57
2 1,441.75 1,386.83 1,360.54
3 1,413.48 1,333.49 1,295.76
4 1,385.77 1,282.21 1,234.05
5 1,358.60 1,232.89 1,175.29
10 1,230.52 1,013.35 920.87
20 1,009.46 684.58 565.33
50 557.29 211.07 130.81

Tabla 2.2 Valores presentes descontados al contabilizar una vez al año.

2.2.11.2. Se contabiliza dos veces al año
Supongamos, por tanto, que se mantienen las condiciones
anteriores, salvo que en este caso la cuenta se contabiliza dos veces al

- 44 -
año, o sea cada seis meses. La cantidad de dinero que se tendrá en la
cuenta a través del tiempo será:
Al principio, A .
δ
Al cabo de seis meses, (1  ) A .
2
δ
Al cabo de un año, (1  )2 A .
2
δ
Al cabo de un año y medio, (1  )3 A .
2
δ
Al cabo de dos años, (1  ) 4 A .
2
δ
En general, al cabo de t años, (1  )t A .
2
De esta manera vemos que, para este caso, A dólares de ahora
δ
se transforman en B  (1  )2 t A dentro de t años.
2
En la Tabla 2.3 aparecen los valores en que se transforma A  6,000
dólares, para distintos valores de δ y t . Fuente: Elaboración propia con datos

δ 0.02 0.04 0.05

t
0 6,000.00 6,000.00 6,000.00
1 6,120.60 6,242.40 6,303.75
2 6,243.62 6,494.59 6,622.88
3 6,369.12 6,756.97 6,958.16
4 6,497.14 7,029.96 7,310.42
5 6,627.73 7,313.97 7,680.51
10 7,321.14 8,915.68 9,831.70
20 8,933.18 13,248.24 16,110.38
50 16,228.88 43,467.88 70,882.30

Tabla 2.3 Valores presentes descontados al contabilizar una vez al año.

Recíprocamente, para dentro de t años tengamos B dólares en
δ
la cuenta necesitamos depositar ahora A  (1  ) 2 t B dólares. Dicho de
2
δ
otro modo, B dólares dentro de t años corresponden a (1  ) 2 t B dólares
2
ahora.

- 45 -
 En la Tabla 2.4 aparecen los valores presentes descontados
correspondientes a B  1,500 dólares dentro de t años; para distintos
valores de δ , cuando se contabiliza dos veces al año.
Fuente: Elaboración propia con datos

δ 0.02 0.04 0.05

t
0 1,500.00 1,500.00 1,500.00
1 1,470.44 1,441.75 1,427.72
2 1,441.47 1,385.77 1,358.93
3 1,413.07 1,331.96 1,293.45
4 1,385.22 1,280.24 1,231.12
5 1,357.93 1,230.52 1,171.80
10 1,229.32 1,009.46 915.41
20 1,007.48 679.34 558.65
50 554.57 207.05 126.97

Tabla 2.4 Valores presentes descontados al contabilizar dos veces al año.

2.2.11.3. Se contabiliza m veces al año
La cantidad de dinero que se tendrá en la cuenta a través del
tiempo será:
Al principio, A .
1 δ
Al cabo de años, (1  ) A .
m m
2 δ
Al cabo de años, (1  )2 A .
m m
3 δ
Al cabo de años, (1  )3 A .
m m
δ m
Al cabo de un año, (1  ) A .
m
δ 2m
Al cabo de dos años, (1  ) A .
m
δ tm
En general, al cabo de t años, (1  ) A.
m
De esta manera vemos que, para este caso, A dólares de ahora
δ tm
se transforman en B  (1  ) A dentro de t años.
m
En la Tabla 2.5 aparecen los valores en que se transforma A  6,000
dólares, para δ  0.04 y distintos valores de t y m .

- 46 -
 Fuente: Elaboración propia con datos

m 3 4 6 12 100

t
0 6,000.00 6,000.00 6,000.00 6,000.00 6,000.00
1 6,243.21 6,243.62 6,244.04 6,244.45 6,244.81
2 6,496.29 6,497.14 6,498.00 6,498.86 6,499.62
3 6,759.62 6,760.95 6,762.29 6,763.63 6,764.82
4 7,033.62 7,035.47 7,037.33 7,039.19 7,040.84
5 7,318.74 7,321.14 7,323.55 7,325.98 7,328.12
10 8,927.32 8,933.18 8,939.07 8,945.00 8,950.23
20 13,282.84 13,300.29 13,317.84 1,3335.49 13,351.11
50 43,752.27 43,896.11 44,041.06 4,4187.13 44,316.61

Tabla 2.5 Valores futuros cuando se contabiliza m veces al año.

Recíprocamente, para dentro de t años tengamos B dólares en
δ m t
la cuenta necesitamos depositar ahora A  (1  ) B dólares. Dicho de
m
δ m t
otro modo, B dólares dentro de t años corresponden a (1  ) B dólares
m
ahora.
En la Tabla 2.6 aparecen los valores presentes descontados
correspondientes a B  1,500 dólares dentro de t años; para δ  0.04 y
distintos valores de t y m , cuando se contabiliza m veces al año.
Fuente: Elaboración propia con datos

m 3 4 6 12 100

t
0 1,500.00 1,500.00 1,500.00 1,500.00 1,500.00
1 1,441.57 1,441.47 1,441.38 1,441.28 1,441.20
2 1,385.41 1,385.22 1,385.04 1,384.86 1,384.70
3 1,331.44 1,331.17 1,330.91 1,330.65 1,330.41
4 1,279.57 1,279.23 1,278.89 1,278.56 1,278.26
5 1,229.72 1,229.32 1,228.91 1,228.50 1,228.15
10 1,008.14 1,007.48 1,006.82 1,006.15 1,005.56
20 677.57 676.68 675.79 674.89 674.10
50 205.70 205.03 204.35 203.68 203.08

Tabla 2.6 Valores presentes descontados al contabilizar m veces al año.

El descuento se utiliza en otros ámbitos, además del
propiamente financiero. Así, en el caso de tiempo discreto, supongamos
que se tienen las utilidades U C (0),0 ,U C (1),1 ,,U C (N  1),N  1

correspondientes respectivamente a los periodos t  0, 1,, N  1 . Se

- 47 -
 1
considera el factor de descuento β  en donde δ es la tasa de
1 δ
descuento. El valor presente del flujo de utilidad descontada en el
N 1
horizonte temporal dado es igual a:  β U C(t ),t  . La tasa de descuento,
t 0
t

así como el factor de descuento, son ahora subjetivos y reflejan la

valoración del presente sobre el futuro no vale nada. Cuando β va
creciendo desde 0 hasta 1 (o δ va decreciendo hasta 0 ), el futuro va
siendo más esperanzador.
2.3. Marco Conceptual
2.3.1. Recursos naturales
Los recursos naturales son bienes que provee la naturaleza, no han
sido hechos por el hombre, que usamos para el consumo o la producción
de otros bienes capital natural.
2.3.2. Recursos renovables
Este tipo de recursos naturales tienen, por definición, cierta
capacidad regenerativa, la cual como es de esperarse, es peculiar de
cada especie. Su uso o consumo no implica su agotamiento, es capaz de
regenerarse; el stock puede aumentar o disminuir dependiendo de la
cantidad que usamos, es decir, su uso o consumo conlleva su
disminución, pero tras un tiempo se regeneran por sí mismos. Ejemplos:
bosques, peces. Es clave conocer la tasa de crecimiento para decidir la
tasa de explotación. Casos típicos: pesquerías (crecimiento rápido) y
bosques (crecimiento lento).
2.3.3. Recursos no renovables
Su utilización o consumo implica una disminución permanente del
stock, ya que no existe regeneración o abarca periodos excesivos.
Ejemplo: minerales, petróleo, energía térmica.
2.3.4. Modelo matemático18
Cuando se dice modelo, se está hablando de una teoría que en
principio, es una representación abstracta de la realidad.

18
Texto fuente para el concepto de modelo matemático, véase [10] Hector E. Lomelí Ortega. Métodos Dinámicos en Economía.
Copyright 2003. Thomson editores. pp., 03-21.

- 48 -
 El proceso de modelación matemática puede entenderse a partir de
una abstracción de los elementos en juego. Por un lado se tiene la
realidad, a la cual se considera infinita y sólo parcialmente accesible. Se
podría proponer un modelo de la realidad como una representación
abstracta que no proporcionaría ninguna información. La introducción de
medidas en el modelo nos lleva a usar números; de este modo aparecen
las matemáticas en juego. Hay en esta abstracción tres pasos que en
mayor o menor grado determinan el proceso de modelación.
a) Abstracción,
b) Deducción a partir del modelo,
c) Verificación, predicción y usos.
2.3.5. Bienes19
Los bienes son aquellos que se adquieren en el mercado pero
pagando un precio por ellos, son objetos útiles agradables o provechosos
para aquellos que lo consumen.
a) Bienes de consumo.- Son aquellos bienes que son utilizados para
satisfacer las necesidades de quienes lo adquieren.
b) Bienes de capital.- También se les llama bienes de producción. Son
bienes ya producidos por el hombre que se emplean para la producción
de otros bienes y servicios. Si se habla de una empresa, son bienes de
capital sus edificios, vehículos, maquinaria, herramientas, muebles.
Bienes cuya utilidad consiste en producir otros bienes.
c) Bienes complementarios.- Bienes que deben utilizarse conjuntamente
con otros bienes para satisfacer alguna necesidad. Ejemplo de estos
bienes son los automóviles y la gasolina, pues el uso del automóvil
también requiere del uso de gasolina; en efecto, si el precio de los coches
aumenta, esto puede hacer que la demanda de la gasolina disminuya.
2.3.6. Tasa Interna de Retorno TIR
La Tasa Interna de Retorno TIR es la tasa de interés o rentabilidad
que ofrece una inversión. Es decir, es el porcentaje de beneficio o pérdida
que tendrá una inversión para las cantidades que no se han retirado del
proyecto.

19
Texto fuente para conceptos básicos económicos. Ingeniería económica, véase [2] Blank, Leland, Tarquin, Antony; P. E.
University of Texas. McGraw- Hill Companies. 5ta edición. pp. 04-37.

- 49 -
2.3.7. Valor actual neto VAN

El VAN es un indicador financiero que mide los flujos de los futuros

ingresos y egresos que tendrá un proyecto, para determinar, si luego de
descontar la inversión inicial, nos quedaría alguna ganancia. Si el
resultado es positivo, el proyecto es viable.
2.3.8. Libre a bordo FOB (Free On Board)

El FOB es un acuerdo de compraventa utilizado en el comercio

internacional para referirse a las condiciones, derechos y obligaciones
que existen tanto para el comprador como para el vendedor, es decir que
es obligación del vendedor correr con los gastos y costos de movilización
de la mercancía hasta el puerto de origen o puerto más cercano al
vendedor o productor, excepto los gastos por concepto de seguro y flete,
lo que significa que una vez llegada la mercancía al buque la
responsabilidad de esta es trasladada al comprador.
2.3.9. Modelo de valoración de activos financieros CAPM (Capital
Asset Pricing Model)

Es un modelo de valoración de activos financieros que permite

estimar su rentabilidad esperada en función del riesgo sistemático, es una
de las herramientas más utilizadas en el área financiera para determinar
la tasa de retorno requerida para un cierto activo. A mayor riesgo mayor
rentabilidad de tal modo que si pudiésemos medir y otorgar valores al
nivel de riesgo asumido, podríamos conocer el porcentaje exacto de
rentabilidad potencial de los distintos activos.
2.3.10. Costo medio ponderado de capital WACC (Weighted Average
Cost of Capital)

El costo medio ponderado de capital WACC también denominado

Promedio Ponderado del Costo de Capital es la tasa de descuento que
debe utilizarse para descontar los flujos de fondos operativos para valuar
una empresa utilizando el descuento de flujos de fondos El WACC es
básicamente la suma del coste de la deuda y el coste de los fondos
propios, calculado como una media ponderada según su porcentaje en el
valor de la empresa.

- 50 -
CAPÍTULO III APLICACIÓN DEL CONTROL ÓPTIMO EN TIEMPO
DISCRETO A LA EXPLOTACIÓN DE LOS RECURSOS
NATURALES
3.1 CONTROL ÓPTIMO EN LA EXPLOTACIÓN DEL RECURSO NATURAL
ARENA
3.1.1 Introducción20
Hablar de un recurso natural no renovable es estar frente a
problemas de asignación, aprovechamiento óptimo, externalidades,
sustentabilidad, tiempo y ganancias. Es decir, el aprovechamiento de un
recurso natural de este tipo implica varios factores que hay que tomar en
cuenta; sin embargo, tal vez el punto central es el tiempo de
aprovechamiento y las ganancias que se derivan tanto actuales como
futuras, lo que implica que para tomar decisiones de explotación se tiene
que tener presente las tasas de interés.
Como se menciona puede parecer que la explotación de un recurso
natural agotable nunca puede ser demasiado lenta para el bien público;
para cada tasa propuesta de extracción indudablemente habrá algún punto
para el agotamiento final, en el cual esa tasa implicará y requerirá más
retraso en la explotación; pero si se está de acuerdo en que la oferta total
del recurso no se puede heredar a los descendientes, se tiene que buscar
un sendero óptimo de extracción.
Se busca determinar el sendero de extracción óptima de una mina de
arena tomando en cuenta un periodo de aprovechamiento y determinadas
tasas de interés, determinando la tasa de extracción óptima económica de
las minas de arena, considerando el caso particular de la Cantera de
Huambutio, distrito de San Salvador, Cusco-Perú, con el fin de contribuir a
la toma de decisiones relativas al aprovechamiento sustentable no solo
económico sino la problemática actual el tema medioambiental; así como
determinaremos los costos incurridos en el proceso de producción, analizar
la rentabilidad de la actividad y determinar las cantidades de extracción
anual para el sendero óptimo.

20
Texto fuente para el análisis económico y política de los recursos naturales, véase [7] Galarza, E., & Urrunaga, R. Economía de
los recursos naturales y política. Lima-Perú, Dialnet 1992. pp., 01-17.

- 51 -
3.1.2 Área de estudio
La Cantera de Huambutio, se encuentra ubicada en Huambutio
distrito de San Salvador, Cusco-Perú. Se encuentra ubicado a una altitud
de 3,411 metros sobre el nivel del mar, sus coordenadas son 13°37’60" S y
71°40’0" W.
3.1.3 Resultados y discusión
3.1.3.1 Costos de inversión y producción de una Mina de Arena
Antes de entrar en detalle sobre las tasas de extracción, es
necesario explicar los costos en los que incurre una mina durante su
proceso de producción. Esto es importante debido que en la fórmula de
optimización se específica la necesidad de conocer los costos de
producción; además de que con estos datos, se tendrá una visión más
amplia de los impactos económicos que genera una explotación de los
recursos naturales de este tipo.
En la Tabla 3.1 enlistamos la maquinaria y equipo necesarios para
la extracción de arena y grava; así como los precios de compra y las
cantidades mínimas para un aprovechamiento rentable.
Fuente: Elaboración propia con datos de campo.
Maquinaria o equipo Cantidad Precio de compra $
Planta procesadora (trituradora) 1 300,000
Trascabo 3 690,000
Excavadora 1 400,000
Camiones 10 1ʼ000,000

Camionetas 2 70,000

Tabla 3.1 Necesidades de maquinaria y equipo 2017.

Los trascabos, son maquinaria que se utiliza para aflojar el material,
además de que sirven para cargar a los camiones transportadores. Los
camiones cumplen dos funciones; la primera es transportar la materia
prima hacia la planta trituradora y la segunda es transportar los productos
finales hacia los puntos de venta o hacia tiraderos. La planta procesadora
es la maquinaria principal, puesto que es ésta la maquinaria de donde sale
el producto final; es decir, arena y grava, en este lugar llega la materia
prima que se ha removido de la tierra y mediante procesos de trituración se
convierte el material en el tamaño deseado.
En la Tabla 3.2 dentro del costo total de producción, toman
relevancia también los costos de operación y administrativos, que se

- 52 -
 enuncian en los cuadros subsecuentes para un análisis integral. Como se
podrá observar, los insumos o materiales necesarios son en general aceite
y diesel para los trascabos, excavadora, camiones y la planta,
presentándose un costo total mensual de insumos de S/. 83,800.00
Fuente: Elaboración propia con datos de campo.
Insumo o material Cantidad mensual Costo total mensual S/.
Diésel trascabo 780 26,900
Diésel excavadora 1 820 18,200
Diésel camión 2 600 31,200
Aceite 90 4,500
Grasa 30 3,000
Costo total de insumos 83,800

Tabla 3.2 Necesidades de insumo y material 2017.

En la Tabla 3.3. Tenemos las necesidades del personal, se tiene un
total de 21 empleados. En esta área se tiene un total de S/. 35,900.00 en
cuanto a gastos mensuales de nómina para trabajadores
Fuente: Elaboración propia con datos de campo.
Personal Cantidad Sueldo mensual S/.
Contador 1 4,000
Encargado 1 2,500
Jefe de planta 2 6,000
Operadores 4 7,200
Ayudantes de planta 6 6,000
Soldadores 3 4,500
Mecánico 1 1,500
Cajero 1 1,800
Personal de Seguridad 2 2,400
Costos total de administración 35,900

Tabla 3.3 Necesidades de personal 2017.

En la Tabla 3.4. Tenemos la depreciación de maquinaria y equipo
de las unidades adquiridas, tiene un costo total de S/. 742,900.00
Fuente: Elaboración propia con datos de campo.
Maquinaria o equipo Cantida % Depreciación S/.
d
Planta procesadora (trituradora) 1 10 30,000
Trascabo 3 5 34,500
Excavadora 1 10 40,000
Camiones 10 10 100,000
Camionetas 2 20 14,000
Costos total de depreciación 742,900

Tabla 3.4 Depreciación de maquinaria y equipo.21

21
Texto fuente para el análisis de los negocios mineros en Perú, véase [14] Orlando, M., Gaveglio, F., & Salicetti, H. Industria
Minera Guía de Negocios en el Perú. Lima: Publicaciones PricewaterhouseCoopers, 2013, pp., 38-45.

- 53 -
 3.1.3.2 Producción y ganancias
Como ya se ha mencionado anteriormente, los productos
principales que ofertan las minas son la arena y grava. Pues bien, en
seguida se presentan los datos relativos a este ámbito. De acuerdo a los
datos obtenidos, el promedio de producción mensual tanto de arena como
de grava es de 7 800 m3 de los cuales 4 680 m3 de arena y 3 120 m3; el
precio de venta por m3 es S/. 55.00, y S/. 60.00 para los dos productos en
forma respectiva. Con esta información obtenemos el ingreso anual
aproximado de S/. 5ʼ428,800.00. En las Tablas 3.5 y 3.6 se detallan los
costos totales de producción, así como de los ingresos y ganancias que se
derivan de la actividad en forma anual.
Fuente: Elaboración propia con datos de campo.
Concepto Costo anual S/.
Depreciación de maquinaria y equipo 742,900
Costos de insumos 1ʼ005,600

Costos de administración 438,800

Pago a bienes comunales 60,000
Total 2ʼ239,300

Tabla 3.5 Costos totales de producción 2017.

Fuente: Elaboración propia con datos de campo.
Ingreso anual Gasto anual Ganancia S/.

5ʼ428,800 2ʼ239,300 3ʼ189,500

Tabla 3.6 Ganancia total de producción 2017.

Como era de esperarse, los datos confirman que la actividad

extractiva de las minas es rentable.
3.1.3.3 Sendero óptimo de extracción
Para determinar la tasa de extracción óptima económica se procede
a utilizar la técnica de control óptimo en tiempo discreto. Se considera un
período de análisis de 20 años. Por tanto, el análisis determinar el plan
óptimo de extracción del mineral22, como la arena y grava, para 0, 1, ,19
años. Se parte del supuesto de que la mina se abandonará en 20 ; así
mismo el mineral extraído se vende al precio de mercado actual por m3 es

22
Articulo guía para el análisis del sendero óptimo de extracción del recurso mineral arena, véase [21] Valdivia Alcalá, R. Control
Óptimo Aplicado a la Economía de los Recursos Minerales. Red de Revistas Científicas de América Latina, el Caribe, España y
Portugal, 2010, pp., 265-269.

- 54 -
S / . 55.00 y S / . 60.00 para los productos grava y arena respectivamente. El

u(t )
2

costo de extraer, está dado por: c(t )  ,

x(t )
donde:
t = el periodo de análisis
u (t ) = variable de control, cantidad de mineral que hay en la mina al inicio
del periodo t  1 , para cada t  0, 1,,19 .
x (t ) = variable de estado, stock de mineral que hay en la mina al inicio del
periodo t  1 .
x (0)  2 414 085 m3, cantidad de mineral que aproximadamente existe en la
mina.
δ  0.08 el cual corresponde a la tasa de descuento.
1
Factor de descuento β  0.92
1  0.08
El problema consiste en:
  u (t )  
2
9
max J   (0.92) u (t ) t
,
u ( t )t90 t 0  x (t ) 
sujeto a : x (t  1)  x (t )  u (t ) ;  t  0, 1,,19 ,
     con  x (0)  2 414 085.
Para este problema, la Hamiltoniana a valor presente es:
  u (t )  
2

  u ( t )    m (t )  x (t )  u ( t ) .
 x (t ) 

Las condiciones del principio del máximo son:

  u (t )  2 
1) m (t  1)  0.92     m (t )   ;  t  19, 18,,1 ,
  x (t )  
con : m (19)  0 ,
u (t )
2) 1  2  m (t )  0 ;  t  0, 1,,19 ,
x (t )
3) x (t  1)  x (t )  u (t ) ;  t  0, 1,,19 ,
con x (0)  2 414 085.
u (t )
Definiendo la siguiente variable auxiliar: y (t )  .
x (t )

- 55 -
 1  m (t )
De la condición 2): y (t )   ;  t  0, 1,,19.
2
A partir de la condición 1) se obtiene:

m(t  1)  0.92  y (t )  m(t )   ;   t  19,18,,1.

2
 
Partiendo de m (19)  0 se obtiene y (19) , de donde se llega a m (18) , luego a
y (18) , y así sucesivamente, hasta y (0) . Los valores específicos se
muestran en la Tabla 3.7.
Fuente: Elaboración propia a partir del desarrollo de las fórmulas.
t m*(t) y *(t)
19 0 0.5
18 0.2315 0.3843
17 0.3511 0.3245
16 0.4225 0.2887
15 0.4684 0.2658
14 0.4991 0.2504
13 0.5202 0.2399
12 0.5350 0.2325
11 0.5454 0.2273
10 0.5528 0.2236
9 0.5582 0.2209
8 0.5620 0.2190
7 0.5648 0.2176
6 0.5668 0.2166
5 0.5683 0.2159
4 0.5693 0.2153
3 0.5701 0.2150
2 0.5706 0.2147
1 0.5710 0.2145
0 0.5713 0.2143

Tabla 3.7 Coeficientes para el sendero óptimo.

Ahora se pueden calcular u (t ) y x (t ) , teniendo en cuenta que:
u (t )  y (t ) x ( t ) ,
x (t  1)  x (t )  u (t ) ;  t  0, 1,,19 ,
con x (0)  2 414 085.
Partiendo de x (0) se calcula u (0) , luego x (1) seguido de u (1) y así,
sucesivamente, hasta u (19) y x (20) . En la Tabla 3.8 se muestran los datos
del sendero óptimo que se obtiene.

- 56 -
 Fuente: Elaboración propia a partir del desarrollo de las fórmulas.
t u*(t) x*(t)
0 523 271.69 2 414 085.00
1 398 899.31 1 890 813.31
2 320 979.95 1 491 914.00
3 254 920.33 1 170 934.06
4 200 041.92 916 013.73
5 155 579.98 715 971.80
6 120 594.96 560 391.82
7 93 887.04 439 796.86
8 73 964.66 345 909.83
9 59 133.26 271 945.17
10 47 732.75 212 811.91
11 38 449.82 165 079.16
12 30 538.10 126 629.34
13 23 792.41 96 091.24
14 18 271.57 72 298.83
15 13 987.14 54 027.26
16 10 880.58 40 040.13
17 9 055.46 29 159.55
18 8 299.27 20 104.09
19 5 741.21 11 804.82
20 0 6 063.61

Tabla 3.8 Sendero óptimo y remanentes.

Se muestra el sendero óptimo de extracción del mineral u  ( k ) , se comienza

con stock inicial de 2 414 085 m3 de mineral y se comienza con una
extracción de 523 271.69 m3 y se continúa la extracción descendente hasta
el año 19 en el que se extrae 5 741.21 m3; se presenta la ruta que siguen
los remanentes de cada año, ver Figura 3.1.

500000
450000
400000
350000
300000
m3

250000
200000
150000
100000
50000
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Años

Figura 3.1 Sendero de extracción óptima anual del mineral arena.

- 57 -
Tomando en cuenta la tasa de interés y el flujo de efectivo de las ganancias
de la mina, el dueño de la mina puede tomar las decisiones de extracción
en un periodo dado; esto es, cuando la tasa de interés es baja las
explotaciones se reducen, pues no existen los incentivos necesarios, en
caso de que suban las tasas de interés, las cantidades explotadas
aumentarán de manera significativa, esto demuestra lo que afirma la teoría
económica de que las tasas de interés impositivas fomentan el ahorro, por
lo que los dueños de las minas preferirán extraer más recurso en el
presente. Sin embargo, si por alguna razón el dueño espera que en un
futuro las tasas de interés aumenten, seguirá extrayendo normalmente sin
incrementos hasta que la tasa de interés esté en un punto alto.
Para demostrar estas afirmaciones, a continuación se presenta un
escenario en el cual la tasa de interés ha aumentado; es decir, se plantea
un escenario de más cuatro puntos. Ahora la tasa de descuento es del 12%
Tabla 3.9.
Fuente: Elaboración propia a partir del desarrollo de las fórmulas.
t u*(t) x*(t)
0 724 674.66 2 414 085.00
1 279 923.04 1 689 410.34
2 241 620.86 1 409 487.29
3 207 591.20 1 167 866.43
4 177 380.11 960 275.23
5 150 583.54 782 895.12
6 126 842.26 632 311.58
7 105 837.44 505 469.32
8 87 286.99 399 631.88
9 70 942.51 312 344.90
10 56 587.04 241 402.39
11 44 033.88 184 815.34
12 33 126.91 140 781.46
13 23 743.67 107 654.55
14 15 803.44 83 910.88
15 9 285.98 68 107.44
16 4 273.61 58 821.46
17 1 045.99 54 547.86
18 284.62 53 501.86
19 2 175.44 53 217.25
20 0 51 041.81

Tabla 3.9 Ruta óptima a una tasa de interés del 12%.

- 58 -
 Como se puede apreciar con la tasa de interés actual se prefiere
explotar una cantidad de 724 674.66 m3 de mineral en el año de inicio,
respecto a 523 271.69 m3 cuando la tasa de interés era del 8%.
Continuando con la demostración del efecto de las tasas de
descuento, en el siguiente cuadro se plantea una reducción de la tasa de
interés. Se trabaja con una tasa de descuento del 4%. Véase Tabla 3.10.
Fuente: Elaboración propia a partir del desarrollo de las fórmulas.
t u*(t) x*(t)
0 465 058.10 2 414 085.00
1 300 928.30 1 949 026.90
2 265 634.44 1 648 098,60
3 232 424.27 1 382 464.16
4 201 303.68 1 150 039.90
5 172 300.11 948 736.22
6 145 468.88 776 436.11
7 120 901.54 630 967.22
8 98 736.50 510 065.68
9 79 170.77 411 329.18
10 62 468.68 332 158.42
11 48 955.45 269 689.74
12 38 965.51 220 734.29
13 32 683.37 181 768.78
14 29 794.93 149 085.41
15 28 982.39 119 290.48
16 27 636.58 90 308.09
17 22 356.48 62 671.51
18 12 430.93 40 315.03
19 14 739.50 27 884.10
20 0 13 144.60

Tabla 3.10 Ruta óptima a una tasa de interés del 4%.

Se observa el efecto esperado, la baja considerable de la cantidad
extraída en el primer año, cantidad que se sitúa en 465 058.10 m3.
3.2 ESTIMACIÓN DE LA SENDA ÓPTIMA DE EXTRACCIÓN PARA LA
ACTIVIDAD CARBONÍFERA SUBTERRANEAS
3.2.1 Introducción23
La crisis energética iniciada en 1973 generó la necesidad de
encontrar un sustituto energético al petróleo, fue así como se empezó a
desarrollar la minería de carbón a cielo abierto, este auge permitió al
carbón posicionarse como producto de exportación, pero además estas

23
Texto fuente para el análisis económico y política de los recursos naturales, véase [7] Galarza, E., & Urrunaga, R. Economía de
los recursos naturales y política. Lima-Perú, Dialnet 1992. pp., 01-17.

- 59 -
 reservas de carbón generan un riesgo ambiental y social dado que los
aumentos en la actividad minera a cielo abierto incrementan la presión
sobre los recursos naturales; debido a que, a nivel ambiental es frecuente
encontrar altos niveles de contaminación por la liberación de residuos
durante la extracción y transporte del carbón, presentando cambios y
alteraciones en morfológicos en la alteración del paisaje, ocasionando
degradación en los ecosistemas aledaños, pérdida de fauna y flora
endémica
Igualmente, ocurren daños sociales relacionados con la salud,
evidenciados mediante enfermedades ocupacionales de los mineros,
poblaciones aledañas y accidentes presentados en las minas por las
precarias condiciones de trabajo.
Finalmente, la problemática económica se refleja en índices de
corrupción que impiden la compensación por la pérdida del recurso no
renovable con inversión en salud, educación e infraestructura.
3.2.2 Área de estudio
Yacimiento Huayday-Ambara de la provincia de Otuzco, en el Alto
Chicama, La Libertad, entre los distritos de Huaranchal y Usquil, cuyos
denuncios mineros ascendería a 2 800 hectáreas, han convertido a la
Región La Libertad, en la primera potencia minería formal, en producción
de carbón antracita. Se encuentra aproximadamente entre los 19° 22’ 00’’ y
los 19° 48’ 27’’ N y entre los 98° 57’ 30’’ O.
3.2.3 Evaluación económica24
La evaluación económica de la operación de apertura de una mina de
carbón en el yacimiento carbonífero Huayday-Ambara que sirva de
aplicación a la presente investigación y permita determinar la rentabilidad
de llevar a cabo un proyecto carbonífero en la zona.
3.2.3.1 Flujo de caja
Los supuestos parten de un flujo de caja económico desarrollado
íntegramente en dólares estadounidenses. Asimismo, para la evaluación
del proyecto se establecieron tres periodos: 4 años iniciales (desde el año

24
Texto fuente para el análisis evaluación económica de la explotación del carbón antracita, véase [12] Mendiola, A., Aguirre, C.,
Chero, Y., Churampi, N., Quispe, J., & Sedano, R. Explotación del carbón antracita: viabilidad del yacimiento Huayday-Ambara.
Lima: Publicaciones Universidad ESAN. 2013. pp., 117-126.

- 60 -
–4 hasta el año 0) que corresponden a las labores de exploración y
construcción; el siguiente segmento va del año 1 al año 10 y corresponde a
la etapa de operación de la mina y finalmente, los años 11 al 15
representan la fase de poscierre. Se debe aclarar que la evaluación se
efectúa para los dos primeros periodos (exploración y construcción y
operación), mientras que el periodo de poscierre requiere monitoreo que
garantice el cumplimiento de lo planificado en el plan de cierre, pero no
constituye parte de la evaluación. En cuanto al cierre de la mina, se ha
estimado al final del periodo 10, último año de operaciones del proyecto y
solo en este periodo afecta el flujo de caja.
3.2.3.1.1 Estado de pérdidas y ganancias
Esta parte de la evaluación toma en cuenta los ingresos y los
egresos operativos y todas las partidas que integran el estado de
resultados, con el propósito de determinar el impuesto a la renta y la
participación de los trabajadores:
a) Ingresos: En cuanto al precio del carbón en el Perú, no se tiene un
precio de mercado establecido, ya que en la zona de investigación se
pudieron obtener datos correspondientes principalmente a la explotación
informal; por ello, el precio se ha determinado tomando en cuenta el precio
de exportación FOB con base en los datos de la Superintendencia Nacional
de Administración Tributaria.
b) Costo de ventas: El costo de ventas está compuesto por los rubros
mano de obra, materiales, servicios, relaciones comunitarias e imprevistos.
Equivale a un 33% de los ingresos, aproximadamente.
c) Gastos operativos: Están formados por los rubros gastos administrativos,
gastos de ventas, monitoreo poscierre, depreciación y amortización. Son
aproximadamente un 31% de los ingresos por ventas.
d) Regalías: Se ha considerado el pago de regalías al gobierno regional
basado en una participación porcentual de la utilidad operativa alcanzada
para cada año, la cual oscila entre el 1% y el 3% Fuente: Elaboración propia.

Regalías Monto (US$ miles) Proporción de la utilidad operativa (%)

Primer tramo 60 1
Segundo tramo 120 2
Tercer tramo 120 3

Tabla 3.11 Asignación de regalías

- 61 -
 e) Impuestos: Se ha considerado el impuesto a la renta equivalente al 30%
y la participación de los trabajadores equivalente al 8%.
3.2.3.1.2 Flujo de caja económico25
Respecto del flujo de caja económico se consideran los siguientes
rubros:
a) Ingresos operativos: Están compuestos por los ingresos efectivamente
recibidos a partir de la operación del proyecto, los cuales son equivalentes
al ingreso total anual por las ventas de carbón.
b) Egresos operativos: Están formados por cada una de las partidas que
representan salidas de efectivo en la operación del proyecto, las cuales son
mano de obra, materiales, servicios, relaciones comunitarias e imprevistos,
además de gastos de administrativos y gastos de ventas.
c) Inversiones: Las inversiones necesarias para llevar a cabo el proyecto
en la cuenca carbonífera ascienden a US$ 3’090,178.00
Fuente: Elaboración propia.
Programa de inversiones Monto (US$)
Exploración 338,983
Desarrollo y preparación de mina 402,542
Equipamiento de mina, planta y geología
Mina 380,254
Planta 169,492
Geología 109,195
Equipos de servicios auxiliares 331,356
Transporte 300,847
Infraestructura 470,339

Carretera y otros 152,161

Subtotal 2’655,169

Imprevistos (10%) 265,517

Estudios de ingeniería y ambientales 169,492
Total 3’090,178

Tabla 3.12 Costo de inversión del proyecto del Alto Chicama

Las inversiones en activos incluyen la exploración, el desarrollo y la pre-
paración de la mina y todo lo relacionado con el equipamiento necesario
para su operación, asimismo, rubros adicionales en equipos, servicios e
infraestructura auxiliar requerida. En cuanto a la inversión en capital de

25
Información fuente para realizar el flujo de caja económico de una empresa, véase [18] Rojas, J. SEMINARIO FLUJOS DE CAJA.
Barranquilla: Cámara de Comercio Barranquilla. 1994. pp. 25-35.

- 62 -
trabajo se ha determinado un monto equivalente a un trimestre del total del
costo de ventas y los gastos de administración y ventas por año.
d) Tasa de descuento: Para estimarla se ha tomado en cuenta el criterio
de expertos en proyectos carboníferos de minería y el costo de oportunidad
del accionista tomando como base el modelo CAPM ajustado por el riesgo
país para el Perú, con el objetivo de validar la información suministrada por
los expertos; además, se ha calculado el costo de oportunidad del
inversionista potencial del proyecto.
Fuente: Elaboración propia.
Cálculo del Ke Beta Tasa libre de Prima de riesgo Riesgo país Ke
CAPM riesgo
Mercado 1.30% 2.79% 8.41% 1.30%
Ke = Rf + Be * (Rm – Rf) + Rp 15.0%

Tabla 3.13 Estimación del costo de oportunidad del accionista (Ke)

En cuanto a la tasa de interés sobre la financiación, fue posible
constatar a través del juicio de los expertos que el costo de adquirir
recursos para nuevos proyectos de pequeña minería en el sistema
financiero es de alrededor de 9% anual. Sin embargo, este valor se
comparó con las tres empresas mineras de pequeña y mediana escala a
las cuales se les estimó el costo de financiación por deuda utilizando sus
estados financieros, y se obtuvo así en promedio un 5.09% anual.
Fuente: Superintendencia del Mercado de Valores (SMV).
Empresa Costo de deuda
Compañía Minera Poderosa S. A. 6.04%
Gold Fields La Cima S. A. A 3.53%
Minera Andina de Exploraciones S. A. A. 5.71%
Promedio Kd anual 5.09%

Tabla 3.14 Estimación del costo de la deuda (Kd) de pequeñas empresas mineras
A pesar de ello, para efectos de la estimación del WACC,
considerando que el proyecto del Alto Chicama es nuevo y su dimensión no
es equivalente a las empresas consideradas, se aplicó el criterio de los
expertos a una tasa del 9%.
e) Resultados del flujo económico: A partir de los resultados proyectados
del flujo económico y las cifras obtenidas como parte de la evaluación
económica, se puede evidenciar que el proyecto resulta viable como
negocio en términos de generación de valor, por lo cual se considera viable
la realización del proyecto.

- 63 -
 Fuente: Elaboración propia.
PERIODO 2013 2014 2015 2016 2017 2018 2019
Periodo de construcción Periodo de operación
Ingresos operativos 0 0 0 0 12,229 12,571 12,923

Egresos operativos 0 0 0 0 8,684 10,897 11,204

Total flujo operativo 0 0 0 0 3,545 1,675 1,719

Inversiones
Activos –1,615 –1,998 –1,350 –632 0 0 0
Capital de trabajo 0 0 0 –1,925 –54 –55 –57
Total de inversiones –1,615 –1,998 –1,350 –2,558 –54 –55 –57
Total flujo económico –1,615 –1,998 –1,350 –2,558 3,491 1,619 1,662

PERIODO 2020 2021 2022 2023 2024 2025 2026

Periodo de operación
Ingresos operativos 13,285 13,657 14,040 14,433 14,837 15,252 15,679

Egresos operativos 11,520 11,844 12,178 12,522 12,874 13,237 13,610

Total flujo operativo 1,765 1,813 1,861 1,911 1,962 2,015 2,069
Inversiones
Activos 0 0 0 0 0 0 -442
Capital de trabajo –59 –60 –62 –64 –65 –67 2,469
Total de inversiones –59 –60 –62 –64 –65 –67 2,026
Total flujo económico 1,707 1,752 1,799 1,847 1,897 1,948 4,096

Tabla 3.15 Flujo económico (US$ miles)

Fuente: Elaboración propia.
TIRE 18.36%
VANE (US$ miles) 1,085

Tabla 3.16 Resultados de la evaluación económica

3.2.3.2 Análisis de sensibilidad del flujo económico del proyecto
Para conocer cuál será el comportamiento del valor presente neto
del proyecto ante la fluctuación en variables como inversiones, costo de
personal y precio del carbón se presenta un análisis de sensibilidad de
estas variables.
3.2.3.2.1 Inversiones
Las inversiones presentan una sensibilidad moderada, aunque no
determinante; ante un incremento del 15% del monto de inversión
necesario para el desarrollo y la puesta en marcha de las operaciones del
proyecto, el VAN tendría una reducción cercana a un 27.1% y en caso
contrario, si las inversiones se redujeran a un 80% del monto inicial, el VAN
se incrementaría cerca de 36.1%, llegando a los US$ 1.48 millones.

- 64 -
 1600
1481
1400 1382
1283
1200 1184
1085

Miles de US$
1000 987
888
800 789
600
400
200
0
80 85 90 95 100 105 110 115
Porcentaje

Figura 3.2 Sensibilidad de las inversiones.

3.2.3.2.2 Costos de producción
En cuanto a la variable costos de producción, se ha encontrado
evidencia de una alta sensibilidad teniendo en cuenta que, de presentarse
un incremento de un 15% en este rubro, el VAN tendría una reducción
aproximada de un 129%, cuya consecuencia sería el rechazo absoluto del
proyecto dada su inviabilidad económica, con un VAN de US$ –1.4
millones. Si esta variable tuviera una reducción del 20%, considerando un
80% del monto inicial de costos de personal, el VAN sería de
aproximadamente US$ 4.3 millones, es decir, tendría un incremento
cercano al 402%
5000
4382
4000
3558
3000
2734
Miles de US$

2000 1910

1000 1085

261
0
80 85 90 95 100 105 110 -574 115
-1000
-1413
-2000
Porcentaje

Figura 3.3 Sensibilidad de los costos de producción.

- 65 -
3.2.3.2.3 Precio del carbón
La variable precio demostró ser la de mayor sensibilidad, dado
que una simple disminución de un 5% en este implica una reducción de
93.2% en el VAN del proyecto, lo cual demuestra su muy alta dependencia
de los resultados económicos de los precios del carbón. Esta situación
podría causar la inviabilidad del proyecto; así, si los precios bajasen
hipotéticamente 20%, la reducción del VAN llegaría a US$ –3.02 millones
de dólares.
5000
4000 4136

3000 3119

2000 2102
Miles de US$

1000 1085

0 69
80 85 90 95 100 105 110 115
-1000 -967

-2000 -2002
-3000 -3037
-4000
Porcentaje

Figura 3.4 Sensibilidad del precio.

3.2.3.3 Análisis de escenarios del flujo económico del proyecto
Considerando la realización del proyecto bajo un escenario
moderado, el cual asume una reducción del 5% en el monto de inversión,
una reducción de los costos de personal en 6% y un incremento de los
precios de 5%, el VAN del proyecto alcanzaría el monto de US$ 3.19
millones. El la Tabla 3.17 presenta cada uno de los escenarios descritos.
Fuente: Elaboración propia.
Escenario Valores Óptimo Moderado Pesimista
actuales
CELDAS CAMBIANTES
Ajuste de las inversiones 100% 90% 95% 110%
Ajuste de los costos de 100% 90% 94% 105%
producción
Ajuste de los precios del carbón 100% 110% 105% 90%
CELDAS DE RESULTADO
TIR 18.36% 29.26% 24.45% 8.14%
VAN (US$ miles) 1,085 4,969 3,195 –2,002

Tabla 3.17 Análisis de escenarios del flujo económico del proyecto.

- 66 -
3.2.3.4 Resultados del flujo financiero
Para efecto de la evaluación financiera se tomó en cuenta que el
proyecto del Alto de Chicama cuente con una relación fija deuda / capital
de 0.43, equivalente a un 30% de deuda y un 70% de capital. Además,
según las estimaciones del costo de oportunidad para el inversionista
potencial y el costo de adquirir deuda, se calculó el WACC, a partir de lo
cual se obtuvo el resultado que muestra la Tabla 3.18
Fuente: Elaboración propia.
Rubro % Tasa
Deuda 30 9.0
Capital 70 15.0
Tasa del impuesto - 30.0
CPPC - 12.4

Tabla 3.18 Resultados del flujo financiero.

Si bien como negocio la evaluación económica demostró que es un
proyecto viable, es evidente el efecto de la deuda, por lo cual dejaría al
inversionista potencial un mayor valor generado en el indicador de valor
presente neto a partir de la inversión inicial realizada.
Fuente: Elaboración propia.
PERIODO 2013 2014 2015 2016 2017 2018 2019
Periodo de construcción Periodo de operación

Flujo de caja antes de deuda –1,801 –2,250 –1,482 –2,558 4,872 3,033 3,109

Flujo de deuda
Ingresos por deuda 484 599 405 0 0 0 0
Egresos por deuda 0 –44 –98 –134 –296 –296 –296
Total flujo de deuda 484 556 307 –134 –296 –296 –296
Flujo de caja financiero –1,316 –1,694 –1,175 –2,692 4,576 2,737 2,813

PERIODO 2020 2021 2022 2023 2024 2025 2026

Periodo de operación

Flujo de caja antes de deuda 3,186 3,266 3,347 3,430 3,515 3,611 5,805

Flujo de deuda
Ingresos por deuda 0 0 0 0 0 0 0
Egresos por deuda 0 –44 –98 –134 0 0 0
Total flujo de deuda –296 –296 –296 –296 0 0 0
Flujo de caja financiero 2,890 2,970 3,051 3,134 3,515 3,611 5,805

Tabla 3.19 Flujo financiero (US$ miles).

Fuente: Elaboración propia.

TIRE 31.47%
VANE (US$ miles) 2,200

Tabla 3.20 Resultados de la evaluación financiera.

- 67 -
3.2.3.5 Sendero Óptimo de Extracción
Para determinar la tasa de extracción óptima económica se
procedió a utilizar la técnica de control óptimo en tiempo discreto. Se
considera un período de análisis de 10 años, aunque de igual manera se
pudo haber escogido cualquier cantidad. Por tanto, el análisis se plantea de
manera que se busca determinar el plan óptimo de extracción del mineral,
abarcando en este concepto tanto a la arena como a la grava, para
0, 1, 2, 3, 4, 5, 6, 7, 8, 9 años. Se parte entonces del supuesto de que la mina se
abandonará en 10 ; así mismo todo el mineral extraído su precio de venta
fluctúa entre S/. 90.00 y S/. 120.00 por tonelada, puesto en mina. El costo
de extraerlos aumentan con el tiempo cuando disminuyen las reservas,
está dado por:
u(t )0.9952
c(t )  e 16.4560
,
x (t )1.0040
donde:
t = periodo de análisis
u (t ) = variable de control. Es la cantidad extraída de carbón en el momento
t que hay en la mina al inicio del periodo t  1 , para cada t  0, 1,,10 .
x (t ) = variable de estado. Es el stock de mineral que hay en la mina al inicio
del periodo t  1 .
x (0) = 50 000 000 Ton, el cual es la cantidad de mineral carbón que
aproximadamente existe en la mina.
δ = 0.15 el cual corresponde a la tasa de descuento.
1
Factor de descuento: β   0.87 .
1  0.15
El problema consiste en:
9
 u (t )0.9952 
max9 J   (0.87)t 90u (t )  e16.4560 1.0040 
,
u ( t )t 0 t 0  x ( t ) 
sujeto a : x (t  1)  x (t )  u (t ) ;  t  0, 1,9 ,
     con  : x (0)  50 000 000 .
Para este problema, la Hamiltoniana a valor presente es:
 16.4560 u (t )
0.9952

  90u (t )  e 1.0040 
 m (t )  x ( t )  u ( t )  .
 x (t ) 

- 68 -
Las condiciones del principio del máximo son:
 16.4560 u (t )
0.9952

1) m (t  1)  0.87 1.0040e 2.0040
 m (t )   ;  t  9, 8,,1 ,
 x (t ) 
con : m (9)  0 ,
u (t ) 0.0048
2) 90  0.9952e 16.4560  m (t )  0 ;  t  0, 1,9 ,
x (t )1.0040
3) x (t  1)  x (t )  u (t ) ;  t  0, 1, 9 ,
con x (0)  50 000 000 .
Ahora se pueden calcular u (t ) y x (t ) , partiendo de x (0) se calcula u (0) ,
luego x (1) seguido de u (1) y así, sucesivamente, hasta u (9) y x (10) . En la
Tabla 3.21 se muestran los datos del sendero óptimo que se obtiene.
Fuente: Elaboración propia a partir del desarrollo de las fórmulas.
t u*(t) x*(t)
0 2 158 405.25 50 000 000
1 1 876 877.03 47 841 594.8
2 1 632 069.99 45 964 717.7
3 1 419 194.56 44 332 647.7
4 1 234 085.59 42 913 453.2
5 1 073 121.59 41 679 367.6
6 933 153.11 40 606 246
7 811 441.63 39 673 092.9
8 705 605.95 38 861 651.2
9 613 575.28 38 156 045.3
10 0 37 542 470

Tabla 3.21 Sendero óptimo y remanentes.

Se muestra por tanto, el sendero óptimo de extracción del mineral
que viene dado por u  (t ) comienza con el stock inicial de 50 000 000 Ton de
mineral, en ese mismo año se comienza con la extracción de 2 158 405.25
Ton y se continúan extracciones descendentes hasta llegar al año 9 en el
cual se van a extraer 613 575.284 Ton. De la misma manera se presenta la
ruta que siguen los remanentes; es decir, lo que va quedando en cada año
después de extraer el mineral, valor que viene dado por la variable. En el
año 10 sólo queda un remanente de 37 542 470 Ton Figura 3.5.

- 69 -
 2500000

2000000

1500000
Ton

1000000

500000

0
0 1 2 3 4 5 6 7 8 9 10
Años

Figura 3.5 Sendero de extracción óptima anual del mineral carbón.

La extracción o utilización de los recursos no renovables no se

puede evitar, tampoco se puede caer en las ineficiencias, como el ejemplo
de conservar los recursos sin extraerlos, tal y como afirma el movimiento
conservacionista.
La alternativa entonces, es aprovechar dichos recursos de manera
óptima considerándolos como activos de capital.
El stock existente resulta importante, debido a que los cálculos que
se hacen van en principio determinados por la cantidad de recurso que se
posea, por lo que el tiempo de aprovechamiento viene ligado por la
estimación total del mineral en el suelo en el año de inicio.
Tomando en cuenta la tasa de interés y el flujo de efectivo de las
ganancias de la mina, el dueño de la mina puede tomar las decisiones de
extracción en un periodo dado; esto es, cuando la tasa de interés es baja
las explotaciones se reducen, pues no existen los incentivos necesarios, en
caso de que suban las tasas de interés, las cantidades explotadas
aumentarán de manera significativa, esto demuestra lo que afirma la teoría
económica de que las tasas de interés impositivas fomentan el ahorro, por
lo que los dueños de las minas preferirán extraer más recurso en el
presente.

- 70 -
 CONCLUSIONES

PRIMERA Se aplicó el modelo de control óptimo en tiempo discreto a la

extracción óptima de recursos naturales arena y carbón.

SEGUNDA Se determinó la trayectoria óptima entre un conjunto de

trayectorias admisibles que optimizarán los valores de las variables
de decisión y por ende se maximizará el funcional objetivo de
nuestro problema propuesto.

TERCERA Se estableció las condiciones de principio del máximo de

Pontryagin en tiempo discreto a problemas con factor de
descuento.

CUARTA Se identificó y describió los costos incurridos en el proceso de

explotación, analizando la rentabilidad de la actividad y
determinando las cantidades de extracción anual para encontrar el
sendero óptimo de explotación.
 RECOMENDACIONES

PRIMERA Se recomienda para el estudio de la aplicación del modelo de

control óptimo en tiempo discreto a la extracción óptima de
recursos naturales arena y carbón, se tenga un conocimiento
previo de estudios de flujos de caja en una para ver la
rentabilidad de la explotación de dicho recurso.

SEGUNDA Para determinar la trayectoria óptima entre un conjunto de

trayectorias admisibles que optimizaran los valores de las
variables de decisión y por ende se maximizara el funcional
objetivo de nuestro problema l problema de control optimo en
tiempo discreto, tener conocimiento previo de programación
dinámica y la teoría de control discreto.

TERCERA Se recomienda para el estudio de problemas en tiempo discreto

con factor de descuento, tener conocimiento de la teoría de los
multiplicadores de Lagrange.

CUARTA Se recomienda tener conocimiento previo de estudios de flujos

de caja en una en una empresa para poder determinar la
rentabilidad de la explotación de dicho recurso, costos incurridos
en el proceso de explotación, rentabilidad de la actividad.
 BIBLIOGRAFÍA

[1] Arce, A. (1993). Álgebra lineal y sus aplicaciones. Cusco-Peru:

UNSAAC.
[2] Blank, L., & Tarquin, A. (2002). Ingeniería económica. Mexico: Mc Graw
Hill.
[3] Cabo, F. J. (s.f.). Facultad de ciencias Económicas y Empresariales.
Recuperado el 29 de Agosto de 2017, de Programación Dinámica
Introducción: http://www5.uva.es/pcabo/introduccion.pdf
[4] Cerda Tena, E. (2001). Optimización Dinámica. Madrid: Prentice Hall.
[5] Continental, U. (2012). Matemática Financiera. Cusco: Repositorio
Continental.
[6] Cortes, D. (Noviembre de 2011). VALUACION DE OPCIONES
AMERICANAS VIA PROGRAMACION DINAMICA. TESIS para obtener
el grado de Maestro en Ciencias, 20-23. Puebla, México: UNIVERSIDAD
AUTONOMA DE PUEBLA.
[7] Galarza, E., & Urrunaga, R. (1992). Economía de los recursos naturales
y política. Lima: Dialnet.
[8] Juarez, G. A., & Navarro, S. I. (2005). ECUACIONES EN DIFERENCIAS
CON APLICACIONES A MODELOS EN SISTEMAS DINÁMICOS.
Catamarca: Universidad Nacional de Catamarca.
[9] Lages, E. (1997). Analisis Real (Vol. 1). Lima, Peru: IMCA.
[10] Lomelí, H., & Rumbos, B. (2003). Métodos Dinámicos en Economía.
Thomson editores.
[11] Magnus, J., & Neudecker, H. (2007). Matrix Differential Calculus with
Applications in Statistics and Econometrics (Vol. III). West Sussex,
Inglaterra: John Wiley & Sons.
[12] Mendiola, A., Aguirre, C., Chero, Y., Churampi, N., Quispe, J., & Sedano,
R. (2013). Explotación del carbón antracita:viabilidad del yacimiento
Huayday-Ambara. Lima: Publicaciones Universidad ESAN.
[13] Meneu Gaya, D. R. (2014). La Teoria del Control Óptimo en Tiempo
Discreto. Modelos Financieros Aplicados a las pensiones de Jubilación.
España: Pyblicaciones ProQuest LLC.
[14] Orlando, M., Gaveglio, F., & Salicetti, H. (2013). Industria Minera Guía
de Negocios en el Perú. Lima: Publicaciones PricewaterhouseCoopers.
[15] Pardo, J. d., & Campero, J. (2010). Propuesta didáctica en optimización
dinámica: el caso del cálculo de variaciones y la teoría de control óptimo.
Mexico: Centro de investigación en ciencia aplicada y tecnología
avanzada.
[16] Quiroga, A. (2008). INTRODUCCION AL CALCULO II. Madrid: Delta.
[17] Rathinam, M., & Murray, R. M. (31 de Agosto de 1998). Discrete
Function Approximation: Numerical Tools for Nonlinear Control.
Technical Memorandum, pp.1-2. Pasadena, California, United States of
America: California Institute of Technology.
[18] Rojas, J. (1994). SEMINARIO FLUJOS DE CAJA. (págs. 22-35).
Barranquilla: Camara de Comercio Barranquilla.
[19] Santi, Y. (12 de Marzo de 2013). Como maximizar ganancias de tu
negocio utilizando solver. Recuperado el 02 de Setiembre de 2016, de
Como maximizar ganancias de tu negocio utilizando solver:
https://www.youtube.com/watch?v=aP4TclIiNU8
[20] SPH. (s.f.). Fundamentos de Optimizacion pdf. Recuperado el 28 de
Agosto de 2017, de Universidad Tecnologica de la Mixteca:
https://nuyoo.utm.mx/~jjf/rna/guia_foe.pdf
[21] Valdivia Alcalá, R. (2010). Control Óptimo Aplicado a la Economía de
los Recursos Minerales. Red de Revistas Científicas de América Latina,
el Caribe, España y Portugal, 265-269.

LINKOGRAFÍA
1. Blogger [Consulta 10 de Marzo 2016] recuperado de
http://librospdfx.blogspot.com
2. DSpace JSPUI [Consulta 10 de Marzo 2016] recuperado de
http://nuyoo.utm.mx/~jjf/rna/guia_foe.pdf
3. GEOLAY [Consulta 09 de Octubre 2016] recuperado de
http://www..geoglay.com
4. IPN [Consulta 14 de Setiembre 2017] recuperado de
www.matedu.cicata.ipn.mx/tesis/doctorado/campero_2010
5. ULL [Consulta 17 de Enero 2017] recuperado de
http://webpages.ull.es/users/jcmoreno/
6. LIBRARY OF CONGRESS [Consulta 29 de Marzo 2016] recuperado de
http://www.pdfplace.net
7. UVa [Consulta 29 de Agosto 2017] recuperado de
http://www5.uva.es/pcabo/introduccion.pdf
 ANEXOS
Hoja Excel usando complemento Solver 26
14
max14 J   β t ln1  u (t )   β 15mx (15)
u ( t )t 0 t 0

 x (t ) 
sujeto a : x (t  1)  x (t )  0.65x (t )  1    u (t ),  para t  0, 1,,14
 125 
     con  : x (0)  95
     u (t )  0, para t  0, 1,,14
    x (t )  0, para t  1,,15
Para ello se introduce los datos del problema en la hoja Excel, usando el
complemento Solver, de la siguiente forma:
1 En la celda A1 se escribe: m=
2 En B1: 0,085
2 En A2: delta =
3 En B2: 0,04
4 En A3: beta =
5 En B3: =1/(1+$B$2)
6 En A4: x(0) =
7 En B4: 95
Se introduce ahora las ecuaciones de estado (Primera columna), las variables
de control (Segunda columna) y la función objetivo (Tercera columna), como
sigue:
Primera columna
1 En la celda A6 se escribe: t
2 En A7 se escribe: 0
3 En A8: 1+A7 y se arrastra dicha columna hasta A22
Segunda columna
1 En la celda B6 se escribe: u(t)
2 En B7 se escribe: 15 se arrastra dicha columna hasta B21, valores
iniciales arbitrarios que se dan a las variables de decisión del problema
Tercera columna
1 Se escribe en la celda C6: x(t)
2 En C7 se escribe: =$B$4

26
Santi, Y. (12 de Marzo de 2013). Como maximizar ganancias de tu negocio utilizando solver. Recuperado el 02 de Setiembre de
2016, de Como maximizar ganancias de tu negocio utilizando solver: https://www.youtube.com/watch?v=aP4TclIiNU8
3 En C8: =C7+0,65*C7*(1-C7/125)-B7 y se arrastra dicha columna hasta C22
Cuarta columna
1 En la D6 se escribe: objetivo
2 En D7 se escribe: =($B$3^A7)*LN(1+B7) y se arrastra hasta D21
3 En D22: =($B$3^A22)*$B$1*C22
4 En D23:=SUMA($D$7:$D$22), se obtiene el contenido en la tabla:

En la tabla anterior aparece una solución factible inicial u(t)=15 que a partir
de ella se utiliza Solver para obtener la solución óptima del problema de
programación no lineal formulado, para ello hay que asegurar de que Solver
esté en la barra de menú o cargar posiblemente desde Herramientas se elige
Complementos y luego se selecciona Solver. En seguida se procede de la
siguiente manera:
1 Se activa la celda D23, situando el cursor sobre ella
2 En la barra de menús vamos a Herramientas se selecciona Solver
3 En la celda objetivo, se comprueba que ya aparece $D$23
4 El valor de la celda objetivo se selecciona opción máximo
5 En la casilla Se cambia las celdas de variables, escribimos $B$7:$B$21
 (con ello se expresa los valores correspondientes a las variables de
decisión están en las celdas B7 a B21)
6 Hacer click sobre Agregar
7 En Referencia de la celda se escribe $B$7:$B$21
8 Se selecciona opción >=
9 En Restricción se escribe: 0
(con ello se expresa que la restricción de las variables u(k) deben ser ≥ 0)
10 De nuevo, hacer click sobre Agregar
11 En Referencia de celda se escribe $C$7:$C$22
12 Se selecciona opción >=
13 En Restricción se escribe: 0
(con ello se expresa que la restricción de las variables x(k) deben ser ≥ 0)
14 Click en Aceptar
15 Click en Resolver. Solver realiza iteraciones, que parte de la solución
factible inicial y nos da la solución óptima del problema dado

Aparecen los valores óptimos de las variables de control u(t) celdas B7 a

B21, variables de estado x(t) en las celdas C7 a C22 y el valor óptimo de la
función objetivo celda D23.