經濟數學方法

謝賢老師編授

壹、 矩陣與行列式
◎定義:  n  m 階矩陣為一包括 n 列和 m 行的數字的方形排列，若以 A 代表
此矩陣，則

 a11 a12  a1m 

a a 22  a2 m 
A   21   ( aij )n  m
     
 
 a n1 a n 2  a nm 

例:
2 0 1
3 2

1
   1 1 1 3
A ,B   
 1  2  3  3 1 1 1
 
1 3 5
分別為 4  3 和 2  4 矩陣

◎定義: 若 A  (aij ) nm , B  (bij ) nm 則

A  B  (aij  bij ) nm  (Cij ) nm =C

A  (aij ) nm

2 1  2 1 
例: A  3 2 , B   2
  5
   
1 1  1  3

2  2 1  1  0 2 
則 A  B  3  2 2  5  5 7 
   
 1  1 1  3  2  2

10 5   2  1 12 4
5 A  B  5 A  ( 1) B  15 10   2  5  13 5
     
 5 5    1 3   4 8

1
  2 1   2 1   4 2 2 1 
A  A  3 2  3 2  6 4  2  3 2  2 A
     
       
1 1 1 1 2 2 1 1

◎ 定義:若 A=( aij ) 為 n  m 矩陣，B=( bij ) 為 m  k 矩陣，則 A 和 B 的

乘積 AB 為 n  k 矩陣 C

1 0 0 
 0 1 2
例: A    , B  2 1  1 求 AB 及 BA
2 0 1  
0 3 1 

1 0 0 
0 12 2 1  1
AB   
2 01  
0 3 1 

 0.1  1.2  2.0 0.0  1.1  2.3 0.0  1  ( 1)  2  1

= 
2  1  0.2  1.0 2.0  0.1  1.3 2.0  0  ( 1)  1.1
2 7 1
= 
2 3 1
BA 無法計算  3  3 23

◎ 行列式: Cramer's Rule

已知 a11 X 1  a12 X 2  b1
a21 X 1  a22 X 2  b2
b1 a12
b a 22 b a  b2 a12
 X 1*  2  1 22
a11 a12 a11a 22  a12a 21
a 21 a 22
a11 b1
a b a b  a 21b1
X 2*  21 2  11 2
a11 a12 a11a 22 a12a 21
a 21 a 22

 1  1 1   X 1   5
例:解下列聯立方程式: 1 2  1  X 2   2
    
2 1 3   X 3  0

2
 5 1 1
2 2 1
 X1  X 2  X 3  5
 0 1 3 43
  X1  2X 2  X 3  2 X 1*  
2 X  X  3 X  0 1 1 1 9
 1 2 3
1 2 1  9
2 1 3
1 5 1
1 2 1
2 0 3 23
X 2*  
9 9
1 1 5
1 2 2
2 1 0 21
X 3*  
9 9 1

貳、微分
◎ 微分公式: Y  f ( X )
Y f ( X  X )  f ( x ) dY
 f ( X )  lim 
X X 0 X dX
2Y d 2Y
  f ( X )
X 2 dX 2
◎ 若 f ( X )  X n , X  R  f ( X )  nX n1 , X  R
◎ 設 f ( X ) 與 g ( X ) 皆存在:


d
 f ( X )  g ( X )  df ( X )  dg ( X )
dX dX dX


d
 f ( X )  g ( X )  f ( X ) dg ( X )  g ( X ) df ( X ) 乘法公式 
dX dX dX
d  f ( X )  f ( X ) g ( X )  f ( X ) g ( X )
   , g ( X )  0 除法公式 
dX  g ( X )  g( X )2
◎ 鏈鎖律(chain rule):
d
設函數 f 與 g 皆可微分  f ( g ( X ))  f ( g ( X ))  g ( X )
dX
◎ 反函數 (inverse function):
設函數 f 與 g 滿足 f(g(Y))=Y  函數 g 為 f 之反函數
g(f(X)=X 且 g=f 1

 f ( f 1 (Y ))  Y
  1
 f ( f ( X ))  X

3
 y
◎ 偏微分: y  f ( X 1 , X 2 )   f1 ( X 1 , X 2 )
X 1
y
y  f ( X1, X 2 )   f2 ( X1, X 2 )
X 2
d
例: 3 X 2  2Y  6 X
dX
◎ 全微分: y  f ( X 1 , X 2 )
y y
dy  dX 1  dX 2
X 1 X 2
例: TE=P  Q
 dTE  dP  2  dQ  P
◎ 自然對數(e)與自然指數(ln):

y ex

1
lnx

1 x

性質: (1) f ( X )  e x  f (0)  1  lim e X  0 、 lim e X  

X  X 

f ( X )  ln X  f (1)  0  lim ln X   、 lim ln X  

X  X 

d X
(2) e  eX
dX
d
(3)設 f  存在  (e f ( X ) )  e f ( X )  f ( X )
dX
(4) e X Y  e X  eY , X , Y  R
1
(5) e  X 
eX
d 1
(6) ln X  , X  0
dX X

4
 d 1
(7) n X  , X  0
dx X
d f ( X
(8) n f (X ) 
dX f (X )
(9) ln X  Y  ln X  ln Y
X
(10) ln  ln X  ln Y
Y
(11) ln X Y  Y ln X
(12) e ln X  X 且 ln e X  X
(13) Y X  e X lnY

◎ 切線與射線:
y

y=f(x) 給定切線上任一點(X, Y)
y  f (X0)
  f ( X )
X  X0
y0
(x0,y0)  射線角度值 tan  
α X0

◎函數的高階導數:

d 2Y d  dY  d 3 y d  d 2Y 
  、   
dX 2 dX  dX  dX 3 dX  dX 2 

f ( X )  f ( X 0 ) f ( X 0  X )  f ( X 0 )
f ( X 0 )  lim  lim
X X0 X  X0 X 0  0 X
◎函數的臨界點及反曲點:
) f ( X 0 )  0(或f ( X 0 )不有在 ，
(一) 若 X 0  Df (函數定義域 ， )
則 X  X 0 為函數 f 之臨界點

(二)
Y
f/(x)>0 函數 f 在 a, b為嚴格遞增
 X 1 X 2 則f ( X 1 )  f ( X 2 )
f(x2)
f(x1)

a X1 X2 b X
5
 函數 f 在 a, b為嚴格遞減
Y
 X 1 X 2 則f ( X 1 )  f ( X 2 )
/
f (x)<0
f(x1)

f(x2)

a X1 X2 b X

(三)

Y Y

上凹 上凹 f/(x)<0
concave upward f//(x)>0
f/(x)>0
f//(x)<0
X X
Y concave downward Y
f/(x)<0
f//(x)<0
下凹 f/(x)>0
f//(x)<0

X X

下凹

上凹 反曲點 上凹
(inflection point)

0 C x

f ( X )  0 X  a, b  函數f在 a, b為上凹

6
 f ( X )  0 X  a, b  函數f在 a, b為下凹
 故 f   函數遞增遞減性， f   函數凹性

(四)第一導數檢驗定理: f (C )  0 或 f (C )不存在

X<C X>C 切記

f - + f(C)為局部極小值
f + - f(C)為局部極大值
f - -
f + + f(C)為非局部極值

y
f(C1)

f(C2)

C1 C2 x
局部 局部
最大值 最小值

第二導數檢驗定理: f (C )  0
 f (C )  0  f (C ) 為局部極小值
 f (C )  0  f (C ) 為局部極大值
 f (C )  0 本定理失敗

參、積分
(一) 不定積分(Indefinite integral)

 : 積分符號、f ( X ) : 積分函數、dX : 積分值

  : f ( X )dX 而 F ( X )  f ( X )  f為 F 之導函數、F 為 f 之

反導數故 F 為 f 之反導數   f ( X )dX  F ( X )  K (常數 )

◎ 性質:   f ( X )  g ( X )dX   f ( X )dX   g ( X )dX

7
  C f ( X )dX  C  f ( X )dX


d
dX
 f ( X )dX  f ( X )
d
  dX f ( X )dX  f ( X )  C
1
◎  X dX  n X C

(二) 定積分 (definite integral)

f(x)


b
a f ( x) dx
a b x

 C dX  C (b  a )
b
◎ 性質:  a

 C f ( X )dX  C  ba f ( X )dX
b
 a

 f ( X )  g ( X )dX   f ( X )dX   ba g ( X )dX

b b
 a a

 f ( X )  g ( X )dX   f ( X )dX   ba g ( X )dX ( 錯 )

b b
 a a

 
b
a f ( X )dX   ca f ( X )dX   bc f ( X )dX , C  a, b

 f在 X=a 被定義   aa f ( X )dX  0

 f ( X )dX    ba f ( X )dX
b
 a

 設f ( X )  0   ba f ( X )dX  0

8
肆、齊次函數與尤拉定理
(一) n 階齊次函數 (homogeneous function of degree n)
◎ 定義: y  f ( X1, X 2 )
若 f (X 1 , X 2 )  n f ( X 1 , X 2 ),   0
則稱 y  f ( X 1 , X 2 ) 為n 階齊次函數
(二) 尤拉定理 (Euler Theorem)
◎定義:若 y  f ( X 1 , X 2 ) 為H .O.D.n
f f
則 ny  X1  X2
X 1 X 2
◎ 証明: f (X 1 , X 2 )  n f ( X 1 , X 2 )
f X 1 f X 2
對入微分:   nn1 f ( X 1 , X 2 )
X 1  X 2 
f f
令   1: X1  X 2  n : f ( X1, X 2 )
X 1 X 2
(三) 齊序函數 (同位函數) (homothetic function)
◎ 定義: (一階齊次函數的正單調上升轉換稱之)
df
若 g ( X 1 , X 2 ) 為 H.O.D 1 且 f   0
dg
則y  f ( g ( x1 , x2 ))  h( X 1 , X 2 ) 稱之。
例: 若有齊次偏好，所得 1000 元，買 40 本書，60 張 CD, 當
所得為 1500 時，而書，CD 價格不變，會買 60 本書，
90 張 CD

CD
I.C.C.

90
60

I=1000 I=1500
40 60 book

伍、古典規劃分析:最適化(Optimization)
(一) 未受限制下的極大與極小
◎ 單變數函數(X)
1. 極大: Max y  f (X )

9
 dy  f ( X )dX  0  F .O.C.

dY  X 1*  由F .O.C.求得 2個解
  f ( X )  0   *
dX  X 2  由S.O.C.判斷選一個

 d 2Y  0  S.O.C.
d 2Y
 d Y  f ( X )dX  0   f ( X 1 )  0  X 1  MaxY
2 2 *
2
dX
 F .O.C. f ( X )  0
2. 極小: Min y  f (X ) 
 S .O.C. f ( X )  0

(二) 多變數函數( X 1 , X 2 )

1. Max Y  f ( X 1 , X 2 )
( Min )

 F .O.C. dY  0
f1 ( X 1 , X 2 )dX 1  f ( X 1 , X 2 )dX 2  0
 Y
 X  0 f1 ( X 1 , X 2 )  0 X 1* 
 Y
1

 0 f2 ( X1, X 2 )  0 X 2* 
 X 2
 S.O.C.

d 2Y  0  Hessian Matrix 負正相間 ( Max )  負定

d Y  0  Hession
2
Matrix 全為正 ( Min )  正定

f11 f12  f f12

H  f11 0, 11 0
f 21 f 22 f 21 f 22

◎ 有限制條件下之極值分析:
M a x y  f ( X 1 , X 2 )  L a g r a n g em e t h o d
( Min )
S .t. g ( X 1 , X 2 )  C
S t e1p: M a x L( X 1 , X 2 ,  )  f ( X 1 , X 2 )   g ( X 1 , X 2 )  C 
S t e 2p : F .O.C.
L
0 f1 ( X 1 , X 2 )  g1 ( X 1 , X 2 )  0 X 1* 
X 1
L
 0 f 2 ( X 1 , X 2 )  g 2 ( X 1 , X 2 )  0 X 2* 
X 2

10
 L
0  g ( X 1 , X 2 )  C   0 * 


S t e 3p: S.O.C.  d 2 L 0  Boarder Hessian Matrix

 正負相間(Max)
全為正 (Min)

f11  g11 f12  g12  g1

F  f 21  g12 f 22  g 22  g2
 g1  g2 0

陸、古典規劃分析應用:
Optimization
(1) max  (Q)  PQ  C(Q)
Q
(2) min C=W  L  r  k
L, K  3 個主要
問題類型

s.t.Q  F ( K , L)

(3) max f(x)

max U(x, y)
x or x, y

g ( x)  0, x  0 s.t px x  p y y  I

◎ The Structure of an Optimization Problem

Max f(x) f(X)=objective function
xs X: choice variables
S: feasible set
solutions: X *
f ( x* )  f ( x) x  S
Important general problems about the solutions to any optimization
problem:
(1) Existence of Solutions
Propositions: An optimization problem always has a solution if

11
 (1) the objective function is “ continuous”
(2) the feasible set is “nonempty, close and bounded”
(2) Local and Global Optima

 Global Solution : f ( x * )  f ( x ), x  S
 Local Solution : f ( x ** )  f ( x ),  x  Be( x ** )



Prepositions: A local maximum is always a global maximum if

(1) the objective function is quasiconcave.
(2) the feasible set is convex.
(3) Uniqueness of Solution
Propositions: Given an optimization problems in which the
feasible set is convex and the objective function is nonconstant
and quasiconcave, a solution is unique if:
(1) the feasible set is strictly convex, or
(2) the objective function is strictly
quasiconcave, or
(3) both
(4) Interior and Boundary Optima

(5) Location of the Optimum

min
df ( x )
max f(x) F.O.C 0
dx
d 2 f ( x)  0(min)
X  R S.O.C
dx 2
 0(max)
(多變數) x1 x2
◎ Multivarial Case
Y  f ( x1 x2 )

 f / x1   f1 
F.O.C f       : Gradient vector of f
 f / x2   f 2 

 f ......... f1n  f
S.O.C H   11  Hessian of f f ij  i
 fn1........ f nn  x j

12
 now, max f( x1 , x2 ) F .O.C f
x1  0

x1 , x2  f 0
x2

S.O.C 2 f 0 f11  0
x12
(負定)
2 f 0
x22

2 f
( f 2 f
2 f f12
)  ( 2)  ( )  即 11 0
x1
2
x2 x1x2 f 21 f 22

 f11 f 22  f12 f 21  0  f11 f12  ( f12 ) 2

( f12 ) 2
◎ Quadratic Forms and their Signs

a a1n 
A   11 
 a n1 a nn 

symmetric: aij  a ji

 a ............a1n  X 1 
X A X=( X 1 ........ X m ) 11  
 an1 ..............ann  X m 
n n
=  aij xi x j
i 1 j t

(1) Negative Semidefinite

X AX  0,  X  R
(2) Negative definite
X AX  0,  X  0
(3) Positive Semidefinite
X AX  0,  X  R
(4) Positive definite
X AX  0,  X  0
ex n=2

a a  x 
X AX  ( X 1 X 2 ) 11 12  1 
 a21 a22  x2 

13
 = a11x12  2a12 x1 x2  a22 x22
a12 a12 a2 2
= a11( x12  2 x1  x2  122 X 22 )  (  12
2
X 2  a22 X 22 )
a11 a11 a11
a11 a12
a a a 22 2
= a11 ( x1  12 x2 ) 2  21 X2
a11 a11
-Negative definite

a11 a12
a11  0 and 0
a 21 a 22

- Positive definite:

a11 a12
a11  0 and 0
a 21 a 22

 續 Hessian;

H is negative definite if f11  0, f11 f12  f122

f 22  0
H is positive definite if f11  0, f11 f12  f122
f 22  0

General Case

 a11 .... a1n  x1 

  
X  A X =( X 1 ........ X n ) .... .... ....  .... 
a  
 ni .... a nn  xn 

a11 a12
Negative definite: a11  0 0
a 21 a 22

a11 ... a1n

MAX ……. ( 1) ... ... ...
n

a ni ... a nn

a11 a12
Positive definite: a11  0 0
a 21 a 22

14
 a11 .... a1n
MIN…… ... ... ...  0
a n1 ... a nn

◎ Optimizations: The unconstrained case

I. may f( x )
Min

 f 
f 
f ( x )  X 1   1 
F.O.C Df    ....   ... ..... Gradient Veotor
x f   
 X n   f n 
 

 f11 f12 ... f1n 

f f 22  
S.O.C H  D f   21
2 .... Hessian Matrix
 ... ...  
 
 f nt . . f nn 

 F .O.C Df  0
Necessary conditions S .O.C H is negative semidefini te
 positive

Sufficient conditions Df=0

H is definite
negative
nositive

 f is concave (dx) 1 H(dx)<0

convex >0
ex 1. max (q)  pq  c(q)
q

d
F.O.C  0  P  MC
dp
d 2 d 2C
S.O.C  0  0
dq 2 dq 2

max ( x)  pf ( x)  w x
*
2.
q

 f
F.O.C  0  p*  Wi  0
xi Xi
 VMPi  Wi

15
 S.O.C H is negative definite  f is concave.
II. The Constrained Case

f ( x)
max
x

g
s.t g( x ) =b   Xi dxi  0.....在有限制下，求最大點
 Lagrangian Function:
m a xL ( x,  )  f ( x)   ( g ( x)  b)
g ( x )
 , x constraint gualification: U
xi
L f ( x ) g
0 I  1,2, , , n   0
Xi Xi Xi
g
f ( xi )
F.O.C   xi
f ( xj ) g
xj
L
 b  g ( x)  0


d 2 L( x )
D 2 L( x ) 
d x2
S.O.C (d x)T D 2 L( x)(dx)  0
d x s.t. Dg( x )d x  0 全微分

◎ Bordered Hessian

 2L 2L 2L 

 2 x1 xn 
......
 2 
  L g 2L
......
2L 
H  D L( x,  )   x 
2 1
x12 x1xn   D L( x )
2

 1
... ... ... ... 
 
  2
L 2L 2L 
...
 xn  xn xi xn2 

(min)
S.O.C. for max

16
 The naturally ordered principled mincrs of the bordered
(all be negative)  guaslconcave
Hessianmatrix alternate in sign, the sign of the first being positive
i.e

0  g1  g2  g3
0  g1  g2  g1  L 2
2
 L
2
 L
2

x1 x1x2 x1x3

2L 2L
 g1  0 g  L
2
 L 2
2
 L
2 0
x 2 x1x2 2 x2 x1 x2 x2 x3
2L  L
2
2L 2L 2L 2
 g2  g3
x2 x1 x22 x3x1 x3x2 x3
ex min w x
x
s.t. f ( x)  g

 Lagrangian funotion: L( x,  )  w x   ( f ( x )  g )
*

max
x

f
L * * f ( x * )
 xi  MRTS
wi
F.O.C. ( x ,  )  wi    0  I  1,2,...n 
xi xi wj f
xj
L * *
( x ,  )  g  f ( x)  0

◎ Nonlinear Programming
Max f( x ) inequality constraint

x
s. f . g (x )  b g ( x)  0
x 0 x0

f ( x )
*
F.O.C *
X * 0
xi
i

X i*  0

17
 f ( x 2 )
0
xi
Max f(x)

x
s.l
 Langrangian Function:

n
L( x,  )  f ( x )   i g (ix )
i 1

Max f ( X1, , , X n )
x1... xn
Ex s.t. g ( x)  b
 x1  0, x2  0,.......  xu  0

 L( x1 , x2 , , , xn ,  , u1 , u2 , , , un )
= f ( x)  g ( x)  b)  u1 x1  u2 x2  ...  un  xn )
F.O.C
L f g
   u1  0
x1 x1 x1
L f g
   u2  0
xn xn xn
L
* *  0,   0

L
u1 x1   0, u1  0, x1  0 因有 ineguediy,
u1
…. 所以要多考慮這些可能
L
un x n   0, un  0, xn  0
un

ex
“☆” min w1 x1  w2 x2
s.t x1  x2  y
x1  0 x2  0
L( X 1 , X 2 ,  , M 1 , M 2 )  w1 x1  w2 x2   ( x1  x2  y )  M 1 X 1  M 2 X 2

18
  L 
 X  w1    M 1  0...........(1) 
 1 
 L  w2    M 2  0.....( 2) 
F.O.C  X 2  檢查這些條件是否都符合
 L 
  ( x1  x2  y )  0.....(3) 
  
 M 1 X 1  0, M 2 X 20 
∥ ∥
四 L L
種 1 0 2  0
U1 U 2
可
能 限制式中 X 1  0, X 2  0  共有四種組合
情 Case 1 X 1  0, X 2  0  y  0 ( 2 , x2  0 代入 (2) 式)
況
Case 2 X 1  0, X 2  0, step2  2  0, W2    0    W2
( 1 , x1  0, 代入(1)式 )
step2 x2  y, w1    1    W1  1
0

 W1  W2 ..... 用第 2 種生產要素
Case 3 X 1  0, X 2  0,  W2  W1.... 用第 1 種生產要素
Case 4 X 1  0, X 2  0,  1  2 0  W1  W2  
Ex C(W1 , W2 , y )  minW1 y, W2 y

C  W1 y  W2 y if W1  W2

 C  W2 y  W1 y W1  W2
C  W y  W y W1  W2
 1 2

Kuhn-Tucker Formulation
 m a x f (X ) m i nf ( X )

s.t g( X )  0 s.t. g ( X )  0

 L( X ,  )  f ( X )   ( g ( X  b))

Kuhn-Tucker Conditions
 L L
 X  0( m a x()Xm,1i n) 0, X i X  0

i i
L L
  0, i  0, 0
 i  1

m i n W1 X 1  W2 X 2

19
 x1 , x2
s.t. X1  X 2  y
X 1  0, X 2  0
L  W1 X 1  W2 X 2   ( X 1  X 2  y )
(K-T conditions):
L L
 W1    0, X 1  0, X 1 0
X 1 X 1
L L
 W2    0, X 2  0, X 2 0
X 2 X 2
L L
 X1  X 2  Y  0  0  0
 
Utility Maximization Problem
max u(x, y)
x, y

s.t PX  x  Py  y  I

x  0, y  0   x  0, y  0
Comparative Statics

 f 1 ( x1 x2 ........ xn , 1 2 .... m )  0  n equations ,可求得

  X 1* , X 2* ..... X n*
F.O.C   
 F n ( x ... x ... x x x ............. x )  0 且x i ( a a .....a )
 1 2 n 1 2 m  j 1 2 m

 Implicit Functions
Implicit Functions Theorem

f11 f n1
0 X j = h i ( ...... m )
*
If D=
f1n f nn

xi * 
* 0即X i*受1 .....am 之影響為正或負
aj 

-totally differentiating the system

f 11 dx1  f 12 dx 2  ..... f 1n dx n  f 1 n1 d 1  .....  f 1 nm d am  0

f 1n dx1  f n2 dx2  ....  f nn dxn  f n

n 1  f 1
n 1 d 1 ... f n
n m d am  0

20
 f11 ........... f n1  dx1    ( f n11d1  ......  f n1m d m )   f n11 ...  f n1m  d1 
 n    
 f ........ f n  dx     ( f n da  .....  f n d )   f n .... f n  d 
 1 n  n  n 1 1 nm m  n 1 n  m  m

∥ ∥ ∥ ∥

D dxi Dij d j

Dij xi Dij  2 f / x

 dxi  dj    2
D  j D  f / x 2

<Cramer's Rule>
(無限制式) ex max    P. f ( X 1 , X 2 )  W1 X 1  W2 X 2
F.O.C
 
    pf1 w1  0
x1
1

 
 1   pf1 w1  0
 x1
Totally differentiate F.O.C with respect to W1 :
 f1 x * f x2*
 P  x 
w1
 P 1
x2

w1
1  0

1

P  2f x *
f x *
 1  P 2  2 1  0
 x1 w1 x2 w1
 x1* x2*
 pf11 w  pf12 w  1
 1 1
x *
x *
 pf 21 1  pf 22 2  0
 w1 w1

 x1*  1
 Pf Pf 12   w1   
  11   
 Pf 21 Pf 22   x2*   
 w1   0 

By Cramer's Rule
1 pf12
x1
*
0 pf 22 f 22
  0
w1 pf11 pf12 p( f11 f 22  f122 )
pf 21 pf 22  
pf11 1
x *
pf12 0  f 21 

2
 0
w1 pf11 pf12 p( f11 f 22  f122 )
pf 21 pf 22  

21
 x2* f11
同理  0
w2 p( f11 f 22  f122 )

x1*  f12
   sign( f 12)  0
w2 p( f11 f 22  f122 )

(有限制式)
max   pf ( X 1 X 2 )  W1 X 1
x1 x2
X 2  X 2
s.t.

 L  P  ( X 1 X 2 )  W1 X 1   ( X   X 2 )
F.O.C
L 
 pf1  w1  0
X 1  X 1  X 1 (W1 , P1 X 2 )
* 0

L 
 pf 2    0  X 2  X 2 (W1 P1 X 2 )
* 0

X 2 

L
 X 02  X 2  0   * (W1 , P1 X 20 )


S.O.C L L
X 1 X 2

0 g g
x1 x2
H  g  L 
x1 x 2 X 12 X 1X 2
g x2 2

2

x1x2 x22

0 1 0 0 1
=  1 0 pf11 pf12
0 pf 21 pf 22

=  pf11  0 (p p11  0)
>0 <0
max TL  f 11  0
 H 0
F .O.C又又 0 
From

22
 L

X 1  Pf ( X * X * )  W  0  x1* x2*
 Pf  pf 1  0
L 
1 1 2 1
w1 w1
11 12
  Pf 2 ( X 1 X 2 )  W *  0
* *
F .O.C 
X 2   pf 21 x1  pf 22 x2    0
* * *
對W 1

L  X 20  X 2  0
  w1 w1 w1


totally differentiating with respect to w1:

 * 
  
 0  10 0  1 w1
  0 
  x *
  10 pf11 pf12  1 w    1 
 0  1 pf  1
 21 pf 22  x *  
  0
 1
w1 

By the Cramer's Rule:
 x *  1 / pf11  0
 w1
 x *
  0 /  pf11  0
w1
 *
x w   f 21 /  pf11  0
 1

  pf ( x1 x2 )  w1 x1
 *  pf ( x1* ( w1 , p, x20 ), ( w1 , p, x20 ))  w1 x1* ( w1 , p, x20 )
把 x1*和 x 2* 算出，代入利潤函數中，即可得:…*profit Function
But 此題中 X 2 X 20 可直接代入  為 one decision 的問題，不需如此
麻煩。

23