Sesión 3: Optimización en varias variables (1/2)

ECO9835: Economı́a Matemática

David Holguı́n

Escuela Colombiana de Ingenierı́a Julio Garavito

2025-I
Puntos Óptimos Locales (Definición)

Un punto x ∗ es un óptimo local de una función f (x) si existe un entorno C ⊂ Dx

alrededor de x ∗ tal que:

≤ f (x), ∀x ∈ C.
f (x ∗ ) =
≥ f (x), ∀x ∈ C.

Clasificación:
• Mı́nimo local: f (x ∗ ) es menor o igual a los valores cercanos.
• Máximo local: f (x ∗ ) es mayor o igual a los valores cercanos.

1 / 24
Condiciones para Puntos Óptimos Locales

Para una función f (x) diferenciable, un punto crı́tico x ∗ (donde f ′ (x ∗ ) = 0) es:

• Mı́nimo local si f ′′ (x ∗ ) > 0 (la función es cóncava hacia arriba).

• Máximo local si f ′′ (x ∗ ) < 0 (la función es cóncava hacia abajo).
• Punto de inflexión si f ′′ (x ∗ ) = 0, se debe analizar con derivadas superiores.

2 / 24
Condiciones para Puntos Óptimos Locales

Para una función f (x) diferenciable, un punto crı́tico x ∗ (donde f ′ (x ∗ ) = 0) es:

• Mı́nimo local si f ′′ (x ∗ ) > 0 (la función es cóncava hacia arriba).

• Máximo local si f ′′ (x ∗ ) < 0 (la función es cóncava hacia abajo).
• Punto de inflexión si f ′′ (x ∗ ) = 0, se debe analizar con derivadas superiores.

Ejemplo: Sea f (x) = x 3 − 3x 2 + 4, hallamos sus puntos óptimos:

2 / 24
Condiciones para Puntos Óptimos Locales

Para una función f (x) diferenciable, un punto crı́tico x ∗ (donde f ′ (x ∗ ) = 0) es:

• Mı́nimo local si f ′′ (x ∗ ) > 0 (la función es cóncava hacia arriba).

• Máximo local si f ′′ (x ∗ ) < 0 (la función es cóncava hacia abajo).
• Punto de inflexión si f ′′ (x ∗ ) = 0, se debe analizar con derivadas superiores.

Ejemplo: Sea f (x) = x 3 − 3x 2 + 4, hallamos sus puntos óptimos:

f ′ (x) = 3x 2 − 6x, igualamos a 0: 3x(x − 2) = 0 ⇒ x ∗ = 0, 2.

Evaluamos la segunda derivada:

f ′′ (x) = 6x − 6, f ′′ (0) = −6 ⇒ Máximo en x = 0.

f ′′ (2) = 6(2) − 6 = 6 ⇒ Mı́nimo en x = 2.

2 / 24
Óptimos Locales

Ejemplo gráfico:

3 / 24
Puntos Óptimos con 2 Variables

Teorema: Sea f (x, y) una función diferenciable en un dominio D ⊂ R2 . Una

condición necesaria para que f tenga un máximo o un mı́nimo local en un punto
interior (x0 , y0 ) de su dominio es que dicho punto sea un punto estacionario de f .
Esto implica que:

4 / 24
Puntos Óptimos con 2 Variables

Teorema: Sea f (x, y) una función diferenciable en un dominio D ⊂ R2 . Una

condición necesaria para que f tenga un máximo o un mı́nimo local en un punto
interior (x0 , y0 ) de su dominio es que dicho punto sea un punto estacionario de f .
Esto implica que:

∂f ∂f
(x0 , y0 ) = 0 y (x0 , y0 ) = 0
∂x ∂y

4 / 24
Puntos Óptimos con 2 Variables

Teorema: Sea f (x, y) una función diferenciable en un dominio D ⊂ R2 . Una

condición necesaria para que f tenga un máximo o un mı́nimo local en un punto
interior (x0 , y0 ) de su dominio es que dicho punto sea un punto estacionario de f .
Esto implica que:

∂f ∂f
(x0 , y0 ) = 0 y (x0 , y0 ) = 0
∂x ∂y
Es decir, en el punto (x0 , y0 ), las derivadas parciales de f con respecto a x y y
deben ser cero.

Observación: El hecho de que (x0 , y0 ) sea un punto estacionario es una condición

necesaria, pero no suficiente para garantizar que el punto sea un máximo o un
mı́nimo. Para determinar si el punto es un máximo, un mı́nimo o un punto de silla,
es necesario analizar las derivadas de segundo orden.

4 / 24
Función S.G.

5 / 24
Función S.G.
Gráfica de U en función de x1
8
U

x1
4 6 8 10 12 14 16 18

U2 = (x1 − 3)1/3 · (10.5 − 21 x1 )2/3

6 / 24
Función S.G.
Gráfica de U en función de x2
8
U

x2
1 2 3 4 5 6 7

U = (15 − 2x2 )1/3 · (X2 + 1.5)2/3

7 / 24
Ejercicio de Optimización

Si x, y, z son números positivos tales que x + 3y + 4z = 108, hallar el valor

máximo del producto P = xyz.

Indicaciones: Convertir P en una función de y y z eliminando la variable x.

Interpretación económica: xyz es la ”utilidad” que obtiene una persona al

consumir x, y, z unidades de tres bienes. Los precios unitarios de los bienes son 1,
3 y 4, y la disponibilidad presupuestaria es de 108.

8 / 24
Grafos

Sea f : A ⊂ Rn → R. Definimos los siguientes conjuntos:

• Grafo de f : Es el conjunto de pares (x, y) tales que:

Gf = {(x, y) | f (x) = y} ⊂ Rn+1

9 / 24
Grafos

Sea f : A ⊂ Rn → R. Definimos los siguientes conjuntos:

• Grafo de f : Es el conjunto de pares (x, y) tales que:

Gf = {(x, y) | f (x) = y} ⊂ Rn+1

• Epı́grafo (grafo superior o supergrafo) de f : Es el conjunto de puntos (x, y)

donde y es mayor o igual al valor de la función:

GfS = {(x, y) | f (x) ≤ y} ⊂ Rn+1

9 / 24
Grafos

Sea f : A ⊂ Rn → R. Definimos los siguientes conjuntos:

• Grafo de f : Es el conjunto de pares (x, y) tales que:

Gf = {(x, y) | f (x) = y} ⊂ Rn+1

• Epı́grafo (grafo superior o supergrafo) de f : Es el conjunto de puntos (x, y)

donde y es mayor o igual al valor de la función:

GfS = {(x, y) | f (x) ≤ y} ⊂ Rn+1

• Hipógrafo (grafo inferior o subgrafo) de f : Es el conjunto de puntos (x, y)

donde y es menor o igual al valor de la función:

GfI = {(x, y) | f (x) ≥ y} ⊂ Rn+1

9 / 24
Epı́grafo e Hipógrafo de x 2

10 / 24
Conjunto Convexo

Un conjunto C ⊂ Rn es convexo si para cualquier par de puntos x1 , x2 ∈ C, el

segmento de lı́nea que los une también pertenece a C, es decir:

∀λ ∈ [0, 1], λx1 + (1 − λ)x2 ∈ C.

Interpretación geométrica:
• Si un conjunto es convexo, entonces cualquier combinación convexa de dos
puntos en él también pertenece al conjunto.
→ Ejemplos de conjuntos convexos: rectas, planos, esferas sólidas y politopos
convexos.

11 / 24
Conjunto Convexo

Un conjunto C ⊂ Rn es convexo si para cualquier par de puntos x1 , x2 ∈ C, el

segmento de lı́nea que los une también pertenece a C, es decir:

∀λ ∈ [0, 1], λx1 + (1 − λ)x2 ∈ C.

Interpretación geométrica:
• Si un conjunto es convexo, entonces cualquier combinación convexa de dos
puntos en él también pertenece al conjunto.
→ Ejemplos de conjuntos convexos: rectas, planos, esferas sólidas y politopos
convexos.
• Intuitivamente, no hay ”huecos” ni ”curvaturas hacia afuera” en la frontera del
conjunto.
→ Ejemplo de un conjunto no convexo: un anillo o una figura con
”concavidades”.

11 / 24
Ejemplo 1

12 / 24
Ejemplo 2

13 / 24
Teorema

Si X y Y son dos conjuntos convexos, entonces:

i) X ∩ Y es un conjunto convexo. Prueba

ii) X + Y = {x + y|x ∈ X , y ∈ Y } es un conjunto convexo. Prueba

iii) kX = {kx|x ∈ X }, donde k ∈ R es un conjunto convexo. Prueba

14 / 24
Teorema

15 / 24
Funciones Convexas

Una función f : A ⊂ Rn → R se dice convexa si para todos x1 , x2 ∈ A y λ ∈ [0, 1],

se cumple:

f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ).

Interpretación geométrica:
• El segmento de lı́nea que une dos puntos en el grafo de f nunca está por
debajo del grafo.
• Un ejemplo clásico de función convexa es f (x) = x 2 .

16 / 24
Ejemplo de Función Convexa

Consideremos la función cuadrática f : R → R definida por:

f (x) = x 2

Demostración de convexidad:
• Sean x1 , x2 ∈ R y λ ∈ [0, 1].
• La combinación convexa de x1 y x2 es λx1 + (1 − λ)x2 .
Verifiquemos la desigualdad de convexidad:

f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 ).

Desarrollando ambos lados, se puede comprobar que la desigualdad se cumple

siempre.

17 / 24
Desigualdad de Jensen

La desigualdad de Jensen es una propiedad fundamental de las funciones

convexas. Establece que si f es una función convexa definidaP en un intervalo y
{λ1 , λ2 , . . . , λn } son coeficientes no negativos que suman 1 ( ni=1 λi = 1),
entonces para cualquier conjunto de puntos x1 , x2 , . . . , xn , se cumple:

n n
!
X X
f λi xi ≤ λi f (xi )
i=1 i=1

18 / 24
Ejemplo y Aplicaciones

Si tomamos la función cuadrática f (x) = x 2 , que es convexa, y dos puntos x1 y x2 ,

con λ ∈ [0, 1], la desigualdad de Jensen se convierte en:

(λx1 + (1 − λ)x2 )2 ≤ λx12 + (1 − λ)x22

En la teorı́a de la probabilidad, la desigualdad se utiliza para la expectativa de una
función convexa de una variable aleatoria:

f (E[X ]) ≤ E[f (X )]

19 / 24
Ejemplo demostración conjunto convexo

Supongamos el siguiente conjunto M2 :

M2 = {(x, y) ∈ R2 |y ≥ x 2 }
Comprobaremos que M2 es un conjunto convexo:

y1 ≥ x12 y y2 ≥ x22
si λ ∈ [0, 1]

λy1 ≥ λx12 también [1 − λ]y2 ≥ [1 − λ]x22

por lo tanto:

λy1 + [1 − λ]y2 ≥ λx12 + [1 − λ]x22 ≥ (λx1 + [1 − λ]x2 )2

| {z }
Desigualdad de Jensen

Lo que implica:

λ(x1 , x2 ) + [1 − λ](x2 , y2 ) = (λx1 + [1 − λ]x2 , λy1 + [1 − λ]y2 ) ∈ M2

20 / 24
Representación gráfica

21 / 24
Anexo
Prueba de (i): X ∩ Y es convexo

Demostración:
• Sean x1 , x2 ∈ X ∩ Y . Esto significa que x1 ∈ X y x1 ∈ Y , y también x2 ∈ X y
x2 ∈ Y .
• Dado que X y Y son conjuntos convexos, para cualquier λ ∈ [0, 1], tenemos:
λx1 + (1 − λ)x2 ∈ X (por la convexidad de X ).
λx1 + (1 − λ)x2 ∈ Y (por la convexidad de Y ).
• Por lo tanto, λx1 + (1 − λ)x2 pertenece tanto a X como a Y , lo que implica que:

λx1 + (1 − λ)x2 ∈ X ∩ Y .

• Esto demuestra que para cualquier par de puntos x1 , x2 en X ∩ Y , cualquier

combinación convexa de ellos también está en X ∩ Y . Por lo tanto, X ∩ Y es un
conjunto convexo.
Volver

22 / 24
Prueba de (ii): X + Y es convexo

Demostración: Sean x1 + y1 , x2 + y2 ∈ X + Y , donde x1 , x2 ∈ X y y1 , y2 ∈ Y . Para

todo λ ∈ [0, 1]:

λ(x1 + y1 ) + (1 − λ)(x2 + y2 ) = (λx1 + (1 − λ)x2 ) + (λy1 + (1 − λ)y2 ).

Como X y Y son convexos, se tiene que:

• λx1 + (1 − λ)x2 ∈ X .
• λy1 + (1 − λ)y2 ∈ Y .
Por lo tanto, λ(x1 + y1 ) + (1 − λ)(x2 + y2 ) ∈ X + Y , lo que implica que X + Y es
convexo. Volver

23 / 24
Prueba de (iii): kX es convexo

Demostración: Sean kx1 , kx2 ∈ kX , donde x1 , x2 ∈ X . Para todo λ ∈ [0, 1]:

λ(kx1 ) + (1 − λ)(kx2 ) = k(λx1 + (1 − λ)x2 ).

Como X es convexo, se tiene que λx1 + (1 − λ)x2 ∈ X . Luego, multiplicando por k,

obtenemos que k(λx1 + (1 − λ)x2 ) ∈ kX , lo que implica que kX es convexo. Volver

24 / 24
¡Gracias!