Capítulo 1. CONVEXIDAD DE CONJUNTOS Y FUNCIONES.

En esta primera parte del curso queremos resolver problemas de optimización, es decir, queremos encontrar
”lo mejor entre lo posible”. El conjunto de ”lo posible”es el llamado conjunto factible, que denotaremos por S;
y representa todas las posibles elecciones que tenemos a nuestro alcance. Todas estas posibles elecciones estarán
cuanti…cadas mediante una función f (x); x 2 S; a la que llamaremos función objetivo. Lo que se entiende por
”lo mejor” dependerá del criterio empleado. Si f (x) es el coste de la alternativa x; la mejor elección será aquel
x 2 S que conlleve el menor coste, es decir, x minimiza f (x) en el conjunto S y pondremos

minx f (x)
:
s. a: x2S

Si f (x) es el bene…cio de la alternativa x; la mejor elección será aquel x 2 S que conlleve el mayor bene…cio,
es decir, x maximiza f (x) en el conjunto S y pondremos

maxx f (x)
:
s. a: x2S

Cuando no especi…quemos el criterio de elección, pondremos

optx f (x)
;
s. a: x2S

donde ”opt” indica que estamos optimizando (minimizando se f representase un coste, maximizando si f
representa un bene…cio).
En este curso, la función objetivo siempre será una función con derivadas parciales continuas hasta, al menos,
orden 2, es decir f 2 C 2 (S) : El conjunto factible será Rn o un subconjunto de Rn de alguno de los siguientes
tipos:
S0 = fx 2 Rn : g (x) = cg ;
S = fx 2 Rn : g (x) cg ;
S+ = fx 2 Rn : g (x) cg ;
S = Uniones y/o intersecciones de los conjuntos anteriores,
Para abordar con éxito un problema de optimización, debemos estudiar ”la forma”de la función objetivo y del
conjunto factible y éste es el propósito de este primer capítulo. Grosso modo, la resolución de un problema
de optimizaión será ”fácil” cuando el conjunto factible sea ”convexo” y la función objetivo sea convexa (si se
pretende calcular un mínimo) o cóncava (si se pretende calcular un máximo).

1. Funciones cóncavas y convexas.

Comencemos con funciones de una variable. La derivada primera de una función nos da la pendiente de
la recta tangente y podremos determinar si la función es creciente o decreciente. De las derivadas segundas
podremos determinar si la pendiente aumenta o disminuye. Si la pendiente aumenta, diremos que la función es
convexa. Diremos que la función es cóncava si la pendiente disminuye. Para esta de…nición de función cóncava
y convexa es necesario que la función tenga derivadas al menos hasta orden dos. Además, resulta complicado
extenderla al caso de varias variables. Daremos a continuación otras de…niciones.
Una función f : R ! R se dice que es cóncava si, dados dos puntos cualesquiera de la grá…ca de y = f (x);
el segmento que une a estos puntos nunca queda por encima de la grá…ca, ver grá…cos G1, G2 y G3.

1
 G1. Función cóncava estricta. G2. Func. cóncava estricta G3. Func. cóncava no estricta.

Cuando el segmento queda siempre por debajo de la grá…ca, excepto en los dos puntos iniciales escogidos, se
dice que la función es estrictamente cóncava. Las funciones de los grá…cos G1 y G2 son funciones estrictamente
cóncavas. La función del grá…co G3 es cóncava pero no estrictamente pues el segmento que une a los puntos
(x0 ; y0 ) y (x1 ; y1 ) coincide con la grá…ca de la función en todos los puntos. Si la función fuese derivable, podemos
dar otra de…nición en términos de rectas tangentes y diremos que una función es cóncava si, en cualquier punto,
la recta tangente a la función nunca queda por debajo de la grá…ca de y = f (x): Como la ecuación de la recta
tangente a f (x) en el punto x0 es
y = f (x0 ) + f 0 (x0 )(x x0 );
diremos que la función f (x) es cóncava en el conjunto A si y solo si f (x) f (x0 ) + f 0 (x0 )(x x0 ); para todo
punto x y x0 del conjunto A: Si la recta tangente está siempre por encima de la grá…ca de y = f (x) excepto en
el punto de tangencia, diremos que la función es estrictamente cóncava. Observe que esta de…nición no puede
aplicarse a la función del grá…co G3 pues en el punto x2 la función no es derivable.
Supongamos, ahora, que la función f (x) tiene derivadas hasta orden dos. Usando aproximaciones cuadráticas
(Taylor de orden 2), podremos poner
1
f (x) ' f (x0 ) + f 0 (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 ;
2
o de otra forma,
1 00
f (x) f (x0 ) f 0 (x0 )(x
f (x0 )(x x0 )2 :
x0 ) ' (1)
2
Si la función f es cóncava en el conjunto A; tendremos que f (x) f (x0 ) f 0 (x0 )(x x0 ) 0: Eligiendo x
su…cientemente próximo a x0 ; tendremos que
1 00
f (x0 )(x x0 )2 0
2
y por tanto f 00 (x0 ) 0 en todos los puntos del conjunto A: Luego, hemos probado que, si f es cóncava en el
conjunto A entonces f 00 (x) 0 en todos los puntos de A: La implicación inversa también es cierta. Si f 00 (x) 0
en todos los puntos de A; tendremos que f (x) f (x0 ) f 0 (x0 )(x x0 ) 0 para x y x0 su…cientemente próximos.
Por tanto,
f (x) es cóncava en A () f 00 (x) 0; 8x 2 A:
Observe que, si f 00 (x) < 0; 8x 2 A; se tendrá que f (x) f (x0 ) f 0 (x0 )(x x0 ) < 0; para x y x0 su…cientemente
próximos y, por tanto, la función f será estrictamente cóncava. La implicación contraria no es cierta en general.
Luego, tenemos que
Si f 00 (x) < 0; 8x 2 A =) f es estrictamente cóncava en A:
Cuando f (x) es cóncava diremos su su opuesta, f (x); es una función convexa. Por tanto,
f (x) es convexa en A () f 00 (x) 0; 8x 2 A:
Si f 00 (x) > 0; 8x 2 A =) f es estrictamente convexa en A:

2
 Las de…niciones dadas anteriormente de función cóncava y convexa son también válidas para funciones de
varias variables. Dada f : Rn ! R; la aproximación cuadrática dada en (1) sería
1
f (x) f (x0 ) rf (x0 ) (x x0 ) ' (x x0 )T Hf (x0 )(x x0 )
2
siempre que f tenga derivadas parciales hasta orden 2 y además sean continuas (es decir, f es una función C 2 ):
Si f es cóncava en el conjunto A; se tendrá que f (x) f (x0 ) rf (x0 ) (x x0 ) 0; pues los planos tangentes
de una función cóncava nunca quedan por debajo de la grá…ca de la función. Por tanto, (x x0 )T Hf (x0 )(x
x0 ) 0 para todo punto x y x0 (su…cientemente próximos) en el conjunto A: Si para x 6= x0 ; se cumple que
(x x0 )T Hf (x0 )(x x0 ) < 0; se tendrá que f (x) < f (x0 ) + rf (x0 ) (x x0 ) y la función será estrictamente
cóncava. Luego, la concavidad (convexidad) de la función f (x) está ligada al signo de la forma cuadrática
xT Hf (x0 )x y se tiene el siguiente resultado

f es cóncava en A () Hf (x) es de…nida negativa o semide…nida negativa 8x 2 A:

Si Hf (x) es de…nida negativa 8x 2 A =) f es estrictamente cóncava en A:

De manera análoga,

f es convexa en A () Hf (x) es de…nida positiva o semide…nida positiva 8x 2 A:

Si Hf (x) es de…nida positiva 8x 2 A =) f es estrictamente convexa en A:

En el apéndice, al …nal de este capítulo, hemos puesto los criterios de clasi…cación de formas cuadráticas
estudiados en Matemáticas II.
Ejemplo 1. Veamos si son cóncavas o convexas las siguientes funciones

(1) f (x; y) = x2 y2 ; (2) f (x; y) = x4 + y 4 ; (3) f (x; y) = x2 + y 2 + 2xy;

(4) f (x; y) = xy; (5) f (x; y) = y x2 ; (6) f (x; y; z) = 2 log x + log y 2e z
;:
(1) El gradiente es rf (x) = ( 2x; 2y) : La matriz hessiana es

2 0
Hf (x) = ; 8x 2 R2 :
0 2

Como los autovalores son 1 = 2 = 2 < 0; Hf (x) es de…nida negativa (DN), 8x 2 R2 y por tanto f (x; y) es
estrictamente cóncava.

G4. f (x; y) = x2 y2 : G5. f (x; y) = x4 + y 4 : G6. f (x; y) = x2 + y 2 + 2xy:

3
(2) Las derivadas primeras y segundas son
12x2 0
rf (x) = 4x3 ; 4x3 ) Hf (x) = ; 8x 2 R2 :
0 12y 2

Los autovalores serían 1 = 12x2 y 2 = 12y 2 : Si x 6= 0 e y 6= 0; 1 > 0 y 2 > 0 y la matriz Hf (x) sería
de…nida positiva (DP): Pero si x = 0 o y = 0; la matriz Hf (x) será semide…nida positiva (SDP). Luego, la
función f (x; y) es convexa, aunque no sabemos si es o no estrictamente convexa. En el grá…co G5 se observa
que los planos tangentes siempre quedan por debajo de la función y, por tanto, la función será estrictamente
convexa.
(3) En este caso,
2 2
rf (x) = (2x + 2y; 2y + 2x) ) Hf (x) = ; 8x 2 R2 :
2 2
Los menores de orden 1 son positivos y D2 = jHf (x)j = 0: Luego Hf (x) es SDP 8x 2 R2 y por tanto f es
convexa. En el grá…co G6 se observa que no es estrictamente convexa pues el plano tangente en cualquier punto
coincide con la grá…ca de la función en una recta de puntos.
(4) En este caso,
0 1
rf (x) = (y; x) ) Hf (x) = ; 8x 2 R2 :
1 0
Los menores de orden 1 son nulos y el menor de orden dos D2 = jHf (x)j = 1 < 0: Luego, la matriz Hf (x)
es inde…nida y por tanto f no es ni cóncava ni convexa, ver grá…co G7.

G7. f (x; y) = xy: G8. f (x; y) = x y2 :

(5) Aqui se tiene que

2 0
rf (x) = ( 2x; 1) ) Hf (x) = ; 8x 2 R2 :
0 0
Los autovalores son 1 = 2 < 0 y 2 = 0 y por tanto la matriz hessiana es semide…nida negativa (SDN).
Luego, f es cóncava. En el grá…co G8 se observa que no es estrictamente cóncava.
(6) En este ejemplo,
0 1
1=x2 0 0
rf (x) = 1=x; 1=y; e z
) Hf (x) = @ 0 1=y 2 0 A ; 8x 2 R2 en el dominio de f:
z
0 0 e
Los autovalores son negativos en todos los puntos del dominio de de…nición de la función. Luego la matriz será
DN y por tanto f es estrictamente cóncava. Observe que, en este caso, no podemos representar grá…camente la
función pues deberíamos hacerlo en dimensión 4.

4
 Veamos a continuación algunas propiedades de las funciones cóncavas y convexas que pueden ser de utilidad.
Propiedades de las funciones cóncavas y convexas.
1) Sea c un número real. Si f es una función cóncava (convexa) entonces h = f c también es cóncava (convexa).
2) Sean a y b dos números positivos. Si f y g son cóncavas (convexas) entonces h = af + bg también es cóncava
(convexa).
3) Las funciones lineales son las únicas funciones que son cóncavas y convexas a la vez aunque no estrictamente.
Demostración. (1) Como Hh (x) = Hf (x) ; se tendrá que h es cóncava (convexa) si y solo si f lo es. (2) Como
la derivada de una suma de funciones es la suma de las derivadas, se tiene que Hh (x) = aHf (x) + bHg (x) :
Si f y g son cóncavas, Hf (x) y Hg (x) serán DN o SDN y, como a y b son positivos, aHf (x) + bHg (x) será
también DN o SDN. (3) Una función lineal es de la forma f (x) = c + a1 x1 + a2 x2 + + an xn : El gradiente
será un vector de constantes rf (x) = (a1 ; : : : ; an ) y, por tanto, la matriz hessiana es una matriz con todos sus
elementos iguales a cero que es a la vez SDN y SDP. Luego f (x) es cóncava y convexa. No lo es estrictamente
pues su grá…co será una recta (si es de una variable) o un plano (si fuese de dos variables).
Ejemplo 2. Veamos si son cóncavas o convexas las siguientes funciones

(1) f (x; y) = x4 + y 4 + x2 + y 2 + 2xy; (2) g(x; y) = 4 + 3x y x2 y2 :

La función dada en (1) es la suma de las funciones (2) y (3) dadas en el ejemplo anterior. Como ambas eran
convexas, la función f (x; y) también será convexa. La función dada en (2) es la suma de 4 + 3x y con la
función x2 y 2 : Como la matriz hessiana de la primera función es la matriz nula y la segunda función vimos
que era estrictamente cóncava, la función g(x; y) será también estrictamente cóncava.
Ejemplo 3. Unas de las funciones más utilizadas en Microeconomía para representar funciones de utilidad y
de producción son las funciones del tipo Cobb-Douglas (C-D). Una función Cobb-Douglas, en dos variables, es
de la forma f (x1 ; x2 ) = Ax1 x2 ; con A > 0; > 0 y > 0; y dominio natural de de…nición R2++ ; es decir,
x1 > 0 y x2 > 0: Veamos cuando son cóncavas estas funciones. Las derivadas parciales son f1 = Ax1 1 x2 y
f2 = Ax1 x2 1 : Las derivadas segundas serán

( 1) Ax1 2 x2 Ax1 1
x2 1
Hf (x) = :
Ax1 1 x2 1 ( 1) Ax1 x2 2

La función será cóncava, en el conjunto R2++ ; si y solo si f11 0; f22 0 y jHf (x)j 0; 8x 2 R2++ : Como
A > 0; > 0; > 0; x1 > 0 y x2 > 0; se tiene que

f11 0 () ( 1) Ax1 2 x2 0 () 1
f22 0 () ( 1) Ax1 x2 2 0 () 1:

Por otra parte

2 2 2 2 2 2 2 2
jHf (x)j = ( 1) ( 1) A2 x12 x2 A2 x12 x2 =
2 2 2 2 2 2
= A2 x21 x2 (( 1) ( 1) )= 2 2
A x1 x2 (1 ):

Luego,
2 2 2
jHf (x)j 0 () A2 x21 x2 (1 ) 0 () 1 0 () + 1:
Por tanto, la función C-D es cóncava siempre que 1; 1y + 1: Observe que si se cumple la última
de las condiciones, se cumplirán también las dos primeras. Por tanto, una función C-D es cóncava si y solo si
+ 1: Si + < 1; se tendrá que f11 < 0 y jHf (x)j > 0 y la función será estrictamente cóncava. Si
+ = 1; la función será cóncava aunque no estrictamente, ver grá…co 10. Para una función C-D cualquiera
con n variables, se tendrá que es cóncava si y solo si la suma de los exponentes es menor o igual que 1.

5
 G9. Func. C-D con + < 1: G10. Func. C-D con + = 1: G11. Func. C-D con + > 1:

2. Conjuntos convexos.
Hay un tipo de conjunto ligado a las funciones cóncavas y convexas que tiene gran relevancia en optimización.
Estos son los llamados conjuntos convexos. Diremos que un conjunto es convexo si dados dos puntos cualesquiera
del conjunto, el segmento que los une está también dentro del conjunto. Dados dos puntos x0 y x1 de Rn ; los
puntos del segmento que los une serán de la forma x = x0 + (1 ) x1 ; con 0 1: Si = 1; tendremos el
0 1
extremo x ; si = 0; tendremos el extremo x ; si = 1=2; tendremos el punto medio del segmento, etc. Con
un poco más de rigor, diremos que un conjunto S Rn es convexo si y solo si 8x0 ; x1 2 S y 0 1; se tiene
que x0 + (1 ) x1 2 S:

G12. Conjunto no convexo. G13. Conjunto convexo.

Propiedades de los conjuntos convexos.

1) El espacio Rn es un conjunto convexo.
2) La intersección de conjuntos convexos es también un conjunto convexo.
3) Sea c un número real cualquiera. Entonces:
a) Si f es cóncava entonces los conjuntos del tipo S+ = fx 2 Rn : f (x) cg son convexos.
b) Si f es convexa entonces los conjuntos del tipo S = fx 2 Rn : f (x) cg son convexos.
c) Si f es lineal entonces los conjuntos del tipo S0 = fx 2 Rn : f (x) = cg son convexos.
Demostración. Probaremos la propiedad 3. El resto queda como ejercicio para el lector. Sean x0 y x1 dos
puntos del conjunto S+ : Entonces, f x0 c y f x1 c: Si f es una función cóncava, tendremos que el
0 1
segmento formado por los puntos x y x nunca queda por encima del grá…co de la función f (x); es decir,

f x0 + (1 ) x1 f x0 + (1 ) f x1 ;

6
ver grá…co G14. Como f x0 c y f x1 c; se tiene que f x0 + (1 ) x1 c + (1 ) c = c y por
0 1 0 1
tanto f x + (1 )x c Luego, x + (1 ) x 2 S+ y el conjunto S+ es convexo.

G14. Demostración de propiedad 3(a).

De manera análoga se probaría 3(b). El conjunto S0 es la intersección de S+ con S : Si f es lineal, se tiene

que f es cóncava y convexa a la vez y S+ y S serán convexos. Usando la propiedad (2), queda probada la
propiedad 3(c).
Observación 1. En el grá…co G15 se observa que, aunque la intersección de conjuntos convexos siempre es un
conjunto convexo (zona en rojo), la unión de convexos, en general, no es un conjunto convexo (zona en amarillo,
rojo y azul).

G15. Interseción de conjuntos convexos.

Observación 2. Si un conjunto convexo S Rn ; n 2; no tiene tramos rectos en su frontera diremos que el

conjunto es estrictamente convexo.
Ejemplo 4. Veamos si son convexos los siguientes conjuntos.
S1 = x 2 R2 : 4 + 3x y x2 y 2 1 ; S2 = x 2 R2 : x2 + y 2 = 1 ;
S3 = x 2 R2 : x2 + y 2 + 2xy 1 ; S4 = x 2 R2+ : xy 1 :

El conjunto S1 es del tipo S+ : La función que lo de…ne g(x; y) = 4 + 3x y x2 y 2 es cóncava (estrictamente),

ver ejemplo 2. Por tanto S1 es convexo. El conjunto S2 es del tipo S0 (es una curva de nivel de la función

7
f (x; y) = x2 + y 2 ) y la función f que lo de…ne no es lineal. Observe que las únicas curvas de nivel (en el plano)
que son conjuntos convexos son las rectas. Como x2 + y 2 = 1 no es una recta, el conjunto S2 no es convexo. El
conjunto S3 es del tipo S y la función que lo de…ne f (x; y) = x2 + y 2 + 2xy es convexa (ver ejemplo 2). Por
tanto S3 es un conjunto conjunto convexo. El conjunto S4 es del tipo S+ : La función que lo de…ne f (x; y) = xy
no es cóncava, tampoco convexa (ver ejemplo 3). Por tanto, no podemos utilizar la propiedad 3 y no podemos
concluir nada sobre la convexidad del conjunto. Grá…camente, ver grá…co G16, se observa que el conjunto S4
es convexo (estrictamente).

G16. Conjunto S4 :

Observación 3. Si una función f es cóncava se tiene que el conjunto S+ que de…ne será convexo y por tanto
el conjunto S no será convexo excepto que las curvas de nivel de f sean rectas. Análogamente se tendrá con
las funciones convexas.

3. Funciones cuasicóncavas y cuasiconvexas.

En el ejemplo 4 vimos que el conjunto sobrenivel S4 era convexo aunque la función que lo de…ne no es
cóncava. Diremos que una función f : Rn ! R es cuasicóncava en el conjunto A Rn cuando los conjuntos
sobrenivel S+ = fx 2 A : f (x) cg son convexos. De manera análoga, f es cuasiconvexa en A si los conjuntos
bajonivel S = fx 2 A : f (x) cg son convexos. Diremos que f es estrictamente cuasicóncava (cuasiconvexa)
cuando los conjuntos S+ (S ) sean estrictamente convexos. Esta de…nición solo tiene sentido para funciones de
más de una variable y cuando los conjuntos de nivel no son ”gordos”. Este será siempre nuestro caso. La función
f (x; y) = xy que de…ne el conjunto S4 del ejemplo 4 será por tanto una función cuasicóncava (estrictamente)
en el conjunto R2++ :
Propiededes de las funciones cuasicóncavas y cuasiconvexas.
1) f es cuasicóncava si y solo si f es cuasiconvexa.
2) a) Si f es cóncava (estrictamente) entonces f es cuasicóncava (estrictamente).
b) Si f es convexa (estrictamente) entonces f es cuasiconvexa (estrictamente).
3) f es cuasicóncava y cuasiconvexa a la vez si y solo si los conjuntos del tipo S0 = fx 2 Rn : f (x) = cg son
convexos. Si n = 2; esto ocurre si y solo si las curvas de nivel de f (x) son rectas.
4) Si f es cuasicóncava (cuasiconvexa) entonces af; a > 0; es cuasicóncava (cuasiconvexa).
5) Sea f : Rn ! R y sea F : R ! R una función creciente.
a) Si f es cuasicóncava (estrictamente) entonces h = F f es también cuasicóncava (estrictamente).
b) Si f es cuasiconvexa (estrictamente) entonces h = F f es también cuasiconvexa (estrictamente).
Demostración. (1) f es cuasicóncava si y solo si S+ es convexo. Los conjuntos S+ son

S+ = fx 2 A : f (x) cg = fx 2 A : f (x) cg

8
y por tanto, los conjuntos S de…nidos por la función f son convexos lo cual ocurre si y solo si f es
cuasiconvexa. (2a) Si f es cóncava (estrictamente) se tiene que los conjuntos S+ son convexos (estrictamente)
y por tanto f es cuasicóncava. La parte (2b) se prueba de manera análoga. (3) Si f es cuasicóncava y
cuasiconvexa se tendrá que los conjuntos S+ y S son convexos y, por tanto, S0 = S+ \ S también será
convexo. Si los conjuntos S0 son convexos, las curvas de nivel de f; caso n = 2; serán rectas y, por tanto, los
conjuntos S+ y S serán convexos. (4) Podemos poner
S+ = fx 2 A : f (x) cg = fx 2 A : af (x) acg = fx 2 A : af (x) kg :
Por tanto, si f es cuasicóncava los conjuntos S+ de…nidos por af; con a > 0; son convexos y af será cuasicóncava.
(5a) Si F es creciente, se tiene que
S+ = fx 2 A : f (x) cg = fx 2 A : F (f (x)) F (c)g = fx 2 A : h(x) kg :
Luego, si f es cuasicóncava, h también lo será. Análogamente con (5b).
Observación 4. En la sección 1 se dijo que las únicas funciones cóncavas y convexas a la vez son las funciones
lineales. Por tanto, las funciones lineales serán también cuasicóncavas y cuasiconvexas. Utilizando la propiedad
5, las transformaciones crecientes de las funciones lineales serán también cuasicóncavas y cuasiconvexas aunque
ya no serán cóncavas y convexas a la vez. Por ejemplo, la función f (x; y) = 2x + y es cóncava y convexa a
la vez y por tanto será cuasicóncava y cuasiconvexa. Luego, la función h(x; y) = e2x+y será cuasicóncava y
cuasiconvexa a la vez y las curvas de nivel de h(x; y) serán rectas. ¿Será también cóncava y convexa? Como
h(x; y) = e2x+y no es una función lineal, no puede ser a la vez cóncava y convexa. La matriz hessiana de h(x; y)
es
4e2x+y 2e2x+y
Hh (x) =
2e2x+y e2x+y
que es SDP en todo punto. Luego, h(x; y) es convexa y no es cóncava.
(*)Observación 5. Una propiedad análoga a la (5) para funciones cóncavas o convexas es como sigue:
Sea F : R ! R una función no decreciente (F 0 (t) 0) y sea f : Rn ! R:
a) Si f y F son cóncavas entonces la función h = F f es cóncava.
b) Si f y F son convexas entonces la función h = F f es convexa.
Si f es una función estrictamente cóncava (convexa) y F 0 (t) 0; siendo F 0 (t) = 0 solo en puntos aislados, se
tiene que h = F f es también estrictamente cóncava (convexa).
A partir de ahora, limitaremos nuestro análisis a las funciones diferenciables de dos variables, f : R2 ! R:
Supongamos, de momento, que las derivadas parciales de la función f; que denotamos por f1 y f2 ; son positivas
en el conjunto A R2 : En este caso, el vector gradiente apuntaría en dirección noreste y, por tanto, los conjuntos
S+ quedarían en la parte superior derecha, zona en azul de los grá…cos G17-G20.

G17. Curvas de nivel convexas. G18. Curvas de nivel cóncavas.

9
 G19. Curvas de nivel lineales. G20. Curvas de nivel ni cóncavas ni convexas.

Observe que, el conjunto S+ es convexo (y por tanto f sea cuasicóncava) si y solo si las curvas de nivel de f son
convexas. Además, tendremos que S+ es estrictamente convexo (y por tanto f es estrictamente cuasicóncava)
solo cuando las curvas de nivel de f son estrictamente convexas. Tendríamos análogos resultados con curvas de
nivel de f cóncavas y la cuaxiconvexidad de f:
Sea la curva de nivel f (x1 ; x2 ) = c: Supongamos que podemos ponerla en la forma x2 = h(x1 ): Recuerde de
Matemáticas I que la pendiente de la curva de nivel f (x1 ; x2 ) = c viene dada por

f1 (x1 ; x2 )
h0 (x1 ) = ;
f2 (x1 ; x2 )

donde x2 = h(x1 ): La cuva de nivel f (x1 ; x2 ) = c será convexa si y solo si h00 (x1 ) 0: Derivando, utilizando la
regla de la cadena, h0 (x1 ) respecto de x1 se tendrá

(f11 + f12 h0 ) f2 f1 (f21 + f22 h0 )

h00 (x1 ) = 2 ;
(f2 )

donde fij = @ 2 f =@xi @xj y h0 = f1 =f2 : Ahora, la curva de nivel f (x1 ; x2 ) = c es convexa si y solo si

f1 f1
h00 (x1 ) 0 () (f11 + f12 h0 ) f2 f1 (f21 + f22 h0 ) 0 () f11 f12 f2 f1 f21 f22 0:
f2 f2

Multiplicando por f2 ; y usando que f12 = f21 ; quedaría

f1 f1
h00 (x1 ) 0 () f11 f12 f2 f2 f1 f2 f21 f22 0 () f11 f2 2f12 f1 f2 + f22 f12 0:
f2 f2

Luego, la función f será cuasicóncava si y solo si f11 f2 2f12 f1 f2 + f22 f12 0: Por otra parte, sabemos que si
h00 (x1 ) > 0; la curva de nivel será estrictamente convexa. Por tanto, si f11 f2 2f12 f1 f2 + f22 f12 > 0; la función
f será estrictamenta cuasicóncava. Las condiciones anteriores suelen establecerse en términos de determinantes.
Sea la matriz, 0 1
f11 f12 f1
H f = @ f21 f22 f2 A ;
f1 f2 0
a la que llamaremos matriz hessiana orlada de f: Ahora, podríamos decir que una función f es cuasicónvava en
el conjunto A si y solo si jH f j 0; 8x 2 A: Si jH f j > 0; 8x 2 A; tendremos que la función f es estrictamente
cuasicóncava. Análogos resultados se tendrían para la cuasiconvexidad. Para probar la condición anterior hemos
considerado funciones con derivadas parciales positivas. Puede probarse, no lo haremos en estas notas, que los

10
resultados anteriores son válidos para cualquier función diferenciable, siempre que las derivadas parciales no se
anulen a la vez en ningún punto del conjunto de interés. Pongamos todo esto en el siguiente teorema.
Teorema 1 Sea f : A R2 ! R; siendo A un conjunto convexo y f 2 C 2 (A); con rf (x) 6= (0; 0) ; 8x 2 A:
a) f es cuasicóncava en A si y solo si jH f j 0; 8x 2 A:
b) f es cuasiconvexa en A si y solo si jH f j 0; 8x 2 A:
c) Si jH f j > 0; 8x 2 A entonces f es estrictamente cuasicóncava en A:
d) Si jH f j < 0; 8x 2 A entonces f es estrictamente cuasiconvexa en A:
Si rf (x) = (0; 0) en algún punto del conjunto A los resultados (a) y (b) del teorema anterior ya no son
válidos. Ahora, se tendría:
a*) Si f es cuasicóncava en S entonces jH f j 0; 8x 2 S:
b*) Si f es cuasiconvexa en S entonces jH f j 0; 8x 2 S:
Ejemplo 5. Veamos si son cuasicóncavas o cuaxiconvexas en el conjunto R2++ las siguientes funciones.
2
(1) f (x; y) = x1=3 y 1=2 ; (2) f (x; y) = 2xy + y 2 ; (3) f (x; y) = (x + y) :

(1) La función es una C-D con + = (1=3) + (1=2) < 1: Luego, es estrictamente cóncava en R2++ ; ver ejemplo
3. Por tanto, será estrictamente cuasicóncava en R2++ :
(2) El gradiente es rf (x; y) = (2y; 2x + 2y) : La matriz hessiana será

0 2
Hf (x; y) = :
2 2

Como Hf (x; y) = 4 < 0; la función no es ni cóncava ni convexa. Veamos con el hessiano orlado.
0 1
0 2 2y
H f (x; y) = @ 2 2 2x + 2y A ) jH f (x; y)j = 16y (x + y) 8y 2 = 16xy + 8y 2 :
2y 2x + 2y 0

Como (x; y) 2 R2++ ; se tiene que jH f (x; y)j > 0 y la función será estrictamente cuasicóncava en el conjunto
R2++ :
(3) La función dada podemos verla como la composición de g(x; y) = x + y con la función F (t) = t2 : La función
g(x; y) es cóncava y convexa a la vez pues es lineal. Por tanto, g(x; y) será cuasicóncava y cuasiconvexa. Por
otra parte, F 0 (t) = 2t donde t = x + y: Como (x; y) 2 R2++ ; se tiene que F 0 (t) > 0: Luego, f (x; y) = F (g(x; y))
será también cuasicóncava y cuasiconvexa a la vez en el conjunto R2++ :
2
Ejemplo 6. En el ejemplo anterior vimos que f (x; y) = (x + y) es cuasicóncava y cuasiconvexa a la vez en
el conjunto R2++ : ¿Será también cuasicóncava y cuasiconvexa en todo R2 ? Ahora, la función F (t) = t2 no es
creciente pues t puede ser positivo y negativo y no podremos hacerlo como en el ejemplo anterior. Observe que
2 2
(x + y) = x2 +y 2 +2xy es la función (3) del ejemplo 1 que sabemos que es convexa. Por tanto, f (x; y) = (x + y)
2
será cuasiconvexa en todo R : ¿Será estrictamente cuasiconvexa? El hessiano orlado sería
0 1
2 2 2x + 2y
H f (x; y) = @ 2 2 2y + 2x A ) jH f (x; y)j = 0; 8 (x; y) 2 R2 :
2x + 2y 2y + 2x 0

Luego no podemos utilizar el teorema 1 y para saber si es o no estrictamente cuasiconvexa. Los conjuntos S
serían n o p p
2
S = (x; y) 2 R2 : (x + y) c = (x; y) 2 R2 : c x+y c
p p
que es la región comprendida entre las rectas x + y = c y x + y = c; ver grá…co 21, que es un conjunto
convexo aunque no estrictamente. Por tanto, la función no es estrictamente cuasiconvexa.

11
 n o
2
G21. Conjunto S = (x; y) 2 R2 : (x + y) c :

La función no sería cuasicóncava en R2 pues los conjuntos S+ no son convexos. Observe que este resultado no
podríamos obtenerlo del hessiano orlado pues jH f (x; y)j = 0 y el gradiente se anula en los puntos con x = y:
Si nos restringimos al conjunto R2++ ; el gradiente no se anularía y podríamos concluir, usando el teorema 1
(parte (a), que la función es cuasicóncava en R2++ :
Ejemplo 7. Consideremos las funciones del tipo cuasilineal f (x; y) = ax + g(y); donde a > 0; g 0 (y) > 0 y
g 00 (y) < 0; 8y: El gradiente sería rf (x; y) = (a; g 0 (y)) y la matriz hessiana será

0 0
Hf (x; y) =
0 g 00 (y)

que es una matriz semide…nida negativa en todo punto de R2 : Luego, las funciones cuasilineales son funciones
cóncavas y, por tanto, también cuasicóncavas. Podría probarse que no son estrictamente cóncavas pero esto no
implica que no sean estrictamente cuasicóncavas. El hessiono orlado sería
0 1
0 0 a
H f (x; y) = @ 0 g 00 (y) g 0 (y) A ) jH f (x; y)j = a2 g 00 (y) > 0; 8 (x; y) 2 R2 :
a g 0 (y) 0
Luego las funciones cuasilineales son siempre funciones cóncavas y estrictamente cuasicónvavas.
Ejemplo 8. Consideremos las funciones del tipo Cobb-Douglas f (x; y) = Ax y ; siendo A; y constantes
positivas. Probaremos que son estrictamente cuasicóncavas en el conjunto R2++ : En lugar de usar el hessiano
orlado, usaremos la propiedad 5 de las funciones cuasicóncavas. Sea

g(x; y) = log f (x; y) = log A + log x + log y:

La matriz hessiana de g es
=x2 0
Hg(x; y) =
0 =y 2
que es una matriz DN, 8(x; y) 2 R2++ : Luego g es estrictamente cóncava y por tanto también será estrictamente
cuasicóncava. Nótese que, f (x; y) = F (g(x; y)); siendo F (t) = et : Como F es creciente y g es estrictamente
cuasicóncava, se tendrá que f es estrictamente cuasicóncava. Recuerde que las funciones C-D son cóncavas solo
cuando + 1; ver ejemplo 3. Sin embargo, son cuasicáncavas para y cualesquiera (positivos). En
general, las funciones Cobb-Douglas con n variables, f (x) = Ax1 1 xnn ; siendo A y 1 ; : : : ; n constantes
positivas, también son estrictamente cuasicóncava en Rn++ :
Observación 6. Una de las típicas confusiones del principiante está en no saber diferenciar entre la función y
sus curvas de nivel. En los grá…cos G9, G10 y G11 están dibujadas las funciones C-D para + < 1; + = 1 y
+ > 1 respectivamente. En G9 la función es estrictamente cóncava, en G10 es cóncava (no estricta) y en G11

12
no es cóncava. Sin embargo, en los tres casos la función f (x; y) = Ax y es estrictamente cuasicóncava. Por
tanto, como las derivadas parciales son positivas, las curvas de nivel de las funciones C-D deben ser decrecientes
y convexas, ver grá…co G22, para así poder de…nir conjuntos S+ convexos.

y
5

0
0 2 4
x
G22. Curvas de nivel de Cobb-Douglas.

Otro ejemplo lo tenemos con la función f (x; y) = (x + y)2 : Esta función es convexa (no cóncava), ver grá…co G6.
En el conjunto R2++ es cuasiconvexa y cuasicóncava a la vez y por tanto sus curvas de nivel deben ser rectas
para que tanto los conjuntos S+ como S sean convexos.
Ejemplo 9. Veamos si son convexos los siguientes conjuntos.

A = (x; y) 2 R2++ : log(1 + xy) 4 ; B = (x; y) 2 R2++ : x + 4 log y 4 ;

C = (x; y) 2 R2++ : x + y 2 4 ; D = (x; y) 2 R2++ : x4 y + xy 4 4 :

La función g(x; y) = xy es estrictamente cuasicóncava pues es una C-D y, por tanto, 1 + xy también lo es
pues al sumar una constante no cambia la forma de la grá…ca de la función, solo la traslada. Como la función
F (t) = log t es creciente, se tiene que f (x; y) = log(1 + xy) es estrictamente cuasicóncava y por tanto el conjunto
A; que es un conjunto S+ ; será convexo. La función que de…ne el conjunto B es estrictamente cuasicóncava
pues es cuasilineal, por tanto, los conjntos S+ serán estrictamente convexos y B (que es del tipo S ) no será
convexo. La función que de…ne el conjunto C es convexa (su hessiana es SDP) y por tanto el conjunto C será
convexo pues es del tipo S : La función que de…ne el conjunto D es una suma de C-D que son estrictamente
cuasicóncavas. ¿Es la suma de funciones cuasicóncavas una función cuasicóncava? Veamos con este ejemplo que
no es así. La hessiana orlada de la función es
0 1
12x2 y 4x3 + 4y 3 4x3 y + y 4
H f (x; y) = @ 4x3 + 4y 3 12xy 2 x4 + 4xy 3 A :
3 4 4 3
4x y + y x + 4xy 0

Sería cuasicóncava si y solo si jH f (x; y)j 0; 8 (x; y) 2 R2++ : En el punto (1; 1) se tiene
0 1
12 8 5
H f (1; 1) = @ 8 12 5 A ) jH f (1; 1)j = 200 < 0:
5 5 0

Luego, la función f (x; y) = x4 y + xy 4 no es cuasicóncava en R2++ y, por tanto, el conjunto D no es convexo.

13
APÉNDICE. Clasi…cación de formas cuadráticas (matrices simétricas).
(1) CASO MATRICES 2 2: Sea

a11 a12
A=
a21 a22
A es de…nida negativa () a11 < 0; a22 < 0 y jAj > 0:
A es de…nida positiva () a11 > 0; a22 > 0 y jAj > 0:
A es semide…nida de…nida negativa () a11 0; a22 0 y jAj = 0:
A es semide…nida de…nida positiva () a11 0; a22 0 y jAj = 0:
A es inde…nida () jAj < 0:
(2) CRITERIO PARA MATRICES n n DIAGONALES: Sea
0 1
1 0 0
B 0 0 C
B 2 C
A=B . . . .. C:
@ .. .. .. . A
0 0 n

A es de…nida negativa () 1 < 0; 2 < 0; : : : ; n < 0:

A es de…nida positiva () 1 > 0; 2 > 0; : : : ; n > 0:
A es semide…nida de…nida negativa () 1 0; 2 0; : : : ; n 0 con al menos un i = 0:
A es semide…nida de…nida positiva () 1 0; 2 0; : : : ; n 0 con al menos un i = 0:
A es inde…nida en cualquier otro caso.
(3) CRITERIO DE LOS MENORES PARA MATRICES n n: Sea
0 1
a11 a12 a1n
B a21 a22 a2n C
B C
A=B . . . .. C :
@ .. .. .. . A
an1 an2 ann
y sean D1 = a11 ;
a11 a12 a1n 1
a11 a12 a13 a21 a22 a2n
a11 a12 1
D2 = ; D3 = a21 a22 a23 ; : : : ; Dn 1 = .. .. .. .. ; Dn = jAj
a21 a22 . . . .
a31 a31 a33
an 1;1 an 1;2 an 1;n 1
(a) Caso jAj =
6 0:
A es de…nida negativa () Los menores D1 ; : : : ; Dn alternan signo empezando por negativo.
A es de…nida positiva () Los menores D1 ; : : : ; Dn son positivos.
A es inde…nida en cualquier otro caso con jAj =
6 0:
(b) Caso jAj = 0 con D1 6= 0; : : : ; Dn 1 6= 0:
Si D1 ; : : : ; Dn 1 alternan signo empezando por negativo =) A es semide…nida de…nida negativa.
Si D1 ; : : : ; Dn 1 son positivos =) A es semide…nida de…nida positiva.
A es inde…nida en cualquier otro caso (con jAj = 0 y D1 6= 0; : : : ; Dn 1 6= 0):

14