Tema 3
Diferenciabilidad y convexidad de
funciones reales
3.1. Derivadas parciales. Tasa marginal de susti-
tución
3.1.1. Derivadas parciales y gradiente
Sean f : IRn → IR una función real y a ∈ Dom(f ). Recordamos que se llama
derivada parcial i-ésima de f en a o derivada parcial de f respecto de la
variable xi en a al número que se obtiene al considerar como única variable en f
a xi , derivar respecto de esa variable y sustituir a en el resultado.
Definición 3.1.1 En las condiciones anteriores, se denomina función derivada
parcial i-ésima a la función:
∂f
∂xi
: IRn → IR,
∂f
a 7→ (a).
∂xi
Dada una función real f : Dom(f ) ⊂ IRn → IR tal que existen las n derivadas
parciales de f y estas son continuas en a ∈ Dom(f ), diremos que f es diferenciable
en a.
Definición 3.1.2 Sean una función real f : IRn → IR y a ∈ IRn . Se llama
gradiente o vector gradiente de f en a al vector columna formado por las
derivadas parciales:
µ ¶t
∂f ∂f
∇f (a) = (a), . . . , (a) .
∂x1 ∂xn
25
26TEMA 3. DIFERENCIABILIDAD Y CONVEXIDAD DE FUNCIONES REALES
Definición 3.1.3 En las condiciones de la definición anterior, se denomina función
gradiente o gradiente de f a la función:
∇f : IRn → IRn ,
a 7→ ∇f (a).
Ejemplo 3.1.4 Sea la función f: IR3→ IR definida como f (x, y, z)= x3 y+y·sen(z)+ez .
Las derivadas parciales de la función f son las siguientes:
∂f ∂f ∂f
(x, y, z) = 3x2 y; (x, y, z) = x3 + sen(z); (x, y, z) = y · cos(z) + ez .
∂x ∂y ∂z
t
En consecuencia, el gradiente de f es ∇f (x, y, z) = (3x2 y, x3 +sen(z), y · cos(z)+ez ) .
3.1.2. Tasa marginal de sustitución
Definición 3.1.5 (Tasa marginal de sustitución) Sea f : IR2 → IR una función
de producción definida como (K, L) 7→ f (K, L), siendo K la cantidad de capital y
L la cantidad de mano de obra utilizadas. La tasa marginal de sustitución del
capital por la mano de obra es el cociente entre la productividad marginal del
factor L y la productividad marginal del factor K:
fL
TMSKL = .
fK
Análogamente puede definirse la tasa marginal de sustitución de la mano
de obra por el capital como el inverso de cociente anterior y se denota por TMSLK .
Nota 3.1.6 (Interpretación económica) La tasa marginal de sustitución TMSKL
es la disminución que debe producirse en el uso del factor K cuando se incremen-
ta (en una unidad) la cantidad utilizada del factor L, de modo que la producción
permanece constante.
3.2. Derivadas de orden superior. Matriz hessiana
Definición 3.2.1 Sean f : IRn → IR una función real y a ∈ Dom(f ). Se denomina
derivada
µ ¶parcial de segundo orden de f en a a cualquier derivada parcial
∂ ∂f
(a), con i, j = 1, . . . , n.
∂xi ∂xj
Nota 3.2.2 Las derivadas parciales de segundo orden de la función f son funciones
y se denotan, por ejemplo, por:
µ ¶
∂ 2f ∂ ∂f 2
= = Dji f = Dji f = . . .
∂xi ∂xj ∂xi ∂xj
FUNCIONES CÓNCAVAS Y CONVEXAS 27
Si las dos variables son la misma, entonces la derivada parcial de segundo orden
se denotará, por ejemplo, por:
µ ¶
∂ 2f ∂ ∂f
2
= = Di2 f = Dii2 f = Dii f = . . .
∂xi ∂xi ∂xi
Dada una función real f : Dom(f ) ⊂ IRn → IR tal que existen todas las derivadas
parciales de segundo orden de f y estas son continuas en a ∈ Dom(f ), diremos que
f es dos veces diferenciable en a.
Definición 3.2.3 Sean f : IRn → IR una función real y a ∈ Dom(f ). Se denomina
matriz hessiana de la función f en a a la matriz:
∂ 2f ∂2f ∂ 2f ∂2f
(a) (a) ··· (a) (a)
∂x21 ∂x2 ∂x1 ∂xn−1 ∂x1 ∂xn ∂x1
∂ 2f ∂2f ∂ 2f ∂2f
(a) (a) ··· (a) (a)
∂x1 ∂x2 ∂x22 ∂xn−1 ∂x2 ∂xn ∂x2
.. .. ... .. ..
Hf (a) = . . . . .
2 2 2 2
∂ f ∂ f ∂ f ∂ f
(a) (a) ··· (a) (a)
∂x1 ∂xn−1 ∂x2 ∂xn−1 2
∂xn−1 ∂xn ∂xn−1
∂ 2f ∂2f ∂ 2f ∂2f
(a) (a) ··· (a) (a)
∂x1 ∂xn ∂x2 ∂xn ∂xn−1 ∂xn ∂x2n
Ejemplo 3.2.4 Sea la función f : IR2 → IR definida como f (x, y) = x · y + ln(y).
El dominio de esta función es Dom(f ) = {(x, y) ∈ IR2 |y > 0}.
³ ´t ³ ´t
El gradiente de f es ∇f (x, y) = ∂f , ∂f
∂x ∂y
= y, x + 1
y
, ∀(x, y) ∈ IR2 tal que
y > 0, y la matriz hessiana es:
∂ 2f ∂ 2f
∂x2 0 1
Hf (x, y) = ∂y∂x = 1 , ∀(x, y) ∈ IR2 tal que y > 0.
∂ 2f ∂ 2f 1 − 2
y
∂x∂y ∂y 2
Nota 3.2.5 Bajo ciertas condiciones (por ejemplo, que existan las derivadas par-
ciales y que sean continuas), se puede afirmar que la matriz hessiana es simétrica.
Las funciones con las que trabajaremos verificarán las hipótesis necesarias para que
su matriz hessiana sea simétrica. Es decir,
∂ 2f ∂ 2f
= , ∀i, j = 1, 2, . . . , n.
∂xi ∂xj ∂xj ∂xi
28TEMA 3. DIFERENCIABILIDAD Y CONVEXIDAD DE FUNCIONES REALES
3.3. Conjuntos convexos. Funciones cóncavas y con-
vexas
En lo que sigue, identificaremos cada vector a ∈ IRn con el punto (del espacio
euclı́deo n-dimensional IRn ) que tiene por coordenadas las mismas del vector a. En
el caso en que n = 2, ya hemos utilizado esta representación gráfica; sin embargo,
es complicado obtener un dibujo suficientemente intuitivo de IRn cuando n > 3.
Definición 3.3.1 Se dice que un conjunto X ⊆ IRn es convexo si, para cua-
lesquiera dos puntos a y b de X, el segmento que une a y b está contenido en X.
Nota 3.3.2 Decir que el segmento que une a y b está contenido en X es equivalente
a exigir que se verifique la siguiente condición:
t · a + (1 − t) · b ∈ X, ∀t ∈ [0, 1].
En la Figura 3.1 se dan algunos ejemplos de conjuntos convexos, mientras que
en la Figura 3.2 se muestran algunos conjuntos que no son convexos.
Figura 3.1: Algunos conjuntos convexos.
Figura 3.2: Algunos conjuntos no convexos.
Definición 3.3.3 (Convexidad y concavidad de una función en un punto)
Sean f : IRn→ IR y a ∈ Dom(f ) tales que las derivadas parciales de primer y segundo
orden de f son continuas en a. Entonces, se dice que:
a) f es estrictamente convexa en a si Hf (a) es definida positiva.
b) f es convexa en a si Hf (a) es semidefinida positiva o definida positiva.
FUNCIONES CÓNCAVAS Y CONVEXAS 29
c) f es estrictamente cóncava en a si Hf (a) es definida negativa.
d) f es cóncava en a si Hf (a) es semidefinida negativa o definida negativa.
Definición 3.3.4 (Convexidad/concavidad de una función en un conjunto)
Sean f : D ⊆ IRn → IR una función real y D un conjunto convexo tal que f es dos
veces diferenciable en D. Entonces, se dice que:
a) f es estrictamente convexa en D si Hf (x) es definida positiva ∀x ∈ D.
b) f es convexa en D si Hf (x) es semidefinida positiva o definida positiva ∀x ∈ D.
c) f es estrictamente cóncava en D si Hf (x) es definida negativa ∀x ∈ D.
d) f es cóncava en D si Hf(x) es semidefinida negativa o definida negativa ∀x ∈ D.
