Otimização e

Cálculo
Multivariado II Otimização e Cálculo Multivariado II
AAF

Bibliograa
Convexidade
Prof. Adriano Azevedo Filho, Ph.D.
et alii
Homogenei- azevedolho@usp.br
dade

17 de abril de 2018

1-22
Otimização e
Cálculo 1 Bibliograa
Multivariado II
AAF

Bibliograa
2 Convexidade, quase-convexidade, funções homogêneas e homotéticas
Convexidade
et alii
Homogenei-
dade
3 Funções homogêneas e homotéticas

2-22
Otimização e
Cálculo 1 Bibliograa
Multivariado II
AAF

Bibliograa
2 Convexidade, quase-convexidade, funções homogêneas e homotéticas
Convexidade
et alii
Homogenei-
dade
3 Funções homogêneas e homotéticas

2-22
Otimização e
Cálculo 1 Bibliograa
Multivariado II
AAF

Bibliograa
2 Convexidade, quase-convexidade, funções homogêneas e homotéticas
Convexidade
et alii
Homogenei-
dade
3 Funções homogêneas e homotéticas

2-22
 Tópicos

1 Bibliograa

2 Convexidade, quase-convexidade, funções homogêneas e homotéticas

3 Funções homogêneas e homotéticas

 Bibliograa recomendada
• Arrow, K. e Enthoven, A. Quasi-Concave Programming. Econometrica 29(4):
Otimização e
Cálculo 779-800, 1961 (referência fundamental sobre otimização envolvendo funções
Multivariado II
quase-côncavas e quase-convexas, dê uma olhada rápida).
AAF
• Hoy et al. 2001. Mathematics for Economics. MIT Press, 2001 (Capítulos 11
Bibliograa
a 15 são obrigatórios).
Convexidade
et alii • Luenberger, D. e Ye, Y. Linear and Non-Linear Programming. 3rd. edition,
Homogenei-
dade
Springer, 2008 (referência geral clássica sobre métodos de otimização linear e
não-linear, de uma olhada).
• Takayama, A. Mathematical Economics. 2nd. edition, Cambridge University
Press, 1985 (capítulo 1: visão ultra-avançada do problema de otimização em
economia).

3-22
 Tópicos

1 Bibliograa

2 Convexidade, quase-convexidade, funções homogêneas e homotéticas

3 Funções homogêneas e homotéticas

 Funções convexas e côncavas
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função convexa (estritamente convexa) se e somente se
Otimização e (as condições são equivalentes e são sucientes e necessárias):
Cálculo
Multivariado II 1 f(θx + (1 − θ)y) 6 θf(x) + (1 − θ)f(y)
AAF (f(θx + (1 − θ)y) < θf(x) + (1 − θ)f(y)), para θ ∈ [0, 1].
Bibliograa 2 se a função f for diferenciável em C, ∇f(y)T (x − y) 6 f(x) − f(y)
Convexidade (∇f(y)T (x − y) < f(x) − f(y))
et alii
Homogenei- 3 o epigrafo da função caracterizado por
dade epi(f) = {(x, u) : x ∈ C, u ∈ R, u > f(x)} é um conjunto convexo.
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função côncava (estritamente côncava) se e somente se:
• −f(x) for convexa.
• as condições para a função convexa (estritamente convexa) denidas acima,
tiverem suas desigualdades invertidas.
4-22
 Funções convexas e côncavas
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função convexa (estritamente convexa) se e somente se
Otimização e (as condições são equivalentes e são sucientes e necessárias):
Cálculo
Multivariado II 1 f(θx + (1 − θ)y) 6 θf(x) + (1 − θ)f(y)
AAF (f(θx + (1 − θ)y) < θf(x) + (1 − θ)f(y)), para θ ∈ [0, 1].
Bibliograa 2 se a função f for diferenciável em C, ∇f(y)T (x − y) 6 f(x) − f(y)
Convexidade (∇f(y)T (x − y) < f(x) − f(y))
et alii
Homogenei- 3 o epigrafo da função caracterizado por
dade epi(f) = {(x, u) : x ∈ C, u ∈ R, u > f(x)} é um conjunto convexo.
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função côncava (estritamente côncava) se e somente se:
• −f(x) for convexa.
• as condições para a função convexa (estritamente convexa) denidas acima,
tiverem suas desigualdades invertidas.
4-22
 Funções convexas e côncavas
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função convexa (estritamente convexa) se e somente se
Otimização e (as condições são equivalentes e são sucientes e necessárias):
Cálculo
Multivariado II 1 f(θx + (1 − θ)y) 6 θf(x) + (1 − θ)f(y)
AAF (f(θx + (1 − θ)y) < θf(x) + (1 − θ)f(y)), para θ ∈ [0, 1].
Bibliograa 2 se a função f for diferenciável em C, ∇f(y)T (x − y) 6 f(x) − f(y)
Convexidade (∇f(y)T (x − y) < f(x) − f(y))
et alii
Homogenei- 3 o epigrafo da função caracterizado por
dade epi(f) = {(x, u) : x ∈ C, u ∈ R, u > f(x)} é um conjunto convexo.
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função côncava (estritamente côncava) se e somente se:
• −f(x) for convexa.
• as condições para a função convexa (estritamente convexa) denidas acima,
tiverem suas desigualdades invertidas.
4-22
 Funções convexas e côncavas
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função convexa (estritamente convexa) se e somente se
Otimização e (as condições são equivalentes e são sucientes e necessárias):
Cálculo
Multivariado II 1 f(θx + (1 − θ)y) 6 θf(x) + (1 − θ)f(y)
AAF (f(θx + (1 − θ)y) < θf(x) + (1 − θ)f(y)), para θ ∈ [0, 1].
Bibliograa 2 se a função f for diferenciável em C, ∇f(y)T (x − y) 6 f(x) − f(y)
Convexidade (∇f(y)T (x − y) < f(x) − f(y))
et alii
Homogenei- 3 o epigrafo da função caracterizado por
dade epi(f) = {(x, u) : x ∈ C, u ∈ R, u > f(x)} é um conjunto convexo.
Denição: f : C → R, f(x), onde C ⊆ Rn é um conjunto convexo, onde
x, y ∈ C, é dita uma função côncava (estritamente côncava) se e somente se:
• −f(x) for convexa.
• as condições para a função convexa (estritamente convexa) denidas acima,
tiverem suas desigualdades invertidas.
4-22
Otimização e
Cálculo
Multivariado II
AAF

Bibliograa
Convexidade
et alii
Homogenei-
dade

5-22
 Funções convexas e côncavas: exemplos

Otimização e
Cálculo
Multivariado II
AAF

Bibliograa
Convexidade
et alii
Homogenei-
dade

6-22
 Funções convexas e côncavas: critérios utilizando o Hessiano p/ f ∈ C(2)
Considere que f : X ⊆ Rn → R, com f ∈ C(2) , com hessiano Hf(x) (n × n), onde
X é um conjunto convexo, e λi , Di e 4i representam: os autovalores, primeiros
Otimização e menores principais e menores principais de Hf(x).
Cálculo
Multivariado II • Teorema: f(x) é estritamente convexa (estritamente côncava), se:
AAF • Hf(x) for positiva-denida (negativa denida)  condição suciente. Isso
Bibliograa ocorrerá se e somente se, para i = 1, . . . , n, temos: (a) todos λi > 0 (λi < 0);
Convexidade
(b) todos Di > 0 ((−1)i Di > 0), i = 1, . . . , n.
et alii • Teorema: f(x), é convexa (côncava) se e somente se:
Homogenei-
dade • Hf(x) for positiva semi-denida (negativa semi-denida)  condição suciente
e necessária. Isso ocorrerá se e somente se, temos: (a) todos λi > 0 (λi 6 0);
(b) todos 4j > 0 [(−1)j 4j > 0].
• Prova(resumo): uma função convexa atende a ∇f(y)T (x − y) 6 f(x) − f(y),
∀x, y ∈ X. Pela Teorema da série de Taylor temos
f(x) = f(y) + ∇f(y)T (x − y) + 12 (x − y)Hf(ξ)(x − y) para ξ = θx + (1 − θ)y
(θ ∈ [0, 1]). Os teoremas decorrem diretamente da análise dessas 2 condições.
7-22
 Funções convexas e côncavas: critérios utilizando o Hessiano p/ f ∈ C(2)
Considere que f : X ⊆ Rn → R, com f ∈ C(2) , com hessiano Hf(x) (n × n), onde
X é um conjunto convexo, e λi , Di e 4i representam: os autovalores, primeiros
Otimização e menores principais e menores principais de Hf(x).
Cálculo
Multivariado II • Teorema: f(x) é estritamente convexa (estritamente côncava), se:
AAF • Hf(x) for positiva-denida (negativa denida)  condição suciente. Isso
Bibliograa ocorrerá se e somente se, para i = 1, . . . , n, temos: (a) todos λi > 0 (λi < 0);
Convexidade
(b) todos Di > 0 ((−1)i Di > 0), i = 1, . . . , n.
et alii • Teorema: f(x), é convexa (côncava) se e somente se:
Homogenei-
dade • Hf(x) for positiva semi-denida (negativa semi-denida)  condição suciente
e necessária. Isso ocorrerá se e somente se, temos: (a) todos λi > 0 (λi 6 0);
(b) todos 4j > 0 [(−1)j 4j > 0].
• Prova(resumo): uma função convexa atende a ∇f(y)T (x − y) 6 f(x) − f(y),
∀x, y ∈ X. Pela Teorema da série de Taylor temos
f(x) = f(y) + ∇f(y)T (x − y) + 12 (x − y)Hf(ξ)(x − y) para ξ = θx + (1 − θ)y
(θ ∈ [0, 1]). Os teoremas decorrem diretamente da análise dessas 2 condições.
7-22
 Funções convexas e côncavas: critérios utilizando o Hessiano p/ f ∈ C(2)
Considere que f : X ⊆ Rn → R, com f ∈ C(2) , com hessiano Hf(x) (n × n), onde
X é um conjunto convexo, e λi , Di e 4i representam: os autovalores, primeiros
Otimização e menores principais e menores principais de Hf(x).
Cálculo
Multivariado II • Teorema: f(x) é estritamente convexa (estritamente côncava), se:
AAF • Hf(x) for positiva-denida (negativa denida)  condição suciente. Isso
Bibliograa ocorrerá se e somente se, para i = 1, . . . , n, temos: (a) todos λi > 0 (λi < 0);
Convexidade
(b) todos Di > 0 ((−1)i Di > 0), i = 1, . . . , n.
et alii • Teorema: f(x), é convexa (côncava) se e somente se:
Homogenei-
dade • Hf(x) for positiva semi-denida (negativa semi-denida)  condição suciente
e necessária. Isso ocorrerá se e somente se, temos: (a) todos λi > 0 (λi 6 0);
(b) todos 4j > 0 [(−1)j 4j > 0].
• Prova(resumo): uma função convexa atende a ∇f(y)T (x − y) 6 f(x) − f(y),
∀x, y ∈ X. Pela Teorema da série de Taylor temos
f(x) = f(y) + ∇f(y)T (x − y) + 12 (x − y)Hf(ξ)(x − y) para ξ = θx + (1 − θ)y
(θ ∈ [0, 1]). Os teoremas decorrem diretamente da análise dessas 2 condições.
7-22
 Funções convexas e côncavas: alguns teoremas importantes I
Otimização e
Cálculo
1 Teorema (transformação linear am): se f(x) é convexa (côncava), a + bf(x)
Multivariado II é convexa (côncava), se b > 0.
AAF
2 Teorema (soma de funções convexas/côncavas):
P
se fi (x), i = 1, . . . , k são
Bibliograa funções convexas (côncavas), g(x) = ki=1 αi fi (x) é convexa (côncava), se
Convexidade αi > 0.
et alii
• Ex. ln x − x2 , para x > 0 é côncava (mostre isso).
Homogenei-
dade 3 Teorema (máximo e mínimo): se fi (x), i = 1, . . . , k são funções convexas
(côncavas), m(x) = max[fi (x), . . . , fk (x)] (m(x) = min[fi (x), . . . , fk (x)])
temos que m(x) é convexa (côncava).
• Ex. g(x) = max[x2 , x] é convexa.

8-22
 Funções convexas e côncavas: alguns teoremas importantes I
Otimização e
Cálculo
1 Teorema (transformação linear am): se f(x) é convexa (côncava), a + bf(x)
Multivariado II é convexa (côncava), se b > 0.
AAF
2 Teorema (soma de funções convexas/côncavas):
P
se fi (x), i = 1, . . . , k são
Bibliograa funções convexas (côncavas), g(x) = ki=1 αi fi (x) é convexa (côncava), se
Convexidade αi > 0.
et alii
• Ex. ln x − x2 , para x > 0 é côncava (mostre isso).
Homogenei-
dade 3 Teorema (máximo e mínimo): se fi (x), i = 1, . . . , k são funções convexas
(côncavas), m(x) = max[fi (x), . . . , fk (x)] (m(x) = min[fi (x), . . . , fk (x)])
temos que m(x) é convexa (côncava).
• Ex. g(x) = max[x2 , x] é convexa.

8-22
 Funções convexas e côncavas: alguns teoremas importantes I
Otimização e
Cálculo
1 Teorema (transformação linear am): se f(x) é convexa (côncava), a + bf(x)
Multivariado II é convexa (côncava), se b > 0.
AAF
2 Teorema (soma de funções convexas/côncavas):
P
se fi (x), i = 1, . . . , k são
Bibliograa funções convexas (côncavas), g(x) = ki=1 αi fi (x) é convexa (côncava), se
Convexidade αi > 0.
et alii
• Ex. ln x − x2 , para x > 0 é côncava (mostre isso).
Homogenei-
dade 3 Teorema (máximo e mínimo): se fi (x), i = 1, . . . , k são funções convexas
(côncavas), m(x) = max[fi (x), . . . , fk (x)] (m(x) = min[fi (x), . . . , fk (x)])
temos que m(x) é convexa (côncava).
• Ex. g(x) = max[x2 , x] é convexa.

8-22
 Funções convexas e côncavas: alguns teoremas importantes I
Otimização e
Cálculo
1 Teorema (transformação linear am): se f(x) é convexa (côncava), a + bf(x)
Multivariado II é convexa (côncava), se b > 0.
AAF
2 Teorema (soma de funções convexas/côncavas):
P
se fi (x), i = 1, . . . , k são
Bibliograa funções convexas (côncavas), g(x) = ki=1 αi fi (x) é convexa (côncava), se
Convexidade αi > 0.
et alii
• Ex. ln x − x2 , para x > 0 é côncava (mostre isso).
Homogenei-
dade 3 Teorema (máximo e mínimo): se fi (x), i = 1, . . . , k são funções convexas
(côncavas), m(x) = max[fi (x), . . . , fk (x)] (m(x) = min[fi (x), . . . , fk (x)])
temos que m(x) é convexa (côncava).
• Ex. g(x) = max[x2 , x] é convexa.

8-22
 Funções convexas e côncavas: alguns teoremas importantes I
Otimização e
Cálculo
1 Teorema (transformação linear am): se f(x) é convexa (côncava), a + bf(x)
Multivariado II é convexa (côncava), se b > 0.
AAF
2 Teorema (soma de funções convexas/côncavas):
P
se fi (x), i = 1, . . . , k são
Bibliograa funções convexas (côncavas), g(x) = ki=1 αi fi (x) é convexa (côncava), se
Convexidade αi > 0.
et alii
• Ex. ln x − x2 , para x > 0 é côncava (mostre isso).
Homogenei-
dade 3 Teorema (máximo e mínimo): se fi (x), i = 1, . . . , k são funções convexas
(côncavas), m(x) = max[fi (x), . . . , fk (x)] (m(x) = min[fi (x), . . . , fk (x)])
temos que m(x) é convexa (côncava).
• Ex. g(x) = max[x2 , x] é convexa.

8-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes II

Otimização e
4 Teorema (função de função 1): Se f(x) é convexa e g(x) é convexa
Cálculo não-decrescente, temos que g(f(x)) é convexa.
Multivariado II
• Ex. ef(x) é convexa se f(x) é convexa.
AAF
5 Teorema (função de função 2): Se f(x) é côncava e g(x) é convexa
Bibliograa não-crescente, temos que g(f(x)) é convexa.
Convexidade • Ex. Ex. 1/f(x) é convexa se f(x) é côncava, (f(x) = ln x por exemplo, para
et alii
Homogenei-
x > 0), e g(x) = 1/x é convexa não-crescente..
dade
6 Teorema (função de transformação linear am): Se f(x) é convexa, temos que
f(Ax + b) é convexa se A é m × n, b é m × 1 e x é n × 1.
7 Teorema (continuidade): Toda função f(x) convexa ou côncava é contínua
em seu domínio (mas não é necessariamente diferenciável).

9-22
 Funções convexas e côncavas: alguns teoremas importantes III
Resultado super-importante:
Otimização e 8 Teorema (conjunto convexo): se g(x) é uma função convexa em que
Cálculo
Multivariado II
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) 6 0} é um
AAF conjunto convexo.
9 Teorema (conjunto convexo): se g(x) é uma função côncava em que
Bibliograa
Convexidade
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) > 0} é um
et alii conjunto convexo.
Homogenei-
dade 10 Teorema (interseção de conjuntos convexos): A iterseção de conjuntos
convexos é um conjunto convexo (lembre que ∅ é um conjunto convexo).
Esse resultados permitem concluir que se x ∈ C ⊆ Rn , em que C é um conjunto
convexo, o conjunto denido por {x ∈ C : g1 (x) 6 0, g2 (x) 6 0, . . . , gk (x) 6 0} será
um conjunto convexo, se as gi (x)s são funções convexas. O mesmo resultado
será obtido se as gi (x)s são funções côncavas, invertendo-se as desigualdades.

10-22
 Funções convexas e côncavas: alguns teoremas importantes III
Resultado super-importante:
Otimização e 8 Teorema (conjunto convexo): se g(x) é uma função convexa em que
Cálculo
Multivariado II
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) 6 0} é um
AAF conjunto convexo.
9 Teorema (conjunto convexo): se g(x) é uma função côncava em que
Bibliograa
Convexidade
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) > 0} é um
et alii conjunto convexo.
Homogenei-
dade 10 Teorema (interseção de conjuntos convexos): A iterseção de conjuntos
convexos é um conjunto convexo (lembre que ∅ é um conjunto convexo).
Esse resultados permitem concluir que se x ∈ C ⊆ Rn , em que C é um conjunto
convexo, o conjunto denido por {x ∈ C : g1 (x) 6 0, g2 (x) 6 0, . . . , gk (x) 6 0} será
um conjunto convexo, se as gi (x)s são funções convexas. O mesmo resultado
será obtido se as gi (x)s são funções côncavas, invertendo-se as desigualdades.

10-22
 Funções convexas e côncavas: alguns teoremas importantes III
Resultado super-importante:
Otimização e 8 Teorema (conjunto convexo): se g(x) é uma função convexa em que
Cálculo
Multivariado II
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) 6 0} é um
AAF conjunto convexo.
9 Teorema (conjunto convexo): se g(x) é uma função côncava em que
Bibliograa
Convexidade
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) > 0} é um
et alii conjunto convexo.
Homogenei-
dade 10 Teorema (interseção de conjuntos convexos): A iterseção de conjuntos
convexos é um conjunto convexo (lembre que ∅ é um conjunto convexo).
Esse resultados permitem concluir que se x ∈ C ⊆ Rn , em que C é um conjunto
convexo, o conjunto denido por {x ∈ C : g1 (x) 6 0, g2 (x) 6 0, . . . , gk (x) 6 0} será
um conjunto convexo, se as gi (x)s são funções convexas. O mesmo resultado
será obtido se as gi (x)s são funções côncavas, invertendo-se as desigualdades.

10-22
 Funções convexas e côncavas: alguns teoremas importantes III
Resultado super-importante:
Otimização e 8 Teorema (conjunto convexo): se g(x) é uma função convexa em que
Cálculo
Multivariado II
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) 6 0} é um
AAF conjunto convexo.
9 Teorema (conjunto convexo): se g(x) é uma função côncava em que
Bibliograa
Convexidade
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) > 0} é um
et alii conjunto convexo.
Homogenei-
dade 10 Teorema (interseção de conjuntos convexos): A iterseção de conjuntos
convexos é um conjunto convexo (lembre que ∅ é um conjunto convexo).
Esse resultados permitem concluir que se x ∈ C ⊆ Rn , em que C é um conjunto
convexo, o conjunto denido por {x ∈ C : g1 (x) 6 0, g2 (x) 6 0, . . . , gk (x) 6 0} será
um conjunto convexo, se as gi (x)s são funções convexas. O mesmo resultado
será obtido se as gi (x)s são funções côncavas, invertendo-se as desigualdades.

10-22
 Funções convexas e côncavas: alguns teoremas importantes III
Resultado super-importante:
Otimização e 8 Teorema (conjunto convexo): se g(x) é uma função convexa em que
Cálculo
Multivariado II
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) 6 0} é um
AAF conjunto convexo.
9 Teorema (conjunto convexo): se g(x) é uma função côncava em que
Bibliograa
Convexidade
x ∈ C ⊆ Rn é um conjunto convexo, temos que {x ∈ C : g(x) > 0} é um
et alii conjunto convexo.
Homogenei-
dade 10 Teorema (interseção de conjuntos convexos): A iterseção de conjuntos
convexos é um conjunto convexo (lembre que ∅ é um conjunto convexo).
Esse resultados permitem concluir que se x ∈ C ⊆ Rn , em que C é um conjunto
convexo, o conjunto denido por {x ∈ C : g1 (x) 6 0, g2 (x) 6 0, . . . , gk (x) 6 0} será
um conjunto convexo, se as gi (x)s são funções convexas. O mesmo resultado
será obtido se as gi (x)s são funções côncavas, invertendo-se as desigualdades.

10-22
 Funções convexas e côncavas: Alguns exemplos I
√
Otimização e • Verique a situação da função f(x1 , x2 ) = x1 + x2 para x1 , x2 ∈ R,
Cálculo
Multivariado II x1 , x2 > 0 quanto à sua convexidade/concavidade (Ex. 11.28 de Hoy et alii
AAF 2001 p. 506).
Bibliograa • Verique a situação da função f(x1 , x2 ) = 3x1 + x22 , para x1 , x2 ∈ R, quanto à
Convexidade sua convexidade/concavidade (Ex. 11.29 de Hoy et alii 2001 p. 507).
et alii
Homogenei-
• Verique a situação da função f(x1 , x2 , x3 ) = xα
1 + x2 + x3 , para
β γ

dade x1 , x2 , x3 > 0 ∈ R e 0 < α, β, γ < 1, quanto à sua convexidade/concavidade

(Ex. 11.29 de Hoy et alii 2001 p. 508).
Obs: Note que em alguns casos é mais fácil utilizar a condição que utiliza
autovalores (não é a solução usada em Hoy et alii 2001).

11-22
 Funções convexas e côncavas: Alguns exemplos II
• Verique se a função f(x, y) = x4 + 2y4 + 1 é estritamente convexa em R2 .
12x2
 
0
Nesse caso temos: Hf(x) =
Otimização e 0 24y2
Cálculo
Multivariado II • Solução: (a) Na diagonal da matriz estão os autovalores e λi = 0 quando x ou
AAF y forem zero; (b) da mesma forma, D1 = 12x2 > 0 e D2 = 288x2 y2 > 0 que
Bibliograa serão nulos quando x = 0 ou y = 0; (c) os menores principais de ordem 1 serão
Convexidade 12x2 e 24y2 e o único de ordem 2 será 288x2 y2 , todos > 0. Os resultados (a)
et alii
e (c) permitiriam a conclusão de que f(x, y) é convexa (mas não que é
Homogenei-
dade estritamente convexa). Mas a função f(x, y) é estritamente convexa (mostre
que x4 é estritamente convexa, é difícil!). Os teoremas foram contrariados?

12-22
 Exercícios

Otimização e
1 Verique se f(x) = x2 é convexa pelas condições 1 e 2.
Cálculo
Multivariado II 2 Verique se f(x) = a + bx é convexa. Verique se a mesma função é côncava.
AAF Use os critérios 1 e 2 para demostração (a, b ∈ R, a, b > 0).
Bibliograa 3 Faça um detalhamento do resumo da prova para a condição de estrita
Convexidade convexidade, mostrando porque o resultado especicado no teorema é válido.
et alii
Homogenei-
4 Para uma função f(x, y) = xα yβ (Cobb-Douglas), com α, β, x, y ∈ R e
dade α, β, x, y > 0, mostre condições suciente para garantir que f(x, y) é côncava
e estritamente côncava (veja Ex. 11.31 no Hoy et alii 2001, p. 512).
5 Mostre que uma condição necessária para convexidade é termos em Hf(x),
fii > 0 para i = 1, . . . , n.

13-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: motivação
• A exigência de convexidade (ou concavidade) é frequentemente muito
restritiva para desenvolvimentos em economia.
Otimização e
Cálculo
Multivariado II
• Muitos problemas de otimização envolvem funções utilidade, funções de
AAF produção e outras funções que não são convexas ou côncavas (ex.
Cobb-Douglas com expoentes somando mais que 1).
Bibliograa
Convexidade
• Funções quase côncavas /quase convexas: classe mais ampla que inclui
et alii muitas funções de interesse econômico e que são facilmente tratáveis no
Homogenei-
dade
contexto da otimização.
• Artigo fundamental: Arrow, K. e Enthoven, A. Quasi-Concave Programming.
Econometrica 29(4): 779-800, 1961.
• f(x) é convexa (côncava) ⇒ f(x) é quase convexa (quase côncava) (o
contrário não é necessáriamente válido).
• Outras extensões: funções pseudo convexas, funções invexas, etc.
14-22
 Funções quase-convexas e quase-côncavas: ilustrações

Otimização e
Cálculo
Multivariado II
AAF

Bibliograa
Convexidade
et alii
Homogenei-
dade

15-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase convexas e quase côncavas: denições
Considere a função f : X ⊆ Rn → R, em que X é um conjunto convexo.
• Denição: a função f é quase-convexa (quase-côncava) se (condições
Otimização e equivalentes):
Cálculo • f(θx1 + (1 − θ)x2 ) 6 max[f(x1 ), f(x2 )] (f(θx1 + (1 − θ)x2 ) > min[f(x1 ), f(x2 )]
Multivariado II
• os conjuntos formados por {x ∈ X : f(x) 6 k} ({x ∈ X : f(x) > k}, para qualquer
AAF
k ∈ R (conjuntos de pontos delimitados pelas linhas de nível é convexo).
Bibliograa • A quase-convexidade estrita (quase-concavidade estrita) é obtida trocando a
Convexidade desigualdade nas denições por desigualdades estritas (< ou >).
et alii
quase-linear.
• uma função que é quase-convexa e quase-côncava é chamada de
Homogenei-
dade • Teorema: toda função convexa (côncava) é quase convexa (quase côncava).

16-22
 Funções quase-convexas e quase-côncavas: ilustrações

Otimização e
Cálculo
Multivariado II
AAF

Bibliograa
Convexidade
et alii
Homogenei-
dade

17-22
 Funções quase-convexas e quase-côncavas: condição suciente
Nos resultados abaixo considere a função f : X ⊆ Rn → R, f(x) ∈ C(2) .
• Denição: o hessiano orladoda função f é denido por:
Otimização e 0 f1 f2 ... fn
Cálculo
Multivariado II   f1 f11 f12 ... f1n 
∇f(x)T

0
 
AAF H̄ = =
 f2 f21 f22 ... f2n 
∇f(x) Hf(x) .. .. .. .. ..

. . . . .
 
Bibliograa  
Convexidade fn fn1 fn2 . . . fnn
et alii
Homogenei- • Denição: a notação H̄k indica a sub-matriz formada pelas linhas 1, . . . , k + 1
dade
e colunas 1, . . . , k + 1 de H̄.  
  0 f1 f2
0 f1
Ex. H̄1 = H̄2 =  f1 f11 f12 
f1 f11
f2 f21 f22
• Teorema: |H̄i | < 0, i = 2, . . . , n,∀x ∈ X ⇒ função f é quase-convexa.
• Teorema: (−1)i |H̄i | > 0, i = 2, . . . , n, ∀x ∈ X ⇒ função f é quase-côncava.
18-22
 Funções quase-convexas e quase-côncavas: condição suciente
Nos resultados abaixo considere a função f : X ⊆ Rn → R, f(x) ∈ C(2) .
• Denição: o hessiano orladoda função f é denido por:
Otimização e 0 f1 f2 ... fn
Cálculo
Multivariado II   f1 f11 f12 ... f1n 
∇f(x)T

0
 
AAF H̄ = =
 f2 f21 f22 ... f2n 
∇f(x) Hf(x) .. .. .. .. ..

. . . . .
 
Bibliograa  
Convexidade fn fn1 fn2 . . . fnn
et alii
Homogenei- • Denição: a notação H̄k indica a sub-matriz formada pelas linhas 1, . . . , k + 1
dade
e colunas 1, . . . , k + 1 de H̄.  
  0 f1 f2
0 f1
Ex. H̄1 = H̄2 =  f1 f11 f12 
f1 f11
f2 f21 f22
• Teorema: |H̄i | < 0, i = 2, . . . , n,∀x ∈ X ⇒ função f é quase-convexa.
• Teorema: (−1)i |H̄i | > 0, i = 2, . . . , n, ∀x ∈ X ⇒ função f é quase-côncava.
18-22
 Funções quase-convexas e quase-côncavas: condição suciente
Nos resultados abaixo considere a função f : X ⊆ Rn → R, f(x) ∈ C(2) .
• Denição: o hessiano orladoda função f é denido por:
Otimização e 0 f1 f2 ... fn
Cálculo
Multivariado II   f1 f11 f12 ... f1n 
∇f(x)T

0
 
AAF H̄ = =
 f2 f21 f22 ... f2n 
∇f(x) Hf(x) .. .. .. .. ..

. . . . .
 
Bibliograa  
Convexidade fn fn1 fn2 . . . fnn
et alii
Homogenei- • Denição: a notação H̄k indica a sub-matriz formada pelas linhas 1, . . . , k + 1
dade
e colunas 1, . . . , k + 1 de H̄.  
  0 f1 f2
0 f1
Ex. H̄1 = H̄2 =  f1 f11 f12 
f1 f11
f2 f21 f22
• Teorema: |H̄i | < 0, i = 2, . . . , n,∀x ∈ X ⇒ função f é quase-convexa.
• Teorema: (−1)i |H̄i | > 0, i = 2, . . . , n, ∀x ∈ X ⇒ função f é quase-côncava.
18-22
 Funções quase-convexas e quase-côncavas: condição suciente
Nos resultados abaixo considere a função f : X ⊆ Rn → R, f(x) ∈ C(2) .
• Denição: o hessiano orladoda função f é denido por:
Otimização e 0 f1 f2 ... fn
Cálculo
Multivariado II   f1 f11 f12 ... f1n 
∇f(x)T

0
 
AAF H̄ = =
 f2 f21 f22 ... f2n 
∇f(x) Hf(x) .. .. .. .. ..

. . . . .
 
Bibliograa  
Convexidade fn fn1 fn2 . . . fnn
et alii
Homogenei- • Denição: a notação H̄k indica a sub-matriz formada pelas linhas 1, . . . , k + 1
dade
e colunas 1, . . . , k + 1 de H̄.  
  0 f1 f2
0 f1
Ex. H̄1 = H̄2 =  f1 f11 f12 
f1 f11
f2 f21 f22
• Teorema: |H̄i | < 0, i = 2, . . . , n,∀x ∈ X ⇒ função f é quase-convexa.
• Teorema: (−1)i |H̄i | > 0, i = 2, . . . , n, ∀x ∈ X ⇒ função f é quase-côncava.
18-22
 Funções quase-convexas e quase-côncavas: Exemplo
Verique que se a função f(x1 , x2 ) = x1 x2 , com x1 , x2 ∈ R, x1 , x2 > 0 é côncava,
quase-côncava ou indenida quanto à sua concavidade/quase-concavidade.
Otimização e
Cálculo • Solução - parte 1 (vericando concavidade): para essa função temos
Multivariado II    
x2 0 1
AAF ∇f(x) = eH= .
x1 1 0
Bibliograa A equação característica de H é λ2 − 1 = 0, levando aos autovalores 1 e -1,
Convexidade
et alii
concluindo-se que a função não é côncava nem convexa.
 
Homogenei- 0 x2 x1
dade
• Solução - parte 2 (vericando quase-concavidade): H̄ =  x2 0 1 e
x1 1 0
   
x 1  x 0 
|H̄2 | = (−1)1+2 x2  2 + (−1)1+3 x1  2 = 2x1 x2 > 0. Como o
   
x1 0  x1 1 
domínio é x1 , x2 ∈ R, x1 , x2 > 0 podemos concluir que a função é
quase-côncava.
19-22
 Funções quase-convexas e quase-côncavas: Exemplo
Verique que se a função f(x1 , x2 ) = x1 x2 , com x1 , x2 ∈ R, x1 , x2 > 0 é côncava,
quase-côncava ou indenida quanto à sua concavidade/quase-concavidade.
Otimização e
Cálculo • Solução - parte 1 (vericando concavidade): para essa função temos
Multivariado II    
x2 0 1
AAF ∇f(x) = eH= .
x1 1 0
Bibliograa A equação característica de H é λ2 − 1 = 0, levando aos autovalores 1 e -1,
Convexidade
et alii
concluindo-se que a função não é côncava nem convexa.
 
Homogenei- 0 x2 x1
dade
• Solução - parte 2 (vericando quase-concavidade): H̄ =  x2 0 1 e
x1 1 0
   
x 1  x 0 
|H̄2 | = (−1)1+2 x2  2 + (−1)1+3 x1  2 = 2x1 x2 > 0. Como o
   
x1 0  x1 1 
domínio é x1 , x2 ∈ R, x1 , x2 > 0 podemos concluir que a função é
quase-côncava.
19-22
 Tópicos

1 Bibliograa

2 Convexidade, quase-convexidade, funções homogêneas e homotéticas

3 Funções homogêneas e homotéticas

 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Funções homogêneas de grau k
Considere a função f : X ⊆ Rn → R, f(x).
• Denição - uma função f(x) é homogênea de grau k se
Otimização e • f(sx) = sk f(x), ∀s > 0 ∈ R.
Cálculo 1 3
Multivariado II • Exemplo: f(x) = x14 x24 é homogênea de grau 1 dado que
AAF 1 3 1 3
f(sx) = (sx1 ) 4 (sx2 ) 4 = s1 x14 x24 .
Bibliograa • Teorema: se f(x) é homogênea de grau k as derivadas parciais fi (x) serão
Convexidade
et alii
homogêneas de grau k − 1.
• Prova: Considere f(x) tal que f(sx) = sk f(x) ou seja, é homogênea de grau k.
Homogenei-
dade Derivando os dois lados da última equação com relação a um xi qualquer temos
fi (sx)s = sk fi (x) ⇒ fi (sx) = sk−1 fi (x), i = 1, . . . , n. 
• Teorema (Euler): se f(x) é homogênea de grau k e fi é a derivada parcial
com relação a xi , temos f1 x1 + f2 x2 + . . . + fn xn = kf(x1 , x2 , . . . , xn ).
• Prova: Considere f(x) tal que f(sx) = sk f(x). Encontrando a derivada total
com relação a s nos dois lados da expressão e cancelando os termos canceláveis
chega-se ao resultado desejado (faça como exercício).
20-22
 Função homotética
As duas denições a seguir são equivalentes para uma função dita homotética.
• Denição 1 - uma função f(x) é homotética se puder ser denida por
Otimização e
f(x) = g(h(x)) em que g(·) é uma transformação monotônica e h(x) é uma
Cálculo
Multivariado II
função homogênea de grau k qualquer.
AAF • Denição 2 - uma função f(x) é homotética se as taxas marginais de
Bibliograa
substituição (TMS) nas linhas de nível forem sempre as mesmas ao longo de
Convexidade
um mesmo raio a partir da origem (veja gura).
et alii
Homogenei-
dade

21-22
 Função homotética
As duas denições a seguir são equivalentes para uma função dita homotética.
• Denição 1 - uma função f(x) é homotética se puder ser denida por
Otimização e
f(x) = g(h(x)) em que g(·) é uma transformação monotônica e h(x) é uma
Cálculo
Multivariado II
função homogênea de grau k qualquer.
AAF • Denição 2 - uma função f(x) é homotética se as taxas marginais de
Bibliograa
substituição (TMS) nas linhas de nível forem sempre as mesmas ao longo de
Convexidade
um mesmo raio a partir da origem (veja gura).
et alii
Homogenei-
dade

21-22
 Exercícios
1 Mostre que toda função linear é homogênea de grau 1. A função linear am é
Otimização e
Cálculo
homogênea? verique.
Multivariado II
2 Prove que uma função homogênea de grau k é homotética.
AAF
3 Faça uma derivação detalhada dos 2 teoremas apresentados relativos a funções
Bibliograa
homogêneas, certicando-se que entendeu os resultados (veja exemplos e
Convexidade
et alii derivações mais elementares no Hoy et al. 2001).
Homogenei-
dade
4 Mostre que se f(x1 , x2 ) é homogênea de grau 1, fi (x1 , x2 ) depende somente
da razão entre x1 e x2 , ou seja fi (x1 , x2 ) = fi (x1 /x2 , 1).
5 Prove que a denição 1 de função homotética implica a denição 2.
6 Mostre que a função f(x) = ln x1 + 2 ln x2 para x1 , x2 > 0 ∈ R é homotética,
pelas duas denições.

22-22