Departamento de Economía Aplicada

(Matemáticas)
Grado en:
Administración y Dirección de Empresas

1: Introducción a la Programación Matemática

1. Modelización matemática en Economía…………………………………................................................2

2. Convexidad de conjuntos: Convexidad y concavidad de funciones………………………………...……2

3. Planteamiento del problema de Programación Matemática. Concepto general de óptimo......................10

4. Resolución gráfica de problemas de Optimización………………………………………………….…..15

1
1.- Modelización matemática en Economía.

Los problemas económicos plantean situaciones que para resolverlas es necesario la cons-
trucción previa del modelo matemático. Este modelo depende del tipo del problema que quera-
mos resolver y los iremos viendo a lo largo de las lecciones de la asignatura.

Nuestro objetivo es dar los conceptos necesarios para resolver problemas de Optimiza-
ción, es decir, calcular máximos y mínimos de funciones restringidas a un subconjunto.

Para ello, en esta lección, estudiaremos la convexidad de las funciones que componen el
problema, veremos teoremas importantes previos para conocer qué tipo de problema vamos a
resolver y empezaremos a estudiarlos de forma gráfica.

2.- Convexidad de conjuntos. Convexidad y concavidad de funciones.

La convexidad de un problema de optimización (programación matemática) se analiza a

partir de un conjunto de propiedades de las funciones y de los conjuntos que intervienen en la
formulación de dicho problema.

2.1.-Definición de conjunto convexo en ℜ n .

Para poder definir el concepto de conjunto convexo, necesitamos conocer, previamente, la
ecuación matemática del segmento de extremos p1 y p2:

S = {x∈ℜn / x = λp1 + (1-λ)p2 , 0 ≤ λ ≤ 1}

Ejemplo.

Veamos que la expresión del segmento se corresponde con la fórmula de la ecuación de la recta que ya
conocemos. Según lo anterior, el segmento que une los vectores (1, 2) y (2, 3) lo obtenemos:

λ (1, 2) + (1 − λ )(2, 3) = ( x, y )

Operando, resulta:

λ + 2 − 2λ = 2 − λ = x
2λ + 3(1 − λ ) = 3 − λ = y

Despejando λ obtenemos:

λ = 2− x
λ = 3− y

De donde 2 – x = 3 – y, por tanto, y = x + 1, que es la ecuación de la recta que pasa por los puntos (1, 2) y
(2, 3), con 0 ≤ λ ≤ 1 . □

2
 Con ello, podemos ya definir que un subconjunto K de ℜn es un conjunto convexo si para
cualquier par de puntos de K, el segmento que los une está totalmente contenido en K, matemá-
ticamente:

K es convexo <=> ∀x1, x2∈K: λx1 + (1-λ)x2 ∈ K , 0 ≤ λ ≤ 1

Gráficamente, lo podemos comprender mejor con los siguientes conjuntos:

Vemos como el primero no es un conjunto convexo mientras que los otros dos sí lo son.

Las principales propiedades de los conjuntos convexos son:

La unión de conjuntos convexos no tiene por qué resultar un conjunto convexo.

La intersección de conjuntos convexos siempre es un conjunto convexo.

Los hiperplanos y los semiespacios son dos ejemplos de conjuntos convexos que tienen una
alta aplicabilidad en modelos económicos lineales. Pasamos a exponer sus definiciones.

Dado un vector c∈ℜn con alguna componente distinta de cero y para cualquier α∈ℜ, un hi-
perplano se define como:

π = {x∈ℜn / ct x = α }

Como puede observarse, el concepto de hiperplano no es más que la generalización de los

conceptos de recta en ℜ2 y de plano en ℜ3.

Ejemplos.

1) x + 2y = 5 (ecuación de una recta) es un hiperplano en ℜ 2, donde c es un vector de componentes (1,-3)

y α vale 8. Gráficamente:

3
 4

6 4 2 2 4 6

2) Si tomamos -3x + 2y- z = 9 (ecuación de un plano), que es un hiperplano en ℜ 3, con el vector, por
ejemplo, c =(-3, 2, -1) y α = 9. En este caso la gráfica está en tres dimensiones:

Asimismo, obsérvese que todo hiperplano divide al espacio en dos partes. A cada una de
ellas las denominamos semiespacios, concepto que definimos a continuación:

Un semiespacio generado por el hiperplano anterior se define:

Sπ = {x∈ℜn / ct x ≤ α }

o con cualquier otro signo (≥ ,<, >) donde hablaremos de:

• semiespacios cerrados en los dos primeros casos (≤ , ≥), ya que contienen a su frontera.

• semiespacios abiertos en los dos últimos (<, >).

Se verifica que todo hiperplano y todo semiespacio son conjuntos convexos.

Ejemplo.

Compruebe si el siguiente conjunto es convexo o no, apoyándonos en un estudio gráfico:

{
k = ( x, y ) ∈ ℜ 2 / y ≥ x 2 , x 2 + y 2 ≥ 1 }
Solución:

Vamos a considerar la gráfica formada por la intersección de dos conjuntos; uno de ellos es el exte-
rior de una parábola:
y ≥ x2

4
y el otro es el exterior de la circunferencia:
x2 + y 2 ≥ 1

La intersección de ambos, zona sombreada en la siguiente gráfica, no es un conjunto convexo, ya

que si tomamos dos puntos el segmento que los une no está contenido en el conjunto:

Por tanto el conjunto no es convexo.□

Ejemplo.
{ }
Sea K = ( x, y ) ∈ ℜ 2 / − 2 x + y ≤ 4, − x + y ≤ 1, 2 x + y ≤ 6, x ≥ 0, y ≥ 0 ¿Es un conjunto
convexo?, ¿es cerrado?, ¿es acotado?, ¿le sobra alguna desigualdad? Justifique las respuestas.

Solución:

Respecto a la primera pregunta, la respuesta es inmediata de contestar, ya que, independientemente

de la forma del dibujo, sabemos que K es un conjunto convexo, puesto que es intersección de cinco semies-
pacios, cada uno de los cuales es un conjunto convexo. Dichos semiespacios vienen dados por los hiperplanos
(rectas):
-2x + y = 4, -x + y = 1, 2x + y = 6, x = 0, y=0

Respecto a las otras cuestiones, el conjunto es cerrado pues contiene a su frontera (todas las res-
tricciones tienen la igualdad en su definición).

Para contestar si está acotado o no, tenemos que representar gráficamente al conjunto K:

5
 Observamos que la recta “superior”: -2x + y = 4 no influye en la figura y por ello podemos consi-
derar que “sobra” en la definición de K. En este sentido, se suele decir que esa ecuación, o restricción de
igualdad, es ineficaz o redundante frente a K.□

En general, hasta ahora, el estudio de la convexidad lo hacemos gráficamente, si bien en

la siguiente parte de este apartado veremos propiedades analíticas a partir de las cuales podemos
obtener la convexidad de un conjunto, sin tener que recurrir al dibujo de éste, aspecto que, ade-
más, sólo podemos realizar en ℜ2.

Por ello, pasamos a estudiar la convexidad de las funciones.

2.2.-Convexidad de una función.

Una función F definida en un dominio D de ℜn puede ser:

• Cóncava.
• Convexa.
• cóncava y convexa.
• ni cóncava ni convexa.

Gráficamente, dibujamos algunos ejemplos para funciones de una variable de los casos
anteriores:

La función de la derecha:

f(x) = -x2

es cóncava en el conjunto D=[-2, 2].

6
 La función de la derecha:

f(x) = x2

es convexa en el conjunto D=[-1, 1].

La función de la derecha:

f(x) = x + 2

es lineal, por tanto es cóncava y convexa

en el conjunto D=[0, 1.5].

La función de la derecha:

f(x) = x3+2x2-x-2

es ni cóncava ni convexa en el conjunto

D=[-2, 2].

Según lo visto, destacamos que:

• Una función lineal y = c t x siempre será cóncava y convexa y éstas serán las únicas
funciones que lo son, de tal forma que si queremos estudiar la convexidad de una fun-
ción y no es lineal, es imposible que sea cóncava y convexa a la vez en D.

Caracterización de las funciones cóncavas y convexas diferenciables.

Sea una función escalar f : D ⊂ ℜ n 

→ ℜ de clase 2 (derivabilidad y continuidad hasta or-
den dos) en D y sea x0 ∈ D con D convexo y abierto. Entonces:

• f es convexa en un entorno de x0 ⇔ la matriz hessiana de f en dicho entorno representa una

forma cuadrática al menos semidefinida positiva (o definida positiva).

• f es cóncava en un entorno de x0 ⇔ la matriz hessiana de f en dicho entorno representa una

forma cuadrática al menos semidefinida negativa (o definida negativa).

Nótese que:

7
1) Para que una función sea convexa en el entorno de un punto, la matriz hessiana ha de ser en
dicho punto y en su entorno semidefinida positiva (igual para cóncava).

2) Cuando la hessiana resulta definida positiva en el punto, no se tiene que estudiar en el entorno
ya que este signo se conserva, pudiendo afirmar que la función es estrictamente convexa (igual
para estrictamente cóncava).

3) Cualquier situación que no esté recogida en el teorema anterior, la función será ni cóncava ni
convexa.

Ejemplo.

Compruebe que la función F ( x, y ) = x + y 2 es convexa en el punto (1,2) .

Solución:

Tenemos que calcular la hessiana de F evaluada en el punto que nos da el ejercicio:

0 0
HF (1, 2) =  
0 2

Puesto que es diagonal, observamos que el signo es semidefinida positiva. En estos casos el teorema
necesita realizar un estudio en el entorno pero aquí vemos que la hessiana no depende del punto, por lo que
podemos afirmar que la función es convexa en el punto (1, 2) .□

Ejemplo.
Estudie la convexidad en el punto (0,0) de la función: F ( x, y ) = 2 x 4 + y 2 − 3 x 2 y .

Solución:

Calculamos el valor de la hessiana:

 24 x 2 − 6 x − 6 x 
HF ( x, y ) =  
 − 6x 2 

Evaluamos en el punto que nos da el ejercicio y resulta semidefinida positiva:

0 0
HF (0,0) =  
0 2

Realizando un estudio del entorno resulta que:

8
  − 6ζ 0
HF (0, ξ ) =  
 0 2 

Vemos que en el entorno es indefinida, con lo cual resulta que f es “ni cóncava ni convexa” en el entorno
del punto (0, 0). □

2.3.-Relación entre la convexidad de una función y la convexidad de un conjunto.

Teorema.

Sea f : D ⊂ ℜ n 
→ ℜ y un escalar a ∈ℜ . Llamemos K al conjunto:

K = { x ∈ D / f ( x ) ≤ a} ⊂ ℜ n

Si f es convexa en D, entonces K es un subconjunto convexo de ℜn.

Para el caso de funciones cóncavas el anterior teorema también se puede enunciar de la

siguiente manera:

Teorema.

Sea g: D ⊂ ℜ n 
→ ℜ y a ∈ℜ . Llamemos K al conjunto:

K = { x ∈ D / g ( x ) ≥ a} ⊂ ℜ n

Si g es cóncava en D ⇒ K es un subconjunto convexo de ℜn.

Por tanto, para un conjunto en general de la forma:

K = {x ∈ D / f ( x ) ≤ α , g ( x) ≥ β }

1) Para restricciones con el signo “≤” (también se verifica con la desigualdad estricta), necesitamos
que la función sea convexa.

2) Para restricciones con el signo “≥” (también con ">"), necesitaremos que sea cóncava.

3) Para restricciones con el signo de “=” pueden ocurrir dos casos:

a) Si la función es lineal (cóncava y convexa a la vez), se genera un conjunto convexo.

b) Si la función no es lineal, el conjunto que se genera NUNCA es convexo (el conjunto

definido exactamente por una curva nunca cumple esa propiedad).

9
4) Observamos que el teorema es una condición suficiente, esto es, si no se verifica, no podemos
afirmar nada sobre la convexidad de K.

Ejemplo

¿Podemos asegurar que el siguiente conjunto es un conjunto convexo?

{ }
K = ( x, y, z ) ∈ ℜ 3 / x 2 + y 2 + z 2 ≤ 0, x + y + z ≥ 0

Solución:

Aplicando el teorema anterior, para poder probar la convexidad del conjunto tenemos que estudiar
la convexidad de las funciones que lo componen.

Para la primera, puesto que es una desigualdad de “≤ ”, la función debe ser convexa. Calculando
su matriz hessiana:

 2 0 0
 
HF ( x, y, z ) =  0 2 0 
 0 0 2
 

Resulta definida positiva, por lo que la función es convexa (estrictamente convexa), de forma que
para la primera restricción se cumple el teorema.

Para la segunda restricción, al ser un semiespacio, podemos asegurar directamente que también es
un conjunto convexo, por lo que concluimos que K es intersección de conjuntos convexos y por tanto, el
conjunto es convexo. □

3.- Planteamiento del problema de Programación Matemática. Concepto

general de óptimo.

Un problema de Programación Matemática, se define como:

Optimizar F ( x )
sujeta a x∈ X

donde F :D ⊂ ℜ n  → ℜ es una función definida en un subconjunto D de ℜn, que supondremos

abierto. A esta función F la denominaremos función objetivo, la cual se pretende maximizar o
minimizar.

Llamaremos H ⊂ ℜ n a un conjunto formado por los puntos que satisfacen el conjunto de

restricciones del problema.

Finalmente, llamaremos X = D ∩ H , al conjunto de oportunidades, conjunto admisible

o región factible.

10
 Usualmente, el problema se escribirá:

Optimizar F ( x )
s.a. g ( x) ≤ b
donde, con esta notación, H será:
H = {x ∈ ℜ n / g ( x) ≤ b}

y g es una función vectorial, g : D ⊆ ℜ → ℜ , con m componentes y que recoge las limitaciones

n m

impuestas a la función objetivo. Se suele denominar función de restricciones.

Una restricción se dice que es activa en un punto admisible x, si satisface dicha restricción
en términos de igualdad, y se dice que es inactiva si la verifica en términos de desigualdad es-
tricta. Por último, si una restricción es inactiva para cualquier punto del conjunto de oportunida-
des se dice que es superabundante o redundante, es decir, no influye para nada en X, de forma
que se puede suprimir sin que varíe la solución del problema.

Ejemplo.

Un fabricante produce mesas (x1) y escritorios (x2). Para cada mesa que produce requiere dos horas
y media de montaje, tres horas de pulido y una hora de embalaje. Asimismo, para cada escritorio, se requiere
una hora de montaje, tres horas de pulido y dos horas de embalaje. Estas secciones presentan las siguientes
limitaciones: la unidad de montaje trabaja, como máximo, 20 horas al día; la unidad de pulido, como má-
ximo, 15 horas al día; la unidad de embalaje, como máximo, 16 horas al día. El fabricante trabaja con un
margen de beneficios de tres unidades monetarias por mesa producida y cuatro por cada escritorio. Plantee
el modelo de Programación Matemática en el caso de que el fabricante pretenda maximizar beneficios.

Solución:

El planteamiento del problema es el siguiente:

Maximizar 3 x1 + 4 x2
sujeta a 2,5 x1 + x2 ≤ 20
3 x1 + 3 x2 ≤ 15
x1 + 2 x2 ≤ 16
x1 , x2 ≥ 0

cuya solución es x1 = 0, x2 = 5 (la forma de obtener dicha solución la veremos más adelante). □

3.1.- Concepto general de óptimo.

Sea F :D ⊂ ℜ n 
→ ℜ la función objetivo del problema de programación matemática:

11
 Optimizar F ( x )
sujeta a x∈ X

y sea x0 un punto de D. Diremos que:

• x0 es máximo local de la función F(x) en X si ∀x ∈ N ( x0 ) ∩ X :F ( x0 ) ≥ F ( x) . Es decir,

es máximo relativo respecto de puntos admisibles de su entorno.

• x0 es mínimo local de la función F(x) en X si ∀x ∈ N ( x0 ) ∩ X :F ( x0 ) ≤ F ( x) .

• x0 es máximo global de la función F(x) en X si ∀x ∈ X :F ( x0 ) ≥ F ( x) . O sea, es máximo

respecto de todos los puntos admisibles.

• x0 es mínimo global de la función F(x) en X si ∀x ∈ X :F ( x0 ) ≤ F ( x) .

Cuando la desigualdad sea estricta, el máximo/mínimo local/global diremos que es tam-

bién estricto. Evidentemente, todo óptimo (máximo o mínimo) global es también local. Lo con-
trario no siempre es cierto.

Son de gran importancia los siguientes teoremas.

3.2.-Teorema de Weierstrass (teorema de existencia de soluciones)

En un problema de Optimización donde se verifique:

1) La función objetivo continua en X.

2) El conjunto de oportunidades X es cerrado y acotado (compacto).

3) El conjunto de oportunidades distinto del vacío.

entonces, podemos afirmar:

“Existirán, al menos, un máximo y un mínimo global en el interior o en la frontera de X”.

Observamos que este teorema, caso de verificarse, nos da condiciones suficientes para po-
der afirmar la existencia de, al menos, un máximo y un mínimo global, aunque no nos ofrece un
método para calcularlos. Por supuesto, la no verificación de las hipótesis del teorema no significa
que no exista solución.

3.3.-Teorema local-global (para afirmar que los óptimos locales son globales)

Este teorema se puede enunciar para el caso de máximo y otro en el de mínimo; en ambos
casos partimos del problema general de Programación Matemática:

Optimizar F(x)
s.a x ∈ X

12
 • Si la función objetivo F(x) es continua y convexa en su conjunto de definición D y si X
es un conjunto convexo, entonces, todo mínimo local es global.

• Si la función objetivo F(x) es continua y cóncava en su conjunto de definición D y si X

es un conjunto convexo, entonces, todo máximo local es global.

Este resultado tiene consecuencias importantes, entre las cuales destacamos:

• Si F(x) es estrictamente cóncava sobre un conjunto de oportunidades convexo, si existe

un máximo global, éste es único.

• Si F(x) es lineal y si existen dos óptimos globales, cualquier combinación convexa de

ambos es también un óptimo global.

3.4.- Clasificación de los problemas de Programación Matemática.

Según como sea el problema de Programación Matemática recibe un nombre y tiene téc-
nicas distintas de resolución.

El caso más sencillo es el problema sin restricciones (o irrestricto):

Optimizar F (x )

donde no aparecen limitaciones a la hora de obtener los óptimos.

Cuando las restricciones son de igualdad el problema se denomina de Programación Clá-

sica:

Optimizar F ( x )
s.a g ( x) = b

Otro caso es el problema cuando aparecen restricciones de desigualdad, denominado pro-

blema no lineal, en general:

Optimizar F ( x )
s.a g ( x) ≤ b

Por último, cuando la función objetivo y las restricciones son funciones lineales se deno-
mina problema de Programación Lineal, la cual suele llevar en su definición el primer cuadrante
para las variables:

Optimizar c t x
s.a Ax = b
x≥0

13
Todos estos casos se irán estudiando a lo largo de las distintas lecciones de la asignatura.

Ejemplo.
Dado el problema:

Optimizar x+ y
s.a x + y2 ≤ 1
2

a) ¿qué tipo de problema es?

b) ¿Podemos asegurar la existencia de soluciones?

c) ¿Serán los óptimos globales?

Solución:

a) Es un problema de Programación NO LINEAL, ya que las restricciones lo son y plantea restricciones de

“menor o igual”.

b) Para poder asegurar que el problema tiene solución sin resolverlo, aplicaremos el teorema de Weierstrass.
Las hipótesis son:

1. La función objetivo es continua (obviamente, f(x, y) = x + y lo es).

2. El conjunto de oportunidades es cerrado y acotado (el conjunto en nuestro caso es el interior y
la frontera de una circunferencia, cumple las dos condiciones).
3. El conjunto de oportunidades es distinto del vacío.

Por tanto, podemos asegurar que, al menos, existirán un máximo y un mínimo global.

b) Para poder afirmar si los óptimos serán globales, hemos de aplicar el teorema local-global. Para máximo
nos pide:
1. Función objetivo continua en D.
2. Función objetivo cóncava (se cumple porque es lineal).
3. Conjunto de oportunidades convexo (dados dos puntos, el segmento que une dos puntos está en el con-
junto, luego es convexo).

Por tanto, podemos afirmar que todos los máximos serán globales.

Para los mínimos, tenemos que cambiar la hipótesis 2) por “función objetivo convexa”. Esto se verifica
porque es lineal, por lo que podemos afirmar que también los mínimos serán globales.

Podemos observar que el teorema local-global sólo se puede cumplir para máximo y mínimo si la función
objetivo es lineal (y el conjunto de oportunidades convexo)..□

14
4.- Resolución gráfica de problemas de Optimización.

La resolución gráfica sólo la llevaremos a cabo para problemas con dos variables. Para ello,
vamos a necesitar el siguiente concepto.

Dada una función F :D ⊂ ℜ 2  → ℜ , llamamos curvas de nivel a la proyección en el plano

(ℜ ) del lugar geométrico de los puntos del espacio (ℜ3) para los que la función toma un valor
2

constante.

Por tanto, para representar gráficamente las curvas de nivel de una función F(x, y), sólo hay
que mostrar las gráficas de las ecuaciones:
F ( x, y ) = k , ∀k
donde k es un escalar. Variando los valores de k, obtenemos el llamado mapa de curvas de nivel.

Para hacer un estudio gráfico de un problema de Programación Matemática se pueden seguir

los siguientes pasos:

1) Dibujar el conjunto de oportunidades.

2) Representar gráficamente el mapa de curvas de nivel de la función objetivo.

3) Estudiar el máximo crecimiento de la función objetivo (a partir del gradiente de dicha fun-
ción). Los mínimos se encontrarán en la dirección opuesta al gradiente.

El estudio gráfico se puede completar aplicando los teoremas de Weierstrass y local-global

vistos anteriormente.

Ejemplo.

Resolver gráficamente el siguiente problema:

Maximizar x + y
s.a x2 + y2 ≤ 1

Solución:

Dibujando el conjunto de oportunidades, el mapa de curvas de nivel y la dirección de crecimiento, obtene-

mos la siguiente gráfica:

15
Donde observamos que hay un máximo global en , . (Como se han obtenido sus coordenadas exac-
√ √
tamente se verá más adelante).□

Ejemplo.
Resolver gráficamente el siguiente problema:

Optimizar ( x − 1) 2 + y 2
s.a x + y ≤1
x, y ≥ 0
Solución:
Dibujamos las curvas de nivel de la función objetivo, el conjunto de oportunidades y la dirección de creci-
miento:

Donde observamos que el mínimo global es el punto (1, 0) y el máximo global (0, 1). □

16