Escolar Documentos
Profissional Documentos
Cultura Documentos
ADE y Economa
Captulo 3
Universitat dAlacant
6. Teorema de Weierstrass
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).
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
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.
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]}
[(2, 2), (5, 2)] = {(2, 2) + (1 )(5, 2); [0, 1]} = {(5 3, 2); [0, 1]}
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.
Ejemplo 3 Las combinaciones lineales no negativas de los puntos (2, 2) y (6, 4) son:
Grficamente, como se observa en la figura 3.2, se corresponde con lo que se denomina el cono deter-
minado por estos puntos.
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.
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.
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
Propiedades
1. La interseccin de conjuntos convexos es un conjunto 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
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.
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.
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:
La funcin f (x, y) = 2x 3y es lineal y, por tanto, es convexa (tambin es cncava). Por otro lado,
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
es decir,
f x + (1 )x 0 y + (1 )y 0 .
f x + (1 )x 0 f (x) + (1 ) f (x 0 ) f (x 0 ) y 0
f (x) y
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,
Figura 3.14: Hipografo de una funcin cncava y Epigrafo de una funcin convexa
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).
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
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
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.
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
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 .
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.
f x + (1 )x 0 mn f (x), f (x 0 ) .
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.
f x + (1 )x 0 > mn 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.
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
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:
El siguiente teorema recoge esta propiedad para el caso general de funciones con n variables.
III ) estrictamente cncava 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
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).
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:
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
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
D 1 = ( 1)x 2 y < 0 D 2 = (1 )x 22 y 22 0
Q 1 = 2 x 22 y 2 < 0; Q 2 = x 32 y 32 ( + ) > 0
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.
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)
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 .
El siguiente resultado es de mucha utilidad cuando se utilizan las curvas de nivel para obtener los
ptimos globales.
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 .
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.
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)
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
Solo hay un punto crtico (x , y ) = (0, 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
Solo hay un punto crtico (x , y ) = (0, 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.
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, entonces f (x) f (a) < 0, es decir f (x) < f (a) y en a se alcanza
un mximo local.
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
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
e) f (x, y) = x 2 (y 3)2
2 0
La matriz hessiana es H f (x, y) =
0 2
2 0
En el punto crtico vale H f (0, 3) =
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
La matriz hessiana es H f (x, y) =
0 2
2 0
En el punto crtico vale H f (0, 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
La matriz hessiana es H f (x, y) =
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.
Figura 3.25: Una funcin con infinitos puntos crticos, todos mnimos, f (x, y) = (x y)2
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.
f f
= 4x + 2y = 0 = 6y + 2x = 0
x y
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.
2
y 2
Figura 3.26: Grfica de la funcin f (x, y) = e x