Repaso
Optimización Económica 2
Braulio Calagua Repaso
Sea A un matriz cuadrada de orden n. Diremos que A es
1 definida positiva cuando
hAx, xi > 0 ∀ x ∈ Rn − {0}
2 semi-definida positiva cuando
hAx, xi ≥ 0 ∀ x ∈ Rn
3 definida negativa cuando
hAx, xi < 0 ∀ x ∈ Rn − {0}
4 semi-definida negativa cuando
hAx, xi ≤ 0 ∀ x ∈ Rn
Observaciones:
A es (semi) definida negativa ←→ −A es (semi) definida positiva.
f : Rn → R con f (x) = hAx, xi se conoce como forma cuadrática.
Braulio Calagua Repaso
Gráfico de f (x) = hAx, xi, con x ∈ R2 , cuando es A definida positiva.
0
2
1
0 2
1
y -1 0
-2 -1
-2 x
Braulio Calagua Repaso
Gráfico de f (x) = hAx, xi, con x ∈ R2 , cuando es A semi-definida positiva.
0
2
1
0 2
1
y -1 0
-2 -1
-2 x
Braulio Calagua Repaso
Gráfico de f (x) = hAx, xi, con x ∈ R2 , cuando es A definida negativa.
-2
-4
-6
-8
-10
-12
2
1
0 2
1
y -1 0
-2 -1
-2 x
Braulio Calagua Repaso
Gráfico de f (x) = hAx, xi, con x ∈ R2 , cuando es A semi-definida negativa.
-1
-2
-3
-4
2
1
0 2
1
y -1 0
-2 -1
-2 x
Braulio Calagua Repaso
Gráfico de f (x) = hAx, xi, con x ∈ R2 , cuando es A indefinida.
-2
-4
2
1
0 2
1
y -1 0
-2 -1
-2 x
Braulio Calagua Repaso
Sean λ1 , λ2 , . . . , λn los autovalores de la matriz A. Se cumple
1 A es definida positiva ⇐⇒ λ1 > 0, λ2 > 0, . . . , λn > 0
2 A es semi-definida positiva ⇐⇒ λ1 ≥ 0, λ2 ≥ 0, . . . , λn ≥ 0 (alguno debe
ser cero)
3 A es definida negativa ⇐⇒ λ1 < 0, λ2 < 0, . . . , λn < 0
4 A es semi-definida negativa ⇐⇒ λ1 ≤ 0, λ2 ≤ 0, . . . , λn ≤ 0 (alguno debe
ser cero)
5 A es indefinida ⇐⇒ tiene autovalores positivos y negativos.
Braulio Calagua Repaso
Dada la matriz A, denotemos por Ak a la matriz cuadrada obtenida de A con
diagonal desde a11 hasta akk . Se tiene
1 A es definida positiva ⇐⇒
|A1 | > 0, |A2 | > 0, . . . , |An | > 0
2 A es definida negativa ⇐⇒
|A1 | < 0, |A2 | > 0, |A3 | < 0, |A4 | > 0, . . . , (−1)n |An | > 0
Braulio Calagua Repaso
Ejercicio:
Determine si cada una de siguientes matrices es definida positiva, definida
negativa, semi-definida positiva, o semi-definida negativa.
−1 0 2
1 A = 0 −2 2
2 2 −7
8 4 0
2 B= 4 2 0
0 0 1
Braulio Calagua Repaso
Conjuntos abiertos y cerrados
La bola abierta de centro x ∈ Rn y radio r > 0 es el conjunto
Br (x) = {y ∈ Rn , kx − y k < r }
Un conjunto X ⊂ Rn es abierto cuando
∀ x ∈ X , ∃ r > 0 tal que Br (x) ⊂ X
Un conjunto X ⊂ Rn es cerrado cuando el complemento X c es abierto.
Observación:
Rn y ∅ son los únicos conjuntos que son a la vez abiertos y cerrados.
Braulio Calagua Repaso
Un conjunto X ⊂ Rn es acotado cuando existe R > 0 tal que X ⊂ BR (0).
Un conjunto X ⊂ Rn es compacto cuando es a la vez cerrado y acotado.
Un punto x ∈ Rn está en la frontera del conjunto X , si
∀ r > 0, Br (x) ∩ X 6= ∅ ∧ Br (x) ∩ X c 6= ∅
es decir, si tan cerca como se quiera de x hay puntos de X y de X c .
Braulio Calagua Repaso
Ejercicios
1 Sea X = {(x, y , z) ∈ R3 : x 2 + y 2 + z 2 ≤ 16 ∧ 4x + z ≤ 0}.
Pruebe que X es compacto y grafique.
2 Sea X = {(x, y ) ∈ R2 : y = e x ∧ y ≤ β}.
¿Existen valores de β tales que X sea compacto y no vacı́o?
Braulio Calagua Repaso
Funciones contı́nuas
Una función f : Rn → R es contı́nua, cuando la preimagen de un abierto (en
R) es un conjunto abierto (en Rn ).
Siendo f contı́nua, los conjuntos
{x ∈ Rn : f (x) > α} , {x ∈ Rn : f (x) < α}
son abiertos.
Y los conjuntos
{x ∈ Rn : f (x) ≥ α} , {x ∈ Rn : f (x) ≤ α} , {x ∈ Rn : f (x) = α}
son cerrados.
Braulio Calagua Repaso
El vector gradiente
Sea f : Rn → R una función y x ∈ Rn . El gradiente de f en el punto x es el
vector fila
∂f ∂f
∇f (x) = (x) . . . (x)
∂x1 ∂xn
∂f
donde (x) es la i−ésima derivada parcial de f en el punto x.
∂xi
∂f
Cuando las funciones son continuas podemos escribir la aproximación de
∂xi
primer orden
f (x) ≈ f (a) + h∇f (a), (x − a)i
Propiedades geométricas:
El vector gradiente es ortogonal a las superfı́cies de nivel.
El vector gradiente apunta en la dirección de máximo crecimiento de la
función.
Braulio Calagua Repaso
La matriz Hessiana
∂f
Sea f : Rn → R. Denotemos = fxi .
∂xi
La matriz Hessiana de f se define como:
∇fx1 (x) fx1 x1 fx1 x2 ··· fx1 xn
∇fx2 (x) fx2 x1 fx2 x2 ··· fx2 xn
Hf (x) = . = .
.. .. ..
.. .. . . .
∇fxn (x) fxn x1 fxn x2 ··· fxn xn
Con ello, podemos escribir la aproximación de segundo orden
1
f (x) ≈ f (a) + h∇f (a), (x − a)i + h(x − a), Hf (a)(x − a)i
2
Braulio Calagua Repaso
Convexidad y concavidad
Un conjunto D ⊂ Rn se dice convexo cuando
∀ x, y ∈ D, ∀ α ∈ [0, 1] : αx + (1 − α)y ∈ D
Sea una función f : D ⊂ Rn → R. Diremos que f es convexa cuando
∀ x, y ∈ D, ∀ α ∈ [0, 1] : f (αx + (1 − α)y ) ≤ αf (x) + (1 − α)f (y )
y diremos que f es cóncava cuando
∀ x, y ∈ D, ∀ α ∈ [0, 1] : f (αx + (1 − α)y ) ≥ αf (x) + (1 − α)f (y )
Cuando f es dos veces diferenciable en un conjunto abierto que contenga a D,
se tiene:
f es convexa ⇐⇒ ∀ x ∈ D , Hf (x) es semidefinida positiva.
f es cóncava ⇐⇒ ∀ x ∈ D : Hf (x) es semidefinida negativa.
Braulio Calagua Repaso
