You are on page 1of 14

Captulo 1

[3]Funciones c
oncavas y funciones
convexas. Generalizaciones
1.1.
1.1.1.

Funciones c
oncavas y convexas.
Introduction

La concavidad y\ o convexidad de funciones, desarrollan un papel importante en economa


matem
atica, ingeniera y teora de optimizaci
on. La raz
on principal es que tienen caractersticas especiales de diferenciabilidad(subdiferenciabilidad) y otorgan condiciones suficientes de optimalidad.
No se pretende presentar un tratado completo de an
alisis convexo, si no dar los requerimientos fundamentales orientados hacia lo que propone nuestro curso. Existe abundante
bibliografa al respecto para que los interesados puedan profundizar en esta tem
atica que
va cada vez tomando mayor interes.
Nuestro trabajo se centra a funciones de variable vectorial de valor real; no obstante es
posible tratarlo para funciones de valores extendidos. Como en los captulos anteriores,
algunas definiciones son dadas en un contexto general de un espacio vectorial real E.

1.1.2.

Definiciones b
asicas

Definici
on 1. Sea =
6 C E un conjunto convexo y f : C R una funci
on. Se dice
que:
1


2CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
(a) f es c
oncava en C, si x, y C, t [0, 1], se cumple
f (tx + (1 t)y) tf (x) + (1 t)f (y)

(1.1)

(b) f es estrictamente c
oncava en C, si x, y C,con x 6= y , t ]0, 1[, se cumple
f (tx + (1 t)y) > tf (x) + (1 t)f (y)

(1.2)

(c) f es convexa en C, si x, y C, t [0, 1], se cumple


f (tx + (1 t)y) tf (x) + (1 t)f (y)

(1.3)

(d) f es estrictamente convexa en C, si x, y C,con x 6= y , t ]0, 1[, se cumple


f (tx + (1 t)y) < tf (x) + (1 t)f (y)

(1.4)

A veces no hay necesidad de estar especificando en que conjunto se est


a aplicando las
definiciones previas, pues el contexto lo indicar
a. Por otro lado, es claro que si f es c
oncava(estrictamente c
oncava) entonces f es convexa(estrictamente convexa) y viceversa;
esta simetra hace que el estudio se centre bien sobre las funciones c
oncavas o sobre las
funciones convexas.

En las siguientes lneas, en forma particular nos ocuparemos de las funciones definidas
en una variable, para explotar las implicancias geometricas que envuelven las definiciones
previas y hacer uso de nuestra intuici
on.
En lo que sigue, C denotar
a un conjunto convexo no vaco.

1.1.3.

Funciones c
oncavas\ convexas en una variable

Un primer resultado de continuidad.


Proposici
on 1. Sea f una funci
on c
oncava en el intervalo C R, con int(C) no vaco.
Entonces, f es Lipschitz en cada intervalo [a, b] int(C). Consecuentemente, f es continua en intC.
Demostraci
on. Sea [a, b] un intervalo incluido en C y m := mn{f (a), f (b)}. Entonces para
cada t [0, 1], xt := ta + (1 t)b, se tiene
f (xt ) tf (a) + (1 t)f (b) tm + (1 t)m = m


1.1. FUNCIONES CONCAVAS
Y CONVEXAS.

lo que manifiesta que f es acotada inferiormente por m en [a, b]. Por otro lado, cada
ab ba
elemento de [a, b] puede escribirse en la forma a+b
2 + s donde s toma valores en [ 2 , 2 ].
De la concavidad de f , se tiene
f(

a+b
1 a+b
1 a+b
) = f( (
+ s) + (
s))
2
2 2
2 2
1 a+b
1
a+b

f(
+ s) + f ((
s)
2
2
2
2

de donde
f(

a+b
a+b
a+b
+ s) 2f (
) f(
s)
2
2
2
a+b
) m =: M.
2f (
2

De este modo f es acotado superiormente por M en [a, b].


Ahora consideremos [a, b] intC y un apropiado > 0 tal que [a , b + ] C.
Sean m y M , respectivamente, las cotas inferior y superior de f en [a , b + ], seg
un
el razonamiento previo. Sin perdida de generalidad, podemos asumir que m < M . Para
x, y [a, b] con x 6= y, sean
z=y

(x y),
|y x|

|x y|
+ |x y|

puesto que |z y| = , se tiene que z [a , b + ] y adem


as y = z + (1 x), y
f (y) f (z) + (1 )f (x) = (f (z) f (x)) + f (x)
De esto u
ltimo,
f (x) f (y) [f (x) f (z)] (M m)
|x y|
<
(M m)

Tomando K := Mm
, se concluye que |f (x)f (y)| K|xy|, x, y [a, b]. De inmediato,
f es continua en intC.
Sean A1 (x1 , f (x1 )), A2 (x2 , f (x2 )) y A3 (x3 , f (x3 )) puntos de la gr
afica de la funci
on c
oncava
f tales que x1 < x3 < x2 , entonces a partir de (1.1), es f
acil deducir que
f (x3 ) f (x1 )
f (x2 ) f (x1 )
f (x2 ) f (x3 )

x3 x1
x2 x1
x2 x3
Esta cadena de desigualdades, nos indica c
omo se van moviendo las pendientes de segmentos formados por puntos de la gr
afica de f . Lo concreto es que si f es c
oncava, entonces
f tiene derivadas laterales en cada punto del interior de C.
Ahora, exponemos un resultado que caracteriza a funciones c
oncavas diferenciables:


4CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
Teorema 1. Sea f difernciable en un intervalo abierto C R. Entonces, f es c
oncava si
y solamente si
x, y C, f (y) f (x) + f (x)(y x)
(1.5)

1.1.4.

Funciones c
oncavas/convexas de variable vectorial

Retomando las funciones de variable vectorial:


Proposici
on 2. (a) Si f es c
oncava en C Rn , entonces, para todo m N+ , =
(1 , , m ) m , y x1 , , xm C,
m
m
X
X
f(
i xi )
i f (xi )
i=1

(1.6)

i=1

(b) Si f es convexa en C, entonces, para todo m N+ , = (1 , , m ) m , y


x1 , , xm C,
m
m
X
X
i xi )
i f (xi )
(1.7)
f(
i=1

i=1

Observaci
on 1. Una propiedad importante de las funciones c
oncavas/ convexas en variable vectorial, es su caracterizaci
on va funciones de una variable real. El hecho es que las
funciones de una variable vectorial restringidas a lo largo de cada segmento dentro de C
preservan la concavidad o convexidad, seg
un sea el caso.
Proposici
on 3. La funci
on f es c
oncava [respectivamente, convexa] en C si y solamente
si, fijados x, y C, arbitrarios; la funci
on Fx,y definida en [0, 1] R, por
Fx,y (t) := f (x + t(y x))

t [0, 1]

(1.8)

es c
oncava [respectivamente, convexa.] en [0, 1].
Demostraci
on. Se expondr
a la demostraci
on para el caso f c
oncava. Sean t1 , t2 , [0, 1],
entonces de la concavidad de f , resulta:
F (t1 + (1 )t2 )

f (x + (t1 + (1 )t2 )(y x))

f (x + (1 )x + t1 (y x) + (1 )t2 (y x))

f ((x + t1 (y x)) + (1 )(x + t2 (y x)))

1 f (x + t1 (y x)) + (1 )f (x + t2 (y x))
=

F (t1 ) + (1 )F (t2 ).


1.1. FUNCIONES CONCAVAS
Y CONVEXAS.

Por la arbitrariedad de t1 , t2 , [0, 1], se concluye que F es c


oncava en [0, 1].
Para la suficiencia, sean x
, y C y [0, 1]. Entonces,
f (
y + (1 )
x) = Fx,y () = F (1 + (1 )0)
Fx,y (1) + (1 )Fx,y (0)
= f (
y ) + (1 )f (
x).
La desigualdad se sigue de la concavidad de Fx,y ; de esta manera se prueba que f es
c
oncava.
Observaci
on 2. Existe otro tipo de caracterizaci
on para funciones c
oncavas/convexas,
en este caso de de caracter conjuntista. Previamente, se requiere de la siguiente definici
on:
Definici
on 2. Sea =
6 C un conjunto convexo de E, y f : C R una funci
on, se definen
los subconjuntos de E R, hipografo(f ) y epigrafo(f ) denotados respecticamente por
hip(f ) y epi(f ), mediante
hip(f ) := {(x, ) E R : x C, f (x)}

(1.9)

epi(f ) := {(x, ) E R : x C, f (x)}

(1.10)

Proposici
on 4. Sea =
6 C un conjunto convexo de E, entonces la funci
on f : C R es
c
oncava [respect. convexa] si y s
olo si hip(f ) [respectiv. epi(f )] es un conjunto convexo de
E R.
Demostraci
on. La demostraci
on se expondr
a para el caso f c
oncava.
Necesidad: Sean (x, ), (y, ) hip(f ) y t [0, 1]. Entonces,
f (tx + (1 t)y) tf (x) + (1 t)f (y)
t + (1 t)
esto nos dice que (tx + (1 t)y, t + (1 t)) hip(f ). Es decir,
t(x, ) + (1 t)(y, ) hip(f )
Por tanto, hip(f ) es un conjunto convexo de E R.
Suficiencia: Para x, y C, particularmente se tiene que (x, f (x)) hip(f ), (y, f (y))
hip(f ), y para cada t [0, 1]
t(x, f (x)) + (1 t)(y, f (y)) = (tx + (1 t)y, tf (x) + (1 t)f (y)) hip(f )
De la definici
on de hip(f ), se concluye que
f (tx + (1 t)y) tf (x) + (1 t)f (y)
Por tanto, f es c
oncava en C.


6CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES

1.1.5.

Operaciones con funciones c


oncavas / convexas

En esta parte, C denotar


a siempre a un conjunto convexo no vaco de E.
Proposici
on 5. Sean f1 , , fm funciones c
oncavas [convexas] en C, y 1 , , m n
umeros
Pm
reales no negativos, entonces la funci
on f = i=1 i fi es c
oncava[convexa] en C.
Demostraci
on. La prueba se sigue directamente de las definiciones de funciones c
oncavas[convexas].

La siguiente proposici
on hace uso de la caracterizaci
on conjuntista de las funciones c
oncavas(convexas.)
Proposici
on 6. Sea {fj }jI una familia arbitraria de funciones de valor real, cuyos
dominios contienen a C.
(a) Si para cada j I, fj es c
oncava en C y existe una funci
on g : C R tal que
on
fj (x) g(x), x C. Entonces, la funci
G(x) := nf fj (x),
jI

para cada x C

es c
oncava en C.
(b) Si para cada j I, fj es convexa en C y existe una funci
on h : C R tal que
on
fj (x) h(x), x C. Entonces, la funci
H(x) := sup fj (x),

para cada x C

jI

es convexa en C.
Cuando la familia de funciones es finita, empleamos min( respectivamente , max) en lugar
de inf ( respectivamente , sup.). Antes de proceder a la prueba, es necesario aclarar que
la presencia de las funciones g y h se justifica para garantizar que F y H tomen valores
reales. Cuando se trabaja con funciones de valores reales extendidos, no se requiere de las
acotaciones donde intervienen g y h.
Demostraci
on. Procedemos para el caso convexo. Concretamente, se probara que
\
epi(h) =
epi(fj )
(1.11)
jI

En efecto. Sea (x, ) epi(h), entonces


Para cada j I,

fj (x) h(x)


1.1. FUNCIONES CONCAVAS
Y CONVEXAS.

T
De esto, (x, ) epi(fj ), para cada j I. Es decir, (x, ) jI epi(fj ).
T
Recprocamente, si (x, ) jI epi(fj ), entonces fj (x) , para cada j I. Consecuentemente, supjI fj (x) y as h(x) o (x, ) epi(h). Por tanto (1.10) se
cumple.
Finalmente, aplicando la Proposici
on 4 en (1.10), resulta que h es convexa.

En la siguiente proposici
on, se ver
a un caso de preservaci
on de la concavidad (convexidad)
va una precomposici
on con una aplicaci
on lineal afn. Para ello, F denotar
a un espacio
vectorial real.
Proposici
on 7. Sean f c
oncava[convexa] en C y T : F E una aplicaci
on lineal afn,
tal que T (F ) C. Entonces, la funci
on
f T :F R

tal que (f T )(x) := f (T (x)), x F,

es c
oncava[convexa.]

Demostraci
on. Para x, y F y t [0, 1], se tiene
T (tx + (1 t)y) = tT (x) + (1 t)T (y) C
Por tanto,
(f T )(tx + (1 t)y) = f (T (tx + (1 t)y)) = f (tT (x) + (1 t)T (y))
tf (T (x)) + (1 t)f (T (y))
= t(f T )(x) + (1 t)(f T )(y).
Lo que muestra que (f T ) es c
oncava.

El siguiente resultado se refiere a composici


on de funciones c
oncavas, donde una de ellas
es de variable real.
Proposici
on 8. Sean f c
oncava en C, y g una funci
on de valor real, definida en un
intervalo I de R, c
oncava no decreciente, tal que f (C) I. Entonces, la funci
on g f
definida por
(g f )(x) = g(f (x)),
es c
oncava en C.

Demostraci
on. Ejercicio.

x C


8CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES
Definici
on 3. Sea f : E R una funci
on. Para R, se definen los conjuntos
S (f ) := {x E : f (x) }

(1.12)

S (f ) := {x E : f (x) }

(1.13)

llamados los conjuntos de nivel inferior y superior de f , respectivamente.


Una consecuencia respecto a estos conjuntos, es la siguiente:
Proposici
on 9. Sea f : E R una funci
on c
oncava [convexa], entonces para cada R,
el conjunto S (f ) [S (f )] es convexo en E.
Demostraci
on. Ejercicio.
Observaci
on 3. La proposici
on previa no es una caracterizaci
on para funciones c
oncavas[convexas],
3
pues por ejemplo, si f : R R es tal que f (x) = x , entonces S (f ) para cada R,
resulta ser un conjunto convexo, mas f no es una funci
on convexa.
Sin embargo, en teora econ
omica, se dan resultados con funciones que generen conjuntos
subnivel convexos, para ello la exigencia de contar con funciones c
oncavas i/o convexas,
resulta fuerte. En la siguiente secci
on, se ver
an funciones que de alg
un modo generalizan
a las c
oncavas(convexas).

1.2.

Funciones cuasic
oncavas y funciones cuasiconvexas

Las definiciones que siguen, se dan para funciones definidas en todo E, pero bien pueden
presentarse para funciones en C un conjunto convexo, no vaco de E.
Definici
on 4. Una funci
on f : E R , se llama:
(a) cuasic
oncava, si
x, y E, t [0, 1] f (tx + (1 t)y) mn{f (x), f (y)}

(1.14)

(b) cuasiconvexa, si
x, y E, t [0, 1] f (tx + (1 t)y) m
ax{f (x), f (y)}

(1.15)

(c) estrictamente cuasic


oncava, si
x, y E, x 6= y, t ]0, 1[ f (tx + (1 t)y) > mn{f (x), f (y)}

(1.16)


1.2. FUNCIONES CUASICONCAVAS
Y FUNCIONES CUASICONVEXAS

(d) estrictamente cuasiconvexa, si


x, y E, x 6= y, t ]0, 1[ f (tx + (1 t)y) < m
ax{f (x), f (y)}

(1.17)

Particularmente, las funciones de R en R que son mon


otonas, son ejemplos de funciones
que son tanto cuasic
oncavas como cuasiconvexas. Es f
acil probar que toda funci
on c
oncava
es cuasiconcava y que toda funci
on convexa es cuasiconvexa, m
as lo recproco en general
no es cierto. As mismo, si f es ciasic
oncava, entonces f es cuasiconvexa, y viceversa.
Los conjuntos de nivel, contribuyen a una caracterizaci
on de las funciones cuasic
oncavas
como de las cuasiconvexas, lo que se expresa en la siguiente
Proposici
on 10. f es una funci
on cuasic
oncava[cuasiconvexa] en C, si y solamente si,

para cada R, los conjuntos S (f )[S (f )] son convexos.


Demostraci
on. Asumiendo que f es cuasic
oncava en C, sean x1 , x2 S (f ) y t [0, 1],
entonces
f (tx1 + (1 t)x2 ) mn{f (x), f (y)}
y de esto, tx1 + (1 t)x2 S (f ).
Recprocamente, sean x1 , x2 C y t [0, 1] y supongamos que f (x1 ) f (x2 ) =: , por la
convexidad de S (f ), se tiene que tx1 + (1 t)x2 S (f ) y as
f (tx1 + (1 t)x2 ) = mn{f (x1 ), f (x2 )}

Observaci
on 4. En an
alisis convexo, la suma de funciones convexas, resulta ser una
funci
on convexa, lo equivalente para funciones cuasiconvexas(o cuasic
oncavs) no ocurre.
Por ejemplo, dadas las funciones cuasiconvexas

si x 0
x,
f (x) =
0,
si 0 < x < 1

x 1, si x 1.
y g(x) = x
on f + g no es cuasiconvexa, pues S1/2 (f + g) =
2 , x R, resulta que la funci
] , 1[[0, 1] no es un conjunto convexo.


10CAPITULO 1. [3]FUNCIONES CONCAVAS
Y FUNCIONES CONVEXAS. GENERALIZACIONES

Captulo 2

Programaci
on convexa Programaci
on c
oncava
Este captulo constituye la parte central del curso y siguiendo el estilo previo, desarrollaremos aspectos tanto para la programaci
on convexa como para la programaci
on c
oncava.
Bajo el criterio de diferenciabilidad, se exponen las condiciones necesarias en problemas
de optimizaci
on, as como las condiciones de suficiencia. Tambien se presentan algunos
ejemplos.
El termino programaci
on, se refiere a todo problema que demande la optimizaci
on de una
funci
on objetivo dentro de un conjunto dado, desde su planteamiento, el an
alisis de su
consistencia y los mecanismos de su soluci
on.

2.1.

Programaci
on convexa

Sea f una funci


on definida en un conjunto que contiene al conjunto convexo y no vaco
n
C R . Se presenta el siguiente problema:
nf f (x)

xC

(P )

Cabe mencionar que si existe un x C que resuelve (P ), se dice que x es un minimizante,


en tal caso es posible reemplazar nf por mn .
No est
a dem
as presentar el siguiente resultado fundamental:
Proposici
on 11. Si f es convexa en C, entonces todo mnimo local es un mnimo global sobre C. Adem
as, si f es estrictamente convexa en C, entonces existe a lo m
as un
minimizante global en C.
11

12

CONVEXA - PROGRAMACION
CONCAVA

CAPITULO 2. PROGRAMACION

En adelante, en lo que se refiere a esta secci


on, los minimizantes ser
an llamados soluciones
del problema.
Dado que todo subconjunto de nivel asociado a una funci
on convexa definida en C es

convexo, entonces el conjunto {x C : x resuelve (P )} es convexo.


Si en (P ), f es una funci
on convexa, se dir
a que (P ) es un programa convexo.
Enseguida, asumiendo caractersticas de diferenciabilidad, exponemos condiciones necesarias y suficientes para (P ).
Proposici
on 12. Supongamos que f es continuamente diferenciable en un conjunto abierto que contiene a C. Si x es un mnimo local de f en C, entonces
f (x ) (x x ) 0,

x C

(2.1)

Si adem
as, f es convexa en C, entonces (2,1) es condici
on suficiente para que x resuelva
(P ).
Ejemplos.

(A).- Considere el problema (P) con C = {x Rn : x 0}.


La condici
on (2.1) nos dice que si x = (x1 , . . . , xn ) es un mnimo local, entonces
n
X
f (x)
i=1

xi

(xi xi ) 0,

xi 0, i = 1, . . . , n.

(2.2)

Fijando i, sea x
e un vector de C, definido por, x
ej = xj para j 6= i, y x
ei = xi + 1.
Aplicando (2.2) se tiene
f (x)
0,
xi

para cada i = 1, . . . , n.

Ademas, si xi > 0, entonces haciendo x


ej = xj para j 6= i y x
ei = 12 xi y aplicando
(x)
(2.2) en x
e, resulta fx
0 y consecuentemente
i
f (x)
= 0,
xi

si xi > 0.

(B).- Considere el problema (P) sobre el simplex


C = {x Rn : x 0,

n
X

xi = r}

i=1

donde r es un escalar positivo dado.


La condici
on (2.2) expresa que
n
X
f (x)
i=1

xi

(xi

xi )

0,

xi 0, con

n
X
i=1

xi = r.

CONVEXA
2.1. PROGRAMACION

13

Que ocurre cuando xi > 0?


e=
Veamos el caso particular, cuando n = 2. Supongamos que x1 > 0, entonces x

(0, x1 + x2 ) C, por lo que


f (x)
f (x)
(e
x1 x1 ) +
(e
x2 x2 ) 0
x1
x2
es decir

f (x)
f (x)
(x1 ) +
(x1 ) 0
x1
x2

lo que implica que


f (x)
f (x)

x1
x2
(x)
(x)
Si x2 > 0, se concluye que fx
fx
?
2
1
2
2
Hagamos cuentas con f (x1 , x2 ) = 2x1 + x2 y tambien con f (x1 , x2 ) = (x1 2)2 +
(x2 + 1)2 para el mismo C = {(x1 , x2 ) 0 : x1 + x2 = 2}.
Ahora veamos el caso general, sea i un ndice para el cual xi > 0,y j otro ndice fijo.
Entonces definimos x
e un elemento de C, por x
ei = 0, x
ej = xj + xi y x
em = xm para
los otros ndices. Aplicando (2.2) a x
e, se tiene

 f (x)
xj

f (x) 
(xi ) 0
xi

por lo que
xi > 0 =

f (x)
f (x)

,
xi
xj

(2.3)

Esto significa que, todas las coordenadas que son positivas en el optimo, deben tener
su correspondiente derivada parcial mnima en comparaci
on con las otras derivadas
parciales en el optimo.
(C).- Considere el problema de programaci
on cuadr
atica
1
mn f (x) = kxk2 + c x
xC
2

()

donde C = {x Rn : Ax = 0}, siendo c un vector de Rn y A una matriz de orden m n


de rango m. Es sabido que si a la funci
on objetivo le agragamos una constante, entonces
la solucion (si existe) es la misma. Concretamente,el problema () es equivalente 1 a
1
mn f1 (x) = kx + ck2
2
s.a. Ax = 0
1

()

la equivalencia se se
nala en el sentido que tienen el mismo optimizante, bajo el mismo conjunto C.

14

CONVEXA - PROGRAMACION
CONCAVA

CAPITULO 2. PROGRAMACION

y este a la vez es equivalente al problema


mn kx + ck
s.a. Ax = 0

( )

En ( ), se observa que la soluci


on est
a dada por x C tal que x = PC (c) y dado
que C es convexo, tal x C es u
nico y es la soluci
on de (). Adem
as como se ha visto

en las propiedades de la funci


on PC , x C satisface
(c + x ) x = 0,

x tal que Ax = 0.

()

de donde
x C c
Verifique que x = (I A (AA )1 A)c satisface ().
Ejercicio 1. Si
C = {x = (x1 , , xn ) 0 :

n
X

pi xi = r}

i=1

, donde p1 , , pn y r son constantes positivas. Obtener conclusiones similares al ejemplo


(B).