Mat 2 Cap 3

Apuntes de Matemticas 2
ADE y Economa
Captulo 3
Universitat dAlacant
Begoa Subiza & Josep E. Peris

Mtodes Quantitatius i Teoria Econmica
licensed under a Creative Commons
Internacional License
Captulo 3
CONVEXIDAD. OPTIMIZACIN LIBRE
1. Combinaciones lineales no negativas y convexas
2. Conjuntos convexos. Propiedades
3. Funciones cncavas y convexas. Propiedades y generalizaciones
4. Caracterizacin de funciones cncavas y convexas diferenciables
5. Mximos y mnimos locales y globales
6. Teorema de Weierstrass
7. Clculo de ptimos globales mediante curvas de nivel
8. Condiciones necesarias y suficientes de ptimos locales
9. Programas convexos/cncavos
Introduccin
Los conceptos de conjuntos convexos y funciones cncavas/convexas tienen un papel funda-
mental en el estudio de la existencia de ptimos (mximos/mnimos). Como ya se ha visto, si una
funcin cncava de una variable tiene un punto crtico, en dicho punto alcanza un mximo. De igual
manera, una funcin convexa de una variable alcanza un mnimo en los puntos crticos. Se ver cmo
estas propiedades se siguen cumpliendo para ms variables, y se analizarn propiedades adicionales
(teorema local-global, teorema de unicidad).
1. Combinaciones lineales no negativas y convexas

Definicin 1 Dados dos puntos x, y Rn se denomina:
combinacin lineal de estos puntos a todo punto z Rn que se puede expresar como
z = x + y , R cualesquiera
combinacin lineal no negativa de estos puntos a todo punto z Rn que se puede expresar como
z = x + y , R 0, 0
57
CAPTULO 3: CONVEXIDAD. OPTIMIZACIN LIBRE
combinacin convexa de estos puntos a todo punto z Rn que se puede expresar como
z = x + y , R 0, 0 + = 1
Nota 1 Se observa que las combinaciones convexas son un caso particular de las combinaciones no
negativas que, a su vez, son un tipo de combinacin lineal. Las combinaciones convexas pueden expre-
sarse, de manera equivalente, de la forma
z = x + (1 )y R 0 1 esto es, [0, 1]
Grficamente, como se observa en la figura 3.1, las combinaciones convexas de dos puntos se corres-
ponden con los puntos del segmento que los une
x, y = z Rn : z = x + (1 )y; [0, 1]

Cuando se hace = 0 en la expresin anterior, entonces z = y, con lo que se est en un extremo del
segmento; al hacer = 1 queda z = x con lo que se trata del otro extremo del segmento. Cuando = 00 5
el punto z es justo el punto medio del segmento.
Figura 3.1: Combinacin convexa de dos puntos en R2
Ejemplo 1 Las combinaciones convexas de los puntos (2, 2) y (6, 4) (es decir, el segmento que une estos
puntos; vase la figura 3.1) son:
[(2, 2), (6, 4)] = {(2, 2) + (1 )(6, 4); [0, 1]} = {(6 4, 4 2); [0, 1]}
Ejemplo 2 Las combinaciones convexas de los puntos (2, 2) y (5, 2) son:
[(2, 2), (5, 2)] = {(2, 2) + (1 )(5, 2); [0, 1]} = {(5 3, 2); [0, 1]}
Al ser la segunda componente siempre constante se trata de un segmento horizontal.
Nota 2 Para obtener grficamente las combinaciones no negativas de dos puntos, basta unir estos pun-
tos con el origen mediante rectas y quedarse con la zona determinada por estas semirrectas.
58 Mtodes Quantitatius i Teoria Econmica

Figura 3.2: Combinacin no negativa de dos puntos en R2
Ejemplo 3 Las combinaciones lineales no negativas de los puntos (2, 2) y (6, 4) son:
K [(2, 2), (6, 4)] = (2, 2) + (6, 4); 0, 0 = (2 + 6, 2 + 4); 0, 0

Grficamente, como se observa en la figura 3.2, se corresponde con lo que se denomina el cono deter-
minado por estos puntos.
Estos conceptos se pueden extender de manera inmediata para ms de dos puntos.
Definicin 2 Dados los puntos x 1 , x 2 , . . . , x k Rn se denomina:
combinacin lineal de estos puntos a todo punto z Rn que se puede expresar como
z = 1 x 1 + 2 x 2 + . . . + k x k i R cualesquiera
combinacin lineal no negativa de estos puntos a todo punto z Rn que se puede expresar como
z = 1 x 1 + 2 x 2 + . . . + k x k i R i 0 i
combinacin convexa de estos puntos a todo punto z Rn que se puede expresar como
k
z = 1 x 1 + 2 x 2 + . . . + k x k i R i 0 i , i = 1
X
i =1
Ejemplo 4 La combinacin convexa de los puntos (1, 3), (4, 4) y (5, 2) se corresponde con los puntos del
tringulo que aparece en la figura 3.3. En general, las combinaciones convexas de k puntos sern un
politopo (si est en el plano, se tratar de un polgono). La figura 3.4 muestra un poliedro (cubo) en R3
que resulta de la combinacin convexa de ocho puntos.
Mtodes Quantitatius i Teoria Econmica 59

Figura 3.3: Combinacin convexa de tres puntos en R2
Figura 3.4: Combinacin convexa de ocho puntos en R3

2. Conjuntos convexos. Propiedades

Definicin 3 Un subconjunto S Rn es convexo si para cualquier par de puntos del conjunto el seg-
mento que los une est incluido en el conjunto. Formalmente,
S Rn es convexo si x, y S, x + (1 )y S para cualquier [0, 1]
La idea geomtrica es que se puede ir en lnea recta entre dos puntos cualesquiera del conjunto,
sin salirse de dicho conjunto.
Ejemplo 5 Obsrvese grficamente si los subconjuntos de R2 en las figuras 3.5 y 3.6 son convexos o no.
Figura 3.5: a) Conjunto no convexo b) Conjunto convexo
Figura 3.6: a) Conjunto no convexo b) Conjunto convexo

Ejemplo 6 Es convexo el conjunto S = (x, y) R2 : x 2y 1 ? Su imagen grfica es la que aparece

en la figura 3.7 en la que se observa que efectivamente se trata de un conjunto convexo. Para verlo
formalmente (utilizando la definicin) se consideran dos puntos (x, y), (x 0 , y 0 ) en el conjunto S y un
escalar [0, 1]; esto es,
x 2y 1 x 0 2y 0 1 [0, 1]
Entonces,
(x, y) + (1 )(x 0 , y 0 ) = x + (1 )x 0 , y + (1 )y 0 = (x 00 , y 00 )

que debe averiguarse si pertenece al conjunto S (es decir, si cumple la condicin que define al conjunto)
x 00 2y 00 = x + (1 )x 0 2 y + (1 )y 0 = x 2y + (1 ) x 0 2y 0 1 + (1 ) 1 = 1

Luego cumple la condicin y el conjunto es convexo.
Figura 3.7: S = (x, y) R2 : x 2y 1 es un conjunto convexo

Propiedades
1. La interseccin de conjuntos convexos es un conjunto convexo.
2. La unin de conjuntos convexos en general no es un conjunto convexo.
Ejemplo 7 Dados los conjuntos S = (x, y) R2 : x 2y 1 y T = (x, y) R2 : x y 0 se observa que

S T es un conjunto convexo, mientras que S T no lo es (vase la figura 3.8).
Definicin 4 De forma intuitiva, un punto de un conjunto convexo es un extremo (o vrtice) de dicho

conjunto si no se encuentra en el interior de un segmento que une dos puntos del conjunto. Formal-
mente, dado un conjunto convexo S, un punto v S se dice que es punto extremo o vrtice si no existen
x, y S, x 6= y, (0, 1) de modo que v = x + (1 )y.

Figura 3.8: S T conjunto convexo; S T no convexo
Ejemplo 8 La figura 3.9 muestra distintos casos de puntos extremos en conjuntos convexos.
Figura 3.9: Todos los puntos de la circunferencia son puntos extremos en el crculo. Los puntos ex-
tremos del pentgono son los vrtices, denotados por A, B,C , D, E
Ejemplo 9 Si un subconjunto de R2 est definido por interseccin de semiplanos, para calcular los
puntos extremos se calculan los puntos de corte de las rectas y se tienen los candidatos que hay que ver
si estn en el conjunto. Por ejemplo, S = (x, y) R2 : x + 2y 4, 2x + y 5, x 0, y 0 . Tomando

las rectas de dos en dos, se tiene:
x + 2y = 4, 2x + y = 5, que se cortan en el punto A = (2, 1).
x + 2y = 4, x = 0, que se cortan en el punto B = (0, 2).
x + 2y = 4, y = 0, que se cortan en el punto (4, 0) que no est en el conjunto S.

x = 0, y = 0, que se cortan en el punto C = (0, 0).
x = 0, 2x + y = 5, que se cortan en el punto (0, 5) que no est en el conjunto S.
y = 0, 2x + y = 5, que se cortan en el punto D = (20 5, 0).
La figura 3.10 muestra el conjunto y los puntos extremos.
Figura 3.10: Los vrtices en el conjunto S del ejemplo 9
3. Funciones cncavas y convexas. Propiedades y generalizaciones

Definicin 5 Sea S Rn un conjunto convexo. Una funcin f : S R se dice que es:
convexa si x, y S, [0, 1] f (x + (1 )y) f (x) + (1 ) f (y)
cncava si x, y S, [0, 1] f (x + (1 )y) f (x) + (1 ) f (y)
Nota 3 a) Las funciones lineales cumplen f (x + (1 )y) = f (x) + (1 ) f (y), luego son cncavas y
convexas a la vez.
b) En general, como ocurre con las funciones de una variable, las funciones pueden tener zonas en las
que son convexas y otras en las que son cncavas.
c) Es importante sealar que existen funciones cncavas y funciones convexas. Pero no ocurre lo mismo
con los conjuntos: no existe el concepto de conjunto cncavo. Los conjuntos sern convexos, o no
convexos.
estrictamente convexa si x, y S, x 6= y (0, 1), f (x + (1 )y) < f (x) + (1 ) f (y)
estrictamente cncava si x, y S, x 6= y (0, 1) f (x + (1 )y) > f (x) + (1 ) f (y)
La idea es que la grfica de la funcin f no contenga tramos lineales.

Figura 3.11: Funcin convexa
Figura 3.12: Funcin cncava

Propiedades de las funciones cncavas

Teorema 1 Sea S Rn un conjunto convexo y sean f , g : S R. Se cumple que:
1. Si la funcin f es cncava, entonces f es convexa.
2. Si la funcin f es cncava y R, > 0, entonces f es cncava.
3. Si las funciones f , g son cncavas, entonces f + g es cncava.
4. Si la funcin f es cncava y h(t ) es una funcin de una variable cncava y creciente, entonces la
funcin (x) = h( f (x)) es cncava.
5. Si la funcin f es cncava y h(t ) es una funcin de una variable convexa y decreciente, entonces
la funcin (x) = h( f (x)) es convexa.
Ejemplo 10 Las ltimas propiedades son tiles porque permiten descomponer el estudio en funcio-
p
nes ms sencillas. Por ejemplo, la funcin (x, y) = x + y, se puede poner como la composicin de
p
f (x, y) = x + y que es lineal, por tanto cncava (y tambin convexa), y la funcin h(t ) = t que es una
funcin real cncava y creciente en su dominio: se puede ver que h 0 (t ) > 0 (creciente) y que h 00 (t ) < 0
p
(cncava). As, aplicando la propiedad 4, la funcin (x, y) = x + y es cncava.
Propiedades de las funciones convexas

Teorema 2 Sea S Rn un conjunto convexo y sean f , g : S R. Se cumple que:
1. Si la funcin f es convexa, entonces f es cncava.
2. Si la funcin f es convexa y R, > 0, entonces f es convexa.
3. Si las funciones f , g son convexas, entonces f + g es convexa.
4. Si la funcin f es convexa y h(t ) es una funcin de una variable convexa y creciente, entonces la
funcin (x) = h( f (x)) es convexa.
5. Si la funcin f es convexa y h(t ) es una funcin de una variable cncava y decreciente, entonces
la funcin (x) = h( f (x)) es cncava.
Ejemplo 11 Como antes, las ltimas propiedades son tiles porque permiten descomponer el estudio
en funciones ms sencillas. Por ejemplo, la funcin (x, y) = e 2x3y se puede poner como:
(x, y) = h( f (x, y)) donde h(t ) = e t , f (x, y) = 2x 3y
La funcin f (x, y) = 2x 3y es lineal y, por tanto, es convexa (tambin es cncava). Por otro lado,
h(t ) = e t ; h 0 (t ) = e t > 0 creciente; h 00 (t ) = e t > 0 convexa
Luego, aplicando la propiedad 4, (x, y) = e 2x3y es una funcin convexa.

3.1. Hipografo, epigrafo y concavidad/convexidad de funciones

Definicin 7 Sea S Rn un conjunto convexo. Dada una funcin f : S R se denomina:
hipografo de f al conjunto (parte inferior de la grfica)
Hip( f ) = (x, y) S R : y f (x)

epigrafo de f al conjunto (parte superior de la grfica)
Epi( f ) = (x, y) S R : y f (x)

Figura 3.13: Hipografo y Epigrafo de una funcin de una variable
El siguiente resultado relaciona la concavidad/convexidad de una funcin con la convexidad, res-

pectivamente, del hipografo y el epigrafo de la funcin.
Teorema 3 Sea S Rn un conjunto convexo. Una funcin f : S R es:
I) cncava si, y solo si, Hip( f ) es un conjunto convexo.
II ) convexa si, y solo si, Epi( f ) es un conjunto convexo.
Demostracin Se ver solo el primer apartado, ya que el otro es totalmente anlogo. Para ello, en
primer lugar se supone que la funcin es cncava y se quiere demostrar que el conjunto Hip( f ) es un
conjunto convexo. Sean (x, y), (x 0 , y 0 ) Hip( f ) y sea [0, 1]. Hay que probar que
(x, y) + (1 )(x 0 , y 0 ) = x + (1 )x 0 , y + (1 y 0 Hip( f ),

es decir,
f x + (1 )x 0 y + (1 )y 0 .

Como la funcin f es cncava, y los puntos estn en Hip( f ) se cumple que
f x + (1 )x 0 f (x) + (1 ) f (x 0 ) f (x 0 ) y 0

f (x) y
entonces, al ser 0, 1 0, se tiene
f x + (1 )x 0 f (x) + (1 ) f (x 0 ) y + (1 )y 0


Hay que probar ahora que si Hip( f ) es un conjunto convexo, entonces la funcin es cncava.
Sean x, x 0 S, [0, 1]. Entonces, los puntos x, f (x) , x 0 , f (x 0 ) estn en Hip( f ). Al ser convexo,

x, f (x) + (1 ) x , f (x 0 ) Hip( f ), lo que significa

0
x + (1 )x 0 , f (x) + (1 ) f (x 0 ) Hip( f ) f (x) + (1 ) f (x 0 ) f x + (1 )x 0

luego la funcin es cncava.
Figura 3.14: Hipografo de una funcin cncava y Epigrafo de una funcin convexa
Ejercicio 1 Demuestra el segundo apartado del teorema 3.
Nota 4 El resultado anterior es muy til para demostrar la convexidad de conjuntos, siempre que es-
tos se puedan poner como hipografos o epigrafos de funciones cncavas o convexas, respectivamente (o
como interseccin de conjuntos de esta forma, aplicando despus la propiedad que dice que la inter-
seccin de conjuntos convexos es un conjunto convexo).
Ejemplo 12 Prueba que el conjunto S = (x, y) R2 : y x 2 es convexo.

Este conjunto es el epigrafo de la funcin f (x) = x 2 , que es convexa (es una funcin real cuya segunda
derivada es positiva, f 00 (x) = 2 > 0). Por tanto, aplicando el teorema 3 se trata de un conjunto convexo.
Nota 5 En el captulo anterior se vio el concepto de conjunto de contorno (superior e inferior) que no
hay que confundir con los conceptos de epigrafo e hipografo de una funcin. Si la funcin es de dos
variables, f (x, y), los conjuntos de contorno superior e inferior son subconjuntos de R2 , mientras que
el epigrafo y el hipografo son subconjuntos de R3
UC ( f ) = (x, y) R2 : f (x, y) C ; LC ( f ) = (x, y) R2 : f (x, y) C

Epi( f ) = (x, y, z) R3 : z f (x, y) ; Hip( f ) = (x, y, z) R3 : z f (x, y)

La diferencia entre estos conceptos se ve muy clara con funciones de una variable que se pueden repre-
sentar grficamente. El siguiente ejemplo ilustra este hecho.
Ejemplo 13 Dada la funcin f (x) = x 3 x, el conjunto de contorno superior de nivel C = 0 seran todos
los puntos x R de manera que f (x) 0 y con la desigualdad al contrario para el conjunto de contorno
inferior. Si se observa la grfica de esta funcin (figura 3.15), resulta claro que
U0 ( f ) = [1, 0] [1, +) L 0 ( f ) = (, 1] [0, 1]

Figura 3.15: Grfica de la funcin f (x) = x 3 x
Mientras que el epigrafo son todos los puntos de R2 que estn por encima de la grfica, y el hipografo
los que estn por debajo.
En el siguiente resultado se ve la relacin entre concavidad/convexidad de una funcin y la con-

vexidad de los conjuntos de contorno (superior/inferior, respectivamente).
Teorema 4 Sea S Rn un conjunto convexo. Si una funcin f : S R es:

I) cncava, entonces para todo nivel C , el conjunto de contorno superior de nivel C , UC ( f ) es un
conjunto convexo.
II ) convexa, entonces para todo nivel C , el conjunto de contorno inferior de nivel C , LC ( f ) es un con-
junto convexo.
Demostracin Las dos partes son anlogas y se ver solo la segunda. Hay que probar que, para todo
C , el conjunto LC = x Rn : f (x) C es convexo. Si se consideran dos puntos x, x 0 LC y un escalar

[0, 1], debe cumplirse que z = x + (1 )x 0 LC . Es decir que f (z) C .

Si la funcin es convexa, se cumple
f x + (1 )x 0 f (x) + (1 ) f (x 0 ).

Adems, como los puntos estn en el conjunto de contorno inferior, f (x) C y f (x 0 ) C . Por tanto,
f (z) = f x + (1 )x 0 f (x) + (1 ) f (x 0 ) C + (1 )C = C .

Ejercicio 2 Demuestra el primer apartado del teorema 4.
El siguiente ejemplo muestra que el recproco de la propiedad anterior no es cierto. Es decir, pue-
de ser que los conjuntos de contorno (superior y/o inferior) sean conjuntos convexos, pero la funcin
no sea ni cncava, ni convexa.
Ejemplo 14 Sea la funcin f (x) = x 3 . Entonces, el conjunto de contorno superior de nivel C seran los
p3
p
3

nmeros reales del intervalo C , + , mientras que el inferior sera , C . Ambos son conjuntos
convexos, pero la funcin no es ni cncava, ni convexa en toda la recta real, S = R. Ntese que ni el
epigrafo, ni el hipografo son conjuntos convexos.

Figura 3.16: Grfica de la funcin f (x) = x 3
3.2. Funciones cuasi-cncavas y cuasi-convexas

Se definen ahora los conceptos de cuasi-convexidad y cuasi-concavidad de funciones en base a
la convexidad de los conjuntos de contorno.
cuasi-cncava si para todo C el conjunto UC ( f ) = x Rn : f (x) C es convexo.

cuasi-convexa si para todo C el conjunto L C ( f ) = x Rn : f (x) C es convexo.

Ahora, el teorema 4 se puede enunciar como:
Toda funcin cncava es cuasi-cncava.
Toda funcin convexa es cuasi-convexa.
Pero como ya se ha visto, el recproco no es cierto. La funcin de distribucin normal N (, ) (cuya

grfica se denomina coloquialmente Campana de Gauss, ver figura 3.17), muy utilizada en Estadstica
y Probabilidad, es otro ejemplo de funcin cuasi-cncava que no es cncava.
Una definicin alternativa que es ms til para comprobar en la prctica la cuasi-concavidad o
cuasi-convexidad de funciones es la siguiente. Esta definicin tambin permite introducir la cuasi-
concavidad/cuasi-convexidad estricta.
cuasi-cncava si para todo x, x 0 S y para todo escalar [0, 1],
f x + (1 )x 0 mn f (x), f (x 0 ) .

cuasi-convexa si para todo x, x 0 S y para todo escalar [0, 1],
f x + (1 )x 0 max f (x), f (x 0 ) .

Como con las funciones cncavas y convexas, si las desigualdades son estrictas, entonces la fun-
cin se dice que es estrictamente cuasi-cncava o estrictamente cuasi-convexa.

Figura 3.17: Campana de Gauss: grfica de la distribucin normal N (0; 4)
estrictamente cuasi-cncava si para todo x, x 0 S, x 6= x 0 , y para todo escalar (0, 1),
f x + (1 )x 0 > mn f (x), f (x 0 ) .

estrictamente cuasi-convexa si para todo x, x 0 S, x 6= x 0 , y para todo escalar (0, 1),
f x + (1 )x 0 < max f (x), f (x 0 ) .

La Campana de Gauss (figura 3.17) es la grfica de una funcin estrictamente cuasi-cncava. Las
funciones cuasi-cncavas/cuasi-convexas tienen propiedades parecidas a las de las funciones cn-
cavas/convexas.
Teorema 5 Sea S Rn un conjunto convexo y sea una funcin f : S R. Entonces,
1. Si la funcin f es cuasi-cncava y h(t ) es una funcin de una variable estrictamente creciente,

entonces la funcin (x) = h( f (x)) es cuasi-cncava.
2. Si la funcin f es cuasi-cncava y h(t ) es una funcin de una variable estrictamente decreciente,

entonces la funcin (x) = h( f (x)) es cuasi-convexa.
3. Si la funcin f es cuasi-convexa y h(t ) es una funcin de una variable estrictamente creciente,

entonces la funcin (x) = h( f (x)) es cuasi-convexa.
4. Si la funcin f es cuasi-convexa y h(t ) es una funcin de una variable estrictamente decreciente,

entonces la funcin (x) = h( f (x)) es cuasi-cncava.
Ejemplo 15 La funcin f (x) = 2x 2 es cuasi-cncava (por ser cncava, ya que su segunda derivada es
siempre negativa, f 00 (x) = 4) y la funcin h(t ) = e t es creciente. Por tanto, la funcin compuesta (x) =
2 2
h( f (x)) = e 2x es cuasi-cncava. La segunda derivada de esta funcin, 00 (x) = (4 + 16x 2 )e 2x , es
positiva en el conjunto , 12 21 , + , y negativa en el intervalo 21 , 12 , luego no es cncava en

R. Su grfica es similar a la campana de Gauss.

4. Caracterizacin de funciones cncavas y convexas diferenciables

Si se observan las grficas de funciones cncavas y convexas diferenciables en el caso de una o
dos variables, la recta o plano tangente siempre queda por encima de la grfica de la funcin (en caso
de ser cncava) o siempre queda por debajo (en caso de ser convexa). La figura 3.18 muestra el caso
de una variable. En este caso, la ecuacin de la recta tangente a la grfica de una funcin en un punto
(a, f (a)) cualquiera es y = f (a) + f 0 (a)(x a) con lo que se tiene el siguiente resultado:
si f (x) es convexa, entonces f (x) f (a) + f 0 (a)(x a)
si f (x) es cncava, entonces f (x) f (a) + f 0 (a)(x a)
Figura 3.18: Recta tangente a) funcin cncava b) funcin convexa
Para funciones de dos variables f (x, y), como muestra la figura 3.19, la propiedad es anloga con
respecto al plano tangente a la grfica de dicha funcin en un punto cualquiera (a, b, f (a, b)), cuya
ecuacin es z = f (a, b) + f (a, b) (x a, y b). Se tiene que:
si f (x, y) es convexa, entonces f (x, y) f (a, b) + f (a, b) (x a, y b)
si f (x, y) es cncava, entonces f (x, y) f (a, b) + f (a, b) (x a, y b)
El siguiente teorema recoge esta propiedad para el caso general de funciones con n variables.
Teorema 6 Sea S Rn un conjunto convexo. Una funcin diferenciable f : S R es:
I) cncava si, y solo si, f (x) f (a) + f (a) (x a) x, a S.
II ) convexa si, y solo si, f (x) f (a) + f (a) (x a) x, a S.
III ) estrictamente cncava si, y solo si, f (x) < f (a) + f (a) (x a) x, a S, x 6= a.
IV ) estrictamente convexa si, y solo si, f (x) > f (a) + f (a) (x a) x, a S, x 6= a.
Aunque en teora el resultado anterior puede servir para identificar grficamente funciones cn-
cavas/convexas, al no poder dibujar funciones de varias variables en la prctica no posee mucha
utilidad. Usando la frmula de Taylor de orden 2,
1
f (x) = f (a) + f (a) (x a) + (x a)0 H f (z)(x a) z B (a, )
2

Figura 3.19: Plano tangente a) funcin cncava b) funcin convexa
se deduce que para saber si se cumplen las condiciones del teorema 6 basta con identificar el signo
de (x a)0 H f (z)(x a), que es una forma cuadrtica de matriz H f (z). De este modo se deduce el
siguiente teorema que es el que se utiliza en la prctica para saber si una funcin de varias variables
es cncava o convexa.
Teorema 7 Sea S Rn un conjunto convexo. Una funcin f : S R, que tiene parciales primeras y
segundas continuas, es:
I) cncava si, y solo si, para todo x S, H f (x) tiene asociada una forma cuadrtica semidefinida
negativa o definida negativa.
II ) convexa si, y solo si, para todo x S, H f (x) tiene asociada una forma cuadrtica semidefinida
positiva o definida positiva.
III ) estrictamente cncava si, y solo si, para todo x S, H f (x) tiene asociada una forma cuadrtica
definida negativa.
IV ) estrictamente convexa si, y solo si, para todo x S, H f (x) tiene asociada una forma cuadrtica
definida positiva.
Nota 6 Estas condiciones son (bsicamente) las mismas que se usan para identificar funciones cnca-
vas/convexas de una variable: cncava cuando la segunda derivada es menor o igual a cero (definida
negativa); convexa cuando la segunda derivada es mayor o igual a cero (definida positiva).
Ejemplo 16 Analiza la concavidad/convexidad de las siguientes funciones.
a) f (x, y) = 2x 2 + 2x y + 5y 2
f f 2 f 2 f 2 f
= 4x + 2y = 2x + 10y =4 = 10 =2
x y x 2 y 2 xy

4 2
H f (x, y) =
2 10
La forma cuadrtica es definida positiva ya que D 1 = 4 > 0, D 2 = 36 > 0.
Por tanto, la funcin es estrictamente convexa.

b) f (x, y, z) = 2x 2 + 2x y 5y 2 xz z 2
f f f
= 4x + 2y z = 2x 10y = x 2z
x y z
2 f 2 f 2 f 2 f 2 f 2 f
= 4 = 10 = 2 =2 = 1 =0
x 2 y 2 z 2 xy xz yz
2

4 1
H f (x, y, z) = 2 10 0
1 0 2
D 1 = 4 < 0, D 2 = 36 > 0, D 3 = 62 < 0, luego la forma cuadrtica es definida negativa.
Por tanto, la funcin es estrictamente cncava.
c) f (x, y) = x 4 + 2x 2 y 2
f f 2 f 2 f 2 f
= 4x 3 + 4x y 2 = 4x 2 y = 12x 2 + 4y 2 = 4x 2 = 8x y
x y x 2 y 2 xy
12x 2 + 4y 2 8x y

H f (x, y) =
8x y 4x 2
D 1 = 12x 2 + 4y 2 0, D 2 = 48x 4 48x 2 y 2 = 48x 2 (x 2 y 2 ) que a veces es positivo (por ejemplo,
en el punto (2, 1)) y a veces negativo (por ejemplo, en el punto (1, 2)). La forma cuadrtica es
entonces indefinida.
Por tanto, la funcin no es, en general, ni cncava, ni convexa.
De igual manera que las funciones cncavas/convexas se pueden identificar fcilmente con la
hessiana de la funcin, hay tambin un mtodo similar para las funciones cuasi-cncavas/cuasi-
convexas.
Teorema 8 Dada una funcin con dos variables f (x, y) que tiene parciales segundas continuas se con-
sideran los determinantes
f f

0 x y
f

0

x

2 2

f f f
Q 1 = det Q = det

2

x x 2 xy

f 2 f

x x

2
f 2 2
f f

y xy y 2
Entonces:
1. Si Q 1 < 0, Q 2 > 0, la funcin es estrictamente cuasi-cncava (luego es cuasi-cncava)
2. Si Q 1 < 0, Q 2 < 0, la funcin es estrictamente cuasi-convexa (luego es cuasi-convexa)
Nota 7 Estas condiciones son solo suficientes. Si no se cumplen, hay que usar la definicin para com-
probar si una funcin es cuasi-cncava o cuasi-convexa.
Ejemplo 17 Como aplicacin del resultado anterior, se puede ver que una funcin de produccin de ti-
po Cobb-Douglas es siempre cuasi-cncava (de hecho, con rendimientos constantes o decrecientes a es-
cala es cncava, mientras que si tiene rendimientos crecientes a escala es simplemente cuasi-cncava).
Las derivadas parciales primera y segunda de una funcin Cobb-Douglas f (x, y) = x y , , > 0, son :

f f
= x 1 y = x y 1
x y
2 f 2 f 2 f
= ( 1)x 2 y = ( 1)x y 2 = x 1 y 1
x 2 y 2 xy
Entonces, la matriz hessiana es
2 f 2 f

( 1)x 2 y x 1 y 1
x 2 xy

H f (x, y) = =

2 f 2 f x 1 y 1 2
( 1)x y

xy y 2
a) Si hay rendimientos constantes o decrecientes ( + 1),
D 1 = ( 1)x 2 y < 0 D 2 = (1 )x 22 y 22 0
y la funcin es cncava (y, por tanto, cuasi-cncava).
b) Si hay rendimientos crecientes ( + > 1),
Q 1 = 2 x 22 y 2 < 0; Q 2 = x 32 y 32 ( + ) > 0
y, por tanto, es estrictamente cuasi-cncava.
5. Mximos y mnimos locales y globales

Definicin 11 Sea f : S R, donde S Rn . Se dice que f en un punto a S alcanza un:
mximo global si f (a) f (x) x S.
mnimo global si f (a) f (x) x S.
mximo local si f (a) f (x) x B (a, ) S.
mnimo local si f (a) f (x) x B (a, ) S.
En general se usa la palabra ptimo para referirse tanto a mximo como a mnimo. Optimizar
una funcin es buscar sus mximos y mnimos (locales o globales). Las figuras siguientes 3.20 y 3.21
muestran ejemplos de funciones con mltiples mximos y mnimos (locales y globales), la primera
con una funcin de una variable, y la segunda con una funcin de dos variables.
6. Teorema de Weierstrass
Este teorema (como el de funciones de una variable) da condiciones que garantizan la existencia
de ptimos globales, aunque no da informacin sobre cmo calcularlos, o de dnde estn situados.
Teorema 9 (Weierstrass) Sea f : S R, donde S Rn . Si f es continua en S, y el conjunto S es compacto

(cerrado y acotado), entonces f alcanza mximo global y mnimo global en S.
Nota 8 No se puede decir nada si la funcin no es continua, o si el conjunto no es compacto: podra

existir ptimo global, o podra no existir.

x sen(x)
Figura 3.20: Mximos y mnimos de la funcin de una variable f (x) =
5
Figura 3.21: Funcin de dos variables con mltiples mximos y mnimos, f (x, y) = sen(x y)2 cos(x)

7. Clculo de ptimos globales mediante curvas de nivel

Un modo de calcular ptimos con funciones de dos variables consiste en dibujar las curvas de
nivel de la funcin: la curva de menor nivel (si existe) proporcionar el mnimo global, mientras que
la curva de mayor nivel (si existe) indicar el mximo global de la funcin.
Ejemplo 18 Calcula los mximos y mnimos globales de la funcin f (x, y) = x 2 + y 2 en el conjunto

compacto S = (x, y) R2 : 3 x 3, 3 y 3 .

Figura 3.22: Curvas de nivel y ptimos en el conjunto compacto del ejemplo 18
La existencia de mximo y mnimo global est garantizada por el teorema de Weierstrass, ya que la
funcin es polinmica (luego es continua) y el conjunto es compacto: cerrado (contiene a toda su fron-
tera) y acotado (est contenido en la bola B ((0, 0), 10)). El mnimo global se alcanza en el punto (0, 0) y
vale f mn = 0. El mximo global se alcanza en los puntos (3, 3), (3, 3), (3, 3), (3, 3) y vale f max = 18.
Ejemplo 19 Calcula los mximos y mnimos globales de la funcin f (x, y) = x + y en el conjunto com-
pacto S = (x, y) R2 : x 2 + y 2 4 .

Figura 3.23: Curvas de nivel y ptimos en el conjunto compacto del ejemplo 19

p p
Como se observa en la figura 3.23 el pmximo se alcanza en el punto ( 2, p2) y elpvalor mximo de la
funcin en el conjunto S es f max = 2 2. El mnimo
p se alcanza en el punto ( 2, 2) y el valor mnimo
de la funcin en el conjunto S es f mn = 2 2.

El siguiente resultado es de mucha utilidad cuando se utilizan las curvas de nivel para obtener los
ptimos globales.
Teorema 10 Si la funcin f : S R, donde S Rn , se puede expresar en la forma f (x) = h(g (x)),

donde h : R R es una funcin de una variable creciente, entonces f (x) y g (x) alcanzan los mximos y
mnimos globales en los mismos puntos (aunque los valores ptimos en general sern distintos).
2 2
Ejemplo 20 Calcula los mximos y mnimos globales de la funcin f (x, y) = e x +y en el conjunto
compacto S = (x, y) R2 : 3 x 3, 3 y 3 .

Es posible escribir f (x, y) como la composicin de las funciones h(t ) = e t , g (x, y) = x 2 + y 2 . Siendo
h(t ) creciente, las funciones f (x, y), g (x, y) alcanzan los ptimos en los mismos puntos. A partir del
ejemplo 18 el mnimo global se alcanza en el punto (0, 0) y vale f mn = e 0 = 1. El mximo global se
alcanza en los puntos (3, 3), (3, 3), (3, 3), (3, 3) y vale f max = e 18 .
8. Condiciones necesarias y suficientes de ptimos locales

8.1. Condiciones necesarias
Una condicin necesaria para que una funcin (derivable) de una variable alcance en un punto a
un mximo o un mnimo local es que la derivada en dicho punto se anule: f 0 (a) = 0. Este resultado se
sigue cumpliendo para cualquier nmero de variables, sin ms que cambiar derivada por gradiente.
Teorema 11 (Condicin necesaria de ptimo local) Sea f : S R una funcin diferenciable en un

conjunto S Rn abierto. Si f alcanza un mximo o mnimo local en un punto a S, entonces se cumple
que f (a) = 0, esto es, todas las derivadas parciales se anulan en dicho punto.
El razonamiento sera como en funciones de una variable: en un punto en el que la funcin al-
canza un ptimo local el plano tangente (en general, hiperplano tangente) debe ser horizontal, con lo
que su ecuacin es z = C . Como la ecuacin general del plano tangente a la grfica de una funcin de
dos variables es z = f (a, b) + f (a, b) (x a, y b), entonces el vector f (a) debe ser nulo.
Definicin 12 Sea f : S R una funcin diferenciable en un conjunto S Rn abierto. Se denomina

punto crtico, o punto estacionario, de f a todos los puntos que anulan su gradiente: esto es, los puntos
a S tales que f (a) = 0.
Ejemplo 21 Calcula los puntos crticos o estacionarios de las siguientes funciones:
a) f (x, y) = x 2 + 3x y + y
f f
= 2x + 3y = 3x + 1
x y
1 2
2x + 3y = 0 3x + 1 = 0 x = y=
3 9
1 2
Solo hay un punto crtico (x , y ) = ,
3 9
b) f (x, y, z) = 5x 2 + x y + y + z 2
f f f
= 10x + y = x +1 = 2z
x y z
10x + y = 0 x + 1 = 0 2z = 0 x = 1 y = 10 z = 0
Hay un nico punto crtico (x , y , z ) = (1, 10, 0)

c) f (x, y) = x ln(y)
f f x
= ln(y) =
x y y
x
ln(y) = 0 =0 x =0 y =1
y
Solo hay un punto crtico (x , y ) = (0, 1)
d) f (x, y) = (x 1)2 + (y + 2)2
f f
= 2(x 1) = 2(y + 2)
x y
2(x 1) = 0 2(y + 2) = 0 x = 1 y = 2
Hay un nico punto crtico (x , y ) = (1, 2)
e) f (x, y) = x 2 (y 3)2
f f
= 2x = 2(y 3)
x y
2x = 0 2(y 3) = 0 x = 0 y = 3
f ) f (x, y) = x 2 y
f f
= 2x = 1
x y
2x = 0 1 = 0 no tiene solucin
Por tanto, no hay puntos crticos
g) f (x, y) = x 2 y 2
f f
= 2x = 2y
x y
2x = 0 2y = 0 x = 0 y = 0
h) f (x, y) = (x y)2
f f
= 2(x y) = 2(x y)
x y
2(x y) = 0 2(x y) = 0 x = y y = cualquier valor
En este caso hay infinitos puntos crticos: todos los puntos de la forma
(x , y ) = (a, a) a = cualquier valor
Como tanto los mximos como los mnimos locales de una funcin son puntos crticos, harn
falta condiciones de segundo orden (con las parciales segundas) para discriminar los puntos esta-
cionarios. Adems, puede haber puntos crticos que no sean ni mximo, ni mnimo. A los puntos
crticos que no son ptimos se les denomina puntos de silla. La figura 3.24 presenta el ejemplo tpico
(al que se debe el nombre de punto de silla). Como se observa en la grfica, en el punto crtico (0, 0)
se maximiza la funcin cuando la aproximacin al punto es de abajo arriba, y se minimiza cuando
la aproximacin se hace de izquierda a derecha. En el apartado g ) de los ejemplos 21 i 22 se discute
formalmente esta funcin.

Figura 3.24: Funcin con un punto de silla: f (x, y) = x 2 y 2
8.2. Condiciones suficientes

Para analizar si los puntos crticos obtenidos son mximos, mnimos o puntos de silla se utilizan
las denominadas condiciones de segundo orden (parciales segundas). La clasificacin sigue la misma
regla que para funciones de una variable: en un punto crtico x , si f 00 (x ) > 0 se alcanza un mnimo;
si f 00 (x ) < 0 se alcanza un mximo.
Teorema 12 (Condicin suficiente de ptimo local) Sea f : S R una funcin con parciales segundas
continuas en un conjunto S Rn abierto, y sea a S un punto crtico de dicha funcin. Entonces,
1. Si H f (a) es definida positiva, en a se alcanza un mnimo local.
2. Si H f (a) es definida negativa, en a se alcanza un mximo local.
3. Si H f (a) es indefinida, en a hay un punto de silla.
Demostracin La prueba se basa en la frmula de Taylor de segundo orden:

1
f (x) f (a) + f (a) (x a) + (x a)0 H f (a)(x a)
2
Como a es un punto crtico, el gradiente se anula y queda
1
f (x) f (a) (x a)0 H f (a)(x a)
2
Por tanto, el signo de la hessiana marca la diferencia entre f (x) y f (a)
1. Si H f (a) es definida positiva, entonces f (x) f (a) > 0, es decir f (x) > f (a) y en a se alcanza un
mnimo local.
2. Si H f (a) es definida negativa, entonces f (x) f (a) < 0, es decir f (x) < f (a) y en a se alcanza
un mximo local.
3. Si H f (a) es indefinida, la diferencia es a veces positiva y a veces negativa, con lo que no se

alcanza ni mximo ni mnimo, y en a hay un punto de silla.


Nota 9 Cuando la forma cuadrtica es semidefinida hay un caso de duda. Si es semidefinida positiva,
puede tratarse de un mnimo o de un punto de silla. Si es semidefinida negativa, puede ser un mximo
o un punto de silla. En ambos casos para clasificar el punto crtico se debe hacer un estudio local,
comparando el valor de la funcin en el punto crtico con el valor en otros de su entorno tomados en
distintas direcciones.
Ejemplo 22 Clasifica los puntos crticos o estacionarios de las funciones del ejemplo 21.
a) f (x, y) = x 2 + 3x y + y

2 3
La matriz hessiana es H f (x, y) =
3 0

1 2 2 3
En el punto crtico vale H f , =
3 9 3 0

1 2
D 1 = 2 D 2 = 9 indefinida, luego en , hay un punto de silla
3 9
b) f (x, y, z) = 5x 2 + x y + y + z 2
10 1 0

La matriz hessiana es H f (x, y, z) = 1 0 0

0 0 2
10 1 0

En el punto crtico vale H f (1, 10, 0) = 1 0 0

0 0 2
D 1 = 10 D 2 = 1 D 3 = 2 indefinida, luego en (1, 10, 0) hay un punto de silla
c) f (x, y) = x ln(y)
1

0 y
La matriz hessiana es H f (x, y) = 1 x

2
y y

0 1
En el punto crtico vale H f (0, 1) =
1 0
En este caso, como D 1 = 0 se deben calcular todos los menores principales. Los de orden 1 son
H1 = {0, 0} y solo hay uno de orden 2, H2 = {1}. Por tanto, la forma cuadrtica es indefinida,
luego en (0, 1) hay un punto de silla
d) f (x, y) = (x 1)2 + (y + 2)2

2 0
0 2

2 0
0 2
D 1 = 2 D 2 = 4 definida positiva, luego en (1, 2) se alcanza un mnimo local, y el valor
mnimo de la funcin es f mn = f (1, 2) = 0

e) f (x, y) = x 2 (y 3)2

2 0
0 2

2 0
0 2
D 1 = 2 D 2 = 4 definida negativa, luego en (0, 3) se alcanza un mximo local, y el valor
mximo de la funcin es f max = f (0, 3) = 0
f) f (x, y) = x 2 y
Como en este caso no existen puntos crticos, la funcin no posee ni mximos ni mnimos
locales
g) f (x, y) = x 2 y 2

2 0
0 2

2 0
0 2
D 1 = 2 D 2 = 4 indefinida, luego en (0, 0) hay un punto de silla
h) f (x, y) = (x y)2

22
22

2 2
En un punto crtico (a, a) vale H f (a, a) =
2 2
D 1 = 2 D 2 = 0 semidefinida positiva, lo cual da lugar a un caso de duda. Si se observa
el valor de la funcin en un punto crtico cualquiera, f (a, a) = (a a)2 = 0, mientras que en los
dems puntos la funcin es mayor o igual, f (x, y) = (x y)2 0
Por tanto, en los puntos de la forma (a, a) se alcanza un mnimo local (que en este caso es
global, ya que la funcin es siempre mayor o igual a cero), y el valor mnimo de la funcin es
f mn = f (a, a) = 0
La figura 3.25 muestra la grfica de esta funcin.
9. Programas convexos/cncavos
En el caso particular en que la funcin que se quiere optimizar es convexa (para mnimos) o cn-
cava (para mximos) la discusin es ms fcil y, adems, se obtienen resultados adicionales. El primer
resultado indica que no es necesario comprobar las condiciones de segundo orden.
Teorema 13 Sea f : S R una funcin diferenciable en un conjunto S Rn abierto y convexo. Enton-

ces,
1. Si a S es un punto crtico de f , y la funcin f es convexa, en a se alcanza un mnimo.
2. Si a S es un punto crtico de f , y la funcin f es cncava, en a se alcanza un mximo.

Figura 3.25: Una funcin con infinitos puntos crticos, todos mnimos, f (x, y) = (x y)2
Demostracin La prueba de ambos apartados es anloga y se basa en el resultado del teorema 6. En

el caso de funcin cncava se sabe que
para todo x, a S, f (x) f (a) + f (a) (x a)
Como el gradiente en el punto crtico se anula, se tiene que para todo x, a S, f (x) f (a), con lo que
en a se alcanza un mximo.
Este resultado es til en casos como el apartado h) del ejemplo 22. Como la matriz hessiana

2 2
H f (x, y) =
2 2
es semidefinida positiva en cualquier punto (x, y), la funcin es convexa. Entonces todos los puntos
crticos son mnimos (como se haba visto, ver figura 3.25) y no hace falta realizar el estudio local.
Ejemplo 23 La funcin f (x, y) = 2x 2 3y 2 + 2x y es cncava, ya que su matriz hessiana

4 2
H f (x, y) = D 1 = 4 < 0, D 2 = 20 > 0
2 6
es definida negativa. Entonces todo punto crtico maximiza la funcin:
f f
= 4x + 2y = 0 = 6y + 2x = 0
x y
Resolviendo el sistema, el nico punto crtico es (0, 0), y f max = f (0, 0) = 0.
Los siguientes resultados muestran importantes propiedades (respecto a optimizacin) de las

funciones cncavas/convexas. El primero (teorema local-global) indica que todos los ptimos (mxi-
mos para cncavas, mnimos para convexas) son globales. El segundo indica que pidiendo concavi-
dad/convexidad estricta solo hay un punto que maximiza/minimiza, respectivamente. Esta propie-
dad es interesante ya que, una vez obtenido un punto crtico no es necesario seguir buscando otros.

Teorema 14 (Local-Global) Sea f : S R una funcin definida en un conjunto S Rn convexo. En-

tonces,
1. Si en a S se alcanza un mnimo local, y la funcin f es convexa, en a se alcanza un mnimo

global.
2. Si en a S se alcanza un mximo local, y la funcin f es cncava, en a se alcanza un mximo

global.
Teorema 15 (Unicidad) Sea f : S R una funcin definida en un conjunto S Rn convexo. Entonces,
1. Si la funcin f es estrictamente convexa y tiene mnimo, dicho valor mnimo (global) se alcanza
en un nico punto.
2. Si la funcin f es estrictamente cncava y tiene mximo, dicho valor mximo (global) se alcanza
en un nico punto.
Finalmente, la siguiente propiedad muestra que las funciones estrictamente cuasi-cncavas o

cuasi-convexas tienen un comportamiento muy similar a las cncavas/convexas respecto a la op-
timizacin. Esto se puede aplicar a las funciones de produccin Cobb-Douglas con rendimientos
crecientes.
Teorema 16 Sea f : S R una funcin diferenciable en un conjunto S Rn abierto y convexo. Enton-

ces,
1. Si a S es un punto crtico de f , y la funcin f es estrictamente cuasi-convexa, en a se alcanza

un mnimo global.
2. Si a S es un punto crtico de f , y la funcin f es estrictamente cuasi-cncava, en a se alcanza

un mximo global.
2 2
Ejemplo 24 Es fcil observar que la funcin f (x, y) = e x y es estrictamente cuasi-cncava y que solo
tiene un punto crtico, a = (0, 0). Por tanto, en dicho punto alcanza un mximo global (ver figura 3.26).
2
y 2
Figura 3.26: Grfica de la funcin f (x, y) = e x

Mat 2 Cap 3

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Mat 2 Cap 3

Enviado por

Direitos autorais:

Formatos disponíveis

Apuntes de Matemticas 2

Begoa Subiza & Josep E. Peris

CONVEXIDAD. OPTIMIZACIN LIBRE

1. Combinaciones lineales no negativas y convexas

2. Conjuntos convexos. Propiedades

3. Funciones cncavas y convexas. Propiedades y generalizaciones

4. Caracterizacin de funciones cncavas y convexas diferenciables

5. Mximos y mnimos locales y globales

7. Clculo de ptimos globales mediante curvas de nivel

8. Condiciones necesarias y suficientes de ptimos locales

1. Combinaciones lineales no negativas y convexas

z = x + (1 )y R 0 1 esto es, [0, 1]

Figura 3.1: Combinacin convexa de dos puntos en R2

Ejemplo 2 Las combinaciones convexas de los puntos (2, 2) y (5, 2) son:

Al ser la segunda componente siempre constante se trata de un segmento horizontal.

58 Mtodes Quantitatius i Teoria Econmica

Figura 3.2: Combinacin no negativa de dos puntos en R2

K [(2, 2), (6, 4)] = (2, 2) + (6, 4); 0, 0 = (2 + 6, 2 + 4); 0, 0

Estos conceptos se pueden extender de manera inmediata para ms de dos puntos.

Definicin 2 Dados los puntos x 1 , x 2 , . . . , x k Rn se denomina:

Mtodes Quantitatius i Teoria Econmica 59

Figura 3.3: Combinacin convexa de tres puntos en R2

Figura 3.4: Combinacin convexa de ocho puntos en R3

60 Mtodes Quantitatius i Teoria Econmica

2. Conjuntos convexos. Propiedades

S Rn es convexo si x, y S, x + (1 )y S para cualquier [0, 1]

Figura 3.5: a) Conjunto no convexo b) Conjunto convexo

Figura 3.6: a) Conjunto no convexo b) Conjunto convexo

Mtodes Quantitatius i Teoria Econmica 61

Ejemplo 6 Es convexo el conjunto S = (x, y) R2 : x 2y 1 ? Su imagen grfica es la que aparece

Luego cumple la condicin y el conjunto es convexo.

Figura 3.7: S = (x, y) R2 : x 2y 1 es un conjunto convexo

2. La unin de conjuntos convexos en general no es un conjunto convexo.

Ejemplo 7 Dados los conjuntos S = (x, y) R2 : x 2y 1 y T = (x, y) R2 : x y 0 se observa que

S T es un conjunto convexo, mientras que S T no lo es (vase la figura 3.8).

Definicin 4 De forma intuitiva, un punto de un conjunto convexo es un extremo (o vrtice) de dicho

62 Mtodes Quantitatius i Teoria Econmica

Figura 3.8: S T conjunto convexo; S T no convexo

las rectas de dos en dos, se tiene:

x + 2y = 4, 2x + y = 5, que se cortan en el punto A = (2, 1).

x + 2y = 4, x = 0, que se cortan en el punto B = (0, 2).

x + 2y = 4, y = 0, que se cortan en el punto (4, 0) que no est en el conjunto S.

Mtodes Quantitatius i Teoria Econmica 63

x = 0, y = 0, que se cortan en el punto C = (0, 0).

x = 0, 2x + y = 5, que se cortan en el punto (0, 5) que no est en el conjunto S.

y = 0, 2x + y = 5, que se cortan en el punto D = (20 5, 0).

La figura 3.10 muestra el conjunto y los puntos extremos.

Figura 3.10: Los vrtices en el conjunto S del ejemplo 9

3. Funciones cncavas y convexas. Propiedades y generalizaciones

convexa si x, y S, [0, 1] f (x + (1 )y) f (x) + (1 ) f (y)

cncava si x, y S, [0, 1] f (x + (1 )y) f (x) + (1 ) f (y)

Definicin 6 Sea S Rn un conjunto convexo. Una funcin f : S R se dice que es:

estrictamente convexa si x, y S, x 6= y (0, 1), f (x + (1 )y) < f (x) + (1 ) f (y)

estrictamente cncava si x, y S, x 6= y (0, 1) f (x + (1 )y) > f (x) + (1 ) f (y)

La idea es que la grfica de la funcin f no contenga tramos lineales.

64 Mtodes Quantitatius i Teoria Econmica

Figura 3.11: Funcin convexa

Figura 3.12: Funcin cncava

Mtodes Quantitatius i Teoria Econmica 65

Propiedades de las funciones cncavas

1. Si la funcin f es cncava, entonces f es convexa.

2. Si la funcin f es cncava y R, > 0, entonces f es cncava.

3. Si las funciones f , g son cncavas, entonces f + g es cncava.