Mover los valores de las variables para acercarlos al punto de igualdad.
Mezcla de Variables (también conocido como el Método de Mezcla o el Método de $n-1$ Variables Iguales) es una técnica iterativa muy potente que puedes usar para demostrar desigualdades simétricas con $n$ variables. La idea central es definir una transformación que reemplaza un conjunto de variables $(x_1, x_2, \dots, x_n)$ con un nuevo conjunto $(x'_1, x'_2, \dots, x'_n)$ que esté "más cerca" de la condición de igualdad (normalmente cuando todas las variables son iguales), mientras demuestras que el valor de la función que estás analizando disminuye (o aumenta, dependiendo de la dirección de la desigualdad) o se mantiene igual. Al repetir este proceso, puedes argumentar que la función alcanza su extremo cuando todas las variables son iguales.
Esta técnica es súper importante en competencias de alto nivel como el USAMO y la IMO porque puede despedazar desigualdades donde herramientas estándar como AM-GM o Cauchy-Schwarz son muy débiles o difíciles de aplicar directamente. Básicamente reduce una desigualdad de $n$ variables a un problema de cálculo de una sola variable o a una desigualdad más simple con menos grados de libertad. Aunque se parece a la Desigualdad de Jensen y a la Desigualdad de Karamata (Suavizamiento), Mezcla de Variables es distinta porque te permite hacer ajustes específicos a las variables —como preservar la suma ($x+y \to \frac{x+y}{2}, \frac{x+y}{2}$) o el producto ($xy \to \sqrt{xy}, \sqrt{xy}$)— basándose en las restricciones del problema.
La intuición se basa en la continuidad y la simetría de la función. Si quieres demostrar que $f(x, y, z) \ge 0$, y puedes probar que al reemplazar $x, y$ distintos por su promedio $t = \frac{x+y}{2}$ obtienes $f(x, y, z) \ge f(t, t, z)$, estás "suavizando" las variables hacia el centro. Si puedes seguir este proceso indefinidamente, las variables convergen a la media global. Si $f$ es continua, el límite de este proceso implica que el valor mínimo de $f$ ocurre cuando $x=y=z$. Por otro lado, algunas variaciones implican "mezclar hacia la frontera", alejando las variables para mostrar que el máximo ocurre cuando $n-1$ variables son iguales a un valor en la frontera.
1. El Paso de Mezcla General Para una función simétrica $f(x_1, x_2, \dots, x_n)$, el paso de mezcla normalmente consiste en reemplazar dos variables, digamos $x_1$ y $x_2$, con un valor $t$ que preserve una restricción específica (suma o producto).
Mezcla Aritmética (Preservando la Suma): Para demostrar $f(x_1, \dots, x_n) \ge C$, muestra que: $$f(x_1, x_2, x_3, \dots, x_n) \ge f\left(\frac{x_1+x_2}{2}, \frac{x_1+x_2}{2}, x_3, \dots, x_n\right)$$ Aquí, la suma es invariante: $x_1 + x_2 = \frac{x_1+x_2}{2} + \frac{x_1+x_2}{2}$.
Mezcla Geométrica (Preservando el Producto): Para demostrar $f(x_1, \dots, x_n) \ge C$, muestra que: $$f(x_1, x_2, x_3, \dots, x_n) \ge f\left(\sqrt{x_1 x_2}, \sqrt{x_1 x_2}, x_3, \dots, x_n\right)$$ Aquí, el producto es invariante: $x_1 x_2 = \sqrt{x_1 x_2} \cdot \sqrt{x_1 x_2}$.
2. El Teorema de Mezcla (Convergencia) Toma $D \subset \mathbb{R}^n$ como un conjunto compacto, convexo y simétrico, y sea $f: D \to \mathbb{R}$ una función continua y simétrica. Si para todos los $x_1, x_2$ distintos se cumple: $$f(x_1, x_2, x_3, \dots, x_n) \ge f\left(\frac{x_1+x_2}{2}, \frac{x_1+x_2}{2}, x_3, \dots, x_n\right)$$ Entonces: $$f(x_1, x_2, \dots, x_n) \ge f(\mu, \mu, \dots, \mu)$$ donde $\mu = \frac{x_1 + \dots + x_n}{n}$.
3. Lema Útil para Polinomios Cuando trabajas con polinomios $f(x,y,z)$, el paso de mezcla $f(x,y,z) - f(t,t,z) \ge 0$ con $t=\frac{x+y}{2}$ muchas veces lo puedes factorizar como: $$f(x,y,z) - f(t,t,z) = (x-y)^2 \cdot P(x,y,z)$$ Entonces el problema se reduce a demostrar que $P(x,y,z) \ge 0$.
Teorema: Sea $f: \mathbb{R}^n \to \mathbb{R}$ una función continua y simétrica definida en un conjunto compacto $S = {(x_1, \dots, x_n) \mid \sum x_i = K, x_i \ge 0}$. Si $f(x_1, x_2, \dots, x_n) \ge f(\frac{x_1+x_2}{2}, \frac{x_1+x_2}{2}, \dots, x_n)$ para todos los $x_i$, entonces el mínimo global de $f$ en $S$ ocurre en el centroide $(\mu, \mu, \dots, \mu)$ donde $\mu = K/n$.
Demostración:
Paso 1: Existencia de un Mínimo Como el dominio $S$ es un subconjunto cerrado y acotado (compacto) de $\mathbb{R}^n$, y $f$ es una función continua, por el Teorema del Valor Extremo, $f$ tiene que alcanzar un mínimo global en algún punto $\mathbf{a} = (a_1, a_2, \dots, a_n) \in S$.
Paso 2: Caracterización del Mínimo La idea es mostrar que en este punto mínimo $\mathbf{a}$, todas las coordenadas tienen que ser iguales. Hazlo por contradicción.
Supón que en el mínimo global $\mathbf{a}$, las coordenadas no son todas iguales. Esto implica que existen al menos dos índices, digamos $i=1$ y $j=2$ (sin pérdida de generalidad por la simetría), tales que $a_1 \neq a_2$.
Paso 3: Aplicando la Condición de Mezcla Considera el punto $\mathbf{a'} = (\frac{a_1+a_2}{2}, \frac{a_1+a_2}{2}, a_3, \dots, a_n)$. Nota que $\mathbf{a'} \in S$ porque la suma de las coordenadas sigue siendo $K$ y se mantiene que no son negativas.
Por la hipótesis del teorema: $$f(a_1, a_2, a_3, \dots, a_n) \ge f\left(\frac{a_1+a_2}{2}, \frac{a_1+a_2}{2}, a_3, \dots, a_n\right)$$ $$f(\mathbf{a}) \ge f(\mathbf{a'})$$
Paso 4: Desigualdad Estricta vs Igualdad Si la desigualdad es estricta ($f(\mathbf{a}) > f(\mathbf{a'})$), encontraste un punto $\mathbf{a'}$ con un valor de la función menor que el mínimo global $\mathbf{a}$, lo cual es una contradicción.
Si se cumple la igualdad ($f(\mathbf{a}) = f(\mathbf{a'})$), tienes que asegurar que eventualmente puedes llegar al centroide. En muchos problemas específicos de polinomios, la desigualdad es estricta a menos que $x_1 = x_2$. Sin embargo, para el caso continuo general, apóyate en el argumento de la varianza. Define $V(\mathbf{x}) = \sum_{i=1}^n x_i^2$. Nota que: $$a_1^2 + a_2^2 > 2\left(\frac{a_1+a_2}{2}\right)^2 \iff (a_1-a_2)^2 > 0$$ Así, el paso de mezcla reduce estrictamente la varianza (la distancia euclidiana al centroide).
Si el conjunto de puntos donde $f$ alcanza el mínimo contiene puntos con coordenadas desiguales, puedes elegir el que tenga la menor varianza (ya que el conjunto de minimizadores es compacto). Toma $\mathbf{a}$ como el minimizador con la menor varianza. Si $\mathbf{a}$ tiene coordenadas desiguales, puedes mezclarlas para obtener $\mathbf{a'}$. Como $f(\mathbf{a}) \ge f(\mathbf{a'})$ y $\mathbf{a}$ es un mínimo global, $f(\mathbf{a'}) = f(\mathbf{a})$, así que $\mathbf{a'}$ también es un minimizador. Pero $V(\mathbf{a'}) < V(\mathbf{a})$, lo que contradice la suposición de que $\mathbf{a}$ tenía la varianza mínima entre los minimizadores.
Conclusión Por lo tanto, la suposición de que el mínimo global ocurre en un punto con coordenadas desiguales es falsa. El mínimo debe ocurrir en el punto donde no puedas mezclar dos variables para reducir más la varianza, que es el único punto donde $a_1 = a_2 = \dots = a_n = \mu$.
Así, $f(x_1, \dots, x_n) \ge f(\mu, \dots, \mu)$. $\square$