Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programas Matemáticos
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
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:
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:
Proposición 1.2:
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.
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}.
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
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:
A = {(x, y) ∈ R2 | x2 + y 2 ≥ 4}
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:
Proposición 1.3:
Demostración. Inmediato.
1.3. INTRODUCCIÓN A LA CONVEXIDAD: 5
Proposición 1.4:
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}.
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:
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,
Proposición 1.6:
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
Proposición 1.7:
Demostración. Se omite.
Ejemplo 1.3:
A = {(x, y) ∈ R2 | x + y ≥ 4, x ≤ 1}
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
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
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 )
Proposición 1.8:
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 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:
Demostración. Se omite.
Proposición 1.10:
Demostración. Se omite.
Proposición 1.11:
Demostración. Se omite.
Ejemplo 1.4:
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.
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:
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:
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,
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:
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
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:
Teorema 1.2:
Sea f : A ⊆ Rn −→ R y A un conjunto convexo:
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:
Demostración. Se omite.
Ejemplo 1.6:
Optimizar x+y
s.a: x+y ≥4
x≥1
y≥x
2. Razonar si alguno de los dos programas (maximizar y/o minimizar) es un programa con-
vexo.
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:
Optimizar xy
s.a: 2 x2 + y 2 ≤ 9
x≥1
y≥x
3. Razonar si alguno de los dos programas (maximizar y/o minimizar) es un programa con-
vexo.
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:
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