Tema 1.

Espacio Vectorial Real

1.1 El espacio vectorial real IRn.

1.2 Combinación lineal de vectores.
1.3 Dependencia e independencia lineal de vectores.
1.4 Base de un espacio vectorial.

ESPACIO VECTORIAL IRn

DEFINICIÓN DEL ESPACIO VECTORIAL IRn:

Consideremos el conjunto
IR n   x1 , x2 , , xn  xi  IR, i  1, 2,..., n
en este conjunto vamos a definir dos operaciones:

 Una operación interna: SUMA de los elementos de IRn

 : IR n  IR n  IR n
u , v   u  v
 Una operación externa: PRODUCTO POR ESCALARES
 : IR  IR n  IR n
, u   u

1
 ESPACIO VECTORIAL IRn
Con respecto a la primera operación se cumplen las
siguientes propiedades:
• Prop. conmutativa u v v u u , v , w  IR n
• Prop. asociativa u  v   w  u  v  w
• Prop. elemento neutro 0  IR n u 0  0u u
• Prop. elemento opuesto u  IR n ,   u  IR n u  ( u )  0
Con respecto a la segunda operación se cumple:
1º )    u  v     u    v
u , v  IR n
2º )       u    u    u
 ,   IR
3º )       u       u 
4º ) 1  u  u

ESPACIO VECTORIAL IRn

El conjunto IRn con las dos operaciones definidas

anteriormente recibe el nombre de Espacio Vectorial Real
y lo denotamos
 
IR n , , 
Los elementos de IRn los llamaremos vectores: u , v , w,

Los elementos de IR los llamaremos escalares:  , , ,

Otros ejemplos de espacios vectoriales reales son: el

conjunto de todas las matrices de orden m x n y el conjunto
de polinomios de grado n.

2
 ESPACIO VECTORIAL IRn
1)   0  0

 2) 0  u  0
PROPIEDADES    0

GENERALES  
 3)   u  0   ó
 
 u  0

 4)    u        u    u

COMBINACIÓN LINEAL
Se llama combinación lineal de v1 , v2 , , vr  IR
n

a cualquier expresión del tipo:   v    v     v 

1 1 2 2 r r
r
  i  vi , con i  IR
i 1

A los escalares se les denomina coeficientes de la

combinación lineal. Si σ𝑟𝑖=1 𝜆𝑖 = 1 la combinación lineal se
dice que es convexa.

ESPACIO VECTORIAL IRn

Un vector v se puede escribir como combinación lineal de

los vectores v1 , v2 , , vr  o depende linealmente de dichos
vectores si existen unos escalares 1 , 2 , , r tales que
v  1v1  2 v2   r vr

DEPENDENCIA E INDEPENDENCIA LINEAL

Se dice que los vectores v1 , v2 , , vr  son linealmente
dependientes si y solo si al menos uno de ellos es
combinación lineal del resto. En otro caso diremos que
los vectores son linealmente independientes.

3
 ESPACIO VECTORIAL IRn
Para estudiar la dependencia lineal de los vectores
v1 , v2 , , vr 
utilizaremos el concepto de rango de matrices:

Los vectores v1 , v2 , , vr  son linealmente independientes

si el rango de la matriz que forman coincide con el número de
vectores, es decir:
 v11 v12 v1r 
v v22 v2 r 
rg A  rg  21 r
 
 
 vn1 vn 2 vnr 
  
v1 v2 vr

SISTEMA GENERADOR:
Se define sistema generador del espacio vectorial IRn a
todo conjunto de vectores v1 , v2 , , v p  tal que
cualquier vector v  IR n es combinación lineal de ellos:
v  IR n 1 , 2 , ,  p  IR v  1  v1  2  v2   p  vp

Al conjunto de vectores v , v ,
1 2 , vp se le llama
sistema generador de IRn .

BASE DE UN ESPACIO VECTORIAL

Sea B  u1 , u2 , , un  un conjunto de vectores de IRn
diremos que forman una base de IRn si
 Son linealmente independientes
 Son un sistema generador de IRn

4
BASE DE UN ESPACIO VECTORIAL
Si B  u1 , u2 , , un  es una base de IRn entonces:
v  IR n 1 ,  2 , ,  n  IR v  1  u1   2  u2    n  un
Los coeficientes  i son únicos y reciben el nombre de
COORDENADAS del vector v en la base B.

Todas las bases de un espacio vectorial tienen el mismo

número de vectores y a este número se le denomina
DIMENSION del espacio vectorial.

dim IRn = nº de vectores de una base cualquiera de IRn = n

Todo conjunto de n vectores linealmente independientes de IRn

forman una base de IRn.

5
 Tema 2. Diagonalización de matrices.

2.1. Valor y Vector propio de una matriz.

2.2. Matriz diagonalizable.
2.3. Condición suficiente de diagonalización.

VALOR Y VECTOR PROPIO

Sea A una matriz cuadrada de orden n.
Un vector x  0, x  IR es un vector propio (o autovector) de la
n

matriz A si existe un escalar  (real o complejo) tal de

Ax   x

Al escalar  se le llama valor propio (o autovalor) asociado

a la matriz A. Se dice que x es un vector propio de A
asociado al valor propio .

Probar que el vector: x  (0,3,0) es un vector propio

1 0 2
de la matriz A   2 1 1 
 
1 0 0
 
2

1
 OBTENCIÓN DE VALORES Y VECTORES PROPIOS

El vector no nulo x  IR n es un vector propio de la matriz

A si cumple Ax   x
Pasamos todo al primer miembro Ax   x  0
Sacamos factor común a x por la derecha ( A   I ) x  0
 a11   a12 a1n  x1   0 
  
 a21 a22   a2 n  x2   0 

    
    
 an1 an 2 ann    xn   0 
Sistema de ecuaciones homogéneo que siempre tiene solución. Como
buscamos vectores no nulos queremos que el sistema tenga infinitas
soluciones, es decir, que sea un sistema compatible e indeterminado.
3

OBTENCIÓN DE VALORES Y VECTORES PROPIOS

Para que un sistema homogéneo sea compatible e

indeterminado debe verificar que el rango de la matriz del
sistema sea menor que el número de incógnitas:
rg ( A   I )  n  A  I  0
a11   a12 a1n
a21 a22   a2 n 0
an1 an 2 ann  
Por tanto, tenemos una condición necesaria y suficiente para
que  sea un valor propio de la matriz A:
 valor propio de A  A   I  0
4

2
 OBTENCIÓN DE VALORES Y VECTORES PROPIOS

A I  0 ecuación característica de la matriz A

polinomio característico, polinomio de
p ( )  A   I grado n cuyas raíces son los valores
propios de A.
Por tanto, una matriz cuadrada de orden n tiene n valores
propios reales o complejos.
Una vez obtenidos los valores propios, para cada uno de ellos
calcularemos los vectores propios resolviendo el sistema de
ecuaciones homogéneo:
( A  I )x  0
1 0 
Obtener los valores y vectores propios de la matriz A   .
 2 1
5

DIAGONALIZACIÓN DE MATRICES
Si una matriz es diagonal, es sencillo trabajar con ellas:

 d1 0 0
D   0 d2 0   D  d1d 2 d3
 
0 0 d3 

 d1m 0 0 
 
Dm   0 d m
2 0  m  IN
 0 0 d3m 


3
 DIAGONALIZACIÓN DE MATRICES
Una matriz A de orden n es diagonalizable si existe
una matriz invertible P de orden n tal que
P-1 A P = D
siendo D una matriz de orden n diagonal.

Si la matriz A es diagonalizable entonces: A = P D P-1

Si m es un número natural cualquiera se cumple que:

Am = P Dm P-1

Probar que si A es una matriz diagonalizable: A2  PD 2 P 1.

7

DIAGONALIZACIÓN DE MATRICES
TEOREMA:
Sean 1 , 2 , 3 , ,  p todos los valores propios
distintos de la matriz A y sean m1 , m2 , m3 , , m p
sus respectivos órdenes de multiplicidad. La matriz A
es diagonalizable sí y solo sí:
rg ( A  i I )  n  mi , i  1,2, ,p

Corolario (condiciones suficientes):

• Si A tiene n valores propios distintos entonces la
matriz A es diagonalizable.
• Si la matriz A es simétrica entonces es diagonalizable

4
 DIAGONALIZACIÓN DE MATRICES
Ejemplos:
Estudiar si las siguientes matrices son diagonalizables.

1 0 0 1 1 0
A1   1 2 0 A2   1 2 1
   
2 1 5  0 1 5 
 
0 1 0  11 4 8 
A3   0 0 1 A4   0 1 0
   
1 3 3   12 4 9 
 
9

5
 Tema 3. Formas cuadráticas.

3.1. Definición de forma cuadrática.

3.2. Clasificación de una forma cuadrática.
3.3. Formas cuadráticas restringidas.

DEFINICIÓN DE FORMA CUADRÁTICA

n
Una forma cuadrática en IR es una aplicación q : IR n  IR
definida de la siguiente forma:
n n
q ( x )   cij xi x j  c11 x12  c12 x1 x2  ...  c1n x1 xn  ... 
i 1 j 1
 c21 x2 x1  c22 x22  ...  cnn xn2
donde cij  IR, cij  c ji i j cij se denominan coeficientes
x   x1, x2 ,.xn   IR
n de la forma cuadrática

n
Es decir, es un polinomio en IR en el que cada uno de los sumandos
es de grado dos.

Ejemplos:
q( x1 , x2 )  3x12  5 x22  2 x1 x2 Es una forma cuadrática en IR2

q( x1 , x2 , x3 )  2 x1  x22  x1 x2  3x32 NO es forma cuadrática en IR3

1
 FORMAS CUADRÁTICAS:
Expresión matricial de una forma cuadrática:
 c11 c12  c1n   x1 
c c  c2 n   x2 
q ( x )  X AX   x1 , x2 ,..., xn   21 22
t 
      .... 
  
 cn1 cn 2  cnn  xn 
Donde A es una matriz cuadrada de orden n simétrica
que representa a la forma cuadrática.
A partir de la expresión analítica obtenemos la expresión
matricial y viceversa.

FORMAS CUADRÁTICAS

EXPRESIÓN CANÓNICA

Si la matriz asociada a q es diagonal se dice que q

está expresada en forma canónica:

 d1 0  0   x1 
 0   x2 
q ( x )  ( x1 x 2  x n ) 
0 d2

    
0 0  d n   x n 

 d 1 x1  d 2 x 2    d n x n2
2 2

2
 FORMAS CUADRÁTICAS: CLASIFICACIÓN
SEGÚN SU SIGNO
Sea una forma cuadrática q : IR n  IR
 Una forma cuadrática q es definida positiva si
q ( x )  0, x  IR n x  0
 Una forma cuadrática q es definida negativa si
q ( x )  0, x  IR n x  0
 Una forma cuadrática q es semidefinida positiva si
q ( x )  0, x  IR n x  0
 Una forma cuadrática q es semidefinida negativa si
q ( x )  0, x  IR n x  0
Una forma cuadrática q es indefinida si  x , y  IR n
x  0, y  0 tales que q ( x )  0 y q ( y )  0
5

FORMAS CUADRÁTICAS: Criterios de clasificación

Criterio 1. CLASIFICACIÓN A PARTIR DE UNA EXPRESIÓN CANÓNICA

Sea q  x   d1 x12  d 2 x22  d3 x32    d n xn2

q definida positiva di  0, i  1,, n

q definida negativa di  0, i  1,, n

q semidefinida positiva di  0, i  1,, n y  di  0

q semidefinida negativa di  0, i 1,, n y  di  0

q indefinida  d i  0, d j  0
6

3
 FORMAS CUADRÁTICAS: Criterios de clasificación
Criterio 2. CLASIFICACIÓN A TRAVÉS DE LOS MENORES
PRINCIPALES DE LA MATRIZ A

Sea q ( x )  X t AX una forma cuadrática y sean

D1 , D 2 ,  , D n los menores principales de A:
c11 c12  c1n
c11 c12 c21 c22  c2 n
D1  c11 , D2  ,..., Dn  A 
c21 c22    
cn1 cn 2  cnn
Es condición necesaria para que la forma cuadrática
sea definida (positiva o negativa) que A  Dn  0
Es condición necesaria para que la forma cuadrática
sea semidefinida (positiva o negativa) que A  Dn  0
7

Criterio 2. CLASIFICACIÓN A TRAVÉS DE LOS MENORES

PRINCIPALES DE LA MATRIZ A
 Si Dn  0
a) q es definida positiva  Di  0, i  1,, n
b) q es definida negativa  signo  Di    1i , i  1,, n
c) Si no se cumplen a) ni b) q es indefinida.
 Si Dn  0 y Di  0, i  1,, n  1
d) Si Di  0, i  1, , n  1  q es semidefinida positiva
i
e) Si signo Di   1  , i  1, , n  1  q es semidefinida
negativa
f) Si no se cumplen d) ni e) q es indefinida.
 Cuando Dn  0 y algún Di  0, i  1,, n  1
el criterio NO DECIDE

4
 FORMAS CUADRÁTICAS RESTRINGIDAS
Sea una forma cuadrática q : IR  IR, q( x )  X A X
n t

Si X no presenta ninguna restricción X  IR n a la anterior

forma cuadrática la llamamos libre.
Si X pertenece al subconjunto S   X  IR n / BX  0
donde BX = 0 es un sistema de ecuaciones homogéneo
indeterminado, la nueva forma cuadrática restringida será
q : S  IR n  IR
Si la forma cuadrática libre es: la forma cuadrática restringida será:

definida positiva definida positiva

(definida negativa) (definida negativa).
Semidefinida positiva Semidefinida o definida positiva
Semidefinida negativa Semidefinida o definida negativa
Indefinida De cualquier tipo

FORMAS CUADRÁTICAS RESTRINGIDAS

MÉTODO DE SUSTITUCIÓN

Para clasificar las formas cuadráticas restringidas

utilizaremos el método de sustitución. En el sistema
BX=0 despejamos m variables (rango B = m) y las
sustituimos en q ( x )  X t A X obteniendo una nueva
forma cuadrática libre con n-m variables que
clasificamos por su expresión canónica o por menores
principales.

5
 29/08/2018

Tema 4. Funciones de varias variables

4.1. Funciones de varias variables como

instrumentos de modelización económica.
4.2. Dominio y curvas de nivel.
4.3. Continuidad de funciones de varias variables.

Teoría de funciones: la función como

instrumento de modelización económica
f : D  IR  IR
La función real de una variable real es un
instrumento para representar fenómenos x  y  f ( x)
donde “y” (variable dependiente) viene  
explicada por una única causa “x”
variable variable
(variable independiente).
Ej. demanda=f(precio) D=f(p) dependiente independiente

La realidad es más compleja y un

fenómeno o variable dependiente
f : D  IR n  IR
“y” viene explicado por varias
causas o variables independientes. (x1 , x2 , , xn )  y  f ( x1 , x2 , , xn )
Ej: Demanda=f(precio del bien,  
precio complementario, precio
sustitutivo, renta) variable variables
dependiente independientes
D=f(P1,P2,…Pn,R)
2

1
 29/08/2018

Teoría de funciones. Conceptos básicos.

Definición: Una función real de varias variables reales (o de variable
vectorial) es una relación que asigna a cada elemento x de un
subconjunto D de IR n una única imagen real f  x  .
f : D  IR n  IR,
x  f  x ,
 x1 , x2 ,..., xn   f  x1 , x2 ,..., xn  .


Al vector x  x1 , x2 ,..., xn 
lo llamamos vector de variables
independientes, mientras que su imagen es la variable dependiente.
Ejemplos:
f : D  IR 2  IR, g : D  IR 3  IR,
f  x1 , x2   x12  x1e x1 x2 . g  x1 , x2 , x3   x1 cos  x2 ln x3  .
3

Teoría de funciones. Conceptos básicos.

Si el conjunto inicial sobre el que está definida la función es un

subconjunto D de IR entonces tendremos una función real de una
variable real (o de variable real).

f : D  IR  IR,
x  f  x .
f  x   x2
Ejemplos:
La transformación definida por y  x
2
es una
función pues los elementos que tienen imagen tienen
sólo una.

  x   x

Sin embargo, su transformación inversa, y  x y  

2
x
no es una función, porque hay puntos que tienen más de
una imagen.
4

2
 29/08/2018

Teoría de funciones. Conceptos básicos: funciones de

una variable real. Ejemplos
Algunos ejemplos de funciones reales de variable real:

y  ln x

y  ex

y  sen x
y  3x2  2x

Teoría de funciones. Conceptos básicos.

Definición: El dominio de una función f : D  IR  IR es el

n

n
conjunto de vectores de IR que tienen imagen real a través de f . Es
decir, el conjunto de puntos de IR n para los cuales está definida la
función.
D  f   x  IRn / f  x   IR.Es decir, D  f   x  IRn /  f  x 

Ejemplos:
f  x   e2 x ,
f  x   ln x, D  f   IR.
D  f   IR*   x  IR / x  0 .

3
 29/08/2018

Teoría de funciones. Conceptos básicos.

Ejemplos:

f  x    1  x2 ,
D  f    x  IR /1  x 2  0   1,1.

f  x1 , x2   x12  x2 2 ,
D  f   IR 2 .

Teoría de funciones. Conceptos básicos.

Ejemplos:

f  x   72 x ,
D  f   IR.

1
f  x  , f  x   x2x ,
x *
D  f   IR   x  IR / x  0 .
D  f   IR*

4
 29/08/2018

Teoría de funciones. Conceptos básicos.

Ejemplos:

1
f  x  ,
 1  x2
D  f    x  IR /1  x 2  0   1,1 .

f  x1 , x2   ln  x1 x2  , D  f    x1 , x2   IR 2 / x1 x2  0
  x1 , x2   IR 2 / x1 , x2  0 o bien x1 , x2  0 .

Teoría de funciones. Conceptos básicos.

Ejemplos:
x1
f  x1 , x2   ,
x2  1
2

D  f    x1 , x2   IR 2 / x2  1 .

2 x1

f  x1 , x2   e x2 , D  f    x1 , x2   IR 2 / x2  0.
2

f  x1 , x2   10 x1 sen x2 , D  f   IR 2 .

f  x1 , x2   x1x2 , D  f    x1 , x2   IR2 / x1  0.

10

5
 29/08/2018

Teoría de funciones. Operaciones con funciones

Sean f , g : D  IR n  IR dos funciones reales

de varias variables reales. Podemos definir:

 Suma de funciones f  g  x   f  x   g  x 

 Producto por un escalar :   f  x     f  x 

 Producto de funciones:  f  g  x   f  x   g  x 

 Cociente: Si g  x   0, x  D entonces:

 f  f x
  x  
g g x

11

Teoría de funciones. Representación gráfica.

Definición: Gráfica de una función f : D  IRn  IR

G f   x1 , x2 ,..., xn , y   IRn 1 / y  f  x1 , x2 ,..., xn 

Como podemos observar la coordenada que ocupa el lugar n+1 es la

imagen por la función f de las n primeras coordenadas.
Así, la grafica de una función de una variable es una curva en el plano, y la de
una función de dos variables, una superficie en el espacio.

f  x   2x2  3

f  x1 , x2   x12  x2 2 .

6
 29/08/2018

Representación gráfica de funciones de dos

variables: CURVAS DE NIVEL
La representación gráfica de una función de
dos variables y  f  x1 , x2  es una
superficie en el espacio que normalmente es
difícil de representar de forma manual.
Pero existe un modo de representar dicha
función sobre el plano para lo que
emplearemos las llamadas curvas de nivel.

Definición: Se denomina curva de nivel k de la función f

al subconjunto de puntos del dominio en los cuales la función toma
el valor k, es decir:
S k   x1 , x2 ,..., xn   D / f  x1 , x2 ,..., xn   k 

Dando diferentes valores a k obtenemos las diferentes curvas de nivel. El

conjunto de curvas se denomina mapa de curvas de nivel y observándolo se
tiene una idea aproximada de la forma de la superficie.
13

Representación gráfica de funciones de dos

variables: CURVAS DE NIVEL

14

7
 29/08/2018

Representación gráfica de funciones de dos

variables: CURVAS DE NIVEL
Una función de utilidad es una función real que mide la "satisfacción"
o "utilidad" obtenida por un consumidor cuando disfruta vía consumo
de cierta cantidad de bienes.
Se trata de una función que depende de las cantidades consumidas de
n bienes; en el caso más sencillo con solo dos bienes la utilidad será:

Función de utilidad U  f  x1 , x2  cuya representación

gráfica se realiza en IR3

En economía, se utilizan las curvas de esta función y

se denominan curvas de indiferencia, constituidas
por combinaciones de consumo que reportan el mismo
nivel de satisfacción o utilidad.
También se trabaja con las isocuantas que son curvas
de nivel15de la función de producción

Curvas de indiferencia U0  f  x1 , x2 

Representación gráfica de funciones de dos

variables: CURVAS DE NIVEL
f ( x, y )  x 2  y 2

f ( x, y)  e ( x  y2 )
2

16

8
 29/08/2018

Teoría de funciones. Continuidad.

Para estudiar la continuidad de las funciones reales de varias variables
reales nos vamos a apoyar en la continuidad de las funciones
elementales reales de una variable real.
Una función f : D  IR  IR es continua en un punto x0  D si en todo
punto x  D próximo a x0  D el valor de la función f  x  esta
próximo a f  x0  .

La “proximidad” entre dos puntos se estudia utilizando una distancia.

Una función de distancia es una generalización del concepto de
distancia física. Aunque existen infinitas distancias. Nosotros
trabajaremos con la distancia euclídea que es la distancia usual entre
dos puntos.
B

d  A, B   62  52  61  7,81.

A
17

Teoría de funciones. Continuidad.

Geométricamente, una función real de una variable real entenderemos
que es continua si podemos dibujar su gráfica de un solo trazo. Si en
algún punto "se rompe" diremos que presenta una discontinuidad en
dicho punto.

Son continuas en todo su dominio las siguientes funciones elementales

(ver ANEXO):

• Función afín
• Funciones polinómicas
• Función racional
• Función exponencial
• Función logarítmica
• Funciones seno y coseno
f  x   sen x
18

9
 29/08/2018

Teoría de funciones. Continuidad.

Ejemplos:

f x1 , x2  
1
, discontinua sobre los ejes.
x1 x2

f x  
1
, discontinua en 0.
x

19

Teoría de funciones. Continuidad.

Sean f y g dos funciones, ambas continuas en un conjunto D .

Entonces:

1. La función suma, f  g , es continua en D .

2. La función producto, f  g, es continua en D .
3. El producto de una función por una constante, k  f , es
una función continua en D.
4. El cociente de funciones f , es una función continua en
g
 x  D / g  x   0 , es decir, siempre que no se anule el
0

denominador.

20

10
 29/08/2018

Teoría de funciones. Continuidad.

Ejemplos:


f x   x 2 e 2 x1 ln cos x 3  es continua en su dominio
D  f   x  IR / cos x3  0.

 
f x1 , x2   sen x12  2x1x2 es continua en su dominio
D  f    x1 , x2   IR2 / x1  0.


f x1 , x2   ln x1  7 x2  es continua en su dominio
D  f    x1 , x2   IR2 / x1  7 x2  0.

 
f x1 , x2   tg x1 x2 2 es continua en su dominio (a tramos)

D  f    x1 , x2   IR 2 / cos  x1 x2 2   0 . 
f x1 , x2  
x1 x2
es continua en su dominio D  f   IR 2 .
x12  1
21

ANEXO: Funciones elementales.

1. Función afín, f  x   ax  b, a  0, a, b  IR. D  f   IR

Su gráfica es una recta, con pendiente positiva o negativa dependiendo del
signo del coeficiente a .

En el caso particular b  0 , a la función se le llama función lineal:

f  x   ax, a  0

f  x   5x  2

22

11
 29/08/2018

ANEXO: Funciones elementales.

2. Función cuadrática,

f  x   ax 2  bx  c, a  0, a, b, c  IR. D  f   IR
Su gráfica es una parábola, con forma de u o de u invertida
dependiendo del signo del coeficiente a .

f  x   2x2  3

En general, una función polinómica tiene como expresión analítica:

f  x   an x n  an 1 x n 1   a1 x  a0 , ai  IR.

ANEXO: Funciones elementales.

3. Funciones racionales,

Pn ( x)
f  x  , Pn ( x) y Qn ( x) son polinomios en x
Qn ( x)

D  f    x  IR / Qn ( x)  0 .

2x  1
f  x 
Por ejemplo: 3x  1
ax  b
f  x  , a, b, c, d  IR, c  0.
cx  d

Su gráfica es una hipérbola.

24

12
 29/08/2018

ANEXO: Funciones elementales.

4. Función exponencial, f  x   a x , a  IR, a  0 y a  1.

Esta función es creciente o decreciente en todo su dominio
dependiendo de que el parámetro a sea mayor o menor que uno.

x
1
f  x   
2
f  x   2x

Tiene especial importancia la función exponencial

con base el número e .

f  x   ex
f  x   ex
D  f   IR
25

Teoría de funciones. Funciones elementales.

5. Función logarítmica,

f  x   log a x, a  IR, a  0 y a  1.
y  ln  7 x 
Esta función es creciente o decreciente y  ln x  x
y  ln  
en todo su dominio dependiendo de que a 7
sea mayor o menor que uno.

Tiene especial importancia la función

logarítmica con base e ,

f  x   ln x. D  f    x  IR / x  0 .

26

13
 29/08/2018

Teoría de funciones. Funciones elementales.

6. Funciones trigonométricas,

f1  x   sen x, f 2  x   cos x, f 3  x   tg x,...

f1  x   sen x f 2  x   cos x f 3  x   tg x 
sen x
cos x

D  f1   IR D  f 2   IR D  f 3    x  IR cos x  0
27

14
 Tema 5. Derivabilidad y diferenciabilidad de
funciones de varias variables
5.1. Derivadas parciales. Vector gradiente.
5.2. Derivadas de orden superior. Matriz Hessiana.
5.3. Diferenciabilidad y diferencial de una función.
5.4 Polinomio de Taylor
5.5. Funciones compuestas.
5.6. Funciones implícitas.

DERIVADA DE UNA FUNCIÓN DE UNA VARIABLE

DEFINICIÓN: Una función f :  a, b  Ž IR o IR es derivable en un
punto x0   a, b  si existe y es real el límite

f ( x0  h)  f ( x0 ) df
lim f '  x0  =  x0 
ho0 h dx

f x 
f a  h Si en el anterior dibujo
tomamos un h 0
f a  h   f a  observamos que la
derivada representa la
f a pendiente de la recta
tangente a la gráfica en el
a ah x
punto a
h
 DERIVADA DE UNA FUNCIÓN DE UNA VARIABLE

INTERPRETACIÓN DE LA DERIVADA:
La derivada representa ritmos de cambio o tasas de variación:
f '( x0 ) proporciona la variación de la función f ( x) por unidad de
incremento de la variable independiente a partir del punto x0 si bien
matemáticamente sólo tiene sentido para incrementos infinitesimales de la
variable independiente.

Ejemplo: La derivada de la función f x  2x 3

f ' x 
en el punto x=1 es 2
6x
f ' 1 6

Así, en el punto x=1 la función crece

aproximadamente a una tasa de 6 unidades por
unidad de variación en la variable x.

Funciones de una variable: la derivada

Definición: La función derivada de f es una función

f ' : D Ž IR o IR
que asigna a cada elemento x  D el valor de su derivada
en el punto x .

Proposición: (Relación entre continuidad y derivabilidad). Sea

f : D Ž IR o IR

Si f es derivable en x  D , entonces es continua en x.

f derivable en x Ÿ f continua en x


 Conjuntos abiertos de IR n
Obsérvese que para estudiar la derivabilidad de una función real de una variable real
su dominio es un intervalo abierto. Para funciones reales de varias variables reales
necesitamos que el dominio D sea un conjunto abierto de IR n .

Intuitivamente, en IR con n ! 1 , un conjunto D es abierto si todos los puntos

n

“suficientemente próximos” a puntos de D siguen perteneciendo a D .

Cerrado
Abierto

Ni abierto
ni cerrado

FRONTERA

FUNCIONES DE VARIAS VARIABLES: derivadas parciales

y f ( x) En las funciones de una variable real, un

incremento en la variable nos desplaza en una
dirección única, la de la recta real.
Por ello, la derivada de una función en un punto
es única.
x
9 Para funciones de varias variables, un
incremento a partir de un punto nos
puede desplazar en infinitas direcciones
distintas lo que da lugar a infinitas
derivadas de una función en un punto.
Estudiaremos las derivadas cuando nos
movemos en las direcciones de los ejes
x1
de coordenadas, es decir, cuando una de
las variables cambia mientras las otras
permanecen constantes: las DERIVADAS x2
PARCIALES.
FUNCIONES DE DOS VARIBLES: Derivada parcial respecto a x1

f : D Ž IR 2 o IR (D abierto) y f (x ) f ( x1 , x2 )

Supongamos una variación en la variable x1 x2

mientras x2 permanece constante
Cociente de incrementos:
0 x0 x1
0
, x20  x 1
0
 'x1 , x20 
f ( x1  'x1 , x 2 )  f ( x1 , x 2 )
0 0 0 0 x2

'x1
Si los incrementos son infinitesimales
f ( x10  'x1 , x 20 )  f ( x10 , x 20 ) x10 x10  'x1
lim
'x1 o 0 'x1
Este límite, si existe, es la derivada parcial de f respecto a x1 y se denota
por:
wf wy
 x0   x0  f xc1  x0  y cx1  x0 
wx1 wx1

FUNCIONES DE DOS VARIBLES: Derivada parcial respecto a x2

f : D Ž IR 2 o IR (D abierto) y f (x ) f ( x1 , x2 )
Supongamos una variación en la variable x2
mientras x1 permanece constante
x20  'x2
Cociente de incrementos:
f ( x10 , x 20  'x2 )  f ( x10 , x 02 )
x2 0 x0 x1
0
, x20 
'x2
Si los incrementos son infinitesimales
f ( x10 , x 02  'x2 )  f ( x10 , x 02 ) x10 x1
lim
'x2 o 0 'x2
Este límite, si existe, es la derivada parcial de f respecto a x2 y se denota
por:
wf wy
 x0   x0  f xc2  x0  y cx2  x0 
wx2 wx2
 FUNCIONES DE VARIAS VARIABLES: derivada parcial
n-ésima
En general, la derivada parcial de una función de varias variables f ( x1 , x2 ,..., xn )
0 0 0
respecto a la variable xi en un punto ( x1 , x 2 ,....x n ) se obtiene cuando xi
cambia y las demás variables permanecen constantes y se define como el
siguiente límite, si existe

§ wf ·
lim
  
f x10 ,.., xi0  'xi ,..x n0  f x10 ,., xi0 ,..x n0 
¨ ¸
© wxi ¹ x0 'xi o0 'xi

FUNCIÓN DERIVADA PARCIAL

wf
: D Ž IR n o IR
wxi
wf
xo (x )
wxi

Interpretación de las derivadas parciales

Las derivadas parciales de una función f ( x1 , x2 ,..., xn ) nos permiten

conocer cómo se comporta la función (o variable dependiente) ante un cambio
(infinitesimal) en una de las variables independientes cuando permanecen
constantes las restantes variables independientes (ceteris paribus).

Para interpretar la derivada parcial hay que fijarse en:

su signo: indica si la función es creciente o decreciente respecto de dicha

variable,
su valor: indica cuál es el impacto o la tasa de variación de la función ante un
cambio muy pequeño en la correspondiente variable independiente.
 Interpretación de las derivadas parciales
Supongamos que la producción total de un país Q es función de las cantidades
utilizadas de capital (K) y trabajo (L) , Q = f (K , L) y que las respectivas funciones de
los países A y B son
f A ( K , L) Ln  4 K 2 L(1/2) 
1 (1/2) (1/2)
f B ( K , L) K L
5
a) Si en el país A se utilizan K = 20 y L = 15 , estudiar si tendría mayor impacto
sobre la producción una aumento en el factor capital (permaneciendo el trabajo
constante) o un aumento en el factor trabajo (permaneciendo el capital
constante).
b) Comparemos ahora el país A con el país B, K = 9 y L = 25 ¿Para cuál de ellos
sería más interesante aumentar la dotación del factor capital permaneciendo el
factor trabajo constante? Explicar el por qué.

FUNCIONES DE VARIAS VARIABLES: vector

gradiente
VECTOR GRADIENTE
Sea f : D Ž IR o IR, y f (x ) f ( x1 , x2 ,....xn )
n

El vector gradiente es un vector cuyas componentes son las

derivadas parciales de la función f : D Ž IR o IR
n

§ wf wf wf ·
’f  x  ¨  x  ,  x  ,...  x  ¸
© wx1 wx2 wxn ¹
RELACIÓN CONTINUIDAD-DERIVABILIDAD

f x Ÿ Existen derivadas

continua 

parciales de
f (x)
 FUNCIONES DE VARIAS VARIABLES: derivadas sucesivas

Sea f : D Ž IR n o IR, y f (x ) f ( x1 , x2 ,....xn )

wf wf wf
Sus derivadas parciales , ,... son a su vez funciones que
wx1 wx2 wxn
dependen de las variables ( x1 , x2 ,....xn ) y , por tanto, se pueden calcular las
derivadas parciales de estas funciones. A estas nuevas derivadas las llamaremos
derivadas parciales segundas o de orden 2.
wf
Las derivadas parciales segundas de se denotan por:
wx1
w2 f w2 f w2 f
, ,... que vuelven a ser funciones y se
wx12 wx1wx2 wx1wxn
pueden volver a derivar obteniéndose las derivadas parciales terceras:
w3 f w3 f Así sucesivamente se puede seguir derivando.
,...
wx1 wx2 wx1wx2wxn
2

FUNCIONES DE VARIAS VARIABLES: Matriz Hessiana

Es una matriz cuadrada de orden n cuyos elementos son las n × n derivadas

parciales de segundo orden de la función
f : D Ž IR n o IR, y f (x ) f ( x1 , x2 ,....xn )

§ w2 f w2 f w2 f ·
¨ (x ) ( x ) ..... (x ) ¸
w x
¨ 1 1 wx wx1wx2 wx1wxn ¸
¨ w2 f w2 f w f
2 ¸
¨ (x ) (x ) ... (x ) ¸
Hf ( x ) w
¨ 2 1
x w x wx2 wx2 wx2 wxn ¸
¨ ... .... ... ... ¸
¨ ¸
¨ w2 f w2 f w f
2
¸
¨ (x ) (x ) ... (x ) ¸
w
© n 1
x w x wxn wx2 wxn wxn ¹
 DIFERENCIABILIDAD y DIFERENCIAL
En ocasiones tenemos que trabajar con una función complicada y tratamos
de hallar una función sencilla que se aproxime a ella. Lo más sencillo es
aproximar con una función lineal. Si la función y= f (x) es derivable en x0
podemos aproximar con la recta tangente a la gráfica de la función f (x) en
el punto (x0 , f (x0)).
f ( x ) | f ( x0 )  f '( x0 )( x  x0 )

f  x0  'x 
f ( x0 )  f '( x0 )( x  x0 )
f  x0 
Recta tangente a f(x0) en x0,
(aproximación
lineal a la función)
x0 x0  'x

DIFERENCIAL de una función de una variable

Consideremos una función derivable y f ( x), f : D Ž IR o IR
y designemos por dx una variación pequeña en la variable x.
Se denomina diferencial de la función f (x) en el punto x0 a la expresión
f '( x0 ) dx que denotaremos por: ݂݀௫೚
La diferencial sirve para aproximar el incremento experimentado por la función
al pasar del punto x0 al punto x0 + dx.

f ( x) f ( x0 )  f '( x0 )( x  x0 )  Error
f  x0  dx 
(rror f ( x) | f ( x0 )  f '( x0 )( x  x0 )
݂݀௫೚ f ( x)  f ( x0 ) | f '( x0 )dx
f  x0 
'f | df xo f '( x0 )dx
x0 x0  dx
 DIFERENCIAL de una función de varias variables
Consideremos una función de varias variables y un punto de su dominio
f : D Ž IR n o IR , y f ( x1 , x2 ,...xn ) y x0 ( x1o , x20 ,...xn0 )  D
Y supongamos que existen todas las derivadas parciales de la función en x0.
Designaremos por dx1, dx2,…, dxn los incrementos arbitrarios de las
variables independientes. Se define la diferencial de la función en dicho punto
como
wf wf wf
df x0 (dx) ( x0 ) ˜ dx1  ( x0 ) ˜ dx2    ( x0 ) ˜ dxn
wx1 wx2 wxn

•ƒ†‘‘–ƒ…‹×˜‡…–‘”‹ƒŽ df x0 (dx)=’f x0  . dx
f ( x0  dx)  f ( x0 ) # ’f  x0  . dx
Si los valores absolutos de dx1, dx2,…, dxn son pequeños entonces, la
diferencial proporciona una aproximación al incremento de la función

DIFERENCIABILIDAD
No todas las funciones son diferenciables entonces ¿CÓMO SABER SI UNA
FUNCIÓN ES DIFERENCIABLE?
Para responder a esta pregunta no disponemos de una sola condición
necesaria y suficiente. Hemos de recurrir a las condiciones necesarias o
bien a la condición suficiente.
CONDICIONES NECESARIAS DE DIFERENCIABILIDAD:
1.- Si f es diferenciable en —’—–‘x0 entonces f es continua en x0

2.- Si f es diferenciable en —’—–‘x0 existen todas las derivadas parciales

f
x
0
x 0

de f en dicho punto

Como consecuencia de las propiedades anteriores:

9 Si una función no es continua no es diferenciable.
9 Si no existe alguna derivada parcial no es diferenciable.
 DIFERENCIABILIDAD

CONDICION SUFICIENTE DE DIFERENCIABILIDAD:

Si existen todas las derivadas parciales de f ( x )

x
en un entorno de x00 y son funciones continuas en dicho
punto entonces dicha función es diferenciable en x0

¡OJO! Si se cumple la condición suficiente, podemos

asegurar que la función es diferenciable. Pero, si esta
condición no se cumple puede serlo o no, es decir, no
podemos asegurar nada.

DIFERENCIABILIDAD
Funciones de Clase 1:
f es de clase uno en su dominio ‹f ‡•†‡…Žƒ•‡
—‘…—’Ž‡Žƒ
f  C1 ( D) …‘†‹…‹×
si existen todas las derivadas parciales •—ˆ‹…‹‡–‡†‡
†‹ˆ‡”‡…‹ƒ„‹Ž‹†ƒ†
de f en D y son continuas en D. ›ǡ’‘”–ƒ–‘ǡ‡•
†‹ˆ‡”‡…‹ƒ„Ž‡Ǥ

Funciones de clase k:
f es de clase k en su dominio
f  C k ( D)
si existen todas las derivadas parciales
de f en D hasta el orden k y son
continuas en D.
 DIFERENCIABILIDAD
RELACIÓN CONTINUIDAD, DERIVABILIDAD Y DIFERENCIABILIDAD

f :DŽ RoR

Ÿ
 œ
f continua
 f derivable f diferenciable

f : D Ž Rn o R

f continua
Ÿ
 tiene Ÿ f diferenciable

f
 parciales
 ž 
f  C1

POLINOMIO DE TAYLOR
f : D Ž R n o R El objetivo de este apartado es
‡ƒ—ƒˆ—…‹×.
obtener el polinomio que mejor se aproxime a la función en puntos
“suficientemente próximos” a un determinado punto x0.
Ya hemos visto cómo se realiza
‘Ž‹‘‹‘†‡ƒ›Ž‘” la aproximación lineal a partir de
la diferencial.
y f ( x) Si la aproximación lineal no es
suficientemente precisa, se
propone una aproximación
mediante un polinomio de grado
2 (función cuadrática) o un
polinomio de grado superior a 2.

x0
La función y el polinomio se
‡–‘”‘†‡ x0 comportan de manera
aproximada cerca del punto y por
f ( x0  'x ) | P( x0  'x ) eso, en muchos casos es posible
trabajar con el polinomio en lugar
de hacerlo con la función.
 POLINOMIO DE TAYLOR
POLINOMIO DE TAYLOR de grado 2
Sea f : D Ž IR n o IR una función de clase tres f  C 3 ( D) y sea
x0 ( x10 , x20 ,..xn0 )  D Entonces en un “entorno” del punto , x0 ,
podemos construir un polinomio de grado 2 que aproxima a la
función: 1 t
P( x0  h ) f ( x0 )  ’f ( x0 )h  h Hf ( x0 ) h
2

o bien, si llamamos x x0  h ( x10 , x20 ,..xn0 )  (h1 , h2 ,..., hn )

1
P( x ) f ( x0 )  ’f ( x0 )( x  x0 )  ( x  x0 )t Hf ( x0 )( x  x0 )
2
Nota. Para el polinomio de Taylor de orden dos necesitamos:
• el valor de la función en el punto,
• las derivadas parciales de primer orden en el punto y
• las parciales de segundo orden en el punto

POLINOMIO DE TAYLOR
Al desarrollar la expresión del polinomio de Taylor de
grado dos nos queda la siguiente fórmula:

1 t
f ( x0  h ) | P ( x0  h ) f ( x0 )  ’f ( x0 )h  h Hf ( x0 ) h
2
n
wf 1 n n
w2 f
f ( x0 )  ¦ ( x0 )hi  ¦ ¦ ( x0 )hi h j
i 1 wxi 2 i 1 j 1 wxi wx j

Recordemos que el polinomio de Taylor de grado uno se

obtendría a partir de la diferencial:
n
wf
f ( x0  h ) | P( x0  h ) f ( x0 )  ’f ( x0 )h f ( x0 )  ¦ ( x0 )hi
i 1 wx i
 POLINOMIO DE TAYLOR
La diferencial de f en un punto x0 es una aproximación al incremento
que experimenta la función al pasar de x0 al punto x0  h

f ( x0  h)  f ( x0 ) | df x0 (h ) ’f  x0  h

A veces, en lugar del incremento, nos interesa conocer el valor de la función en

x0  h . Esto lo podemos hacer despejando en la fórmula anterior lo que da
lugar a la aproximación lineal (polinomio de Taylor de orden 1):

f ( x0  h) | f ( x0 )  df x0 (h ) f ( x0 )  ’f  x0  h

o bien usando una aproximación cuadrática (polinomio de Taylor de grado

orden 2), en cuyo caso cometeremos un menor error:
1 t
f ( x0  h ) | f ( x0 )  ’f ( x0 ) ˜ h  h ˜ Hf ( x0 ) ˜ h
2

POLINOMIO DE TAYLOR

Observaciones:

• El Polinomio de Taylor de una función diferenciable es una forma de

aproximar ésta mediante una función más manejable.

• En general, las funciones que aparecen en cualquier proceso real suelen

ser bastante complejas, mientras que una función polinómica es sencilla de
trabajar con ella.

• El polinomio de Taylor permite aproximar una función en un entorno de

un punto cometiendo un error que será más pequeño cuanto mayor es el
grado del polinomio.

• El polinomio de Taylor, a diferencia de la diferencial, aproxima al valor de

la función en un punto no el incremento de la misma al pasar de un punto a
otro.
 Comparación entre los Polinomios de
Taylor de grado 1 y 2
Suponga que en el país A consiguen aumentar la dotación de capital y la
cantidad de trabajo de K=20, L=15 a K=20.5 y L=15.3 ¿Cuál sería
aproximadamente la producción total tras dichos incrementos?
wf A 1 wf A 11
f A ( K , L) ln  4 K 2 L(1/ 2)  ( K , L) 2 ( K , L)
wK K wL 2L
f A (20,15) 8.731784
wf wf
P(20  h1 ,15  h2 ) f (20,15)  (20,15).h1  (20,15).h2
wK wL
'K h1 20.5  20 0.5 'L h2 15.3  15 0.3
§ 1 · § 1 · 1 1
P(20  h1 ,15  h2 ) 8.731784  ¨ 2 ¸ h1  ¨ ¸ h2 2 0.5  0.3
© 20 ¹ © 30 ¹ 20 2 u 15
8.731784  0.06 8.791784
¿Sería posible una aproximación mejor? ---Æ Polinomio de Taylor de
orden 2.

Comparación entre los polinomios de Taylor de grado 1 y 2

§ 1 · § 1 · § 1 ·

¨ K22 0¸ 2
¨ 202 0 ¸ 
¨ 200 0 ¸
Hf A ( K , L) ¨ ¸ Hf A (20,15) ¨ ¸ ¨ ¸
¨¨ 0 1 1¸ ¨¨ 0 1 1 ¸ ¨¨ 0 1 ¸
 2¸  ¸  ¸
© 2L ¹ © 2 152 ¹ © 450 ¹
1 t
P( x0  h ) f ( x0 )  ’f ( x0 ) ˜ h  h ˜ Hf ( x0 ) ˜ h
2
§ 1 0 · §h ·
P ( x0  h ) f (20,15)  1
10 1  § h1 · 1
˜ ¨ ¸   h1 h2  ˜
30 h2
© ¹ 2
¨
¨ 0
200
1
¸˜ 1
¸ ©¨ h2 ¸¹
© 450 ¹

h1 0.5 h2 0.3 P (20.5, 15.3) f (20,15)  1 

10
1  § 0.5 ·
˜¨
30 © 0.3 ¸¹


§ 1 0 · § 0.5 ·
1 200
  0.5 0.3 ˜ ¨ ¸˜ 8.7314  1 0.5  1 0.3 
¸ ¨© 0.3 ¸¹
10 30
2 ¨ 0 1
© 450 ¹
1/ 2( 1 200 .0.52  1 450 .0.32 ) 8.78415
 02/09/2018

FUNCIONES COMPUESTAS
FUNCIONES COMPUESTAS
Consideremos una empresa cuyos beneficios (y) dependen de las ventas de n
productos 𝑥1 , 𝑥2 , . . . . 𝑥𝑛 : y  f ( x )  f ( x , x ,....x )
1 2 n
Sea f : D  IR n  IR, y  f ( x )  f ( x1 , x2 ,.... xn )
Si cada una de las variables independientes de la función depende a su
El beneficio es la variable a explicar (dependiente) y las variables que
vez, de otras variables, es decir x1  g1 (t1 , t2 , tm ),
explican este fenómeno son las ventas de los productos 𝑥1 , 𝑥2 , . . . . 𝑥𝑛 .
x1  g1 ( p1 , P ) x2  g 2 (t1 , t2 , tm ), ,
Un análisis en profundidad nos lleva a determinar que las xn  g n (t1 , t2 , tm )
ventas de cada producto dependen a su vez del precio x2  g 2 ( p2 , P )
entonces se define la función compuesta F (sustituyendo)
del mismo pi y del gasto total en publicidad P.
y  f ( x1 , x2, ..., xn )  f ( g1 (t1 , t2, ..., tm ),..., g m (t1 , t2, ..., tm ))  F (t1 , t2, ..., tm )
p1 xn  g n ( pn , P )
Observamos que la variable dependiente y que inicialmente dependía de las
x1 P POR TANTO, las variables últimas que explican el variable ( x1 , x2 , , xn ) depende en última instancia de las variables (t1 , t2 , , tm )
x2 p2 beneficio de la empresa son los precios y el gasto en
y publicidad, a través de una función que llamaremos El objetivo de este parte del tema es obtener las derivadas parciales y la
P diferencial de la función compuesta
… pn
la función compuesta.
y  F (t1 , t2 , , tm )
xn
P y  F ( p1 , p2 ,..., pn , P)

1
 02/09/2018

FUNCIONES COMPUESTAS Derivadas y diferencial de la función compuesta

Sea la función y  f ( x1 , x2 ,.... xn ) donde a su vez
Si f ( x1 , x2 , , xn ) es diferenciable en x0 y cada una de las
funciones xi  gi ( t ), i  1, , n es diferenciable en t0  f ( x0 )
x1  g1 (t ); x2  g 2 (t ); xn  g n (t )
entonces la función compuesta y  F (t1 , t2 , , tm ) es Esquema de dependencia

diferenciable en t0 y su diferencial es: x1  t La derivada de la función compuesta es:

dF F dx1 F dxn
 F   F 
y     
 dt1  ...   xn  t
dt x1 dt xn dt
dF( t0 )   dtm
 t1  ( t0 )  tm  ( t0 )
Función compuesta:
y  F (t ) Diferencial de la función compuesta en to
dF
Para obtener la expresión de las derivadas y de la diferencial dFto  (t0 )  dt
dt
aplicamos la REGLA DE LA CADENA.

2
 02/09/2018

Derivadas y diferencial de la función compuesta Derivadas y diferencial de la función compuesta

Caso general Caso general Las derivadas parciales de la función compuesta
t1 z  f ( x )  f ( x1 , x2 ,....xn ) t1 son:

x1  g1 (t1 , t2 , tm ); F F x1 F xn

x1 x1     
x2  g 2 (t1 , t2 , tm ); t1 x1 t1 xn t1
tm tm
xn  g n (t1 , t2 , tm )
y y F F x1 F xn
    
t1 t1 tm x1 tm xn tm
Sustituyendo
xn xn
y  f ( x1 , x2, ..., xn )  Diferencial de la función compuesta en t0
tm tm
 f ( g1 (t1 , t2, ..., tm ),..., g m (t1 , t2, ..., tm )); dF to   F ( t0 )  dt 
Función compuesta: y  F (t1 , t2, ..., tm )
Función compuesta:
 F   F 
y  F (t1 , , tm ) y  F (t1 , , tm )   dt1  ...    dtm
 t1 ( t0 )  tm ( t0 )

3
 02/09/2018

FUNCIONES IMPLICITAS
FUNCIONES IMPLÍCITAS
Ejemplo 2: z   6  x 2  y 2 ;
x2  y 2  z 2  6  0
z  6  x 2  y 2
Las funciones generalmente vienen dadas de forma explícita
y  f  x  , donde y es la variable dependiente y x el vector de
En este caso la ecuación no define una única función.

variables independientes. Ejemplo 3:

Pero hay ocasiones en las que la función viene definida de forma 3x 2 yz  yLn  x   3 x  f  y, z 
implícita a partir de una ecuación
No puedo despejar la x , y sin embargo existe una función (implícita) que a
 ( x1 , x2 ,..., xn , y )  C cada par (y , z) le hace corresponder un único x real.

Ejemplo 1.
y   x1  x2
2 2 En esta parte del tema vamos a estudiar cuando podemos
x1  x2  y  0
2 2
asegurar que una ecuación define implícitamente a una variable
La ecuación define una función: y  f  x1 , x2  como función de las restantes variables.

4
 02/09/2018

FUNCIONES IMPLICITA: Teorema de existencia

FUNCIONES IMPLICITAS: Teorema de existencia
Dada una ecuación  ( x1 , x2 ,..., xn , y)  C y un punto
En resumen:
P0  ( x10 , x 02 ,..., x 0n , y 0 ) tal que:
Si se cumplen las condiciones a), b) y c) diremos que la ecuación
    ( x1 , x2 ,..., xn , y)  C
 ( x 0 , x 0 ,..., x 0 , y 0 )  C b) las funciones ,..., ,
a) 1 2 n x1 xn y define implícitamente a y como función de ( x1, x2, … , xn )
existen y son continuas en un en un “entorno” del punto P0 . Además dicha función es DIFERENCIABLE y
 entorno del punto P0
c) ( P0 )  0 podremos obtener sus parciales
y y y
,...,
entonces existe un entorno del punto P0 y una única función x1 xn
y  f ( x1 , x2, ..., xn ) tal que y su diferencial en el entorno del punto.
1) y  ( x1 , x 2 ,..., x n )
0 0 0 0

2)   x1 , x2 ,..., xn , f  x1 , x2 ,..., xn    C
IMPORTANTE.
•Las condiciones del teorema son solo condiciones suficientes .
3) la función implícita y  f ( x1 , x2, ..., xn ) es continua y •El teorema es local, define una función implícita en el “entorno” de un punto.

diferenciable en un entorno del punto

5
 02/09/2018

Derivadas parciales de una función implícita Diferencial de una función implícita

El objetivo de este apartado es obtener las derivadas parciales de una Consideremos que existe una función definida implícitamente
función que está definida implícitamente y  f ( x1 , x2, ..., xn )
Sea una ecuación  ( x1 , x2 ,..., xn , y)  C que define implícitamente a a través de una determinada ecuación.
y  f ( x1 , x2, ..., xn )
La diferencial de la función implícita será:
x1
 ( x1 , x2 ,..., xn , y)  C y y
x2 Tomando la ecuación derivo los dyx  y ( x ).dx  dx1  ...  dxn
 dos miembros respecto a xi usando la regla de la cadena x1 xn
…
xn x1(ver esquema de dependencia) Y para obtenerla necesitamos las derivadas parciales

x2  y y y Que obtendremos usando la regla


, ,..., y x
y   y y x x1 x2 xn de la cadena  i

…  0  i xi
xn xi y xi xi  y

y

6
 02/09/2018

FUNCIONES IMPLICITAS

Determinar si la expresión   x, y   xy  sen  x  y   0 , define implícitamente

y  f x  en un entorno del punto 0,0 . En caso afirmativo obtener su derivada
en el punto.

Determinar si la expresión   x, y, z   sen  x  z   e y  z  1  0 , define

implícitamente la función z  f x, y  en un entorno del punto 0,0,0. En caso
afirmativo obtener dz .

Supongamos que la expresión  Q, K , L   QK 2 L  e LK  0 define

implícitamente a la cantidad producida como función del número de unidades
utilizadas de factor trabajo y factor capital. Determinar las productividades
marginales de los dos factores productivos anteriormente mencionados.

7
 30/08/2018

Tema 6. Funciones Homogéneas.

6.1. Concepto de función homogénea.

6.2. Propiedades de las funciones homogéneas.
6.3. Aplicaciones económicas.

Se dice que la función f : D  IR n  IR es homogénea de

grado m (m  IR ) si para todo ( x1 , x2 , , xn )  D y t  0
se verifica que:

f (tx1 , tx2 , , txn )  t m f ( x1 , x2 , , xn )

Se requiere que se cumpla la propiedad de que :

x  D y t  0  tx  D

En este tema se supondrá que esta propiedad siempre se cumple y

que el dominio de la función, D, es un conjunto abierto.

1
30/08/2018

2
 30/08/2018

1) Suma de funciones homogéneas

Sean f : D  IR n  IR y g : D  IR n  IR dos funciones

homogéneas del mismo grado m. Entonces la función suma
( f  g ): D  IR  IR n
es homogénea de grado m

Demostración:
( f  g )(tx )  f (tx )  g (tx )  t m f ( x )  t m g ( x ) 
 t m [ f ( x )  g ( x )]  t m ( f  g )( x )

3
 30/08/2018

2) Producto de un escalar por una función homogénea.

Sea f : D  IR n  IR función homogénea del grado m

y k un número real entonces la función (k f ): D  IR n  IR

es homogénea de grado m.

Demostración:

(k f )(tx )  k f (tx )  k t m f ( x )  t m [k f ( x )] 

 t m (k f )( x )

3) Producto de funciones homogéneas.

Sean f : D  IR n  IR y g : D  IR n  IR dos funciones

homogéneas de grados m y n. Entonces el producto de ambas
f . g : D  IR n  IR es una función homogénea de grado (m  n).
Demostración:
( f .g )(tx )  f (tx ).g (tx )  t m f ( x ).t n g ( x ) 
 t m  n [ f ( x ).g ( x )]  t m  n ( f .g )( x )
Entonces f .g es homogénea de grado m  n.

4
 30/08/2018

4) Cociente de funciones homogéneas.

Sean f y g dos funciones reales homogeneas de grado m y n,
respectivamente, si g ( x )  0 en D entonces el cociente
es una función homogénea de grado (m  n ).

Demostración:

( f / g )(tx )  f (tx ) / g (tx )  t m f ( x ) / t n g ( x ) 

 t m n [ f ( x ) / g ( x )]  t m n ( f / g )( x )

5
 30/08/2018

5) Derivadas parciales de una función homogénea

Sea f una función homogénea de grado m. Entonces

sus derivadas parciales son funciones homogéneas de
grado m  1.
En general: sus derivadas parciales de orden p son
funciones homogéneas de grado m  p.

Para las funciones homogéneas que admiten derivadas parciales continuas en

su dominio (funciones de clase 1) se tiene un resultado muy importante, una
condición necesaria y suficiente, para que la función sea homogénea:

Teorema de Euler

Sea f  C1 ( D), D abierto

f es una función homogénea del grado m.

para cada punto x  D : x f ( x )  m f ( x )

es decir:
f f f
x1 ( x1 ,..., xn )  x2 ( x1 ,..., xn )  ...  xn ( x1 ,..., xn )  m f ( x1 ,..., xn )
x1 x2 xn

6
 30/08/2018

Sea la función de producción:

3 1
Q  f  K , L   14 K 4 L2
¿Cómo se verá afectada la producción si ambos factores varían en
la misma proporción? Por ejemplo, si se duplican.

3 1 3 1 3 1 5

f  2 K , 2 L   14  2 K  4  2L  2 2 14 K L  2 f ( K , L)
4 2 4 2 4

5
5
Como  1  2 4  2  El cambio que se produce en la producción es
4
mayor que el que se produce en los factores.

Q ( K1 , K 2 , ..., K n ), donde K1 , K 2 , ..., K n son las unidades empleadas

de los factores productivos.
Si Q es homogénea de grado m :
Q (tK1 , tK 2 , ..., tK n )  t mQ ( K1 , K 2 , ..., K n )
según los valores de m:
m  1  Rendimientos constantes a escala (homogeneidad lineal).
m  1  Rendimientos crecientes a escala.
m  1  Rendimientos decrecientes a escala.
Caso especial m = 0  Aumentar t veces los inputs
no hace variar la cantidad producida.

7
 30/08/2018

Función de Producción Cobb - Douglas : Q( K , L)  A K  L ,

donde A es una constante positiva (A  0), L y K son las unidades del factor
trabajo y factor capital empleadas, respectivamente y  ,   IR con  ,  >0.

Esta función de producción Cobb-Douglas es homogénea de grado    :

Q( K ,  L)  A ( K ) ( L)  =A   K    L =
     AK  L =    Q( K , L)

De aquí podemos deducir que hay:

- Rendimientos constantes a escala si     1

- Rendimientos crecientes a escala si    >1.
- Rendimientos
15
decrecientes a escala si    <1.

Ejemplo:

Los ingresos de una empresa se obtienen por la venta

de su producto a un precio p más una subvención de
7 u.m. por cada unidad de trabajo empleada.
Si la función de producción de esta empresa presenta
rendimientos constantes a escala,
estudiese si la función de ingresos es homogénea y
de qué grado.

8
 30/08/2018

La funcion de ventas sería el precio por la producción

V ( K , L)  p Q( K , L)
Como Q( K , L) es homogénea de grado 1, se tiene que
la función de ventas también es homogénea de grado 1.
La subvención obtenida es Sub( K , L)  7 L.

una función lineal sin término independiente y, por tanto,

es homogénea de grado 1.

La función de ingresos es la suma de dos funciones

homogéneas de grado 1 definidas en el mismo conjunto, por
lo que también es homogénea de grado 1.

I ( K , L)  V ( K , L)  Sub( K , L).

Función de demanda del bien D1:

D1  p1 , p2 , ..., pn , Y  ,
donde p1 es el precio del bien 1, p2 , ..., pn son los precios de otros
bienes sustitutivos y complementarios, Y es la renta disponible.

Si la función es homogénea de grado m :

D1 (tp1 , tp2 , ..., tpn , tY )  t m D1 ( p1, p2 , ..., pn , Y )

m informa sobre la presencia o ausencia de ilusión monetaria:

m  0  Ausencia de ilusión monetaria. El consumidor tiene

en cuenta su renta real y no varía su demanda.

9
 30/08/2018

Comprobar si la siguiente función de producción es homogénea

Q( K , L)  (A1K p +A2 Lp )1/ p

Interpretar el resultado obtenido.

10
 TEMA 7.- OPTIMIZACIÓN DE FUNCIONES DE VARIAS
VARIABLES.

7.1. Óptimos locales y globales.

7.2. Optimización sin restricciones.
7.3. Optimización con restricciones de igualdad. Método
de los multiplicadores de Lagrange.
7.4. Conjuntos y funciones convexas. Teorema Local-
Global.

OPTIMIZACIÓN DE FUNCIONES DE
VARIAS VARIABLES
ESTRUCTURA DE UN PROGRAMA MATEMÁTICO

Opt. f ( x1 ,..., xn ) Función objetivo

s.a g1 ( x1 ,..., xn ) * b1
g 2 ( x1 ,..., xn ) * b2 Restricciones
........................ *(d, t, )
g m ( x1 ,..., xn ) * bm

CONJUNTO FACTIBLE O DE OPORTUNIDADES

F ^x ( x1 , x2 ,..., xn )  D  IR n / g j ( x1 , x2 ,..., xn )* b j , j 1,...m`

 OPTIMIZACIÓN DE FUNCIONES DE
VARIAS VARIABLES: Óptimos
Sea el programa matemático
Opt. f ( x )
s.a x  F

máximo global del programa x  F , f ( x * ) t f ( x )

mínimo global del programa x  F , f ( x * ) d f ( x )
x  F "suficientemente próximo"
x*  F máximo local del programa
a x*, f (x *) t f (x )

x  F "suficientemente próximo"
mínimo local del programa
a x*, f (x*) d f (x )

Todo óptimo global será también local.

Optimización Clásica
¾ Optimización Clásica Libre Opt. f ( x ), f : D  IR n o IR
El conjunto factible coincide con el dominio de definición de la función.

¾ Optimización Clásica Restringida

Opt. f ( x1 ,...,xn ) f : D  IR n o IR

s.a. g1( x1 ,...,xn ) b1 g j : D  IR n o IR

..................... j 1...m

gm ( x1 ,...,xn ) bm
F ^ x ( x ,..., x
1 n
)  D  IR n / g j ( x1 ,..., xn ) bj , j 1...m`
En la programación clásica tanto la función objetivo como las restricciones
han de ser diferenciables.
Utilizaremos el cálculo diferencial para buscar los óptimos locales.
Optimización Clásica Libre.
Condición Necesaria:
Sea f : D  IR n o IR, f  C 1 ( D ), D abierto
Si f tiene un óptimo en x* D Ÿ ’f ( x *) 0

Punto Crítico
Dada f : D  IR o IR, f  C ( D ) se dice que
n 1
x* D Posibles
óptimos
es un punto crítico de f si ’f ( x *) 0
Punto de Silla
Un punto crítico que no es máximo ni mínimo se denomina
punto de silla.

Optimización Clásica Libre.

Condición Suficiente
Sea f : D  IR o IR, f  C ( D ), D abierto
n 2

y x* un punto crítico de f en el que la matriz hessiana es no nula,

Si la forma cuadrática h t Hf ( x *)h es:

Definida positiva el programa posee un mínimo local en x *

Definida negativa el programa posee un máximo local en x *

Indefinida el programa posee un punto de silla en x *

En el caso en que la hessiana sea nula o la matriz asociada a

la forma cuadrática sea semidefinida, se realizará un estudio
local para determinar si x* es un óptimo o un punto de silla.
Optimización Clásica Libre.
f : D  IR n o IR, f  C 2 ( D ), D abierto
C. Necesaria

 
’f x * 0
C. Suficiente
Definida Positiva Ÿ mínimo local
Definida Negativa Ÿ máximo local
signo de
Indefinida Ÿ punto de silla
h Hf ( x *)h
t
Semidef. Positiva
Ÿ Estudio
Semidef. Negativa local
Matriz Nula

Ejemplo: Optimización Clásica Libre.

f x, y  x 2  y 2
Condición necesaria:
’f  x, y   2x, 2 y   0,0 Ÿ  x, y   0,0.
Condición suficiente:
§2 0 · §2 0 ·
Hf  x, y  ¨ ¸ Ÿ Hf  0, 0  ¨
0 2
¸. Indefinida
© 0 2 ¹ © ¹

Punto de silla

f  x1 , x2 
2
x1  e x2
No tiene puntos críticos, por tanto, no tiene máximos ni mínimos.
Ejemplo: Estudio local.
f  x1 , x2  x14  x24
Condición necesaria:
’f  x1 , x2   4x , 4x  0,0 Ÿ  x , x  0,0.
3
1
3
2 1 2

Condición suficiente:
§12 x12 0 · §0 0·
Hf  x1 , x2  ¨ 2¸
Ÿ Hf  0, 0  ¨ ¸.
© 0 12 x2 ¹ © 0 0 ¹

Estudio local:
f 0,0 0.
f  h, k  h4  k 4 ! 0 f  0,0  ,   h,k  z  0, 0  .

La función tiene un mínimo estricto en (0,0)

Optimización Clásica Restringida.

Método de Lagrange. n variables
m restricciones
n-m grados de libertad
Dado el programa matemático

Opt. f ( x1 ,..., xn )
s.a. g j ( x1 ,..., xn ) b j , j 1,..., m f ( x ), g j ( x )  C 1 ( D)
j 1...m

Grados de libertad del programa: es la diferencia entre el número de

variables y el número de restricciones del programa (n-m).
El número de grados de libertad debe ser mayor o igual a uno

Función Lagrangiana: se construye como una combinación lineal

de la función objetivo y las m funciones de restricción, siendo
O1 , O2 ,..., Om los multiplicadores de Lagrange
m
L( x , O ) f ( x )  ¦ O j (b j  g j ( x ))
j 1
 Optimización Clásica Restringida.
Método de Lagrange.

Sobre vectores factibles, la Lagrangiana coincide con la función objetivo

x0  F , g j ( x0 ) bj j 1,.., m Ÿ L( x0 , O ) f ( x0 )

CONDICIÓN DE REGULARIDAD: PUNTO REGULAR

x0  F es un punto regular del programa condicionado si el rango de la matriz

§ wg1 wg1 wg1 ·
¨ wx ...
wx2 wxn ¸
§ ’g1 ( x0 ) · ¨ wg1 wg 2 wg 2 ¸
¨ ’g 2 ( x0 ) ¸ ¨ 2 ... ¸
¨ ¸ ¨ wx1 wx2 wxn ¸
¨ ’g ( x ) ¸ ¨ ... ... ¸
© m 0 ¹
¨ wg m wg m wg m ¸
¨ wx ...
© 1 wx2 wxn ¸¹

es igual al número de restricciones del programa, es decir, m.

Optimización Clásica Restringida.

Método de Lagrange. Lo primero es
buscar, en el
conjunto factible,
Condición Necesaria los puntos críticos
(posibles óptimos)
Dado el programa

Opt. zf ( x1f,..., xn )x )
( x ,..., 1 n
f ( x ), g j ( x )  C 1 ( D)

s.a. gg j((xx1,...,
,...,xx)n ) b b j j 1...m
j 1 n j

Si x * es un óptimo del programa condicionado y verifica la condición

de regularidad entonces:
 O *  IR m tal que el punto ( x * , O * ) es un punto crítico de la
función Lagrangiana, es decir, ’L( x * , O * ) 0

Si planteamos el sistema ’L( x * , O * ) 0 y tiene solución, los puntos obtenidos

cumplen la condición de regularidad. Si el sistema no tiene solución habría que
aplicar otro método para buscar los óptimos del programa restringido.
Optimización Clásica Restringida.
Método de Lagrange. Se aplica solo a puntos
críticos.
Condición Suficiente
­Opt. f ( x ,..., x )
Consideremos el programa ® 1 n
y sea (x* , O * )
¯ s.a g j ( x1 ,..., xn ) b j
un punto crítico de Lagrange, entonces si la forma cuadrática restringida

h t H x L ( x *, O *)h es definida el programa posee un

s.a positiva mínimo local en x *
§ ’g1 ( x *) · es definida el programa posee un
¨ ¸
¨ ’g 2 ( x *) ¸ h negativa máximo local en x *
0
¨ ¸ es
¨ ¸ el programa posee un
© ’g m ( x *) ¹ indefinida punto de silla en x *

En el caso en que la forma cuadrática restringida sea

semidefinida, sería necesario realizar un estudio local para
determinar si x * es un óptimo o un punto de silla.

Optimización Clásica Restringida.

Método de Lagrange.
Por cada una de las
Dado el programa restricciones del
Opt. f ( x1 ,...,xn ) programa aparece una
s.a. g j ( x1 ,...,xn ) bj nueva variable λ a la que
m
llamamos multiplicador
L( x , O ) f ( x )  ¦ O j (b j  g j ( x )) de Lagrange
j 1

Multiplicadores de Lagrange

Interpretación Económica
Miden la sensibilidad del valor óptimo de la wf *

función objetivo ante cambios O

*

wb
j
infinitesimales en las constantes de las j
restricciones.
 ¿Cuándo podemos asegurar que los
óptimos obtenidos son globales?
TEOREMA LOCAL-GLOBAL
• Si f es convexa (cóncava) y está definida sobre un conjunto
convexo D, entonces si tiene un mínimo (máximo) local en D,
éste también es global.

• Si existen dos o más mínimos (máximos) globales de f en

D convexo, siendo f una función convexa (cóncava)
cualquier combinación lineal convexa* de dichos mínimos
(máximos) es también mínimo (máximo) global.

* Una combinación lineal se dice que es convexa si la suma de los escalares

es igual a 1.

¿Cuándo podemos asegurar que los

óptimos obtenidos son globales?
TEOREMA LOCAL-GLOBAL
­Opt. f ( x )
Consideremos el programa matemático ®
¯ s.a x  F

9 Si la función objetivo es convexa en el conjunto

factible F convexo, entonces si tiene un mínimo
local, éste es global.
9 Si la función objetivo es cóncava en el conjunto
factible F convexo, entonces si tiene un máximo
local, éste es global.

Un programa matemático que verifique las condiciones

anteriores se denomina programa convexo
 ¿Qué es un CONJUNTO CONVEXO?

Concepto geométrico: Un conjunto de puntos S se dice

que es convexo si dados dos puntos cualesquiera del
conjunto, el segmento de recta que los une tiene todos sus
puntos en dicho conjunto S.

Conjunto convexo Conjunto no convexo

¿Qué es un CONJUNTO CONVEXO?

Un conjunto S  IR n es convexo si

 x1 , x2  S , x O x2  (1  O ) x1  S , O  >0,1@

Ejemplos:
a) El conjunto vacío es convexo (por convenio)
n
b) El conjunto IR es convexo

Segmento lineal : Dados dos puntos x1 y x2  IR n el segmento lineal

cerrado que los une es el conjunto
> x1 , x2 @ ^ x  IR n / x O x2  (1  O ) x1 , O  > 0,1@`
Por tanto, un conjunto es convexo si dados dos puntos
cualquiera del conjunto el segmento lineal que los une sigue
perteneciendo al conjunto.
Propiedades de los Conjuntos Convexos:
La intersección de cualquier número (finito o infinito) de conjuntos
convexos es convexo.
Demostración (para el caso de dos conjuntos)
Sean S1 y S 2 dos conjuntos convexos / x , y  S1 ˆ S2 ,entonces:

­ x , y  S1 , S1 convexo Ÿ O y  (1  O ) x  S1 , O  > 0,1@ ½

° °
® y ¾Ÿ
° x , y  S , S convexo Ÿ O y  (1  O ) x  S , O  > 0,1@ °
¯ 2 2 2 ¿

Ÿ O y  (1  O ) x  S1 ˆ S 2 , O  > 0,1@ Ÿ S1 ˆ S 2 convexo

OBSERVACIÓN: La unión de conjuntos convexos puede ser o no un

conjunto convexo.

Ejemplos de Conjuntos Convexos

HIPERPLANO: Sea a  IR y b  IR llamaremos hiperplano determinado

n

por ellos al conjunto

H ^x  IR n
/ a ˜ x b` ^ x , x ,..., x  / a x  a x
1 2 n 1 1 2 2  ...  an xn b`

Ejemplos

2x+3y=5 es un hiperplano de IR 2 (recta)

3
x-2y+3z=7 es un hiperplano de IR (plano)
 Ejemplos de Conjuntos Convexos
SEMIESPACIO: Sea a  IR n y b  IR llamaremos semiespacios a
los siguientes conjuntos

Semiespacios cerrados (abiertos)

S ^ x  IR n
/ a ˜ x d () b` ^ x , x ,..., x  / a x
1 2 n 1 1  a2 x2  ...  an xn d () b`
t (>) t (>)

Todo hiperplano es la intersección de dos semiespacios cerrados:

H ^ x  IR n
/a x b` ^x  IR n
/ a x d b` ˆ ^ x  R n / a x t b`

Ejemplos de Conjuntos Convexos

PROPOSICIÓN 1: Todo semiespacio es un conjunto convexo.
Demostración:
Dado S ^ x  IR n
/ a x d b` y sean x, y  S hemos de

probar que z O y  1  O  x  S , O  > 0,1@ , es decir que: a z d b

az a  O y  1  O  x  a  O y   a  1  O  x 
O a y  1  O  a x d O b  1  O  b b

Entonces S es un conjunto convexo.

PROPOSICIÓN 2: Todo hiperplano es un conjunto convexo.

Todo hiperplano es la intersección de dos convexos.

¿Qué es una FUNCIÓN CONVEXA?
Concepto geométrico:
Una función convexa es aquella en la que el segmento de
recta que une cualquier par de puntos de su gráfica
(cuerda) nunca se sitúa por debajo de la misma.

Cuerda: O f ( x2 )  1  O  f ( x1 ), O  >0,1@
f (x2 )
Segmento: x1 x2 O x2  1  O  x1 , O  > 0,1@

f ª¬O x2  1  O  x1 º¼ , O  >0,1@
f ( x1 )
Gráfica:
f (x) convexa si:
x1 x2
Gráfica d Cuerda
f ª¬O x2  1  O  x1 º¼ d O f ( x2 )  1  O  f ( x1 )

¿Qué es una FUNCIÓN CONCAVA?

Concepto geométrico:
Una función cóncava es aquella en la que el segmento de
recta que une cualquier par de puntos de su gráfica
(cuerda) nunca se sitúa por encima de la misma.

Cuerda: O f ( x2 )  1  O  f ( x1 ), O  >0,1@
f (x2 )
Segmento: x1 x2 O x2  1  O  x1 , O  > 0,1@

Gráfica: f ª¬O x2  1  O  x1 º¼ , O  >0,1@

f ( x1 )

f (x) cóncava si:

x1 x2
Gráfica t Cuerda
f ª¬O x2  1  O  x1 º¼ t O f ( x2 )  1  O  f ( x1 )
 FUNCIONES CONVEXAS Y CÓNCAVAS.

Sea f : D  IR n o IR con , D no vacío y convexo:

¾ f (x) será convexa (estrictamente convexa) en D si:

f ª¬O x2  1  O  x1 º¼ d O f  x2   1  O  f  x1  ,  x1 ,x2  D , O  > 0,1@



¾ f (x) será cóncava (estrictamente cóncava) en D si:

f ª¬O x2  1  O  x1 º¼ t O f  x2   1  O  f  x1  ,  x1 ,x2  D , O  > 0,1@

!

FUNCIONES CONVEXAS: Propiedades.

1. f : D  IR o IR es convexa (estrictamente) en D si y sólo si su
n

opuesta - f es cóncava (estrictamente) en D .

Demostración: “ ”
Por ser f convexa en D

f (O x2  1  O  x1 ) d O f ( x2 )  1  O  f ( x1 ) x1 , x2  D, O  >0,1@
Multiplicando por (-1) la desigualdad:

( f )(O x2  1  O  x1 ) t O ( f )( x2 )  (1  O )( f )( x1 )
 
( f )(x) es cóncava en D

Análogamente “ ”
 FUNCIONES CONVEXAS: Propiedades.

2. Toda combinación lineal no negativa de funciones convexas en D

(convexo) es una función convexa en D.
n
Demostración Sea f ( x ) ¦ c f (x) / i i ci t 0, f i convexa, i 1,2,...,n
n i 1
§ ·
f [O x2  (1  O ) x1 ] ¨ ¦ i i ¸ [O x2  (1  O ) x1 ]
c f
©i1 ¹
n n

¦ c f [O
i 1
i i x2  (1  O ) x1 ] d ¦ c [O
i 1
i f i ( x2 )  (1  O ) f i ( x1 )]

por ser f convexa

i

n n
O ¦ ci f i ( x2 )  (1  O )¦ ci f i ( x1 ) O f ( x2 )  (1  O ) f ( x1 )
i 1 i 1
n
Por tanto: es convexa en D
f (x ) ¦ c f (x )
i 1
i i

FUNCIONES CONVEXAS: Propiedades.

3. Si f es convexa y
tiene un mínimo en x* ,
entonces – f tiene un

máximo en x* y, además: f ( x *)

x*
min f ( x* ) =  f ( x *)

= – max – f ( x* )
 FUNCIONES CONVEXAS: Propiedades.

4. Sea f : D  IR o IR, f  C ( D), siendo D un conjunto abierto y

n 2

convexo, entonces:
la forma cuadrática asociada a la
f convexa (cóncava)
matriz hessiana es al menos
en D
semidefinida positiva (negativa) en D.

h t Hf ( x )h t 0, x  D
 d 0
Si la forma cuadrática asociada a la f es estrictamente
matriz hessiana es definida positiva convexa (cóncava)
(negativa) en D. en D

Óptimos globales en Optimización

Clásica Libre. Programas convexos.
Dado el programa
Opt. f ( x ), f : D  IR n o IR, f  C 1 ( D )
Si la función objetivo es convexa (cóncava) en D, siendo D un
conjunto convexo y x* es un punto crítico de f, entonces el
punto crítico x* es un mínimo (máximo) global.

f (x) convexa en x* Punto x* mínimo

D convexo
y Crítico de f global
f (x) cóncava en x* Punto x* máximo
D convexo y global
Crítico de f

Sólo en el caso de que el programa sea

convexo, podremos garantizar que el
óptimo obtenido es global.
Ejemplo: Programa convexo La función es convexa/
cóncava en su dominio
si la forma cuadrática
mantiene el signo en
todo el dominio
Ejemplo f x1 , x2  x1  x2  5.
4 4

Veamos que la función objetivo es convexa en su dominio (IR2)

que a su vez es un conjunto convexo. Para estudiar la
convexidad construimos la matriz hessiana
§12x12 Clasificación de la f.c.: matriz diagonal
0 ·
Hf x1 , x2  ¨¨ ¸
2 ¸. con coeficientes positivos ->
© 0 12x2 ¹ semidefinida positiva en IR2 -> función
Condición necesaria: convexa en IR2

’f x1 , x2  4x 1
3
,4 x2
3
 0,0 Ÿ x1, x2  0,0.

El punto crítico (0,0) es un mínimo global, al

tratarse de un programa convexo
31

Óptimos globales en Optimización Clásica

restringida. Programas convexos.
Opt. f ( x1 ,...,xn ) f ( x ), g j ( x )  C 1 ( D)
s.a g j ( x1 ,...,xn ) b j j 1...m

Conjunto factible:
F ^ x ( x ,..., x )  D  IR
1 n
n
/ g j ( x1 ,..., xn ) bj , j 1...m`

El óptimo libre
siempre es mejor Máx libre t Máx Condicionado
o igual que el Mín libre d Mín Condicionado
óptimo restringido

Ambos óptimos coinciden cuando el óptimo libre verifica las

restricciones del programa restringido.
Óptimos globales en Optimización
Si el programa es convexo,
Clásica restringida. Programas para obtener los óptimos
convexos. basta con hallar los puntos
críticos de la Lagragiana
(x*, λ*). Además con
Dado el programa Opt. f ( x1 ,..., xn ) óptimos globales
s.a. g j ( x1 ,..., xn ) bj
Si la función objetivo es convexa (cóncava) en D, el conjunto
Factible F es un conjunto convexo y x * es un punto crítico del
programa condicionado, entonces el punto crítico x * es un mínimo
(máximo) global.
f  x  convexa y x * Punto x * mínimo
y
F convexo Crítico global
f  x  cóncava y x * Punto x * máximo
F convexo y Crítico global

Sólo en el caso de que el programa sea

convexo, podremos garantizar que el óptimo
obtenido es global.