Capı́tulo 1

Programas Matemáticos

1.1. Formulación de un programa matemático. Clasificación.

Definición 1.1:

Dadas f : A ⊆ Rn −→ R, g : A ⊆ Rn −→ Rk , a ∈ Rk y B ⊆ Rn , llamamos programa

matemático a:
Optimizar f (x)
s.a: gi (x) < ai , i = 1, · · · , k1
gi (x) = ai , i = k1 + 1, · · · , k2
gi (x) ≤ ai , i = k2 + 1, · · · , k
x∈B
o, equivalentemente,

Optimizar f (x) en S = {x ∈ A ∩ B | gi (x) ⪋ ai , i = 1, · · · , k}.

Diremos que f es la función objetivo, gi , i = k1 + 1, · · · , k2 , son las restricciones de

igualdad, gi , i = k2 + 1, · · · , k, son las restricciones de desigualdad y S es el conjunto
factible.

Diremos que programa matemático anterior es:

sin restricciones si S = {x ∈ A ∩ B | gi (x) < ai , i = 1, · · · , k1 } es abierto.

con restricciones de igualdad si C = {x ∈ A ∩ B | gi (x) < ai , i = 1, · · · , k1 } es abierto y el

conjunto factible es S = {x ∈ C | gi (x) = ai , i = k1 + 1, · · · , k2 }.

lineal si f y gi , i = 1, · · · , k, son lineales.

diferenciable si f y gi , i = k1 + 1, · · · , k, son diferenciables.

Ejemplo 1.1: Ejercicio 1-b

Escribir y clasificar un programa matemático que permita obtener la solución ante la siguiente
situación:
El volumen de ventas V de un coche es función del número de anuncios en prensa, x, y del
número de minutos de propaganda en TV, y. Estadı́sticamente se ha estimado que la relación
entre las tres variables es V = 12 x y − x2 − 3 y 2 . Si un anuncio en la prensa vale 100 euros,
un minuto en TV cuesta 1700 euros y el presupuesto en publicidad de la empresa es de 30000
euros, determinar la polı́tica óptima en publicidad.

1
2 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Determinar la polı́tica óptima en publicidad consiste en determinar x e y para vender el mayor número
posible de coches.
Dado que se dispone de un presupuesto de 30000 euros para publicidad, el precio de estos x anuncios
en prensa y estos y minutos de propaganda en TV ha de ser menor o igual a ese presupuesto, esto es:
100 x + 1700 y ≤ 30000.
Además x y y han de cantidades positivas o nulas y x será un número entero.
Con todo esto tenemos que el programa matemático será:

Maximizar 12 x y − x2 − 3 y 2
s.a: 100 x + 1700 y ≤ 30000
x, y ≥ 0
x∈Z

El programa matemático es diferenciable, no lineal y con restricciones de desigualdad.

1.2. Definiciones y propiedades. Teorema de Weierstrass.

Definición 1.2:
Dada f : A ⊆ Rn −→ R decimos que en x0 ∈ A se alcanza un:

máximo global (o absoluto) de f si f (x0 ) ≥ f (x) para todo x ∈ A.

máximo global único de f si f (x0 ) > f (x) para todo x ∈ A, x ̸= x0 .

máximo local de f si existe r > 0 y B(x0 ; r) ⊆ A tal que f (x0 ) ≥ f (x) para todo
x ∈ B(x0 ; r).

máximo local estricto de f si existe r > 0 y B(x0 ; r) ⊆ A tal que f (x0 ) > f (x) para
todo x ∈ B(x0 ; r), x ̸= x0 .

De la misma forma podemos hablar de mı́nimo local o global, cambiando > o ≥ por < o ≤.
Decimos que se alcanza en x0 un óptimo (o extremo) de f si se alcanza un máximo o un mı́nimo
de f . Podrá ser local o global.

Proposición 1.1:

Dada f : A ⊆ Rn −→ R, en x0 ∈ A se alcanza un máximo de f si y solo si en x0 se alcanza un

mı́nimo de −f .

Demostración. f (x0 ) ≥ f (x) para todo x ∈ A si y solo si −f (x0 ) ≤ −f (x) para todo x ∈ A por lo
que en x0 ∈ A se alcanza un máximo global de f si y solo si en x0 se alcanza un mı́nimo global de −f .
La demostración es análoga para global único, local y local estricto.

Definición 1.3:
Dada f : A ⊆ R −→ R decimos que f es:

creciente si f (x) ≤ f (y) para todo x ≤ y, x, y ∈ A.

decreciente si f (x) ≥ f (y) para todo x ≤ y, x, y ∈ A.

estrictamente creciente si f (x) < f (y) para todo x < y, x, y ∈ A.

estrictamente decreciente si f (x) > f (y) para todo x < y, x, y ∈ A.

1.3. INTRODUCCIÓN A LA CONVEXIDAD: 3

Proposición 1.2:

Dadas f : A ⊆ Rn −→ R y g : B ⊆ R −→ R con f (A) ⊆ B y x0 ∈ A.

Si g es una función creciente en B:

En x0 se alcanza un mı́nimo de f si y solo si en x0 se alcanza un mı́nimo de g ◦ f .
En x0 se alcanza un máximo de f si y solo si en x0 se alcanza un máximo de g ◦ f .

Si g es una función decreciente en B:

En x0 se alcanza un mı́nimo de f si y solo si en x0 se alcanza un máximo de g ◦ f .
En x0 se alcanza un máximo de f si y solo si en x0 se alcanza un mı́nimo de g ◦ f .

Demostración. Notar que para cualesquiera x1 , x2 ∈ A tenemos que f (x1 ), f (x2 ) ∈ f (A) ⊆ B y si
x1 , x2 son tales que f (x1 ) ≤ f (x2 ) tenemos que:
g ◦ f (x1 ) ≤ g ◦ f (x2 ) en el caso de g creciente.

g ◦ f (x1 ) ≥ g ◦ f (x2 ) en el caso de g decreciente.

Veamos por ejemplo que si g es una función decreciente en B, en x0 ∈ A se alcanza un mı́nimo global
de f si y solo si en x0 se alcanza un máximo global de g ◦ f . El resto de casos es análogo.
En x0 ∈ A se alcanza un mı́nimo global de f si y solo si f (x0 ) ≤ f (x) para todo x ∈ A, lo que implica
que g ◦ f (x0 ) ≥ g ◦ f (x) para todo x ∈ A, esto es: en x0 se alcanza un máximo global de g ◦ f .

Teorema 1.1: Teorema de Weierstrass

Si f : A ⊆ Rn −→ R es continua en A no vacı́o y compacto, entonces se alcanza máximo y
mı́nimo global de f en A.

Demostración. Se omite.

Nota: Los puntos en los que se alcanzan los óptimos globales de f a los que hace referencia este
teorema, o son puntos en los que se alcanzan óptimos locales de f en Int(A) o son puntos de F r(A).
En el caso de n = 1, si A = [a, b], se encuentran en:
{puntos en los que se alcanza un óptimo local de f en (a, b)} ∪ {a, b}.

1.3. Introducción a la convexidad:

1.3.1. Conjuntos convexos. Definición y propiedades.
Definición 1.4:
Decimos que x ∈ Rn es combinación lineal convexa de x1 , x2 , · · · , xk ∈ Rn si existen
números reales no negativos λ1 , λ2 , · · · , λk que verifican:

x = λ1 x1 + λ2 x2 + · · · + λk xk , λ1 + λ2 + · · · + λk = 1.

Definición 1.5:
Dados x1 , x2 ∈ Rn , llamamos segmento cerrado que une x1 con x2 (o de extremos x1 y x2 )
al subconjunto de Rn

[x1 , x2 ] = {t1 x1 + t2 x2 ∈ Rn | t1 , t2 ≥ 0, t1 + t2 = 1} = {t x2 + (1 − t) x1 ∈ Rn | t ∈ [0, 1]}.

Esto es, al conjunto de todas las combinaciones lineales convexas de x1 y x2 .

4 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Definición 1.6:
Decimos que A ⊆ Rn es un conjunto convexo si [x, y] ⊆ A para todo x, y ∈ A.

Definición 1.7:
Dado A ⊆ Rn convexo, decimos que x ∈ A es un vértice o punto extremo de A si no existen
y, z ∈ A distintos de x tal que x ∈ [y, z], o equivalentemente, x no se puede poner como
combinación lineal convexa de ningún par de puntos y, z ∈ A \ {x}.

Ejemplo 1.2:

Representar gráficamente el conjunto

A = {(x, y) ∈ R2 | x2 + y 2 ≥ 4}

e indicar si es o no convexo. En el caso de que sea convexo, determinar sus vértices.

Para representar gráficamente el conjunto (sombreado) representamos √ en primer lugar la curva de

ecuación x2 + y 2 = 4, que es una circunferencia de centro (0, 0) y radio 4 = 2.

Este conjunto no es convexo ya que hay al menos dos puntos x = (−3, 0) ∈ A, y = (3, 0) ∈ A para los
que [x, y] ̸⊆ A, esto es, no todos los puntos de [x, y] son de A. Concretamente (0, 0) ∈ [(−3, 0), (3, 0)]
pero (0, 0) ̸∈ A. Demostramos cada una de las afirmaciones:

(−3, 0), (3, 0) ∈ A porque (−3)2 + 02 = 9 ≥ 4, (3)2 + 02 = 9 ≥ 4.

1 1 1
(−3, 0) + 12 (3, 0).


(0, 0) ∈ [(−3, 0), (3, 0)] porque (0, 0) = 2 (−3, 0) + 1 − 2 (3, 0) = 2

(0, 0) ̸∈ A porque (0)2 + 02 = 0 ̸≥ 4.

Proposición 1.3:

Los siguientes conjuntos son convexos: ∅, Rn y el conjunto de combinaciones lineales convexas

de x1 , x2 , · · · , xk ∈ Rn , {λ1 x1 + · · · + λk xk | λ1 , · · · , λk ≥ 0, λ1 + · · · + λk = 1}. En particular,
[x, y] con x, y ∈ Rn es un conjunto convexo.

Demostración. Inmediato.
1.3. INTRODUCCIÓN A LA CONVEXIDAD: 5

Proposición 1.4:

Si A, B ⊆ Rn son convexos, entonces A ∩ B es convexo.

Demostración. Dados x1 , x2 ∈ A ∩ B cualesquiera tenemos que

x1 , x2 ∈ A siendo A un conjunto convexo, por lo que [x1 , x2 ] ⊆ A.

x1 , x2 ∈ B siendo B un conjunto convexo, por lo que [x1 , x2 ] ⊆ B.

Por tanto [x1 , x2 ] ⊆ A y [x1 , x2 ] ⊆ B por lo que [x1 , x2 ] ⊆ A ∩ B y A ∩ B es convexo.

Definición 1.8:
Dado c = (c1 , c2 , · · · , cn ) ∈ Rn , c ̸= 0, y a ∈ R, llamamos hiperplano en Rn al conjunto

H = {x ∈ Rn | c · x = a} = {(x1 , · · · , xn ) ∈ Rn | c1 x1 + · · · + cn xn = a}.

Llamamos semiespacios asociados a este hiperplano a los conjuntos

H+ = {x ∈ Rn | c · x ≥ a}
H− = {x ∈ Rn | c · x ≤ a}
H̊ + = {x ∈ Rn | c · x > a}
H̊ − = {x ∈ Rn | c · x < a}

Proposición 1.5:

Dado c ∈ Rn , c ̸= 0, y a ∈ R, el hiperplano H es un conjunto convexo.

Demostración. Dados x1 , x2 ∈ H = {x ∈ Rn | c · x = a} cualesquiera tenemos que

x1 ∈ H y por tanto c · x1 = a.

x2 ∈ H y por tanto c · x2 = a.

Tenemos que ver que [x1 , x2 ] ⊆ H, o lo que es lo mismo, que x ∈ H para todo x ∈ [x1 , x2 ].
Sea x ∈ [x1 , x2 ] cualquiera, entonces existe t ∈ [0, 1] tal que x = t x2 + (1 − t) x1 que verifica:

c · x = c · (t x2 + (1 − t) x1 ) = t c · x2 + (1 − t) c · x1 = t a + (1 − t) a = a,

esto es: c · x = a. Consecuentemente x ∈ H por lo que H es convexo.

Proposición 1.6:

Dado c ∈ Rn , c ̸= 0, y a ∈ R, los cuatro semiespacios asociados al hiperplano H son conjuntos

convexos.

Demostración. Veámoslo por ejemplo para el caso H̊ − . El resto son análogos.

Dados x1 , x2 ∈ H̊ − = {x ∈ Rn | c · x < a} cualesquiera tenemos que

x1 ∈ H̊ − y por tanto c · x1 < a.

x2 ∈ H̊ − y por tanto c · x2 < a.

6 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Tenemos que ver que [x1 , x2 ]H̊ − , o lo que es lo mismo, que x ∈ H̊ − para todo x ∈ [x1 , x2 ].
Sea x ∈ [x1 , x2 ] cualquiera, entonces existe t ∈ [0, 1] tal que x = t x2 + (1 − t) x1 . Calculamos c · x:

c · x = c · (t x2 + (1 − t) x1 ) = t c · x2 + (1 − t) c · x1 .

Pero

c · x2 < a y t ≥ 0 por lo que t c · x2 < t a salvo en el caso de t = 0 en el que t c · x2 = t a,

c · x1 < a y 1 − t ≥ 0 por lo que (1 − t) c · x1 < (1 − t) a salvo en el caso de 1 − t = 0 en el que

(1 − t) c · x1 = (1 − t) a,

por lo que c · x < t a + (1 − t) a = a ya que t y 1 − t no pueden ser 0 a la vez y, consecuentemente,

x ∈ H̊ − .

Proposición 1.7:

Si A ⊆ Rn no vacı́o es convexo y compacto, entonces existen vértices en A.

Demostración. Se omite.

Ejemplo 1.3:

Representar gráficamente el conjunto

A = {(x, y) ∈ R2 | x + y ≥ 4, x ≤ 1}

e indicar si es o no convexos. En el caso de que sea convexo determinar sus vértices.

Para representar gráficamente el conjunto (sombreado) representamos en primer lugar las curvas x = 1
y x + y = 4 que son dos rectas.

Este conjunto es convexo por ser intersección de dos conjuntos convexos. A = A1 ∩ A2 con

A1 = {(x, y) ∈ R2 | x + y ≥ 4} que es un conjunto convexo por ser el semiespacio H1+ asociado

al hiperplano H1 = {(x, y) ∈ R2 | x + y = 4}.

A2 = {(x, y) ∈ R2 | x ≤ 1} que es un conjunto convexo por ser el semiespacio H2− asociado al

hiperplano H2 = {(x, y) ∈ R2 | x = 1}.

El único vértice del conjunto es el punto intersección de las rectas x + y = 4 y x = 1: el punto (1, 3).
1.3. INTRODUCCIÓN A LA CONVEXIDAD: 7

1.3.2. Funciones convexas y cóncavas. Definición y propiedades.

Definición 1.9:
Sea f : A ⊆ Rn −→ R y B ⊆ A un conjunto convexo. Decimos que:

f es convexa en B si f (t x2 + (1 − t) x1 ) ≤ t f (x2 ) + (1 − t) f (x1 ) para todo t ∈ [0, 1],

x1 , x2 ∈ B.
Gráficamente: si para cualesquiera x1 , x2 ∈ B distintos, f (x) restringida a [x1 , x2 ] está
por debajo o coincide con el segmento que une (x1 , f (x1 )) y (x2 , f (x2 )).

f es estrictamente convexa en B si f (t x2 + (1 − t) x1 ) < t f (x2 ) + (1 − t) f (x1 ) para

todo t ∈ (0, 1), x1 , x2 ∈ B distintos.
Gráficamente: si para cualesquiera x1 , x2 ∈ B distintos, f (x) restringida a (x1 , x2 ) está
por debajo del segmento que une (x1 , f (x1 )) y (x2 , f (x2 )).

f es cóncava en B si −f es convexa en B. Esto es, si para todo t ∈ [0, 1], x1 , x2 ∈ B

tenemos que f (t x2 + (1 − t) x1 ) ≥ t f (x2 ) + (1 − t) f (x1 ).
Gráficamente: si para cualesquiera x1 , x2 ∈ B distintos, f (x) restringida a [x1 , x2 ] está
por encima o coincide con el segmento que une (x1 , f (x1 )) y (x2 , f (x2 )).

f es estrictamente cóncava en B si −f es estrictamente convexa en B. Esto es, si para

todo t ∈ (0, 1), x1 , x2 ∈ B distintos tenemos que f (t x2 +(1−t) x1 ) > t f (x2 )+(1−t) f (x1 ).
Gráficamente: si para cualesquiera x1 , x2 ∈ B distintos, f (x) restringida a (x1 , x2 ) está
por encima del segmento que une (x1 , f (x1 )) y (x2 , f (x2 )).

Nota: Para todo c = (c1 , c2 , · · · , cn ) ∈ Rn la función f (x) = c1 x1 + · · · + cn xn = c · x verifica

f (t x2 + (1 − t) x1 ) = c · (t x2 + (1 − t) x1 ) = t c · x2 + (1 − t) c · x1 = t f (x2 ) + (1 − t) f (x1 )

y por tanto es tanto cóncava como convexa.

Proposición 1.8:

Sea f : A ⊆ Rn −→ R diferenciable en B abierto y sea B ⊆ A un conjunto convexo.

f es convexa en B si y solo si f (x1 ) − f (x0 ) ≥ ∇f (x0 ) · (x1 − x0 ) para todo x0 , x1 ∈ B.

Gráficamente: si y solo si el hiperplano tangente a f en cualquier x0 ∈ B (o x1 ∈ B)
coincide o está por debajo de f (x) para todo x en B.

f es estrictamente convexa en B si y solo si f (x1 ) − f (x0 ) > ∇f (x0 ) · (x1 − x0 ) para todo
x0 , x1 ∈ B distintos.
Gráficamente: si y solo si el hiperplano tangente a f en cualquier x0 ∈ B (o x1 ∈ B) está
por debajo de f (x) para todo x en B \ {x0 }.

f es cóncava en B si y solo si f (x1 ) − f (x0 ) ≤ ∇f (x0 ) · (x1 − x0 ) para todo x0 , x1 ∈ B.

Gráficamente: si y solo si el hiperplano tangente a f en cualquier x0 ∈ B (o x1 ∈ B)
coincide o está por encima de f (x) para todo x en B.

f es estrictamente cóncava en B si y solo si f (x1 ) − f (x0 ) < ∇f (x0 ) · (x1 − x0 ) para todo
x0 , x1 ∈ B distintos.
Gráficamente: si y solo si el hiperplano tangente a f en cualquier x0 ∈ B (o x1 ∈ B) está
por encima de f (x) para todo x en B \ {x0 }.

Demostración. Se omite.
8 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Definición 1.10:
Dada f : A ⊆ R −→ R y x0 ∈ A, decimos que x0 es un punto de inflexión de f si f es
cóncava en un conjunto (a, x0 ) ⊆ A y convexa en un conjunto (x0 , b) ⊆ A o f es convexa en
un conjunto (a, x0 ) ⊆ A y cóncava en un conjunto (x0 , b) ⊆ A.

Proposición 1.9:

Sea f : A ⊆ R −→ R derivable dos veces en A abierto:

f es convexa si y solo si f ′′ (x) ≥ 0 para todo x ∈ A.

f es cóncava si y solo si f ′′ (x) ≤ 0 para todo x ∈ A.

Demostración. Se omite.

Proposición 1.10:

Si f : A ⊆ R −→ R es derivable dos veces en x0 ∈ A abierto y x0 es un punto de inflexión de f ,

entonces f ′′ (x0 ) = 0.

Demostración. Se omite.

Proposición 1.11:

Sea f : A ⊆ Rn −→ R de clase C (2 en A abierto y sea B ⊆ A un conjunto convexo.

f es convexa en B si y solo si para todo x ∈ B la forma cuadrática de matriz asociada

Hf (x) es semidefinida o definida positiva.

Si para todo x ∈ B la forma cuadrática de matriz asociada Hf (x) es definida positiva,

entonces f es estrictamente convexa en B.

f es cóncava en B si y solo si para todo x ∈ B la forma cuadrática de matriz asociada

Hf (x) es semidefinida o definida negativa.

Si para todo x ∈ B la forma cuadrática de matriz asociada Hf (x) es definida negativa,

entonces f es estrictamente cóncava en B.

Demostración. Se omite.

Ejemplo 1.4:

Indicar si la función f (x, y) = x4 + y 2 es cóncava o convexa en su dominio de definición.

f (x, y) = x4 + y 2 es una función de clase C (2 en R2 , que es un conjunto abierto y convexo. Vamos a

ver que f (x, y) es una función convexa y para ello utilizamos la caracterización a través de la matriz
hessiana.
 2 
∂ f 2
(x, y) = 12 x

 

2
  
∂f 3

 ∂x 

(x, y) = 4 x   
12 x2 0
  2 2
  
∂x ∂ f ∂ f
 
⇒ (x, y) = (x, y) = 0 ⇒ Hf (x, y) =
∂f ∂x∂y ∂y∂x 0 2
(x, y) = 2 y 
 
 

  
∂y 
 2
∂ f


 

 2
(x, y) = 2 

∂y
1.3. INTRODUCCIÓN A LA CONVEXIDAD: 9

Hemos obtenido una matriz diagonal con elementos diagonales 12 x2 ≥ 0 y 2 > 0, por lo que la matriz
será definida o semidefinida positiva para todo (x, y) ∈ R2 convexo, lo que hace que f (x, y) = x4 + y 2
sea una función convexa en R2 .

Proposición 1.12:

Sea B convexo y f : B ⊆ Rn −→ R.

Si f es convexa en B y α ∈ R, los conjuntos {x ∈ B | f (x) < α}, {x ∈ B | f (x) ≤ α} son

convexos.

Si f es cóncava en B y α ∈ R, los conjuntos {x ∈ B | f (x) > α}, {x ∈ B | f (x) ≥ α} son

convexos.

Demostración. Veamos por ejemplo que si f es cóncava en B y α ∈ R, el conjunto {x ∈ B | f (x) > α},
al que vamos a llamar A, es convexo. El resto de casos es análogo.
Sean x1 , x2 ∈ A = {x ∈ B | f (x) > α} cualesquiera:

x1 ∈ A y por tanto f (x1 ) > α.

x2 ∈ A y por tanto f (x2 ) > α.

x1 , x2 ∈ B y f es cóncava, por tanto f (t x2 + (1 − t) x1 ) ≥ t f (x2 ) + (1 − t) f (x1 ) para todo

t ∈ [0, 1].

Tenemos que ver que [x1 , x2 ] ⊆ A, o lo que es lo mismo: x ∈ A = {x ∈ B | f (x) > α} para todo
x ∈ [x1 , x2 ]. Esto es, tenemos que ver que f (x) > α para todo x ∈ [x1 , x2 ].
Sea x ∈ [x1 , x2 ] cualquiera, entonces existe t ∈ [0, 1] tal que x = t x2 + (1 − t) x1 y se verifica:

f (x) = f (t x2 + (1 − t) x1 ) ≥ t f (x2 ) + (1 − t) f (x1 ).

Pero

f (x2 ) > α y t ≥ 0 por lo que t f (x2 ) > t α salvo en el caso de t = 0 en el que t f (x2 ) = t α,

f (x1 ) > α y 1 − t ≥ 0 por lo que (1 − t) f (x1 ) > (1 − t) α salvo en el caso de 1 − t = 0 en el que

(1 − t) f (x1 ) = (1 − t) α,

por lo que f (x) > t α + (1 − t) α = α ya que t y 1 − t no pueden ser 0 a la vez y A = {x ∈ B | f (x) > α}
es convexo.

Ejemplo 1.5:

Indicar si el conjunto A = {(x, y) ∈ R2 | 3 x + 5 y ≤ 1, x4 + y 2 ≤ 6} es o no convexo.

Observamos que la curva x4 + y 2 = 6 no se corresponde ni con una ecuación cuadrática ni con una
lineal fácilmente representables. Dado que no se pide su representación no la hacemos.
Este conjunto es convexo por ser intersección de dos conjuntos convexos. A = A1 ∩ A2 con

A1 = {(x, y) ∈ R2 | 3 x+5 y ≤ 1} que es un conjunto convexo por ser el semiespacio H − asociado

al hiperplano H = {(x, y) ∈ R2 | 3 x + 5 y = 1}.

A2 = {(x, y) ∈ R2 | x4 + y 2 ≤ 6}. Hemos visto en el ejemplo 1.4 que f (x, y) = x4 + y 2 es convexa

en R2 por lo que A2 = {(x, y) ∈ R2 | f (x, y) ≤ 6} con f (x, y) convexa en R2 , por tanto es un
conjunto convexo.
10 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

1.3.3. Programas convexos

Definición 1.11:
Dada f : A ⊆ Rn −→ R con A abierto y B ⊆ A un conjunto convexo, llamamos programa
matemático convexo a uno de estos dos posibles:

Minimizar f en B con f convexa en B.

Maximizar f en B con f cóncava en B.

Teorema 1.2:
Sea f : A ⊆ Rn −→ R y A un conjunto convexo:

Si f es convexa en A y en x0 ∈ A se alcanza un mı́nimo local de f en A, entonces en x0

se alcanza un mı́nimo global de f en A.

Si f es estrictamente convexa en A y en x0 ∈ A se alcanza un mı́nimo local de f en A,

entonces en x0 se alcanza un mı́nimo global único de f en A

Si f es cóncava en A y en x0 ∈ A se alcanza un máximo local de f en A, entonces en x0

se alcanza un máximo global de f en A.

Si f es estrictamente cóncava en A y en x0 ∈ A se alcanza un máximo local de f en A,

entonces en x0 se alcanza un máximo global único de f en A.

Demostración. Veamos que si f es cóncava en A convexo y en x0 ∈ A se alcanza un máximo local de

f en A, entonces en x0 se alcanza un máximo global de f en A. El resto de casos es análogo.
Tenemos que demostrar que en x0 se alcanza un máximo global de f , esto es: que f (x0 ) ≥ f (x) para
todo x ∈ A.
Para demostrarlo vamos a suponer que no es cierto y llegaremos a una contradicción, por lo que si
que será cierto. Suponemos que en x0 ∈ A no se alcanza un máximo global de f , esto es: que existe
x1 ∈ A, x1 ̸= x0 , tal que f (x1 ) > f (x0 ).
Como A es convexo, [x, y] ⊆ A para todo x, y ∈ A. En particular [x0 , x1 ] ⊆ A.
Como en x0 ∈ A se alcanza un máximo local de f , existe r > 0 tal que f (x0 ) ≥ f (x) para todo
x ∈ B(x0 ; r) ∩ A.
∥x1 −x0 ∥ ≠ 0 y podemos considerar t∗ ∈ [0, 1] tal que t∗ < ∥x1 −x
r
0∥
y x∗ = t∗ x1 +(1−t∗ ) x0 ∈ [x0 , x1 ].

∥x∗ − x0 ∥ = ∥t∗ x1 + (1 − t∗ ) x0 − x0 ∥ = ∥t∗ x1 − t∗ x0 ∥ = t∗ ∥(x1 − x0 )∥ < r

por lo que x∗ ∈ B(x0 ; r) ∩ [x0 , x1 ] ⊆ B(x0 ; r) ∩ A y por tanto f (x0 ) ≥ f (x∗ ).

Pero como f es cóncava en A, f (t y + (1 − t) x) ≥ t f (y) + (1 − t) f (x) para todo t ∈ [0, 1],

x, y ∈ A, en particular para y = x1 , x = x0 y t = t∗ :

f (x∗ ) = f (t∗ x1 + (1 − t∗ ) x0 ) ≥ t∗ f (x1 ) + (1 − t∗ ) f (x0 ) = f (x0 ) + t∗ (f (x1 ) − f (x0 ))

con f (x1 ) > f (x0 ) y t∗ > 0 por lo que t∗ (f (x1 ) − f (x0 )) > 0 y por tanto f (x∗ ) > f (x0 ).

Hemos encontrado x∗ ∈ B(x0 ; r) ∩ A para el que f (x0 ) ≥ f (x∗ ) y f (x∗ ) > f (x0 ), que es imposible, y
por tanto la suposición de que en x0 no se alcanza un máximo global de f no es correcta.
Ası́ pues en x0 se alcanza un máximo global de f .
1.4. RESOLUCIÓN GRÁFICA 11

Teorema 1.3:
Sea f : A ⊆ Rn −→ R con A un conjunto no vacı́o, convexo y compacto:

Si f es convexa en A, el máximo global de f se alcanza, al menos, en algún vértice de A.

Si f es cóncava en A, el mı́nimo global de f se alcanza, al menos, en algún vértice de A.

Demostración. Se omite.

1.4. Resolución gráfica

Se ha visto en Mamtemáticas I que si f : A ⊂ Rn −→ R es diferenciable en x0 ∈ A abierto y
∇f (x0 )
∇f (x0 ) ̸= 0, el valor máximo de fv (x0 ) se obtiene para v∇f (x0 ) = , el valor mı́nimo para
∥∇f (x0 )∥
v−∇f (x0 ) y ∇f (x0 ) es perpendicular al conjunto de nivel de f de valor f (x0 ).

Ejemplo 1.6:

Dado el programa matemático:

Optimizar x+y
s.a: x+y ≥4
x≥1
y≥x

1. Reprentar el conjunto factible S.

2. Razonar si alguno de los dos programas (maximizar y/o minimizar) es un programa con-
vexo.

3. ¿Es posible aplicar el teorema de Weierstrass?

4. Hallar los vértices del conjunto factible S.

5. Resolver gráficamente los dos programas (maximizar y minimizar).

Para representar S (sombreado) primero representamos las curvas x + y = 4, x = 1 e y = x que son

tres rectas.
12 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Observamos que S no es compacto al no ser acotado por lo que no podemos aplicar el teorema de
Weierstrass y no podemos garantizar que exista máximo y/o mı́nimo global.
También observamos que S = S1 ∩ S2 ∩ S3 es convexo por ser intersección de tres conjuntos convexos:
S1 = {(x, y) ∈ R2 | x + y ≥ 4} que es un conjunto convexo por ser el semiespacio H1+ asociado
al hiperplano H1 = {(x, y) ∈ R2 | x + y = 4}.
S2 = {(x, y) ∈ R2 | x ≥ 1} que es un conjunto convexo por ser el semiespacio H2+ asociado al
hiperplano H2 = {(x, y) ∈ R2 | x = 1}.
S3 = {(x, y) ∈ R2 | y ≥ x} = {(x, y) ∈ R2 | y − x ≥ 0} que es un conjunto convexo por ser el
semiespacio H3+ asociado al hiperplano H3 = {(x, y) ∈ R2 | y − x = 0}.
La función objetivo f (x, y) = x + y es tanto cóncava como convexa en S ya que es lineal. Ası́ pues,
estamos ante dos programas convexos:
Maximizar x+y Minimizar x+y
s.a: x+y ≤4 s.a: 2x + y ≤ 4
x≥1 x≥1
y≥x y≥x
por lo que los máximos locales son globales y los mı́nimos locales son globales y por tanto no habrá
ningún óptimo que sea local y no sea global.
Como hemos visto que S es convexo, podemos calcular el conjunto de vértices de S. Al no ser S com-
pacto puede ser que no exista ningún vértice en S, pero en este caso son vértices el punto intersección
de las recta x + y = 4 y x = 1 y el punto intersección de las recta x + y = 4 e y = x:
V = {(1, 3), (2, 2)}
Aunque los programas maximizar y minimizar son convexos, S no es compacto y no podemos garantizar
que si existe mı́nimo global y/o máximo global se alcancen, al menos, en algún vértice de S.
Ahora ya, para resolver gráficamente los dos programas, representamos las curvas de nivel x + y = k
que son rectas paralelas (en trazo discontinuo) y analizamos su variación en S.

El mayor incremento de la función se obtiene cuando nos movemos perpendicularmente a las curvas
de nivel. Ası́ pues:
el mı́nimo global de la función se obtiene en el segmento [(1, 3), (2, 2)], cuyos extremos son
(1, 3) ∈ V y (2, 2) ∈ V .
El valor mı́nimo de la función es 4.
la función no está acotada superiormente por lo que no existe máximo global.
1.4. RESOLUCIÓN GRÁFICA 13

Ejemplo 1.7:

Dado el programa matemático:

Optimizar xy
s.a: 2 x2 + y 2 ≤ 9
x≥1
y≥x

1. Reprentar el conjunto factible S.

2. ¿Es posible aplicar el teorema de Weierstrass?

3. Razonar si alguno de los dos programas (maximizar y/o minimizar) es un programa con-
vexo.

4. Hallar los vértices del conjunto factible S.

5. Resolver gráficamente los dos programas (maximizar y minimizar).

Para representar S (sombreado) primero representamos las curvas:

3
2 x2 + y 2 = 9 que es una elipse de centro (0, 0) y semiejes √ y 3.
2
x = 1 e y = x que son dos rectas.

Observamos que S es compacto no vacı́o y la función objetivo f (x, y) = x y es polinómica y por tanto
continua por lo que podemos aplicar el teorema de Weierstrass que nos garantiza que existe máximo
y mı́nimo global.
También observamos que S = S1 ∩ S2 ∩ S3 es convexo por ser intersección de tres conjuntos convexos:

S1 = {(x, y) ∈ R2 | 2 x2 + y 2 ≤ 9}. Llamamos g(x, y) = 2 x2 + y 2 que es una función de clase C (2

en R2 , que es un conjunto abierto y convexo. Vamos a ver que g(x, y) es una función convexa y
para ello utilizamos la caracterización a través de la matriz hessiana.

∂g
(x, y) = 4 x 
  
∂x 4 0

⇒ Hg(x, y) =
∂g 0 2
(x, y) = 2 y 


∂y
14 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS

Hemos obtenido una matriz diagonal con elementos diagonales 4 ≥ 0 y 2 ≥ 0 por lo que la matriz
será definida positiva para todo (x, y) ∈ R2 convexo, lo que hace que g(x, y) = 2 x2 + y 2 sea una
función estrictamente convexa en R2 .
S1 = {(x, y) ∈ R2 | g(x, y) ≤ 9} con g(x, y) convexa en R2 , por tanto un conjunto convexo.
S2 = {(x, y) ∈ R2 | x ≥ 1} que es un conjunto convexo por ser el semiespacio H2+ asociado al
hiperplano H2 = {(x, y) ∈ R2 | x = 1}.
S3 = {(x, y) ∈ R2 | y ≥ x} = {(x, y) ∈ R2 | y − x ≥ 0} que es un conjunto convexo por ser el
semiespacio H3+ asociado al hiperplano H3 = {(x, y) ∈ R2 | y − x = 0}.
Pero la función objetivo f no es ni cóncava ni convexa en S: es una función de clase C (2 y su matriz
hessiana es 
∂f
(x, y) = y 
  
∂x 0 1

⇒ Hf (x, y) =
∂f 1 0
(x, y) = x 


∂y
que es indefinida para todo (x, y) ∈ R2 .
Estamos ante dos programas no convexos:
Maximizar xy Minimizar xy
s.a: 2 x2 + y 2 ≤ 9 s.a: 2 x2 + y 2 ≤ 9
x≥1 x≥1
y≥x y≥x
por lo que puede haber máximos locales que no sean globales y mı́nimos locales que no sean globales.
Como hemos visto que S es convexo, podemos calcular el conjunto de vértices de S. Al ser S compacto
seguro que existen vértices en S. En este caso serán vértices el punto intersección de las recta y = x
y x = 1 y todos los puntos de la elipse que estén en S:
V = {(1, 1)} ∪ {(x, y) ∈ R2 | 2 x2 + y 2 = 9, x ≥ 1, y ≥ x}
Al no ser f (x, y) convexa en S no vacı́o, compacto y convexo, el máximo global puede o no alcanzarse
en un punto de V . Al no ser f (x, y) cóncava, el mı́nimo global puede o no alcanzarse en un punto de
V.
Ahora ya, para resolver gráficamente los dos programas, representamos las curvas de nivel x y = k
que son hipérbolas (en trazo discontinuo) y analizamos su variación en S. En primer lugar vemos que
k > 0 ya que S está en el primer cuadrante y x e y son no nulos en S.

El mayor incremento de la función se obtiene cuando nos movemos perpendicularmente a las curvas
de nivel. Ası́ pues:
1.4. RESOLUCIÓN GRÁFICA 15

el mı́nimo global de la función se obtiene en el punto (1, 1) ∈ V , que es el punto intersección de

las rectas y = x y x = 1.
El valor mı́nimo de la función es f (1, 1) = 2.

la intersección en el primer cuadrante de la elipse 2 x2 + y 2 = 9 con cada una de las curvas de

nivel x y = k > 0 está formada por dos puntos, un solo punto o ningún punto, pero siempre con
componentes x, y > 0. El máximo global de la función es el valor k para el que esta intersección
es un único punto:
k
  
k (
k
)
  y=
   y=

xy = k y =

⇔ x 2 ⇔ ⇔ x √
2 x2 + y 2 = 9 x 2 2
 2 x2 + k = 9 
  2 x4 − 9 x2 + k 2 = 0  x2 = 9 ± 9 − 8 k

x2 4
9
Como x, y, k > 0, la solución es única si 92 − 8 k 2 = 0 ⇔ k =
√ .
2 2
9
r √
9 9±0 3 2 2 3
El valor máximo de la función es √ y se obtiene para x = = ,y= = √ .
2 2 4 2 3 2
  2
3 3
Esto es, en el punto , √ ∈V.
2 2
16 CAPÍTULO 1. PROGRAMAS MATEMÁTICOS