LECVIDS | Microeconomía intermedia: Función Convexa (Cobb-Douglas)

Canal: LECVIDS   |   2012/06/25
Play Video
1
LECVIDS | Microeconomía intermedia: Función Convexa (Cobb-Douglas)
LECVIDS | Microeconomía intermedia: Función Convexa (Cobb-Douglas)
::2012/06/25::
Play Video
2
Curvas Cóncavas y Convexas
Curvas Cóncavas y Convexas
::2013/10/17::
Play Video
3
Convexidad de conjuntos
Convexidad de conjuntos
::2013/03/06::
Play Video
4
Análisis de una función: concavidad y convexidad - Cálculo - Educatina
Análisis de una función: concavidad y convexidad - Cálculo - Educatina
::2011/08/27::
Play Video
5
Concavidad y convexidad, puntos de inflexión
Concavidad y convexidad, puntos de inflexión
::2009/07/15::
Play Video
6
Concava, convexa y punto de inflexión,
Concava, convexa y punto de inflexión,
::2010/12/09::
Play Video
7
Crecimiento y curvatura de una función polinomica 2ºBACHI concavidad puntos criticos maximo minimo
Crecimiento y curvatura de una función polinomica 2ºBACHI concavidad puntos criticos maximo minimo
::2011/07/10::
Play Video
8
Conferencia: "Conjuntos convexos compactos que admiten una función estrictamente convexa"
Conferencia: "Conjuntos convexos compactos que admiten una función estrictamente convexa"
::2014/07/17::
Play Video
9
Máximos, mínimos, concavidad y puntos de  inflexion de una función
Máximos, mínimos, concavidad y puntos de inflexion de una función
::2011/12/12::
Play Video
10
Reportaje Academia Convexa en Informe 11 Las Historias
Reportaje Academia Convexa en Informe 11 Las Historias
::2013/05/18::
Play Video
11
Pantalla cóncava y convexa de Panasonic en #CES2014
Pantalla cóncava y convexa de Panasonic en #CES2014
::2014/01/09::
Play Video
12
Pto.de inflexión, intervalo de concavidad y convexidad - Cálculo - Educatina
Pto.de inflexión, intervalo de concavidad y convexidad - Cálculo - Educatina
::2011/08/17::
Play Video
13
ALEJANDRO FERNANDEZ CONCIERTO EN PUERTO RICO  CONCAVO Y CONVEXO
ALEJANDRO FERNANDEZ CONCIERTO EN PUERTO RICO CONCAVO Y CONVEXO
::2014/03/29::
Play Video
14
Una Región de Ciencia. Geometría diferencial y convexa
Una Región de Ciencia. Geometría diferencial y convexa
::2011/02/07::
Play Video
15
Ejemplos Máximos, mínimos, concavidad, crecimiento y decrecimiento de una función
Ejemplos Máximos, mínimos, concavidad, crecimiento y decrecimiento de una función
::2011/12/12::
Play Video
16
Programación No Lineal no Convexa con What
Programación No Lineal no Convexa con What'sBest!
::2013/07/26::
Play Video
17
Ángulo Convexo y Ángulo Cóncavo
Ángulo Convexo y Ángulo Cóncavo
::2009/07/29::
Play Video
18
Cóncava,convexa , punto de inflexión , cresiente y
Cóncava,convexa , punto de inflexión , cresiente y
::2014/07/12::
Play Video
19
Conferencia: "Integración de funciones epi puntiagudas no convexas es espacios localmente convexos"
Conferencia: "Integración de funciones epi puntiagudas no convexas es espacios localmente convexos"
::2014/07/17::
Play Video
20
5 Minutos de Microeconomía: Curvas de Indiferencia
5 Minutos de Microeconomía: Curvas de Indiferencia
::2012/08/30::
Play Video
21
Curvatura de una función | Puntos de inflexión
Curvatura de una función | Puntos de inflexión
::2014/02/02::
Play Video
22
Seminario 8.- "Análisis variacional y diferenciación generalizada sobre optimización convexa"
Seminario 8.- "Análisis variacional y diferenciación generalizada sobre optimización convexa"
::2014/06/30::
Play Video
23
Monotonía y curvatura. Parte 2
Monotonía y curvatura. Parte 2
::2011/07/12::
Play Video
24
Gráfica de una función cuadrática
Gráfica de una función cuadrática
::2010/08/22::
Play Video
25
Curvatura de una función polinomio 1 parte 2
Curvatura de una función polinomio 1 parte 2
::2012/12/02::
Play Video
26
Diferencia entre cóncava y convexa
Diferencia entre cóncava y convexa
::2010/12/24::
Play Video
27
Curvatura de una función polinomio 1 parte 1
Curvatura de una función polinomio 1 parte 1
::2012/12/02::
Play Video
28
concavo y convexo
concavo y convexo
::2012/08/28::
Play Video
29
Definición de convexa
Definición de convexa
::2012/09/14::
Play Video
30
SISTEMA DE INECUACIONES LINEALES
SISTEMA DE INECUACIONES LINEALES
::2014/02/12::
Play Video
31
Eres Unica - krearte Convexo D.A.rtes crew
Eres Unica - krearte Convexo D.A.rtes crew
::2014/01/20::
Play Video
32
clases de matesII con la superyaya maciza convexa!
clases de matesII con la superyaya maciza convexa!
::2009/03/26::
Play Video
33
Ventana Cóncava/Jardín Convexo
Ventana Cóncava/Jardín Convexo
::2013/12/12::
Play Video
34
curvatura y puntos de inflexión 1 polinomio 1
curvatura y puntos de inflexión 1 polinomio 1
::2012/12/17::
Play Video
35
corte convexo a cero
corte convexo a cero
::2014/08/14::
Play Video
36
Conferencia: "Caracterizaciones del cálculo subdiferencial convexo aproximado en Espacios de Banach"
Conferencia: "Caracterizaciones del cálculo subdiferencial convexo aproximado en Espacios de Banach"
::2014/07/17::
Play Video
37
Crecimiento y curvatura función trigonometrica 02 2ºBACHI concavidad puntos criticos maximo minimo
Crecimiento y curvatura función trigonometrica 02 2ºBACHI concavidad puntos criticos maximo minimo
::2011/07/13::
Play Video
38
Concavo y Convexo
Concavo y Convexo
::2014/04/09::
Play Video
39
Lente convexo
Lente convexo
::2013/10/13::
Play Video
40
curvatura y puntos de inflexión 5 segunda derivada cociente 1
curvatura y puntos de inflexión 5 segunda derivada cociente 1
::2012/12/17::
Play Video
41
Seminario 6.- "Herramientas básicas del análisis convexo en optimización"
Seminario 6.- "Herramientas básicas del análisis convexo en optimización"
::2014/06/30::
Play Video
42
Convexidade das preferências
Convexidade das preferências
::2014/04/02::
Play Video
43
Concavo y convexo
Concavo y convexo
::2013/10/25::
Play Video
44
curvatura y puntos de inflexión 4 polinomio 3
curvatura y puntos de inflexión 4 polinomio 3
::2012/12/17::
Play Video
45
elio rodriguez - concavo convexo
elio rodriguez - concavo convexo
::2014/04/22::
Play Video
46
curvatura y puntos de inflexión 9 cociente polinomios 3
curvatura y puntos de inflexión 9 cociente polinomios 3
::2012/12/17::
Play Video
47
Cóncavo y Convexo  El tamaño importa Parte 4. (23.10.13)
Cóncavo y Convexo El tamaño importa Parte 4. (23.10.13)
::2013/10/27::
Play Video
48
curvatura y puntos de inflexión 10 cociente polinomios 4
curvatura y puntos de inflexión 10 cociente polinomios 4
::2012/12/17::
Play Video
49
curvatura y puntos de inflexión 6 segunda derivada cociente 2
curvatura y puntos de inflexión 6 segunda derivada cociente 2
::2012/12/17::
Play Video
50
convexo
convexo
::2014/02/12::
SIGUIENTE >>
RESULTADOS [51 .. 101]
De Wikipedia, la enciclopedia libre
Saltar a: navegación, búsqueda
Función convexa en un intervalo [x,y].

En matemática, una función real f definida en un intervalo (o en cualquier subconjunto convexo de algún espacio vectorial) se llama función convexa o cóncava hacia arriba, si está definida sobre un conjunto convexo C y para cualesquiera dos puntos x, y miembros de C, y para cada t en [0,1], se cumple que:

f(tx+(1-t)y)\leq t f(x)+(1-t)f(y).

En otras palabras, una función es convexa sí y sólo si su epigrafo (el conjunto de puntos situados en o sobre el grafo) es un conjunto convexo.

Una función estrictamente convexa es aquella en que

f(tx+(1-t)y) < t f(x)+(1-t)f(y)\,

para cualquier t en (0,1) y x \neq y.

Una función f es cóncava si la función - f es convexa.

Propiedades[editar]

Una función (en azul) es convexa si y sólo si la región sobre su grafo (en verde) es un conjunto convexo.

Una función convexa f definida en un intervalo abierto C es continua en C y diferenciable en todos los puntos menos en un conjunto numerable. Si C es cerrado, f puede no ser continuo en los puntos críticos o finales de C.

Una función es punto-medio convexa (midpoint convex) en un intervalo "C" si

f\left( \frac{x+y}{2} \right) \le  \frac{f(x)+f(y)}{2}

para todo x e y en C. Esta condición es sólo ligeramente más relajada que la de convexidad. En particular, una función continua que es punto-medio convexa será también convexa.

Una función diferenciable de una variable es convexa en un intervalo sí y sólo si su derivada es monótonamente no-decreciente en ese intervalo.

Una función continuamente diferenciable de una variable es convexa en un intervalo si y sólo si la función se encuentra por encima de todas sus tangentes: f(y) ≥ f(x) + f '(x) (yx) para todo x e y en el intervalo. En particular, si f '(c) = 0, luego c es un mínimo absoluto de f(x).

Una función doblemente diferenciable de una variable es convexa en un intervalo si y sólo si su segunda derivada es no negativa en ese intervalo; esto proporciona una prueba práctica para verificar convexidad. Si la segunda derivada es positiva, entonces es estrictamente convexa, pero la doble implicación no se cumple, como podemos ver por ejemplo en f(x) = x4.

En general, una función continua doblemente diferenciable de muchas variables es convexa en un conjunto convexo si y sólo si su matriz Hessiana es definida positiva en el interior de ese conjunto convexo.

Cualquier mínimo local de una función convexa es también un mínimo absoluto. Una función estrictamente convexa tendrá a lo más un mínimo absoluto.

Para una función convexa f, los conjuntos de nivel {x | f(x) < a} y {x | f(x) ≤ a} con aR son conjuntos convexos. Sin embargo, una función cuyos conjuntos de nivel son conjuntos convexos puede no resultar ser convexa; una función de este tipo se llama función cuasi-convexa.

La inecuación de Jensen se aplica a toda función convexa f. Si X es una variable aleatoria que toma valores en el dominio de f, entonces E f(X) \geq f(EX). (Aquí E denota la esperanza matemática.)

Cálculo de función convexa[editar]

  • Si f y g son funciones convexas, entonces también lo son m(x) = \max\{f(x),g(x) \} y h(x) = f(x) + g(x) .
  • Si f y g son funciones convexas y g es creciente, entonces h(x) = g(f(x)) es convexa.
  • La convexidad es invariante bajo mapeamientos afines; es decir, si f(x) es convexa, con x\in\mathbb{R}^n, entonces también lo es g(y) = f(Ay+b) , donde A\in\mathbb{R}^{n \times m},\; b\in\mathbb{R}^m.
  • Si f(x,y) es convexa en (x,y) y C es un conjunto convexo no vacío, entonces g(x) = \inf_{y\in C} f(x,y) es convexa en x, siempre que g(x) > -\infty para algún x.

Ejemplos[editar]

  • La función f(x)=x^2 tiene f''(x)=2>0 en todos los puntos, luego f es una función (estrictamente) convexa.
  • La función valor absoluto f(x)=|x| es convexa, incluso a pesar de que no es derivable en el punto x = 0.
  • La función f(x)=|x|^p para 1 ≤ p es convexa.
  • La función f con dominio [0,1] definida por f(0)=f(1)=1, f(x)=0 para 0<x<1 es convexa; es continua en el intervalo abierto (0,1), pero no en 0 ni en 1.
  • La función x3 tiene segunda derivada 6x; luego ella es convexa en el conjunto donde x ≥ 0 y cóncava en el conjunto donde x ≤ 0.
  • Toda transformación lineal con dominio en \mathbb{R} es convexa, pero no estrictamente convexa, pues si f es lineal, luego f(a + b) = f(a) + f(b). Esto también se aplica si reemplazamos "convexo" por "cóncavo".
  • Toda función afín con dominio en \mathbb{R}, es decir, cada función de la forma f(x) = a^T x + b , es al mismo tiempo convexa y cóncava.
  • Toda norma vectorial es una función convexa, por la desigualdad triangular.
  • Si f es convexa, la función perspectiva g(x,t) = tf(x/t) es convexa para t > 0.
  • Las funciones f(x) = \sqrt x y g(x) = \log(x). son monótonamente crecientes pero no convexas.
  • Las funciones h(x) = x^2 y k(x)=-x son convexas pero no monótonamente crecientes.
  • La función f(x) = 1/x2, con f(0)=+∞, es convexa en los intervalos (0,+∞) y (-∞,0), pero no es convexa en (-∞,+∞), debido al punto x = 0.

Teoremas sobre funciones convexas[editar]

El siguiente teorema generaliza un resultado bien conocido en \scriptstyle \R a cualquier espacio normado sea de dimensión finita o infinita:

(Condición necesaria de mínimo local) Sea J:U\to \R una función definida sobre un conjunto convexo U\, de un espacio vectorial normado. Si el punto u\in U es un mínimo local de la función y si la función J:U\to \R es diferenciable (en sentido de Fréchet) en el entorno de dicho punto, entonces

\mathrm{D}J(u)(v-u) \ge 0, \qquad \forall:v\in U

La desigualdad anterior se denimina desigualdad de Euler.

El teorema anterior es válido para cualquier función sea convexa o no, mientras que el siguiente es válido sólo para funciones convexas:

(Convexidad y derivada) Sea J:U\to \R una función definida sobre un conjunto convexo U\, de un espacio normado, entonces:

a) La función J\, es convexa en su dominio si y sólo si:
J(v)\ge J(u) + \mathrm{D}J(u)(v-u), \qquad \forall:u,v\in U
b) La función J\, es estrictamente convexa en su dominio si y sólo si:
J(v)> J(u) + \mathrm{D}J(u)(v-u), \qquad \forall:u,v\in U, u\ne v

El significado geométrico del teorema anterior es claro, el teorema implica simplemente que la función en todo punto está por encima del plano tangente en un punto. El siguiente teorema es válido para funciones convexas que son dos veces diferenciables (y por tanto admiten una forma bilineal que generaliza la matriz hessiana):

(Convexidad y segunda derivada) Sea J:U\to \R una función definida sobre un conjunto convexo U\, de un espacio normado y que sea dos veces diferenciable, entonces:

a) La función J\, es convexa en su dominio si y sólo si:
\mathrm{D}^2J(u)(v-u,v-u)\ge 0, \qquad \forall:u,v\in U
b) Si
\mathrm{D}^2J(u)(v-u,v-u)> 0, \qquad \forall:u,v\in U, u\ne v
La función es estrictamente convexa en su dominio.

Nótese que en este último caso el recíproco de la afirmación b) no es cierto en general, por ejemplo considérese U=\R,\ J(u)=u^4 cuya segunda derivada en el origen se anula y, sin embargo, la función sigue siendo estrictamente convexa.

El último teorema impone restricciones sobre el número de mínimos que puede tener una función convexa y su naturaleza:

(mínimos de funciones convexas) Sea J:U\to \R una función definida sobre un conjunto convexo U\, de un espacio normado, entonces:

a) Cualquier mínimo local de la función J\, de hecho es un mínimo aboluto (aunque no todo mínimo absoluto es un mínimo local).
b) Si J\, es estrictamente convexa, tiene como mucho un único mínimo, y es un mínimo estricto.
c) Si U\, es un conjunto abierto, entonces un punto u\in U es un mínimo si y solo si \mathrm{D}J(u)=0

Véase también[editar]

Referencias[editar]

  • Rockafellar, R. T. (1970). Convex analysis. Princeton: Princeton University Press. 
  • Luenberger, David (1984). Linear and Nonlinear Programming. Addison-Wesley. 
  • Luenberger, David (1969). Optimization by Vector Space Methods. Wiley & Sons. 
  • Bertsekas, Dimitri (2003). Convex Analysis and Optimization. Athena Scientific. 
  • Thomson, Brian (1994). Symmetric Properties of Real Functions. CRC Press. 
  • Hiriart-Urruty, Jean-Baptiste, y Lemaréchal, Claude. (2004). Fundamentals of Convex analysis. Berlin: Springer.
  • Krasnosel'skii M.A., Rutickii Ya.B. (1961). Convex Functions and Orlicz Spaces. Groningen: P.Noordhoff Ltd. 
  • Borwein, Jonathan, and Lewis, Adrian. (2000). Convex Analysis and Nonlinear Optimization. Springer.

Enlaces externos[editar]

Licencias para uso de contenido de Wikipedia: GFDL License
Powered by YouTube