Professional Documents
Culture Documents
n esta
tica
Optimizacio
mica en economa
y dina
n esta
tica
Optimizacio
mica en economa
y dina
Arsenio Pecha C.
Profesor Asociado
Departamento de Matematicas
Facultad de Ciencias
Universidad Nacional de Colombia
Sede Bogota
n esta
tica y dina
mica en economa
Optimizacio
c Arsenio Pecha C.
Departamento de Matem
aticas
Facultad de Ciencias
Universidad Nacional de Colombia
c Universidad Nacional de Colombia
Facultad de Ciencias
Departamento de Matem
aticas
Primera reimpresi
on de la segunda edici
on, 2012
Bogot
a, Colombia
ISBN 978-958-719-099-1
Impresi
on: Pro-Oset Editorial S.Acomercial@pro-oset.com
Bogot
a, Colombia
Dise
no de car
atula: Andrea Kratzer
Catalogaci
on en la publicaci
on Universidad Nacional de Colombia
Pecha Castiblanco, Arsenio, 1959
Optimizaci
on est
atica y din
amica en economa / Arsenio Pecha C. 2a . ed.
Bogot
a : Universidad Nacional de Colombia. Facultad de Ciencias. Departamento de
Matem
aticas, 2012
vi, 360 p.
ISBN 978-958-719-099-1
1. Optimizaci
on matem
atica 2. Economa matem
atica
CDD-21 515 / 2012
Indice
Introducci
on
VII
1. Conceptos b
asicos
1.1. L
ogica . . . . . . . . . . . . . . . . . . . . .
1.2. Conjuntos . . . . . . . . . . . . . . . . . . .
1.2.1. Algebra
de conjuntos . . . . . . . . .
1.2.2. Propiedades del algebra de conjuntos
1.2.3. Conjuntos numericos . . . . . . . . .
1.3. Topologa b
asica de los n
umeros reales . . .
1.4. Espacios vectoriales . . . . . . . . . . . . .
1.5. Topologa en el espacio . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Funciones
2.1. Relaciones . . . . . . . . . . . . . . . . . . . . .
2.2. Funciones . . . . . . . . . . . . . . . . . . . . .
2.2.1. Curvas de nivel . . . . . . . . . . . . . .
2.2.2. Funciones homogeneas y homoteticas . .
2.2.3. Funciones continuas . . . . . . . . . . .
2.3. Derivadas de funciones reales . . . . . . . . . .
2.3.1. Polinomio de Taylor . . . . . . . . . . .
2.3.2. Diferenciales . . . . . . . . . . . . . . .
2.4. Funciones lineales y formas cuadraticas . . . .
2.5. Derivadas parciales . . . . . . . . . . . . . . . .
2.5.1. Reglas de la cadena . . . . . . . . . . .
2.5.2. Polinomio de Taylor en varias variables
2.5.3. La matriz hessiana . . . . . . . . . . . .
2.5.4. Diferencial en varias variables . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
5
8
9
10
16
21
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
30
30
31
34
35
40
41
42
44
47
53
54
57
58
59
iii
i
INDICE
iv
2.6. Funciones especiales . . . . . . . . . . . . .
2.6.1. Cobb-Douglas (CD) . . . . . . . . .
2.6.2. Elasticidad de Sustitucion Constante
2.6.3. Leontie . . . . . . . . . . . . . . . .
2.6.4. Translogartmica . . . . . . . . . . .
2.7. Una generalizaci
on del teorema de Taylor .
.
.
.
.
.
.
61
63
64
67
68
72
3. Grafos y contornos
3.1. Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Contornos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
79
84
4. Convexidad
4.1. Conjuntos convexos . . . . . . . . . . . .
4.2. Funciones convexas y concavas . . . . .
4.2.1. Segunda derivada y convexidad .
4.2.2. La funci
on CD . . . . . . . . . .
4.3. Funciones cuasiconvexas y cuasiconcavas
4.3.1. La funci
on CES . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
(CES)
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
88
88
92
100
103
108
119
5. Optimizaci
on no restringida
124
5.1. Argumento maximizador y minimizador . . . . . . . . . . . 124
5.2. Derivadas direccionales . . . . . . . . . . . . . . . . . . . . . 133
5.3. M
aximos y mnimos en varias variables . . . . . . . . . . . . 134
6. Optimizaci
on restringida
6.1. Restricciones de igualdad . . . . . . . . . .
6.1.1. Condiciones necesarias . . . . . . . .
6.1.2. Condiciones suficientes . . . . . . . .
6.2. Restricciones de desigualdad . . . . . . . . .
6.3. Relaci
on entre las funciones del consumidor
6.4. Teorema de la envolvente . . . . . . . . . .
6.5. Ecuaci
on de Slutsky . . . . . . . . . . . . .
6.6. Algunas funciones y sus duales . . . . . . .
6.7. Separaci
on . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
148
149
150
161
168
183
185
201
205
209
7. Din
amica discreta
212
7.1. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
7.2. Ecuaciones en diferencias . . . . . . . . . . . . . . . . . . . 221
INDICE
v
7.2.1.
7.2.2.
7.2.3.
7.2.4.
7.3.
7.4.
7.5.
7.6.
Equilibrio . . . . . . . . . . . . . . . . . . . . . . . .
Estabilidad de soluciones . . . . . . . . . . . . . . .
Ecuaciones de primer orden . . . . . . . . . . . . . .
Ecuaciones en diferencias lineales de orden n con coeficientes constantes . . . . . . . . . . . . . . . . . .
7.2.5. Ecuaci
on homogenea de segundo orden con coeficientes
constantes . . . . . . . . . . . . . . . . . . . . . . . .
7.2.6. Comportamiento de la solucion . . . . . . . . . . . .
7.2.7. Ecuaciones homogeneas de orden n . . . . . . . . . .
7.2.8. Ecuaciones no homogeneas con coeficientes
constantes . . . . . . . . . . . . . . . . . . . . . . . .
Sistemas lineales de ecuaciones en diferencias . . . . . . . .
Sistemas no lineales . . . . . . . . . . . . . . . . . . . . . .
Un modelo de generaciones traslapadas . . . . . . . . . . . .
Monopolista vs. entrante . . . . . . . . . . . . . . . . . . . .
8. Din
amica continua
8.1. Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . .
8.1.1. Ecuaciones diferenciales de primer orden . . . . . . .
8.1.2. La funci
on de Cobb-Douglas . . . . . . . . . . . . .
8.1.3. La funci
on CES . . . . . . . . . . . . . . . . . . . . .
8.1.4. Ecuaciones lineales de orden n con coeficientes constantes . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2. Sistemas de ecuaciones diferenciales . . . . . . . . . . . . .
8.2.1. Diagramas de fase . . . . . . . . . . . . . . . . . . .
8.2.2. Sistemas de ecuaciones diferenciales lineales . . . . .
8.3. La din
amica en economa . . . . . . . . . . . . . . . . . . .
8.3.1. Los enfoques discreto y continuo de un modelo de
Samuelson . . . . . . . . . . . . . . . . . . . . . . . .
8.3.2. Caso est
atico . . . . . . . . . . . . . . . . . . . . . .
8.3.3. Caso din
amico. Tiempo continuo . . . . . . . . . . .
8.3.4. Caso din
amico. Tiempo discreto . . . . . . . . . . .
224
229
231
236
237
240
243
244
249
252
256
259
262
263
267
269
271
275
280
281
283
297
297
297
300
302
9. Optimizaci
on din
amica discreta
305
9.1. Metodos de optimizacion estatica . . . . . . . . . . . . . . . 307
9.2. Programaci
on din
amica . . . . . . . . . . . . . . . . . . . . 312
INDICE
vi
10.Optimizaci
on din
amica continua
10.1. C
alculo de variaciones . . . . . . . . . . . . . . . . . .
10.1.1. Condiciones necesarias . . . . . . . . . . . . . .
10.1.2. Condiciones suficientes . . . . . . . . . . . . . .
10.2. Control
optimo . . . . . . . . . . . . . . . . . . . . . .
10.2.1. Condiciones necesarias . . . . . . . . . . . . . .
10.2.2. Condiciones suficientes . . . . . . . . . . . . . .
10.2.3. Problemas con valor de salvamento . . . . . . .
10.2.4. Problemas con descuento . . . . . . . . . . . .
10.2.5. Restricciones sobre la variable de control . . . .
10.2.6. Programaci
on dinamica . . . . . . . . . . . . .
10.3. Crecimiento con dos tasas de preferencia intertemporal
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
323
323
323
327
336
336
340
345
354
359
365
367
Respuestas y sugerencias
374
Bibliografa
387
Introducci
on
Yo pienso que los modelos, la modelaci
on matem
atica, es principalmente
una herramienta para asegurarse que las conclusiones se deriven de las
premisas. Ahora, suena aburrido, pero el proceso es tremendamente u
til
porque lo forza a uno a: a) articular sus premisas y b) asegurarse de que se
pueda ir de las premisas a las conclusiones y revisar, una vez se haya hecho
todo esto, que no haya tonteras en el argumento, incluso si este es internamente coherente. Yo pienso que esa es una disciplina muy u
til y cuando he
hecho modelos formales en mis trabajos, siempre ha sido para aclarar mis
ideas y rara vez ocurre que el modelo termine siendo exactamente de la manera en que pense que iba a ser. Un modelo siempre me ense
na algo porque
revela ya bien sea la existencia de algo incompleto en mi l
ogica antes de que
lo escribiera, o como sucede frecuentemente, revela un resultado inesperado
en el cual no haba pensado antes. La u
ltima cosa que quiero decir es que la
raz
on por la cual usamos las matem
aticas o la modelaci
on matem
atica es
comunmente incomprendida: no es porque seamos inteligentes, es porque no
somos lo suficientemente inteligentes. Porque si fueramos lo suficientemente
inteligentes, podramos establecer si el argumento es completo y coherente
e internamente consistente y que m
as implicara. Es precisamente porque
no podemos hacer todo esto sin plantearlo todo en una ecuaci
on que lo
hacemos. Entrevista de Dani Rodrik para Webpondo, edici
on abril-junio,
2003, traducci
on libre.
optimizaci
on est
atica y din
amica aqu presentadas.
Se han desarrollado temas que van un poco mas alla de lo basico, sin
convertirse en un libro para estudiantes de matematicas; se pretende seguir
la idea de Maurice Allais: ... El rigor debe apuntar hacia la comprension
del alcance de la hip
otesis y la interpretacion de los resultados. Jamas debe
convertirse en un pretexto para hacer matematicas por s mismas. Por
eso es un tanto informal, no se demuestran todos los teoremas, la teora
se ilustra con ejemplos y al final de cada tema se proponen ejercicios de
variada dificultad para ilustrar y mecanizar lo expuesto en cada seccion.
En los tres primeros captulos se presentan las bases sobre conjuntos,
topologa, funciones, grafos y contornos. El captulo cuatro esta dedicado a
la convexidad. En el cinco y el seis se estudian la optimizacion estatica no
restringida y restringida, respectivamente, y se exponen los teoremas mas
importantes sobre optimizacion estatica, base de la microeconoma. Los
captulos siete y ocho construyen las bases en procesos dinamicos discretos
y continuos para poder presentar, en el nueve y diez, los metodos basicos de
optimizaci
on din
amica. En los u
ltimos se tratan los temas basicos de optimizaci
on din
amica: c
alculo de variaciones, control optimo y programacion
din
amica. Aunque estos no hacen parte del curso de matematicas III, s lo
son de los de economa matematica, ademas de servir como referencia en
temas de crecimiento econ
omico, macroeconoma y poltica economica. En
la u
ltima secci
on de los captulos siete, ocho y nueve se presentan tres aplicaciones de la teora a modelos economicos de mercado, generacionales y
de enfoque de la din
amica en economa.
Como es intrnseco a cualquier actividad humana, el texto puede contener errores. Agradezco a los profesores Vctor Ardila, Sergio Monsalve y
Jorge David Aponte y a mis estudiantes de semestres anteriores que han
tenido la paciencia de leer y corregir versiones preliminares de este texto,
como tambien a quienes me hagan notar los errores que a
un queden por
corregir.
Arsenio Pecha C.
Captulo 1
Conceptos b
asicos
1.1.
L
ogica
Puesto que los resultados en matematica son de la forma: si hipotesis, entonces tesis (simb
olicamente, H ) T ), la logica matematica es el cimiento
de todas las construcciones. En el c
alculo de proposiciones se estudian
proposiciones que son enunciados con un valor de verdad, es decir, de ellas
se puede determinar si son verdaderas o falsas1 . Las proposiciones at
omicas son los enunciados m
as simples con sentido de veracidad. Llueve es
una proposici
on at
omica, ya que dependiendo del momento y lugar en el
que se diga y de lo que se considere llover, es verdadera o falsa; buenos
das no es proposici
on, de ella no se puede determinar su valor de verdad.
Las proposiciones moleculares estan formadas por proposiciones atomicas y conectivos que son las palabras no, y, o, entonces y si y s
olo si.
Si Mara es alta, rubia y viste bien, entonces llama la atencion, es una
proposici
on molecular ya que esta compuesta de proposiciones atomicas
(Mara es alta, Mara es rubia, Mara viste bien y Mara llama la atencion),
conectadas por las palabras y y si entonces.
Toda proposici
on se puede simbolizar por una f
ormula proposicional
que est
a formada por letras que representan las proposiciones atomicas
llamadas letras proposicionales y los smbolos _, ^, ), , que representan respectivamente los conectivos binarios (conectan dos proposiciones o
formulas proposicionales) o, y, si entonces y si y s
olo si, y el smbolo
1
La l
ogica difusa considera varios valores de verdad, p.e. se pueden considerar valores
entre 0 y 1 donde 0 representa falso, 1 verdadero y 0,8 representa algo m
as verdadero
que falso, etc.
1
i
q
V
F
V
F
p
F
F
V
V
p_q
V
V
V
F
p^q
V
F
F
F
p)q
V
F
V
V
En la implicaci
on p ) q, la proposicion p se llama el antecedente y q
el consecuente. Esta proposicion tiene varias formas de enunciarse: si p,
entonces q; p s
olo si q; p es condicion suficiente para q; q es condicion
necesaria para p. Una forma mnemotecnica para estas equivalencias es: si
Juan es bogotano, entonces es colombiano; Juan es bogotano solo si es
colombiano; una condici
on suficiente para que Juan sea colombiano es que
sea bogotano; es necesario que Juan sea colombiano para que sea bogotano;
bogotano implica colombiano.
La f
ormula p , q es la abreviacion de (p ) q) ^ (q ) p) y simboliza la
proposici
on p si y s
olo si q.
Dos f
ormulas proposicionales f1 y f2 son equivalentes (f1 f2 ) para la
logica, si tienen la misma tabla de verdad. Si las formulas son equivalentes,
la tabla de f1 , f2 es una tautologa, esto es, para cada una de las posibles
combinaciones de valores de verdad de las letras proposicionales el resultado
de la tabla de verdad es V .
Otro nivel de la l
ogica es el c
alculo de predicados (o logica de primer
orden), en el cual, adem
as de los conectivos, se usan cuantificadores,
sujetos, predicados y relaciones. Los cuantificadores son las palabras
para todo y existe simbolizados por 8 y 9 respectivamente. Sobre los
sujetos recae la acci
on que describe el verbo y se simbolizan usando letras
min
usculas.
1.1. LOGICA
4
Ejemplos
1.2. CONJUNTOS
1.2.
Conjuntos
1.2. CONJUNTOS
3
2.
Ejercicios
1. Determinar si los siguientes pares de conjuntos son iguales:
a) {(x, y, z) | xy = z} y (x, y, z) | y = xz .
p
b) (x, y) | x y 2 y {(x, y) | x y}.
p
c) (x, y) | x y 2 y {(x, y) | x y}.
8
c)
d)
x2
y2
3z 2 .
(x, y, z) | 2xy x2 y 2 3z 2 5 .
n
o
p
f ) (x, y, z, w) | w = 3 x2 + 2y 2 + 5z 2 .
e)
g)
(x, y, z) |
p
3
x2 + 2y 2 + 5z 2
o
10 .
1.2.1.
Algebra
de conjuntos
Las operaciones b
asicas para los conjuntos son:
El complemento del conjunto A:
Ac = {x | (x 2 A)}
los elementos que no est
an en A (pero estan en el conjunto referencial).
La uni
on de los conjuntos A, B:
A [ B = {x | x 2 A _ x 2 B}
los elementos que est
an en alguno de los dos conjuntos.
La intersecci
on del conjunto A con el B:
A \ B = {x | x 2 A ^ x 2 B}
los elementos que est
an tanto en A como en B. A partir de estas operaciones
basicas se definen las operaciones diferencia y diferencia simetrica entre los
conjunto A y B: A B = A \ B c y A B = (A [ B) (A \ B) .
i
1.2. CONJUNTOS
1.2.2.
Propiedades del
algebra de conjuntos
A \ A = A.
A [ (B [ C) = (A [ B) [ C,
A \ (B \ C) = (A \ B) \ C.
A [ B = B [ A,
A \ B = B \ A.
Asociativas.
Conmutativas.
Distributivas.
A [ (B \ C) = (A [ B) \ (A [ C), A \ (B [ C) = (A \ B) [ (A \ C).
Identidades.
A [ ; = A,
A \ = A,
A [ = ,
A \ ; = ;.
A [ Ac = ,
A \ Ac = ;,
Complementos.
;c = ,
c = ;,
(Ac )c = A.
Leyes de De Morgan.
(A [ B)c = Ac \ B c ,
(A \ B)c = Ac [ B c .
Usando la definici
on de contenencia se tiene que si A B, entonces
A [ B = B y A \ B = A.
Ejemplo
Con la aplicaci
on de estas propiedades es posible probar que
A [ (A \ B) = A.
A [ (A \ B) = (A \ ) [ (A \ B) = (A \ (B [ B c )) [ (A \ B)
= ((A \ B) [ (A \ B)) [ (A \ B c )
= (A \ B) [ (A \ B c ) = A \ (B [ B c ) = A \ = A
10
1.2.3.
Conjuntos num
ericos
p
Q=
| p y q son enteros y q 6= 0 ,
q
que son todos los n
umeros que se pueden escribir como una fraccion.
A partir de la definici
on se tiene que un n
umero es racional si posee
un perodo decimal que se repite. Al dividir p entre q, el residuo solamente
puede ser 0, 1, 2,..., q 1 (de lo contrario la division estara mal efectuada), puesto que la expansi
on decimal resulta de repetir infinitas veces la
divisi
on, entonces alguno de los valores entre 0 y q 1 se debe repetir,
1.2. CONJUNTOS
11
- 1
- 3
1/2
3/2
5/2
1/3
7/2
9/2
5/3
7/3
2/3
4/3
1/4
4 - ...
3/4
5/4
..
.
..
.
...
7/4
9/4
3/5
4/5
6/5
...
..
.
..
.
..
.
..
2/5
...
1/5
...
Los n
umeros reales son todos los que tienen una expansion decimal infinita.
Como los racionales expresados en forma decimal tienen un perodo que
se repite, entonces deben estar contenidos en los reales y estos contienen
adem
as otros n
umeros que no tienen perodo,
R=Q[I
donde I es el conjunto de los n
umeros irracionales, todos los no expresables
como fracciones o cuya expansion decimal no posee un perodo que se repite.
= 3, 141592652... es irracional ya que no existe un perodo que se repita;
otro ejemplo importante de irracional es el n
umero e = 2, 7182818284....
El conjunto de los n
umeros reales es un conjunto no enumerable, esto
se prueba usando el proceso de diagonalizacion de Cantor: Si el conjunto
de los reales del intervalo (0, 1) fuera un conjunto enumerable, se podran
12
Intervalo cerrado,
[a, b) = {x 2 R | a x < b} :
(a, b] = {x 2 R | a < x b} :
derecha,
Intervalo abierto a izquierda y cerrado a
derecha.
En adelante, si A es un conjunto de n
umeros, A++ y A+ son el subconjunto
de elementos estrictamente positivos y el de elementos no negativos de A
1.2. CONJUNTOS
13
1
y
, o en forma equivalente ny
nx > 1.
Si m = [nx]
m nx < m + 1,
sumando
m,
0 nx
en particular nx
m < 1 < ny
m < 1 < ny
nx; sumando m,
nx < m + 1 < ny
Como
nx
nx ny
m, ny
nx < m + 1 < ny
nx,
nx + m.
my
nx + m ny
m + m = ny,
m+1
n
m+1
< y.
n
a
b
c
d
n
umeros racionales con
c
a
< y sin perdida de generalidad sea bd > 0.
d
b
14
c
ad bc
La primera de estas desigualdades equivale a 0 < ab
de donde
d =
bd
bd
0 < ad bc . Por el principio arquimediano, existe un n
umero natural n que
satiface
bd
ad
bc
nad
nbc
bd
nbc,
1
nbd ,
c
bdI + nbc
a
<
< .
d
nbd
b
Para completar la prueba basta ver
bdI+nbc
nbd
bdI + nbc
p
=
nbd
q
al despejar
I=
nbdp
q
nbc
bd
nbdp nbcq
bdq
1.2. CONJUNTOS
15
|b|| |a
b|.
b| ,
0 y d(a, b) = 0 si y solo si a = b.
R,
16
el cual fuera de los reales contiene los infinitesimales y sus inversos que son
infinitos, sin embargo el tipo de aplicaciones en las cuales se utiliza estan
fuera del alcance de este texto.
El conjunto de los complejos
C = a + bi | a, b 2 R,
i2 =
(a, b) (c, d) = (a c
b d, a d + b c)
1.3.
Topologa b
asica de los n
umeros reales
r, x + r) A.
17
a| , |x
b|} = mn{x
a, b
x}.
18
1
\
1 1
,
= {0}
n n
n=1
{x}) \ (x
r, x + r) 6= ;.
19
1 1 1
A = 1, , , , ...
2 3 4
ya que si r > 0 el intervalo ( r, r) contiene alg
un punto del conjunto.
Por el principio arquimediano, para r > 0 existe n natural tal que n > 1r ,
por lo tanto 0 < n1 < r; este valor esta en el conjunto y en el intervalo
( r, r) y es distinto de 0. A no es abierto ni cerrado, es un conjunto
acotado ya que A [ 1, 1] pero no es compacto, todos sus puntos son
aislados, nf A = 0 y sup A = 1.
2. Todos los elementos del intervalo I = [a, b] son puntos de acumulacion
de I, por lo tanto I no tiene puntos aislados.
3. Todos los elementos del intervalo I = [a, b] son puntos de acumulacion
de (a, b).
4. El intervalo [a, b] es cerrado y acotado, por tanto compacto. Pero el
intervalo (a, b) no es compacto, ya que no es cerrado.
20
1 1 1
A = 1, , , , ... .
2 3 4
3. Determinar si los siguientes conjuntos son abiertos, cerrados, abiertos
y cerrados o ni abiertos ni cerrados; si son acotados y/o compactos,
encontrar interior, frontera, clausura, nf, sup y el conjunto de sus puntos
de acumulaci
on.
a) (2, 3).
b) [2, 3].
c) Los n
umeros naturales.
d ) Los n
umeros racionales.
e)
m+
f)
m+
1
n
1
n
| m 2 N y n 2 Z++ .
| m 2 Z y n 2 Z++ .
g) Los n
umeros irracionales.
4. Probar que efectivamente
1
\
1 1
,
= {0}.
n n
n=1
21
1
[
1
,1
n
n=1
es un conjunto cerrado.
1.4.
Espacios vectoriales
v es un elemento de V .
2. u
v=v
3. u
(v
u (conmutativa).
w) = (u
v)
w (asociativa).
4. Existe un elemento
0 en V tal que u
neutro de la operaci
on ).
0 = u (0 es llamado elemento
7. (k + r)
u = (k
u)
(r
u) (distributiva a la izquierda).
8. k
v) = (k
u)
(k
v) (distributiva a la derecha).
9. k(r
10. 1
u es un elemento de V .
(u
u) = (kr)
u (asociativa).
u = u (neutro).
22
Ejemplos
1. El conjunto
1.5.
Topologa en el espacio
El espacio Rn est
a formado por todos los vectores con n componentes reales,
es decir,
Rn = {x = (x1 , x2 . . . , xn ) | xi es un n
umero real para i = 1, 2, 3 . . . , n}.
R2 es el conjunto de todos los vectores con dos componentes; geometricamente se identifica con los puntos en un plano coordenado ya que sus
elementos tienen dos componentes generalmente asociadas con largo y ancho; R3 se identifica con el espacio, sus elementos tienen 3 componentes
que se asocian con largo, ancho y alto. Para n > 3 se pierde la intuicion geometrica; sin embargo, son usados, p.e. para indicar las posibles cantidades
de cada uno de los bienes demandados por un consumidor, o las distintas
cantidades de cada uno de los bienes disponibles en un mercado.
23
n
X
x i yi
i=1
yi ) 2 .
i=1
d@H
, Hc
, bL
D
, dL
El concepto b
asico que generaliza la idea de intervalo abierto alrededor de
un punto es el de bola abierta con centro en a = (a1 , a2 , . . . , an ) y radio
r dado por
Br (a) = {x | d(a, x) < r}
Este conjunto est
a formado por los puntos cuya distancia al centro es menor
que r, en la recta este conjunto es un intervalo abierto de longitud 2r
alrededor de a, en el plano es un crculo de radio r, en el espacio es una
esfera de radio r, etc.
Un subconjunto A de Rn es abierto si y solo si para cada x0 de A existe
un r > 0 tal que la bola con centro en x0 y radio r esta contenida en el
conjunto
Br (x0 ) A.
i
24
De la misma forma se hacen las analogas, usando bolas abiertas, con las
definiciones de puntos frontera, de acumulacion y las nociones de acotacion,
compacidad y conexidad dadas anteriormente para subconjuntos de n
umeros
reales.
A
x0
b rHx 0 L
x0
b rHx 0 L
25
En el plano esto significa que un conjunto es acotado si es posible encontrar una bola de radio M que contenga al conjunto. Esto equivale a que
independientemente cada una de las variables involucradas en la definicion
del conjunto est
an acotadas. En el plano un conjunto esta acotado si y
solo si est
a contenido en un rectangulo finito, en el espacio si y solo si
est
a contenido en un paraleleppedo finito.
Todas las nociones topologicas en el conjunto de los n
umeros reales
n
tienen su equivalente en R para lo cual basta reemplazar la nocion de
intervalo abierto por el de bola abierta. x es punto de acumulacion del
conjunto A si y s
olo si toda bola centrada en x contiene por lo menos un
punto de A distinto de x,
8r > 0, (Br (x)
{x}) \ A 6= ;
26
x2 + z 2 = 1}
es acotado: los valores que pueden tomar las variables x y z estan acotados, dado que la suma de sus cuadrados deben ser igual a 1. y es acotada
puesto que al despejar y en la ecuacion x + y + z = 1, y = 1 x z. El
supremo para el conjunto de valores que pueden tomar las variables x y
z es 1 y el nfimo es -1, y el supremo e nfimo para los valores admisibles
para la variable y son 3 y -1 ya que como 1 x 1 y 1 z 1,
entonces 2 x + z 2 de donde, 2 (x + z) 2 sumando 1 se
tiene 1 1 (x + z) 3.
i
27
(x, y) | x2 + 2x y, |x| 1 .
(x, y) | y 2
(x, y)|x2
y < x, |y
+ xy = y
1 .
2| 1 .
28
5 x 0, x2 + z 2 = 1}.
f ) {(x, y) | px x + py y I, x
0, y
0, px
0, py
0, I
0}.
1, K
c) {(x, y, z, w) | x2 + z 2
d ) {(x, y, z) | x
e) {(x, y, z) | y 2
0, L
0, > 0,
w2 2}.
2y + 3z x2 + y 2
5 x 0, x2 + z 2
> 0}.
100}.
1}.
g) {(x, y, z) | x2 y 2 + z 2 1}.
z < 1}.
z 2 2}.
d)
e)
(x, y, z) | y <
m + n1 , m
1
n
1
x
1
n
.
| m 2 Z, n 2 Z++ .
29
Captulo 2
Funciones
El an
alisis matem
atico es el estudio del comportamiento de las funciones.
Para ello generalmente se analizan separadamente las funciones de una y
varias variables. Las funciones a su vez son un tipo especial de relaciones
que provienen del producto cartesiano entre conjuntos.
2.1.
Relaciones
Definici
on 2.1. Sean A y B dos conjuntos no vacos, el producto cartesiano de A y B es el conjunto
A B = {(x, y) | x 2 A, y 2 B}
formado por todos los pares ordenados con la primera componente en A y
la segunda en B.
El producto R R = R2 representa todo el plano, pero no existen restricciones con respecto a las escalas sobre los ejes.
Definici
on 2.2. Sean A y B dos conjuntos no vacos, una relaci
on R de
A en B es un subconjunto de A B. El dominio de R, notado Dom(R),
es el conjunto
{x | (x, y) 2 R para alg
un y 2 B}
y el rango de R, notado Ran(R), es el conjunto
{y | (x, y) 2 R para alg
un x 2 A}.
30
i
2.2. FUNCIONES
31
2.2.
Funciones
Definici
on 2.3. Sean A y B dos conjuntos no vacos, una funci
on f de
A en B, que se nota
f : A ! B,
La definici
on anterior dice que toda funcion es una relacion que tiene como
dominio el conjunto A y como rango un subconjunto de B. La notacion
usual para una pareja que esta en la funcion es y = f (x); de esta forma, una
funci
on es una regla que a cada elemento x de un conjunto A (el dominio de
la funci
on) le asigna un u
nico elemento y del conjunto B. As, una funcion
puede ser vista como una forma de transformar elementos, y es la razon
para llamar a x variable independiente (se le puede asignar cualquier valor
del dominio) y a y variable dependiente (es el valor transformado por la
funci
on). Las funciones se clasifican de acuerdo al conjunto de variables A
y de valores B en:
Si A R y B R, la funcion es de variable y valor real o funci
on
real; a cada elemento x del dominio lo relaciona con un n
umero real
y = f (x).
Si A Rn y B R, la funcion es de variable vectorial a valor real
conocida como campo escalar o funci
on de varias variables. Esta
funci
on, a cada elemento del dominio de la forma x = (x1 , x2 , ..., xn )
le asocia un n
umero real
y = f (x) = f (x1 , x2 , ..., xn ) .
CAPITULO 2. FUNCIONES
32
Figura 2.1: Gr
aficas de las funciones f (x, y) = e
(x2 +y 2 )
y g(x, y) = x2
y2.
:AB
2.2. FUNCIONES
33
Figura 2.2: Gr
afica una de correspondencia que a un n
umero
real le asocia un conjunto de reales.
(x2 +y 2 )
ln(x
3. La funci
on c(t) = (2t 1, t2 + t) con dominio R y rango {(x, y) | y =
1
afica de la ecuacion y = 14 (x + 1)(x + 3).
4 (x + 1)(x + 3)} es la curva gr
4. f(x, y) = (x2 y, x+y, ex ln y) es un campo vectorial con dominio {(x, y) |
y > 0} y rango R+ R2 .
i
CAPITULO 2. FUNCIONES
34
5. La gr
afica de la correspondencia
(
2.0
1.5
1.0
0.5
Figura 2.3: Gr
aficas de la correspondencia
valo [ 25 , 4].
2.2.1.
(x) en el inter-
Curvas de nivel
2.2. FUNCIONES
35
-1
-1
-2
-2
-2
-1
-2
-1
x2 y 2
y g(x, y) = x2
y2.
2.2.2.
Funciones homog
eneas y homot
eticas
Una funci
on es homog
enea de grado r si
f ( x1 , x2 , ..., xn ) =
f (x1 , x2 , ..., xn ) .
CAPITULO 2. FUNCIONES
36
Esta ecuaci
on representa una recta cuando r = 1 y la grafica z = f (x, y)
est
a generada por rectas que pasan por el origen y sus curvas de nivel se
desplazan de manera uniforme. Si r 6= 1 la grafica z = f (x, y) esta generada
por curvas de la forma z = xr f (1, m), donde m es constante; esto produce
curvas de nivel que se desplazan en forma no uniforme. Si r > 1 la distancia
entre las curvas de nivel (para valores igualmente espaciados) se reduce y
si r < 1 la distancia se ampla.
4
Una funci
on es homot
etica si es la composicion de una funcion creciente
con una homogenea de grado uno/1 . Esta definicion satisface que para x y
y en el dominio de una funci
on homotetica f se cumple que si f (x) = f (y)
y t > 0, entonces f (tx) = f (ty)/2 . Esto indica que si dos combinaciones de
insumos son indiferentes para la produccion, tambien es indiferente si las
combinaciones se incrementan en proporciones iguales. De la forma analoga
se interpreta para funciones de utilidad, costos, etc .
Otra versi
on mas general la define como la composici
on de una funci
on creciente con
una homogenea de cualquier grado.
2
Aunque la versi
on comunmente aceptada en los textos de economa es la dada inicialmente algunos la han generalizado a esta u
ltima.
2.2. FUNCIONES
37
Ejemplos
1. La funci
on
z = f (x, y) =
x+y 1
x2 + y 2 1
tiene como dominio todos los puntos del plano R2 , salvo aquellos cuyos
valores x e y hacen el denominador cero, es decir
Dom(f ) = (x, y) 2 R2 | x2 + y 2 6= 1 ,
este conjunto representa todo el plano sin el crculo con centro en el
origen y radio uno. Este tipo de funcion (de R2 a R) le asocia a cada
punto de un plano un n
umero real.
2. f (x, y) = Axa y b es homogenea de grado a + b ya que,
f ( x, y) = A( x)a ( y)b =
a+b
Axa y b =
a+b
f (x, y).
En esta funci
on x y y representan las variables, estas pueden tomar
distintos valores que en economa pueden estar determinadas desde
dentro del proceso modelado, variables end
ogenas, o desde fuera,
variables ex
ogenas. A, a y b son los par
ametros de la funcion ellos representan constantes que han de ser determinadas en el momento
que la funci
on sea usada para un modelo determinado. Esto es, si se
quiere usar este tipo de funcion para modelar la produccion de una
cierta f
abrica se deben calcular los parametros y mientras se use dentro del proceso productivo los parametros permanecen constantes; sin
embargo, al aplicarla a otro proceso de produccion deben calcularse
nuevamente. Esta es la razon para considerar que los parametros son
variables constantes: con respecto al universo, la economa, son variables y con respecto a cada mundo, alguno de los procesos modelados,
son constantes.
3. La funci
on f (x) = x2 + 1 para x
h(x) = x, f (x) = g(h(x)).
0 es homotetica. Si g(z) = z 2 + 1 y
a
CAPITULO 2. FUNCIONES
38
5. Si
+ by
+ by
)
)
es homotetica. g(z) = z
es
Ejercicios
1. Sea F (x, y) =
2xy
.
x2 +y 2
Encontrar:
a) El dominio de F
b) F ( 3, 4).
c) F (1, y/x).
d ) F (x/y, 1).
p
x2 +y 2
2. Si F xy =
, calcular:
x
a) F (1/2).
b) F (2).
c) F (t).
d ) F (x).
3. Para cada una de las siguientes funciones:
a) F x + y, xy = 4x2
b) F (x
y2.
y, 2x + y) = x2 + 3xy
5y 2 .
Determinar:
a) F (1, 2).
b) F (2, 1).
c) F (s, t).
d ) F (x, y).
4. Sean F (x, y) = 4x2 + y 2 y G(x, y) = x2
para las siguientes composiciones:
9y 2 . Encontrar expresiones
2.2. FUNCIONES
39
G(y, x).
F (y, 2x).
16y 3 .
y
.
x3 2y 3
x+2y+3z
c) F (x, y, z) = p
.
3
3x2 +2y 2 +z 2
q
bx3 y
d ) F (x, y) = a2x/3y x+
y.
q
xy
e) h(x, y) = 200e2x/y 2x+3y
.
para que
Q (L, K) = AL K
sea:
a) Homogenea de grado 1.
b) Homogenea de grado menor que 1.
c) Homogenea de grado mayor que 1.
8. Encontrar condiciones sobre los s para que la funcion
f (x1 , x2 , ..., xn ) = A
n
Y
xk k
k=1
CAPITULO 2. FUNCIONES
40
n
X
k xk
k=1
y.
f ) f6 (x, y) = m
ax {m
ax{2x, 3y}, mn{3x, 2y}}.
2.2.3.
Funciones continuas
Una funci
on f : A Rn ! R es continua en un punto a 2 Ac(A) si y solo
si
lm f (x) = f (a),
x!a
esto significa que el valor de f (x) esta tan cerca a f (a) como se quiera,
si x se toma suficientemente cerca a a. Formalmente: Para cada > 0
existe > 0 (que puede depender de ) tal que si ||x a|| < , entonces
|f (x) f (a)| < .
La definici
on generaliza los conceptos de continuidad para funciones
reales en la que el significado es que la grafica de la funcion no se rompe ya
sea porque no est
a definida en el punto, el valor de la funcion en el punto
41
2.3.
Una raz
on para que las derivadas sean de gran utilidad en economa es su
relaci
on con el concepto de marginalidad. Este concepto mide el cambio de
una variable dependiente, al incrementar la variable independiente correspondiente en una unidad; por ejemplo, el costo marginal es el cambio del
costo producido por el incremento de una unidad en la produccion, esto es,
si q es el nivel de producci
on, el costo marginal de q unidades es
c(q + 1)
c(q) =
c(q + 1)
1
c(q)
c(q + h)
h
c(q)
f (a)
df
dx
La interpretaci
on geometrica de la derivada, en una variable, proviene de
considerar la secante a la curva y = f (x) que pasa por los puntos (a, f (a))
y (a + h, f (a + h)) cuya pendiente es
f (a + h) f (a)
f (a + h)
=
(a + h) a
h
f (a)
CAPITULO 2. FUNCIONES
42
f 0 (a) = lm
f (a)
f Ha+hL
f HaL
a
a+h
2.3.1.
Polinomio de Taylor
12) + 24) + 1
esta expresi
on solamente requiere las operaciones suma y multiplicacion.
La simplicidad del c
alculo justifica la existencia de la aproximacion de otro
tipo de funci
on por un polinomio. Existen varias formas para la consecucion
de un polinomio, una de ellas es la de Taylor. El resultado que garantiza
la existencia y el tama
no del error en la aproximacion por polinomios de
Taylor es el siguiente:
43
1 (n)
f (a)(x
n!
Donde
En,a (x) =
1
a)2 + f 000 (a)(x
6
a)3
a)n+1
para alg
un c entre a y x.
n
X
f (k) (a)(x
k=0
a)k
k!
CAPITULO 2. FUNCIONES
44
f '' HaL
Hx-aL2
2
y= f HxL
2.3.2.
Diferenciales
Usando diferenciales es posible conseguir buenas aproximaciones; el argumento que se usa es el siguiente: Si x 0, entonces
y
f (x +
=
x
x)
x
f (x)
f (x + h)
h!0
h
f (x)
lm
= f 0 (x)
transponiendo terminos
y f 0 (x) x df (x),
si x 0; el incremento de una funcion es proximo a la diferencial de la
funci
on, si el incremento de la variable independiente es proximo a cero. El
incremento de la funci
on, f , representa el cambio de altura de la recta
secante; la diferencial, df , es el cambio sobre la recta tangente a la curva.
La diferencial y su aproximacion al incremento de una funcion es la justificaci
on del uso de la derivada en el concepto de marginalidad. Economicamente el concepto de marginalidad es el incremento de una funcion producido por el incremento de una de sus variables independientes en una
unidad, f (x + 1) f (x). Usando la aproximacion dada por la diferencial
con x = 1, se tiene que f (x + 1) f (x) f 0 (x).
Ejemplos
1. Sea
Q = Q(K, L) = 20K 3 L 3
45
f Ha+DxL
Df
f HaL
df
a
a+Dx
la funci
on que determina las cantidades producidas de un cierto bien
usando K unidades de capital y L unidades de mano de obra, si los
niveles de insumos usados actualmente son K =1.000.000 y L = 64, la
cantidad de producto es Q = 32,000 unidades.
El cambio en la cantidad que producen 100 unidades adicionales de
capital se encuentra calculando la produccion para K =1.000.100 y
L = 64 que da un incremento de 1,06663 unidades de producto.
El resultado anterior se puede aproximar usando diferenciales en la
forma
Q = Q(K +
=
20
K
3
2/3
K, 64)
642/3 K =
32
30
Q(K, 64)
320
K
3
dQ(K, 64)
K
dK
2/3
Q (1.000.000,64)
320
(1.000.000)
3
2/3
100
CAPITULO 2. FUNCIONES
46
p =
d
a
b
,
c
q = a
d
a
b
c
+b=
ad
a
bc
.
c
d
p
1
b=
b
db
a c
d
q
c
b=
b
db
a c
ap0
,
c
d
q
acp0
b=
.
db
a c
De la misma forma es posible analizar los cambios producidos por impuestos y subsidios.
Ejercicio
Usar diferenciales para estimar el cambio en el punto de equilibrio de un
mercado con oferta y demanda lineales, que produce un impuesto de %r
sobre el precio de venta al consumidor.
2.4.
47
n
X
mk xk + b
k=1
= m1 x1 + m2 x2 + ... + mn xn + b
= (m1 , m2 , ..., mn ) (x1 , x2 , ..., xn ) + b
= m x + b,
20p1
y en el segundo
q2 = 200
5p2 .
CT,
I 2 = p2 q 2 ,
CAPITULO 2. FUNCIONES
48
20p1 ) + p2 (200
20p1
5p2 )
5p2 )
500.000.
En este ejemplo, se nota que los demandantes del primer mercado son mas
susceptibles a los cambios de los precios (esto se nota comparando las pendientes de las curvas de demanda); a su vez, los demandantes del segundo
mercado, a precios cero, tienen menores niveles de demanda que los del
primer mercado (terminos independientes de las ecuaciones de demanda).
En una variable, el comportamiento de la funcion cuadratica y = ax2
es la base de las aplicaciones de la segunda derivada al trazado de graficas
y al proceso de optimizaci
on; en varias variables a este tipo de funciones se
las llama formas cuadr
aticas y son polinomios de segundo grado en varias
variables, que tienen la forma
q(x) = q(x1 , x2 , ..., xn ) =
n X
n
X
aij xi xj
i=1 j=1
= a11 x21 + (a12 + a21 )x1 x2 + a22 x22 + ... + ann x2n ,
donde los aik son coeficientes reales.
Las formas cuadr
aticas se pueden reescribir en forma de producto matricial
q(x) = xAxT
donde A = (aij ) es una matriz de tama
no nn que se puede tomar simetrica. Esto es, para referirse a formas cuadraticas se puede de dos maneras: la
matricial xAxT y la polin
omica a11 x21 + (a12 + a21 )x1 x2 + ... + ann x2n . Por
lo tanto, para identificarlas basta con la matriz asociada A; aunque hay
infinitas matrices asociadas, en adelante se usa la matriz simetrica.
El interes al analizar formas cuadraticas esta en conseguir resultados
que den informaci
on local sobre el comportamiento de una funcion a partir
de sus segundas derivadas.
En una variable, el comportamiento de la funcion cuadratica y = ax2
es la base para la prueba del teorema que conecta las nociones de segunda
derivada, convexidad y concavidad. En varias variables este papel lo hacen
las formas cuadr
aticas
q(x) = xAxT ,
49
que deben inicialmente ser clasificadas para luego relacionar esa clasificacion
con ciertos comportamientos.
Definici
on 2.5. Una forma cuadr
atica q(x) = xAxT es:
1. Definida positiva si q(x) > 0 para todo x 6= 0,
2. Semidefinida positiva si q(x)
0 para todo x,
CAPITULO 2. FUNCIONES
50
Definici
on 2.6. Sea A una matriz n n. El menor principal de A de
orden r es el determinante
a11 a12
a21 a22
Mr = .
..
..
.
ar1 ar2
a1r
a2r
..
.
arr
1 2
,
3 1
1 0
,
9 6
6 8
,
7 1
6 5
,
4 6
1 3
.
3 6
0 para r = 1, 2, 3, . . . , n.
3. Definida negativa si y s
olo si ( 1)r Mr > 0 para r = 1, 2, 3, . . . , n.
4. Semidefinida negativa si y s
olo si ( 1)r Pr
0 para r = 1, 2, 3, . . . , n.
51
4 2
= 12
2 3
4 = 8,
4 2 0
2 3 0 = 12
0 0 1
4=8
4xy + y 2 + z 2 es
1
4
2 0
@ 2 1 0A .
0
0 1
CAPITULO 2. FUNCIONES
52
Sus menores principales son
4,
4
2
2
=4
1
4
2
0
4 = 0,
2 0
1 0 =0
0 1
1.
2
=4
1
4 = 0,
4 0
=4
0 1
0=4
1 0
=1
0 1
0 = 1.
Y el u
nico de tercer orden
4
2
0
2 0
1 0 = 0.
0 1
hay n
umeros positivos y negativos.
5y 2 + 2xz + 4z 2 es no definida ya
representacion
1
3/2 1
5 0A
0
4
Ejercicios
Clasificar las siguientes formas cuadraticas en definidas positivas, negativas,
semidefinidas positivas, negativas o no definidas.
1. q1 (x, y) = x2 + y 2 + xy.
53
2. q2 (x, y, z) = x2 + y 2 + xy.
3. q3 (x, y) = xy.
4. q4 (x, y, z, w) = x2
2xy + 3y 2 + 2yz + 2z 2
4zw + 4w2 .
5. q5 (x, y, z) = x2 + y 2 + 3xz.
2y)2
(y
2z)2 .
4y 2 + 3xz + 6yz
9z 2 .
6. q6 (x, y, z) =
(x
7. q7 (x, y, z) =
x2 + 2xy
8. q8 (x, y, z) =
x2 + 2xy + y 2
2.5.
(3x
2z)2
yz.
Derivadas parciales
f (x1 , x2 , , xi , , xn )
f
Las notaciones @x@i @x
, fik , Dik f , denotan la segunda derivada parcial
k
de f con respecto a xi y a xk . El proceso de calculo se efect
ua derivando
primero con respecto a la variablexk yluego el resultado con respecto a la
2f
@f
@
variable xi , es decir, @x@i @x
= @x
@xk .
i
k
Ejemplo
Si
f (x, y, z) = xy + yz + xz + yz 2 + xy 2 z 3 ,
CAPITULO 2. FUNCIONES
54
@f
@x
2
3 @f
2 2
= y + z + y 2 z 3 , @f
@y = x + z + z + 2xyz , @z = y + x + 2yz + 3xy z .
Al vector formado por las derivadas parciales de una funcion f de varias
variables, se lo conoce como el gradiente de la funcion y se usa la siguiente
notaci
on:
@f
@f
@f
rf (x) =
(x),
(x), . . . ,
(x) .
@x1
@x2
@xn
El gradiente para la funci
on del ejemplo anterior es
2.5.1.
Reglas de la cadena
= rf (g(t)) g 0 (t)
n (t)
1 (t) dx2 (t)
donde g(t) = (x1 (t), x2 (t), . . . , xn (t)) y g 0 (t) = dxdt
, dt , . . . , dxdt
.
La otra regla de la cadena se aplica cuando cada variable xi es a su vez
funci
on de varias variables, xi = xi (t1 , t2 , t3 , . . . , tm ) para i = 1, 2, ..., n, al
hacer la composici
on y es una funcion de las m variables t1 , t2 , t3 , ..., tm , en
este caso las derivadas parciales se calculan por medio de
@y
@f @x1
@f @x2
@f @x3
@f @xn
=
+
+
+
.
@tk
@x1 @tk
@x2 @tk
@x3 @tk
@xn @tk
N
otese el contraste en las dos formulas, en la primera se usan d para denotar
derivadas en una variable, en la segunda todas son @ ya que all solamente
hay derivadas parciales.
Teorema 2.3. (Euler) Una funci
on f es homogenea de grado p si y s
olo
si
n
X
@f
pf (x) =
xk
.
@xk
k=1
55
Demostraci
on. Si f es homogenea de grado p, f ( x) =
la ecuaci
on anterior con respecto a se tiene:
n
X
p f (x),
derivando
Dk f ( x)
k=1
d( xk ) X
=
xk Dk f ( x) = p
d
p 1
f (x),
k=1
n
X
xk
k=1
@f
@xk
()
y g est
a definida por
p
g(t) = t
f (tx)
f (x)
pt
p 1
f (tx) + t
n
X
xk Dk f (tx)
k=1
Usando la ecuaci
on(*) de la forma
pf (tx) =
n
X
k=1
en g 0 (t),
g 0 (t) =
pt
p 1
f (tx) + t
p 1
pf (tx) = 0
La versi
on de este teorema en una funcion de produccion con rendimientos
constantes a escala dice que la suma de las cantidades de cada insumo por
sus productividades marginales es la produccion total.
CAPITULO 2. FUNCIONES
56
Ejercicios
16y 3 .
y
.
x3 2y 3
c) F (x, y) = a2x/3y
bx3 y
x+ y .
x + 2y + 3z
F (x, y, z) = p
3
3x2 + 2y 2 + z 2
3. Probar que si
f (x, y) =
ax y
cx + dy
entonces
1 xfx 1 yfy
+
=
f
f
1 .
h
C (p1 , p2 , p3 , q) = q A p1 p12
Bp3
i1
una funci
on de costo que depende de los precios (p1 , p2 , p3 ) de tres
insumos y la cantidad, q, que se produce. Calcular y simplificar todas
las derivadas parciales de C y p1 Cp1 + p2 Cp2 + p3 Cp3 .
6. Usar el teorema de Euler para probar que si f es una funcion de dos
variables homogenea de grado 1,
fxx =
y
fxy .
x
2.5.2.
57
La siguiente extensi
on del teorema de Taylor es la herramienta fundamental
en la consecuci
on de las condiciones para encontrar y clasificar los optimos
en funciones de varias variables, en el analisis del equilibrio dinamico en
casos no lineales y en general en todo tipo de aproximaciones de funciones
no polin
omicas.
Teorema 2.4. (Taylor) Sea f (x), con x = (x1 , x2 , , xn ), una funci
on
que posee m + 1 derivadas continuas en un conjunto abierto de Rn que
contiene al punto a = (a1 , a2 , , an ), entonces
f (x) =f (a) +
n
X
@f
(a) (xi
@xi
+ +
(xkm
i=1
n
X
k1 =1
n
X
km =1
ai ) +
n X
n
X
k=1 i=1
@mf
@2f
(a) (xi
2@xi @xk
k1 ! km !@xk1 @xkm
(a) (xk1
ai ) (xk
ak )
a k1 )
donde,
Em,a (x) =
n
X
k1 =1
xkm+1
para alg
un c 2
n
X
km+1 =1
@ m+1 f
(c) (xk1
k1 ! km+1 !@xk1 @xkm+1
a k1 )
akm+1 ,
kx ak (a).
n
X
@f
(a) (xi
@xi
ai ) + E1,a (x) ,
i=1
CAPITULO 2. FUNCIONES
58
2.5.3.
La matriz hessiana
@f
@f
@f
Usando el gradiente rf (a) = @x
(a),
(a),
...,
(a)
para simplificar
@x2
@xn
1
la notaci
on, el desarrollo de Taylor de primer orden con error alrededor de
a es:
f (x) = f (a) + rf (a) (x
a) +
1 X X @2f
(
c)(xi
2
@xi @xj
ai )(xj
aj ).
El u
ltimo termino de esta expresion representa el error cometido en la
aproximaci
on, el c esta entre x y a. Este error es una forma cuadratica en
x a y la matriz asociada se conoce como hessiana de la funcion f en el
punto c
0
@2f
2 (c)
B @@x2 f1
B
B @x1 @x2 (c)
Hf (c) = B
B
@
..
.
@2f
@x1 @xn (c)
@2f
@x2 @x1 (c)
@2f
(c)
@x22
..
.
@2f
@x2 xn (c)
@2f
@xn @x1 (c)
C
@2f
C
@xn @x2 (c)C
..
.
@2f
(c)
@x2n
C.
C
A
1
a) + (x
2
a)Hf (c)(x
a)T .
N
otese que la expresi
on de la derecha es una funcion lineal mas una forma
cuadr
atica en x a.
Ejercicios
1. Probar que el gradiente de una funcion lineal de varias variables
L (x) = m1 x1 + m2 x2 + + mn xn + b
= (m1 , m2 , . . . , mn ) (x1 , x2 , . . . , xn ) + b
=mx+b
es el vector rL (x) = m.
i
59
1 0x 1
1
a1n
B x2 C
C
a2n C B C
B C
A @ ... A
ann
xn
2.5.4.
xy
3
2
ex +2y +3z
f (x) = f (x +
x)
f (x)
= f (x1 + x1 , x2 + x2 , , xn + xn ) f (x1 , x2 , , xn )
f (x1 + x1 , , xn + xn ) f (x1 , x2 + x2 , , xn + xn )
=
x1
x1
f (x1 , x2 + x2 , , xn + xn ) f (x1 , x2 , , xn + xn )
+
x2
x2
f (x1 , x2 , , xn 1 , xn + xn ) f (x1 , x2 , , xn 1 , xn )
+ +
xn
xn
@f
@f
@f
@f
x1 +
x2 +
x3 +
xn
@x1
@x2
@x3
@xn
= rf (x) x.
La u
ltima expresi
on es llamada la diferencial total de f .
CAPITULO 2. FUNCIONES
60
Ejemplo
Sea
Q = Q(K, L) = 200K 2 L 3
la funci
on que determina las cantidades producidas de un cierto bien usando
K unidades de capital y L unidades de mano de obra, si los niveles de
insumos usados actualmente son K = 400 y L = 8, la cantidad de producto
es Q =8.000 unidades.
El cambio en la cantidad que producen 5 unidades adicionales de capital
y 2 de mano de obra se encuentra calculando la produccion para K = 405
y L = 10 que da un incremento de 671.4 unidades de producto.El valor
usando diferenciales es
Q = Q(K + K, L + L) Q(K, L)
@Q(K, L)
@Q(K, L)
K+
L
@K
@L
200
200 1/2
=
K 1/2 L1/3 K +
K L
2
3
Reemplazando K por 400,
K por 5, L por 8 y
2/3
L.
L por 2 se tiene,
Q = Q (405, 10)
Q (400, 8)
200
100(400) 1/2 (8)1/3 5 +
(400)1/2 (8)
3
1.000 8.000
2.000
=
+
= 50 +
= 716, 6
20
12
3
2/3
61
2.6.
Funciones especiales
CAPITULO 2. FUNCIONES
62
El grado de sustituci
on o complementaci
on entre las variables x y y de
una funci
on f (x, y) se mide por la elasticidad de sustitucion
ij
%(x/y)
,
%T M S(x/y)
n
X
ak xk + b
k=1
= a1 x1 + a2 x2 + + an xn + b = a x + b,
donde, a = (a1 , a2 , . . . , an ).
2.6.1.
63
Cobb-Douglas (CD)
n
Y
k=1
xk k = Ax1 1 x2 2 xnn ,
con A > 0. Es de las funciones de varias variables mas comunmente aplicadas en economa. Los valores de f pueden representar la cantidad producida cuando se usan xk unidades del k-esimo insumo; niveles de utilidad
si xk representa unidades de consumo de ciertos bienes, costos de producci
on cuando xk representa el precio de un insumo de produccion, gasto
cuando xk es el precio del k-esimo bien consumido, etc. Para este tipo de
interpretaci
on el dominio debe ser Rn+ .
En la funci
on CD todas las variables satisfacen
la propiedad de esencialP
idad. La funci
on es homogenea de grado nk=1 k , esto es, una funcion tipo
CD es homogenea de grado la suma de los exponentes de cada variable. El
comportamiento marginal de la funcion se deduce de las derivada parciales,
@f
= Ax1 1 x2 2 i xi i
@xi
xnn
@2f
= Ax1 1 x2 2 i (i
@x2i
Ax1 1 x2 2 xi i xnn
f
= i
= i ,
xi
xi
1)xi i
xnn = i (i
1)
f
.
x2i
Si la funci
on y sus variables representan cantidades, para que los valores
marginales sean positivos i > 0 para i = 1, 2, ..., n y para que los valores marginales sean decrecientes, i 1 para i = 1, 2, ..., n, estas son las
condiciones neocl
asicas usuales. Usando diferenciales, la aproximacion de
la elasticidad de la funci
on con respecto a la variable i-esima es,
f xi =
%f
=
%xi
f
f
xi
xi
f xi
@f xi
f xi
= i
= i ,
xi f
@xi f
xi f
esto es, los exponentes representan las elasticidades de la funcion con respecto a cada variable.
Para el caso de una funci
on de produccion que use dos insumos: capital
y trabajo, la CD es
Q (K, L) = AK L .
Para esta funci
on
QK = AK
L =
AK L
Q
=
K
K
CAPITULO 2. FUNCIONES
64
0.4
0.3
3
0.4
0.31
1
3
1
3
y de la Cobb-Douglas
2.6.2.
hx h y
.
hhxy
Elasticidad de Sustituci
on Constante (CES)
"
n
X
k=1
ak xk
h
i
= a1 x1 + a2 x2 + + an xn
65
= ax
+ by
fx =
ax
f +1
fx = a +1 .
x
De aqu,para que la funci
on tenga valores marginales positivos,
positivo. Derivando y simplificando,
fxx
debe ser
a f x
= 2+2
+ 1 fx x f ( + 1)
x
"
#
a f
+
f +1
= +2
a +1 x f ( + 1)
x
x
"
#
a f
f +1
= +2 ( + )a
f ( + 1)
x
x
a f 2 +1 h
=
(
+
)ax
f
(
+
1)
x+2
a f 2 +1
=
( + )ax ( + 1) ax + by
+2
x
a f 2 +1
=
( +
1)ax ( + 1)by
+2
x
a f 2 +1
=
(
1)ax ( + 1)by .
+2
x
CAPITULO 2. FUNCIONES
66
4
1/3
+ 3L
1/3
2/3
Esta u
ltima expresi
on debe ser negativa, para que los rendimientos marginales
de la funci
on sean decrecientes, por esto: 1 y > 1.
Es posible construir funciones tipo CES con un continuo de variables (funcionales) en la forma
2
f (x) = 4
a(w) x(w)
dw5
estas modelan procesos que tienen un continuo de bienes o insumos: la utilidad que produce consumir una bebida, el uso de un insumo de produccion
liquido. Este tipo de funciones han sido usadas en modelos de economa
urbana como casos lmite de produccion sobre una ciudad lineal.
Ejercicios
1. Encontrar la elasticidad de la funcion CES con respecto a la variable
x.
2. Probar que para la CES la elasticidad de sustitucion es constante y
calcularla.
2.6.3.
67
Leontie
250
11.342
2.753
41,5
mn
,
,
,
1,2
10
10
2
camisas (los parentesis [] representan la parte entera).
CAPITULO 2. FUNCIONES
68
+
f (x, y, z) = ax y + bz +
la elasticidad entre x y y es unitaria y entre x y z, y y y z es
1
1
. Para
2.6.4.
Translogartmica
n
X
k ln xk ,
k=1
esta expresi
on puede considerarse como una funcion lineal de logartmos.
Una generalizaci
on de esta expresion es la funcion
ln f (x) = a0 +
n
X
i=1
ai ln xi +
n X
n
X
aik ln xi ln xk
k=1 i=1
conocida como translogartmica, esta es una funcion lineal mas una forma cuadr
atica en logartmos. Como se muestra en la proxima seccion esta
funci
on produce mejores aproximaciones que la CD.
69
10
6
3
4
2
2
1
0
0
10
0.2
0.4
0.6
0.8
1.0
Ejercicios
1. Encontrar el dominio e imponer condiciones sobre los parametros para
que la funci
on cuasilineal:
f (x, y) = ax + ln y b
sirva de modelo a procesos economicos. Encontrar la elasticidad de la
funci
on con respecto a cada variable y las elasticidades parciales de
sustituci
on.
2. Para cada una de las siguientes funciones de produccion con elasticidad
de sustituci
on variable, VES:
AK L
BK +CL
1/
K/L K L
Q(K, L) = Ae
K+ L K L
Q(K, L) = AK (1
Q(K, L) = aK
) [L
+ bL
.
.
+ (
1/
1)K] /3 .
.
CAPITULO 2. FUNCIONES
70
71
b) Q(L, K) = (L + K )1/ .
7. C representa el costo promedio de una firma que usa dos insumos de
producci
on, K y L, a precios r y w respectivamente y tiene una producci
on de Q = Q(K, L) unidades.
n
X
ai ln xi +
i=1
n X
n
X
aik ln xi ln xk
k=1 i=1
n
X
k=1
k xk
CAPITULO 2. FUNCIONES
72
que generaliza la CES4 : (si los k son todos iguales a esta funcion se
reduce a la CES).
a) Imponer restricciones sobre los parametros para que la funcion
tenga rendimientos crecientes.
b) Encontrar el producto marginal con respecto al k-esimo insumo
en funci
on de las cantidades de producto e insumos.
11. Para la funci
on
y = f (x) =
n
X
k xk
k=1
1/
probar que:
a) fk =
k y 1+
k (x )1+k .
k
b) fks =
1+
k y fk fs ,
c) fkk = fk
2.7.
1+
y fk
si k 6= s.
1+k
.
xk
Una generalizaci
on del teorema de Taylor
La funci
on Cobb-Douglas (CD) generalizada
f (x) = f (x1 , x2 , , xn ) = A
n
Y
xk k
k=1
ik
n
P
j=1
x j f xj
xi xk
ik
H
,
Hf
0
B fx
B 1
B
H f = B f x2
B ..
@ .
f xn
f x1
f x1 x1
f x2 x1
..
.
f x2
f x1 x2
f x2 x2
..
.
..
.
f xn x1
f xn x2
73
1
f xn
f x1 xn C
C
f x2 xn C
C
.. C
. A
f xn xn
ik es el cofactor correspondiente a
es la matriz hessiana orlada de f ; H
fx representa la
las derivadas con respecto a las variables ik de f en H,
j
derivada parcial de f con respecto a xj y Hf es el determinante de Hf , es
siempre uno. Esta ES mide el efecto en la cantidad demandada del i-esimo
insumo debida al cambio en el precio del j-esimo (Allen). Hicks define otra,
la elasticidad de complementariedad relacionada con las funciones duales
(Ver captulo 6), que mide el efecto en el precio de un factor, producido por
el cambio en la cantidad demandada de otro. La definicion implica que si
la funci
on es doblemente diferenciable, la ES es simetrica [S y K].
Puesto que la funci
on CD tiene ES unitaria para cualquier par de factores, en esta tecnologa los factores son sustitutos; este hecho deja por fuera
otro tipo de interacci
on entre factores de produccion. Como respuesta a estos limitantes surgi
o la funci
on CES (elasticidad de sustitucion constante),
!
n
y=
k xk
k=1
CAPITULO 2. FUNCIONES
74
X
k
f (x) =
k xk
,
k=1
ij
n
P
1
k=1
=
n
(1 + i ) (1 + j ) P
k=1
k k xk k
k
k k
1+k xk
d(g f )
(a)(g(x)
dg
g(a)) +
1 d2 (g f )
(a)(g(x)
2 d2 g
g(a))2
por la ecuaci
on:
(g f ) (x) = (g f ) (a) +
+
d(g f )
(a)(g(x)
dg
1 d2 (g f )
(a)(g(x)
2 d2 g
g(a))
g(a))2 + E2 (x),
75
d(g f )
(g f )0 (a)
(a) =
dg
g 0 (a)
y
d2 (g
f)
d2 g
(a) =
1
g 0 (a)
(f g)0 (x)
g 0 (x)
dx
(a)
Entonces,
lm
x!a
E2 (x)
=0
(g(x) g(a)2 )
( ).
Demostraci
on. De la definicion de E2 (x), se nota que (*) equivale a probar
que
lm
(g f ) (x)
(g f ) (a)
(g(x)
x!a
d(g f )
dg (a)(g(x)
g(a))2
g(a))
1 d2 (g f )
(a).
2 d2 g
x!a
(g f )0 (x)
2(g(x)
d(g f )
0
dg (a)g (x)
g(a))g 0 (x)
= lm
x!a
(g f )0 (x)
2(g(x)
(g f )0 (a) 0
g 0 (a) g (x)
g(a))g 0 (x)
1
d (g f )0
1 d2 (g f )
(a)
=
(a)
2g 0 (a) dx
g0
2 d2 g
f con
CAPITULO 2. FUNCIONES
76
(g f )n (x)
d
n+1
n
g (x)
d
(g f )
1
(a) = n
(a)
n+1
dg
g (a)
dx
entonces
(g f )(x) = (g f )(a) +
d(g f )
(a) (g(x)
dg
g(a))
1 d2 (g f )
(a) (g(x) g(a))2
2 dg 2
1 dn (g f )
+ ... +
(a) (g(x) g(a))n + En (x),
n! dg n
+
donde
lm
x!a
En (x)
= 0.
(g(x) g(a))n
Demostraci
on. La prueba de este resultado se hace por induccion matematica.
En el caso de que g sea la funcion logartmica y f (a) > 0, la expresion
anterior se transforma en:
ln (f (x)) = a0 +
n
X
ak
k=1
k!
as cualquier funci
on positiva se puede representar por medio de un polinomio en logaritmos.
En varias variables la forma que toma el desarrollo de orden 2, donde
f debe ser una funci
on de n variables y g una funcion de una variable, es:
(g f )(x) = (g f )(a) +
n
X
@(g f )
(a) (g(xi
@gi
g(ai ))
i=1
n
1 X @ 2 (g f )
(a) (g(xi
2
@gi @gj
g(ai )) (g(xj
g(aj )) + E2 (x).
i,j=1
La conclusi
on del teorema en varias variables establece que
E2 (x)
=0
x!a kg(f (x))
g(f (a))k2
lm
77
@(g f )
@xi (a)
.
@g(xi )
(a
)
i
@xi
n
X
ai ln xi +
i=1
n X
n
X
aij ln xi ln xj .
i=1 j=1
En este caso el teorema asegura que este desarrollo vale en una vecindad
del vector a, en este sentido se dice que la aproximacion es local. Para esta
funci
on Guilkey y Lovell[G y L] encuentran que la ES es:
ij
donde
mi = ai + 2
n
X
aij + mi mj
,
mi mj
aij ln (xj ) + 2aii ln (xi ) .
j=1
De la expansi
on se deduce que la translogartmica, mas que una forma funcional, es un desarrollo de Taylor generalizado, aplicable a cualquier funcion
5
CAPITULO 2. FUNCIONES
78
,
xy =
fy
%T M ST xy
%
fx
se puede aproximar por
xy
xy
xfx + yfy H
.
xy
Hf
2. Mostrar que las siguientes funciones son aproximaciones de primer orden en el sentido del teorema anterior:
a) f (x) = A
n
Q
k=1
b) f (x) =
n
P
k=1
xk k (CD).
k xk
(CES).
P
P P
1/2 1/2 2
c) f (x) = + nk=1 k xk + ni=1 nj=1 ij xi xj
(Una versi
on de la funci
on de Diewer).
Captulo 3
Grafos y contornos
Las definiciones b
asicas de conjuntos abiertos, cerrados, compactos, convexos (como otras) no son en general faciles de manejar. Por ejemplo, determinar si el conjunto
A = (x, y) 2 R2 | x2
y 4, |x| + y 5
3.1.
Grafos
Definici
on 3.1. Sea f : A Rn ! R.
El grafo de f es el conjunto:
Gf = {(x, y) | f (x) = y},
el epgrafo, grafo superior o supergrafo de f es el conjunto
GSf = {(x, y) | f (x) y}
y el hip
ografo, grafo inferior o subgrafo de f es
GIf = {(x, y) | f (x)
y}.
79
i
80
GS f
GI f
3.1. GRAFOS
81
1
2
(f (a) + b), de donde y < f (x), lo que implica que (x, y) 2 Gcf , de esta
forma GSfc es abierto y GSf es cerrado. Las otras partes se dejan como
ejercicio al lector.
Ejemplos
1. El conjunto (x, y, z) | x2 + xy + 5y 2 z es un conjunto cerrado ya
que el conjunto es el grafo superior de la funcion h(x, y) = x2 +xy +5y 2
que es continua y est
a definida para todo x, y, esto es, su dominio es
R2 que es cerrado.
2. El conjunto (x, y) | y x2 es cerrado ya que la funcion g(x) = x2 es
continua en R y el conjunto es el grafo superior de g.
3. El conjunto (x, y, z) | z 2x + 5y 4x2 + xy y 2 es el grafo inferior
de la funci
on continua f (x, y) = 2x + 5y 4x2 + xy y 2 , por lo tanto
es un conjunto cerrado.
4. El conjunto (x, y, z) | z > 2x + 5y 4x2 + xy y 2 es el complemento del grafo inferior de la funcion f (x, y) = 2x + 5y 4x2 + xy y 2 que
es una funci
on continua en R2 , por lo tanto el conjunto es abierto (su
complemento es cerrado).
5. Muchos conjuntos se pueden interpretar como grafos, supergrafos y
subgrafos de funciones adecuadas. El conjunto
(x, y, z) | y 2 + x < yz x + y 2 + z 2
es igual a:
(x, y, z) | y 2 + x
= (x, y, z) | y
= (x, y, z) | yz
= (x, y, z) | yz
=
(x, y, z) | yz
= (GIh
yz < 0 x + y 2 + z 2
2
yz <
y2 > x
xy +z
y2
yz
yz
z2
y 2 > x \ (x, y, z) | x
y2
\ (x, y, z) | x
yz
(x, y, z) | yz
y2
yz
yz
y2
z2
y2 = x
z2
Gh ) \ GSk
82
= (x, y, z, w) | x + w2
=
z 3 < y x + z 2 + w3
z3 < y
\ (x, y, z.w) | y x + z 2 + w3
(x, y, z, w) | x + w2
= (GSF
z3
z3
z3 y
(x, y, z, w) | x + w2
z3 = y
\ GIG
GF ) \ GIG
z3
Otra interpretaci
on es despejar la variable x en medio de las desigualdades:
(x, y, z, w) | w2
z3
y<
3
w >x
= (x, y, z, w) | y + z 3
w2 > x
= (x, y, z, w) | y + z
\ (x, y, z, w) | x
= (GIf
x z 2 + w3
y + z3
y+z
z2
z3
w3
z2
w3 .
w3
Gf ) \ GSg .
Con f (y, z, w) = y + z 3
w2 y g(y, z, w) = y + z 3
Ejercicios
1. Sean
A = (x, y) | y 2
y x, |y + 2| 1 .
B = (x, y) | x2 + x y
1, |x| 1 .
3.1. GRAFOS
83
g(x) = x
f (x) = x + 5.
y,
f (x, y) = x
y.
3x2
z2,
f (x, y, z) = x
2y + z 2 .
200, 0 K 50 ,
B = (x, y, z) | 5x + 3y 2z ,
C = {(x, y) | Px x + Py y I, x
1,2
+ 3L
0, y
0} ,
6} ,
1,2
9y = 9 .
84
3.2.
Contornos
k}
y
CIf (k) = {x 2 Rn | f (x) k}
es el contorno inferior de f a nivel k.
Estos conjuntos est
an formados por las proyecciones de la grafica de la funci
on al dominio (por lo tanto son subconjuntos del dominio de la funcion):
el contorno es la proyecci
on de los puntos de la funcion que se encuentran
a altura k, el contorno superior es la proyeccion de los puntos que se encuentran a altura mayor o igual que k y el inferior es el de los puntos que
se encuentran a altura menor o igual que k.
Como en los grafos se tiene el siguiente resultado:
Teorema 3.2. Si f es una funci
on continua definida en un conjunto cerrado, entonces Cf (k), CSf (k) y CIf (k) son conjuntos cerrados.
3.2. CONTORNOS
85
Figura 3.2: La gr
afica de la funcion f se corta a altura k y
se proyecta al plano xy. El contorno superior de f a nivel
k corresponde a la region gris y el contorno inferior de f a
nivel k a la region blanca.
Demostraci
on. Sean f : A Rn ! R continua y A cerrado. Para probar
que CSf (k) es cerrado se tienen los siguientes casos:
1. k > f (x) para todo x 2 A, en este caso CSf (k) = ; que es un
conjunto cerrado.
2. k < f (x) para todo x 2 A, entonces CSf (k) = A que es cerrado.
3. k est
a en el rango de f , en este caso basta ver que D = CIf (k) Cf (k)
es abierto. Sea z 2 D, entonces f (z) < k. Por el teorema del valor
medio para funciones continuas, existe r > 0 tal que para toda x en
Br (z) \ A, f (x) < k; lo que prueba el resultado.
86
= (x, y, z) | y + x
=
(x, y, z) | y 2 + x
yz < 0 x + y 2 + z 2
yz < 0 \ (x, y, z) | 0 x + y 2 + z 2
yz 0
(x, y, z) | y 2 + x
\ (x, y, z) | 0 x + y + z
= (CIf (0)
yz
yz
yz = 0
yz
donde f (x, y, z) = y 2 + x
yz y g(x, y, z) = x + y 2 + z 2
yz.
Ejercicios
1. Sean
A = (x, y) | y 2
y x, |y + 2| 1 .
B = (x, y) | x2 + x y
1, |x| 1 .
x2 ,
f (x) = x + 5.
3. Sean
g(x, y) = x2 + x
y,
f (x, y) = x
y.
3.2. CONTORNOS
87
4. Sean
g(x, y, z) = x + 3y
3x2
z2,
f (x, y, z) = x
2y + z 2 .
200, 0 K 50 ,
B = (x, y, z) | 5x + 3y 2z ,
C = {(x, y) | Px x + Py y I, x
1,2
+ 3L
0, y
0} ,
6} ,
1,2
9y = 9 .
6. Sean
f (x, y) = x2 + xy + y + 5,
g(x, y, z) = z
xz.
escribir el conjunto
A = (x, y, z) | x2 + xy z
5 xz
Captulo 4
Convexidad
La importancia de la convexidad en optimizacion radica en que criterios
necesarios para encontrar los optimos de una funcion se convierten en suficientes. Si se conoce, p.e., que una funcion es convexa en un conjunto
convexo A y tiene un punto crtico interior a A, entonces en ese punto tiene
un mnimo y sus m
aximos los tomara sobre la frontera del conjunto; as, una
condici
on necesaria se convierte en suficiente. Ademas de las aplicaciones
en optimizaci
on, en economa la convexidad da consistencia a la construcci
on de algunas teoras: en la del consumidor el conjunto de canastas de
bienes elegibles debe ser convexo; si es posible elegir un par de canastas,
debe ser posible elegir cualquier canasta que contenga cantidades de bienes
entre esas dos; en la del productor el conjunto de cantidades producidas
es convexo as como tambien las cantidades de insumos de produccion, si
un fabricante puede producir dos cantidades de un bien, puede producir
cualquier cantidad entre esas dos.
4.1.
Conjuntos convexos
89
Definici
on 4.1. Un conjunto A Rn es convexo si para cada par de
elementos x, y 2 A con x 6= y y 2 (0, 1),
x + (1
) y 2 A.
) y 2 int(A).
y) = x + (1
)y,
lx
+H
1l
Ly
CAPITULO 4. CONVEXIDAD
90
x + (1
lx+H1-lLy
)s]2 + x + (1
)s y + (1
)t.
2 2
)s]2 + x + (1
x + 2 (1
)xs + (1
)s
)2 s2 + x + (1
)s
91
x + 2 (1
2 2
)(x2 + s2 ) + (1
x + (1
2 2
x + x
2 2
x + s
+ x + (1
= x2 + (1
=
)2 s2 + x + (1
)xs + (1
)2 s2 + x + (1
2 2
s + (1
2 +
)s
)s
2
)s
)s2 + x + (1
)s
x + x + (1
y + (1
)s
) s +s
)t.
)s]2 + x + (1
esto es (x, y) + (1
)s < y + (1
)t,
A+B = {u+v | u 2 A,
v 2 B},
kA = {ku | u 2 A}
AB
CAPITULO 4. CONVEXIDAD
92
Demostraci
on. Sean u y v elementos de A \ B, u y v son elementos tanto
de A como de B. Si A y B son conjuntos convexos, u + (1
)v estara en
A y en B para cada 2 [0, 1]; por lo tanto, u + (1
)v 2 A \ B. En
conclusi
on, si A y B son conjuntos convexos, entonces A \ B es un conjunto
convexo.
El resto de la prueba se deja como ejercicio.
Ejercicios
1. Probar que un subconjunto de R es convexo si y solo si es un intervalo.
2. Terminar la prueba del teorema anterior.
3. Encontrar conjuntos para mostrar que en general la union de dos conjuntos convexos no es uno convexo.
4. Probar usando la definicion que el conjunto
(x, y) | x2 + 3y 2 xy + 5
es convexo.
5. Hacer los ajustes necesarios al ejercicio anterior para probar que el
conjunto es estrictamente convexo.
6. Determinar si el conjunto
(x, y) | x3 + 3y xy
es convexo.
4.2.
Funciones convexas y c
oncavas
93
Definici
on 4.2. Sean A Rn un conjunto convexo, f : A ! R, x y y
elementos distintos de A y 2 (0, 1). f es convexa si y s
olo si
f ( x + (1
) y) f (x) + (1
) f (y)
) y)
) f (y).
y f es c
oncava si y s
olo si
f ( x + (1
f (x) + (1
lx+H1-lLy y
lx+H1-lLy y
) f (y)
f ( x + (1
) y)
esta expresi
on es:
CAPITULO 4. CONVEXIDAD
94
No negativa si y s
olo si la funcion es convexa,
No positiva si y s
olo si la funcion es concava,
Positiva para 0 <
convexa,
Ejemplos
1. Para determinar el comportamiento de la funcion f (x) = ax2 + bx + c
con respecto a convexidad y concavidad se examina el signo de
f (x) + (1
)f (y)
f ( x + (1
)y)
desarrollando,
(ax2 + bx + c) + (1
a( x + (1
)y)2 + b( x + (1
= a x2 + b x + c + a(1
a(
2 2
x + 2 x(1
)(ay 2 + by + c)
)y 2 + b(1
)y + (1
2 2
) y )
)y) + c
)y + c(1
b x
b(1
)
)y
)y 2
a(
2 2
x + 2 (1
)xy + (1
2 2
= a x2 + (1
)y 2
x
2 (1
)xy (1
2 2
=a (
)x
2 (1
)xy + (1
) (1
2
2
2
= a(
) x
2xy + y
= a (1
)(x
)2 y 2 )
)2 y 2 )
)2 y 2
y)2
2 . Esta u
ya que (1
) (1
)2 =
ltima expresion es claramente
mayor o igual a cero si y solo si a > 0, ya que 0 1, por lo que
0 1
y todo cuadrado es no negativo. Por lo tanto, la funcion
f (x) = ax2 + bx + c es estrictamente convexa si y solo si a > 0 y es
estrictamente c
oncava si y solo si a < 0.
95
2. Si g es convexa,
) y) g(x) + (1
g ( x + (1
) g(y)
f [g ( x + (1
) g(y)] .
Si, adem
as, f es convexa,
f [ g(x) + (1
) g(y)] f [g(x)] + (1
) f [g(y)] .
) y)] f [g(x)] + (1
) f [g(y)] .
g convexa
convexa
g c
oncava
c
oncava
convexa
c
oncava
Demostraci
on. Se deja como ejercicio. Las partes sobre composicion que
faltan por probar son identicas al ejemplo 2 anterior.
CAPITULO 4. CONVEXIDAD
96
Ejercicios
1. Usar la definici
on para probar que las siguientes funciones son convexas:
a) f (t) = |t|.
b) g(x, y) = 4x2
3xy + 5y 2 .
n
X
k=1
mk xk + b = m1 x1 + m2 x2 + ... + mn xn + b = m x + b
)yAyT
( x + (1
)y) A ( x + (1
)y)T
97
)yAyT
= xAxT + (1
2
=(
)yAyT
)yAxT
(1
)xAxT
+ (1
(1
( x + (1
(1
= (1
)q (x
) (x
y) A xT
(1
)xAyT
)yT
)2 yAyT
)xAyT
)2 yAyT
= (1
= (1
xT + (1
xAxT
(1
) xAx
xAyT
) xA xT yT
= (1
)y) A
)yAxT
(1
yAxT + yAyT
yA xT yT
yT = (1
) (x
y) A (x
y)T
y) .
3xy + 5y 2
+ x2 + 4y 2 + 2x
5y + 3
3xy + 5y 2
g(x, y) = 2x2
3xy + 5y 2 .
La funci
on f es creciente y convexa para t
0 y la funcion g es una
forma cuadr
atica definida positiva, por tanto, estrictamente convexa; por
una propiedad de composici
on anterior, H es convexa.
G(x, y) = x2 + 4y 2
es una forma cuadr
atica definida positiva, lo que la hace convexa, y
L(x, y) = 2x
5y + 3
CAPITULO 4. CONVEXIDAD
98
entonces F es convexa.
El siguiente teorema es una herramienta de gran ayuda para determinar
el comportamiento, con respecto a convexidad, de conjuntos a partir de la
convexidad o concavidad de las funciones y viceversa.
Teorema 4.4. Sean A Rn un conjunto convexo y f : A ! R. Entonces
1. f es convexa si y s
olo si GSf es convexo.
2. f es c
oncava si y s
olo si GIf es convexo.
3. Si f es convexa CIf (k) es un conjunto convexo.
4. Si f es c
oncava CSf (k) es un conjunto convexo.
5. f es lineal si y s
olo si todos sus grafos y contornos son convexos.
Demostraci
on. Sean (x, y), (u, v) en el grafo superior de f . Por definicion,
f (x) y
f (u) v.
Si f es convexa,
)u) f (x) + (1
f ( x + (1
)f (u) y + (1
)v,
)(u, v) = ( x + (1
)u, y + (1
)v)
esta en GSf .
Por otra parte, si GSf es convexo y (x, y), (u, v) estan en Gf GSf ,
f (x) = y
entonces para 0
f (u) = v,
1,
(x, y) + (1
)(u, v) = ( x + (1
)u, y + (1
)v)
99
)y) f (x) + (1
)f (y) k + (1
)k = k.
Lo que prueba que CIf (k) es un conjunto convexo, esto es, la tercera parte
del teorema.
El teorema tambien es aplicable a los grafos y contornos sin la frontera.
Ejemplos
1. El conjunto (x, y, z) | x2 + xy + 5y 2 z es un conjunto convexo ya
que la funci
on h(x, y) = x2 + xy + 5y 2 es convexa, es una forma
cuadr
atica definida positiva, y el conjunto es su grafo superior.
2. El conjunto (x, y) | y x2 es convexo ya que la funcion g(x) = x2 es
convexa y el conjunto es el grafo superior de g.
3. El conjunto (x, y, z) | z 2x + 5y 4x2 + xy y 2 es convexo ya que
es el grafo inferior de la funcion f (x, y) = 2x + 5y 4x2 + xy y 2 que
es una funci
on c
oncava; es la suma de una funcion lineal (que se puede
considerar c
oncava) y una forma cuadratica definida negativa (que es
c
oncava).
4. Si f y g son funciones convexas y
M (x) = max{f (x), g(x)},
el conjunto
GSM = {(x, y) | max{f (x), g(x)} y}
es convexo puesto que max{f (x), g(x)} y equivale a que f (x) y y
g(x) y, por lo tanto
{(x, y) | max{f (x), g(x)} y}
CAPITULO 4. CONVEXIDAD
100
5. El conjunto (x, y) : x2 + xy + 5y 2 3 es convexo ya que es el contorno inferior a nivel 3 de la funcion f (x, y) = x2 + xy + 5y 2 , que es
convexa ya que es forma cuadratica definida positiva.
Ejercicios
1. Terminar la prueba del teorema anterior.
2. Probar que si f y g son concavas, la funcion
m(x) = mn{f (x), g(x)}
es c
oncava.
3. Probar que una funci
on derivable f es convexa en el intervalo I si y
s
olo si para cada s y t en I
f (t) + f 0 (t)(s
f (s)
t).
t))
t) y hacer
f (t) (f (s)
f (t))
! 0.
f (v) + rf (v) (u
4.2.1.
v).
El desarrollo de Taylor de primer orden con error para una funcion g(x)
que sea dos veces derivable alrededor de un punto x = a es
g(x) = g(a) + g 0 (a)(x
a) +
g 00 (c)
(x
2
a)2
para alg
un c entre x y a. Desarrollando la expresion anterior
2 00
g 00 (c) 2
a g (c)
g(x) =
x + (g 0 (a) ag 00 (c))x +
ag(a)
2
2
i
101
xy + y 2
xy+y 2
es convexa. La funci
on
g(t) = ln t
es creciente y c
oncava, su derivada es positiva y su segunda derivada es
negativa, y la funci
on
L(x, y) = 2x + y 5
es lineal por lo que se puede considerar concava. Nuevamente por composici
on
G(x, y) = g(L(x, y)) = ln(2x + y 5)
es c
oncava y
H(x, y) = F (x, y)
G(x, y) = e5x
xy+y 2
ln(2x + y
5)3
es convexa.
El siguiente teorema, que generaliza a varias variables y cuya demostracion
se basa en el teorema de Taylor, da las condiciones diferenciales suficientes
para determinar la convexidad o concavidad de una funcion,
Teorema 4.6. Si la matriz hessiana Hf (x) de f es semidefinida positiva
(negativa) para todo x en un conjunto abierto y convexo A, entonces f es
convexa (c
oncava) en A.
CAPITULO 4. CONVEXIDAD
102
Ejemplos
n
X
k xk ,
xk > 0, k
para k = 1, 2, . . . , n
k=1
sea convexa o c
oncava; basta examinar la derivada segunda de la funci
on h(z) = z para z > 0. Como h0 (z) = z 1 y h00 (z) =
( 1)z 2 = ( + 1)z 2 . Esta derivada segunda es positiva si ( + 1) > 0 y negativa si ( + 1) < 0, por lo tanto la funcion g
es convexa si 2 ( 1, 1) [ (0, 1) y es concava si 2 ( 1, 0).
2. La funci
on f (t) = t
f 0 (t) =
Si
/ ,
/ 1
( + )
t
2
f 00 (t) =
/ 2
< 0 la funci
on es creciente y si ( + ) > 0 la funcion es convexa.
2 3y 2
3y 2 6xy
12xy
9y 4 > 0}.
4x
3y 3 > 0
(x, y) | x, y < 0,
4x
3y 3 > 0 .
(x, y) |
103
x y+5
>1
2x2 + y 2 + 1
x y+5
2x2 +y 2 +1
> 1 equivale a
x + y + 1}
esto es, W = CI2x2 +y2 x+y (5) C2x2 +y2 x+y (5). Puesto que la funcion
s(x, y) = 2x2 + y 2 x + y + 1 es convexa, el conjunto W es convexo ya
que es el contorno inferior de s a nivel 5.
Ejercicio
Encontrar condiciones sobre y
F (x) =
k xk
k=1
4.2.2.
La funci
on CD
con
x > 0,
y>0
es,
Hf (x, y) =
( 1)f (x,y)
x2
f (x,y)
xy
f (x,y)
xy
( 1)f (x,y)
y2
A > 0,
!
1) > 0,
1) > 0,
0,
f 2 (x, y)
(1
x2 y 2
0,
CAPITULO 4. CONVEXIDAD
104
o > 1,
<0
> 1,
(1
0.
Y f es c
oncava si y s
olo si la matriz hessiana es semidefinida negativa para
todo (x, y) que equivale a
0 < < 1,
0<
< 1,
(1
0.
1.
con
y
x > 0,
y > 0,
z>0
A > 0,
( +
1)
0;
y es c
oncava si y s
olo si:
0 < < 1,
0<
< 1,
0<
<1
1.
1)
para k = 2, 3, . . . , n.
f es c
oncava si y s
olo si 0 < i < 1 para i = 1, 2, . . . , n, y
1 + 2 + + n 1.
Por lo tanto, una funci
on tipo Cobb-Douglas bajo las condiciones neocl
asicas usuales es c
oncava si y solo si es homogenea de grado menor o igual
a uno.
105
Ejemplos
1. f (x, y, z) = x1/2 y 2 z 1/3 con x, y, z
0, no es convexa ni concava.
2y4z 1
0, es concava.
Ejercicios
1. Describir cada uno de los siguientes conjuntos en terminos de grafos
y contornos de funciones adecuadas y determinar si los conjuntos son
convexos:
a) A = (x, y)| y 2
y x, |y + 2| 1 .
p
b) B = (x, y) | |2x + y| 10 + 8xy .
n
o
1 .
c) C = (x, y) | xy x3x+y
2 3y 2 1
2. Sean
f (x, y) = x2 + xy + y + 5,
g(x, y, z) = z
xz
y.
interpretar el conjunto
A = (x, y, z) | x2 + xy z
5 xz
200, K
e) E = {(x, y) |
9y 2
0}.
6}.
d ) D = {(x, y) | Px x + Py y I, x
x2
0, L
0, y
0}.
= 9}.
0,8
CAPITULO 4. CONVEXIDAD
106
y)ex+y
(xyz)2
para x + y > 0.
para todo x, y, z.
e) f (x, y) = x2 (y 2 + 4) para x2 + y 2 4.
5. Encontrar el mayor conjunto convexo donde cada una de las siguientes funciones son convexas y el mayor conjunto convexo donde son
c
oncavas:
p
a) f (x, y) = x 2 + y 2 .
b) f (x, y) = (2x + y)ex
c) f (x, y) = x
+y
y.
2 3.
d ) f (x, y) = x2 (y 2 + 4).
e) f (x, y) = x3
xy + 3y 3 + 4.
6. Sean
g(x, y, z) = x + 3y
3x2
z2,
f (x, y, z) = x
2y + z 2 .
7. Sea
g(x, y, z) =
p
3
x2 + 2y 2 + 5z 2 .
8. Sea
g( ) = f ( x + (1
)y).
107
(a x)2
,
bx
)f (z),
f (x) f (x) + (1
f (x)
(1
x
=
(1
)f (z)
f (x) = (1
)[f (z)
f (x)],
x) esta se convierte en
) (f (z)
y x
) (f (z)
(1
)(z
f (x))
(1
) (f (z) f (x))
( x + (1
)z) x
f (x))
(f (z)
=
x)
(z
f (x))
,
x)
esto es, la pendiente de la secante de la recta que pasa por (x, f (x)), (y, f (y))
es menor que la que pasa por (x, f (x)), (z, f (z)). Con un argumento similar
se prueba que
f (z) f (x)
(f (z) f (y))
z x
(z y)
la pendiente de la secante de la recta que pasa por (x, f (x)), (z, f (z)) es
menor que la que pasa por (y, f (y)), (z, f (z)).
Sea a un punto del intervalo, como este es abierto existen c y d en I
tales que c < a < d. Si se quiere mostrar que f es continua en a se debe
ver que
lm f (x) = f (a)
x!a
CAPITULO 4. CONVEXIDAD
108
f (x)
x
f (a)
md .
a
a > 0,
a)mc f (x)
f (a) (x
a)md ,
o equivalentemente,
f (a) + (x
a)md
x!a+
De manera an
aloga se prueba que
lm f (x) = f (a)
x!a
4.3.
Adem
as de las funciones convexas y concavas, las cuasiconvexa y cuasic
oncava juegan un papel importante en optimizacion por dos buenas razones: son menos restrictivas que las convexas y las concavas y mantienen
algunas de las buenas propiedades de aquellas. Una funcion convexa sobre
un conjunto convexo tiene mnimo interior y maximos en la frontera del conjunto, lo mismo ocurre si la funcion es cuasiconvexa, la unicidad del mnimo
est
a garantizada si la funci
on es estrictamente convexa o cuasiconvexa. Resultados similares se tienen para funciones concavas y cuasiconcavas.
1
Si lmx!a f (x) = L, lmx!a g(x) = L y f (x) h(x) g(x) para todo x, entonces
lmx!a h(x) = L.
109
Definici
on 4.3. Sean A Rn un conjunto convexo, f : A ! R, x y y
elementos distintos de A y 2 (0, 1). f es cuasiconvexa si y s
olo si
f ( x + (1
y f es cuasic
oncava si y s
olo si
f ( x + (1
) y)
lx +H1-lLy
x
Figura 4.5: Funciones estrictamente cuasiconvexa en una variable y cuasiconvexa en dos variables.
Ejemplo
Cualquier funci
on mon
otona es cuasiconvexa o cuasiconcava. Si h es monotona
creciente, sin perdida de generalidad sean x y para 0
1, x
x + (1
)y y como h es creciente,
mn{h(x), h(y)} = h(x) h( x + (1
)y)
CAPITULO 4. CONVEXIDAD
110
f creciente
f decreciente
g cuasiconvexa
cuasiconvexa
cuasic
oncava
g cuasic
oncava
cuasic
oncava
cuasiconvexa
Demostraci
on. Se deja como ejercicio
Ejemplos
1. Es de notar que la suma de funciones cuasi convexas (cuasiconcavas)
no es cuasi convexas (cuasiconcavas). Para ver esto sean f (x) = x3 y
g(x) = x ambas pueden considerarse cuasiconvexas o cuasiconcavas,
sin embargo (f + g)(x) = x3 x no es ni cuasiconvexa ni cuasiconcava.
2. Como f (t) = 3t5 + t3 + 3t 4 es creciente y g(x, y) = x2
convexa por tanto cuasiconvexa, entonces
F (x, y) = 3(x2
2y + 3)5 + (x2
2y + 3)3 + 3(x2
2y + 3 es
2y + 3)
111
f (x)
f (x)+f (y) ,
f (x)
f (x)
f ( u + (1
)v) = f
u+ 1
v
f (x) + f (y)
f (x) + f (y)
f (x)
1
f (x)
1
=f
x+ 1
y
f (x) + f (y) f (x)
f (x) + f (y) f (y)
1
f (x) + f (y) f (x) 1
=f
x+
y
f (x) + f (y)
f (x) + f (y)
f (y)
1
=f
(x + y)
f (x) + f (y)
1
=
f (x + y) 1
f (x) + f (y)
de donde
f (x + y) f (x) + f (y)
y por el ejercicio 5 de la seccion 5.2 se tiene que la funcion es convexa.
De forma similar se tiene el resultado para funciones cuasiconcavas.
As como existen equivalencias entre la convexidad o concavidad de una
funci
on y la convexidad de sus grafos superiores o inferiores, tambien existen
equivalencias entre la cuasiconvexidad o cuasiconcavidad de una funcion y
la convexidad de sus contornos estas estan dadas en el
Teorema 4.9. Sean A Rn un conjunto convexo, f : A ! R y k en el
rango de f . Entonces
1. f es cuasiconvexa si y s
olo si CIf (k) es convexo.
2. f es cuasic
oncava si y s
olo si CSf (k) es convexo.
Demostraci
on. Sean f tal que para todo k, en el rango de f , el conjunto
CIf (k) = {x | f (x) k}
es convexo, x y y en el dominio de la funcion y sin perdida de generalidad
sup
ongase que f (x) f (y). Como los contornos inferiores son convexos y
x, y est
an en el contorno inferior de f a nivel f (y), entonces x + (1
)y
est
a en el contorno inferior de f a nivel f (y), lo que implica
f ( x + (1
CAPITULO 4. CONVEXIDAD
112
f ( u + (1
1
1++
= (x, y) | x y
=
1 )
k 1++
A
1 )
k 1++
A
" 1 #
k 1++
= CSG
A
donde
1++
+ 1++
k
A
1
1++
la aplicaci
on del teorema anterior F es cuasiconcava.
p
3
113
n
o
p
A = (x, y) | 3 x2 + 3y 2 k
este conjunto es equivalente a:
B = (x, y) | x2 + 3y 2 k 3
que es el contorno inferior de la funcion g(x, y) = x2 + 3y 2 a altura k 3 .
Como la funci
on g es convexa sus contornos inferiores son convexos, por
lo tanto el conjunto B es convexo, pero como este es igual al conjunto
A, entonces A es un conjunto convexo lo que implica que la funcion f
es cuasiconvexa.
Figura 4.6: Una funcion es cuasiconcava si y solo si sus contornos superiores (region negra) son convexos.
Como en el caso de convexidad y concavidad existe un criterio diferencial para determinar si una funcion es cuasiconvexa o cuasiconcava, este
CAPITULO 4. CONVEXIDAD
114
C
f
f
f
f
Hf = B
2
21
22
2n
B
C
@ A
fn fn1 fn2 fnn
el criterio est
a dado por el
f
x
( 1)f
x2
f
xy
0
0 fx fy
f
= fx fxx fxy = x
f
fy fyx fyy
y
f
x
f
y
f
xy
( 1)f
y2
f
y
xy
factorizando
x
( 1)
x
1)
115
f3
1
( 1)
+
1
x2 y 2
=
f3
(( 1)((
x2 y 2
1)
) + (
1) )) =
f3
( + ).
x2 y 2
> 0 la
2. La suma de funciones cuasiconvexas o cuasiconcavas no necesariamente es cuasiconvexa o cuasiconcava, para ver esto sean f (x) = x3 y
g(x) = x estas funciones son cuasiconvexas o cuasiconcavas ya que
son mon
otonas, pero h(x) = x3 x no es cuasiconvexa ni cuasiconcava. Los contornos superior e inferior a nivel 0 de h son: [ 1, 0] [ [1, 1)
y ( 1, 1] [ [0, 1] respectivamente y ninguno de estos conjuntos es
convexo.
3. Si f es creciente y g es cuasiconvexa, h(x) = f (g(x)) es cuasiconvexa.
Sean x y y tales que
g(x) g(y).
Como g es cuasiconvexa, para 0
g( x + (1
1,
y como f es creciente,
f (g( x + (1
p
3
x2
xy + y 2 + 5z 2
4.
La funci
on f es creciente y g es la suma de una forma cuadratica
definida positiva y una funcion lineal, ambas convexas, lo que la hace
convexa y por lo tanto cuasiconvexa.
CAPITULO 4. CONVEXIDAD
116
g ( x + (1
)g(y)
)y)
1
g(x) + (1
)g(y)
Si f es una funci
on c
oncava no negativa en A,
f ( x + (1
)y)
f (x) + (1
)f (y)
f
g
)y)
)y)
f (x) + (1
g(x) + (1
)f (y)
.
)g(y)
f (x)
g(x)
k,
h(y) =
f (y)
g(y)
f (y)
kg(y)
de donde,
f (x)
kg(x),
por lo tanto,
h( x + (1
f ( x + (1
)y)
f (x) + (1
g( x + (1
)y)
g(x) + (1
kg(x) + k(1
)g(y)
g(x) + (1
)g(y)
k[ g(x) + (1
)g(y)]
=
=k
g(x) + (1
)g(y)
)y) =
)f (y)
)g(y)
117
)y) = f (y + (x
y))
f (y)
de aqu
al multiplicar por
Al hacer
f (y + (x
y))
f (y)
f (y + (x
y))
f (y)
0,
0.
f (y + (x
y))
f (y)
!0
= rf (y) (x
y)
0.
Ejercicios
1. Clasificar las siguientes funciones en convexas, concavas, cuasiconvexas
o cuasic
oncavas:
a) Q(K, L) = 5K 0,2 L0,5 , K
b) f (x, y) =
5x2
c) s(x, y, z) = y 2
3y 2
p
4
0, L
0,
2y,
xz, x
0, z
0,
d ) F (K, L) = m
ax{2K, 3L},
e) H(K, L) = 5K
f ) g(x, y) =
x2
g) h(x, y, z) = ex
1,2
+ 3L
1,2
0,8
, K > 0, L > 0,
9y 2 ,
ln yz, y > 0, z > 0,
h) G(x, y) = Px x + Py y.
2. Sean
g(x, y, z) = x + 3y
3x2
z2,
f (x, y, z) = x
2y + z 2 .
CAPITULO 4. CONVEXIDAD
118
p
3
5x2 + 3y 2
es convexa, c
oncava, cuasiconvexa o cuasiconcava.
8. Probar que la funci
on
H(x, y, z) =
es cuasic
oncava.
p
3
xy
3x2
4y 2
9. Sea:
f (x, y) = x
+y
z2 + y
3 r
2
3
+ 5y
1 3
G(x, y, z) = xr y
1
3
z4
119
a) cuasiconvexas,
b) cuasic
oncavas.
12. Encontrar condiciones suficientes sobre f y g para que
a) f /g sea cuasiconvexa.
b) f g sea cuasiconvexa.
c) f g sea cuasic
oncava.
4.3.1.
La funci
on CES
fx = arxr
de donde,
fx =
ar r
x
s
fy =
br r
y
s
1 1 s
y por simetra,
1 1 s
fxy =
(1
s)f
s br r 1 1 s
CAPITULO 4. CONVEXIDAD
120
Derivando fx con respecto a x,
fxx =
=
=
=
=
ar
(r 1)xr 2 f 1 s + xr 1 (1 s)f s fx
s
i
ar r 2 h
ar
x
(r 1)f 1 s + x(1 s)f s xr 1 f 1 s
s
s
ar r 2 1 2s
ar(1
s)
x f
(r 1)f s +
xr
s
s
ar r 2 1 2s
x f
[s(r 1)(axr + by r ) + ar(1 s)xr ]
s2
ar r 2 1 2s
x f
[a(r s)xr + bs(r 1)y r ] .
s2
fyy =
br r
y
s2
2 1 2s
[b(r
s)y r + as(r
1)xr ] .
arxr
Hf =
2 f 1 2s [a(r
s2
abr 2 (1 s)(xy)r
s2
1 f 1 2s
bry r
abr 2 (1 s)(xy)r 1 f 1 2s
s2
2 f 1 2s [b(r s)y r +as(r 1)xr ]
s2
121
=
=
=
=
=
abr2 (xy)r 2 f 2
s4
4s
abr2 (xy)r 2 f 2
s4
abr2 (1
4s
a(r
[(a(r
s)xr + bs(r
1)y r ) (b(r
s)2 (xy)
4s
ab(xy)r (r
abr2 (xy)r 2 f 2
s4
+s(r s)(r
s)2 + s2 (r
1) a2 x2r + b2 y 2r
1)2
abr2 (xy)r 2 f 2 4s
[2s(r
s4
a2 x2r + b2 y 2r
s)(r
1)ab(xy)r + s(r
1)(xy)r
2 f 2 4s
abr2 s(r
1)(xy)r
2 f 2 4s
1)(xy)r
2 f 2 2s
abr2 s(r
s)(r
s4
s)(r
s4
abr2 s(r
s)(r
s4
s)y r + as(r
r2 (1
s)(r
1)xr
1)xr )
s)2
1)
a2 x2r + 2ab(xy)r + b2 y 2r
[axr + by r ]2
La funci
on es convexa si y s
olo si su matriz hessiana es semidefinida positiva
para todo (x, y) 2 R2++ ; para que esto se cumpla los coeficientes de xr y y r
en la diagonal de la matriz y el determinante deben ser no negativos y esto
se cumple si y s
olo si
r
0,
s(r
1)
s(r
s)(r
1)
0.
s 0,
s(r
1) 0
s(r
s)(r
1)
0.
CAPITULO 4. CONVEXIDAD
122
Lo que despues de un an
alisis similar determina que la funcion es concava
si y s
olo si r 1, r s y s 0.
Para hacer el an
alisis de cuasiconvexidad o cuasiconcavidad se debe
calcular el determinante de la matriz hessiana orlada,
f
H
arxr
0
=
arxr
bry r
1f 1 s
1f 1 s
abr3 (xy)r 2 f 3
=
s3
=
=
=
=
3s
0
x
y
s [a(r
1)y r ]
1 f 1 2s
axr
f
bry r
s)xr +bs(r
s2
abr 2 (1 s)(xy)r
s2
s
s
1f 1 s
arxr 2 f 1 2s [a(r
bry r
s)xr +bs(r
s
ar(1 s)xr
s
1 yf
1)y r ]
s
1f 1 s
s
s)(xy)r 1 f 1 2s
s2
2s [b(r s)y r +as(r 1)xr ]
s2
r
by 1
abr 2 (1
2f 1
br(1 s)xy r 1 f s
s
f s [b(r s)y r +as(r 1)xr ]
s
abr3 (xy)r 2 f 3 4s
[2abr(1 s)(xy)r by r (a(r s)xr + bs(r 1)y r )
s4
axr (b(r s)y r + as(r 1)xr )]
abr3 (xy)r 2 f 3 4s 2
2r
r
2
2r
a
s(r
1)x
2abs(r
1)(xy)
b
s(r
1)y
s4
3
La funci
on es cuasiconvexa si la u
ltima expresion es negativa en R2++ y
cuasic
oncava si es positiva; para esto basta determinar el signo de
rs(1
r),
123
a) r < 0 y s < 0,
b) 0 < r < 1 y s > 0, o
c) r > 1 y s < 0.
Ejercicios
1. Probar que la funci
on
f (x, y) = exy
x2 y 2
+ 2x2
2xy + 2y 2 + 1
es cuasic
oncava.
2. Comparar los resultados de esta seccion, sobre el comportamiento de
la CES, y los obtenidos por medio de composicion.
3. Probar que si f y g son funciones concavas no negativas sobre un subconjunto A convexo de Rn++ y , son n
umeros positivos, entonces
h(x) = (f (x)) (g(x))
es cuasic
oncava en A.
4. Encontrar las condiciones mas generales sobre los parametros para que
cada una de las siguientes funciones, con dominio R3++ ,
f (x, y, z) = x (y + z ) .
g(x, y, z) = x y + z +
sea:
F (x, y, z) = x + y + z .
G(x, y, z) = x y + z .
a) Convexa.
b) C
oncava.
c) Cuasiconvexa.
d ) Cuasic
oncava.
Captulo 5
Optimizaci
on no restringida
Las aplicaciones m
as importantes de las derivadas en una variable son el
trazado de gr
aficas, y en varias variables la b
usqueda de puntos optimos,
m
aximos y mnimos, para problemas restringidos y no restringidos.
En este captulo se desarrolla la teora para encontrar los optimos (maximos y mnimos) de una funcion. Si el proceso de optimizacion se efect
ua
sobre todo el dominio de la funcion, se habla de optimizacion no restringida, y si se hace sobre un subconjunto del dominio, llamado conjunto de
restricciones, la optimizaci
on es restringida.
5.1.
125
q.
= (r, w, q) ,
q}
y f (x, ) = rK + wL.
Las demandas condicionadas son
{(K (), L ())} = arg mn{f (x, ) | x 2 D()}
y la funci
on de costo es
C () = mn{f (x, ) | x 2 D()}.
Para el problema de maximizar el beneficio del productor el problema a
solucionar es
m
ax (K, L) = P Q(K, L)
rK
wL sujeto a K
0, L
0,
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
126
D() = R2+
K(),
L()
= arg max{f (x, ) | x 2 D()}
y la funci
on de beneficio es
el vector de par
ametros, el conjunto de restricciones y la funcion objetivo
son
= (px , py , u) ,
u},
f (x, ) = px x + py y.
0, y
0,
el vector de par
ametros, el conjunto de restricciones y la funcion objetivo
son
x = (x, y),
= (px , py , m) ,
D() = {(x, y) | px x + py y m}
127
y la funci
on de utilidad indirecta es
V () = max{f (x, ) | x 2 D()}.
Definici
on 5.1. Sea f una funci
on y D un conjunto contenido en el dominio de f . La funci
on tiene un m
aximo global, o absoluto, en el punto
a (a 2 D) sobre el conjunto D, si f (a) f (x) para todo x de D.
De manera an
aloga se define mnimo global, para lo cual basta invertir la
desigualdad: f (a) f (x) para todo x de D.
Definici
on 5.2. Sean f una funci
on y D un conjunto contenido en el
dominio de la funci
on. La funci
on tiene un m
aximo local en el punto a
(a 2 D), si existe r > 0 tal que f (a)
f (x) para todo x en el conjunto
Br (a) \ D.
Esta u
ltima definici
on dice que en una vecindad de a el maximo valor que
alcanza la funci
on f es f (a); esto es, si x esta cerca de a, el valor de la
funci
on en x es menor o igual al valor de la funcion en a. Aquellos puntos
candidatos a ser m
aximos o mnimos se les conoce como puntos crticos,
en una variable son los puntos donde la derivada de la funcion es nula o no
existe.
Ejemplos
1. La funci
on
f (x) = 3x2 + 5x
5
25
2 = 3 x2 + x +
3
36
arg m
ax{f (x) | x 2 R} = ;,
25
5 2
=3 x+
36
6
49
12
5
6
5
6
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
128
40
30
20
10
-3
-2
-1
2.
mn{g(x) | x 2 [ 2, 5]} =
4.
3. La funci
on lineal g(x) = 3x + 2 tiene maximo y mnimo en x = b y
x = a, respectivamente, sobre el intervalo [a, b]
arg m
ax{g(x) | x 2 [a, b]} = {b},
y
m
ax{g(x) | x 2 [a, b]} = 3b + 2,
4. Para
8
>
< 5,
h(x) = 3x + 2,
>
:
17,
129
17
15
10
-2
-1
-5
a) Si b
tanto,
arg m
ax{h(x) | x 2 [a, b]} = arg mn{h(x) | x 2 [a, b]} = [a, b].
y
m
ax{h(x) | x 2 [a, b]} = mn{h(x) | x 2 [a, b]} =
5.
5.
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
130
d ) Si a > 5, la funci
on es constante en el intervalo [a, b], por lo que
arg m
ax{h(x) | x 2 [a, b]} = arg mn{h(x) | x 2 [a, b]} = [a, b].
y
m
ax{g(x) | x 2 [a, b]} = mn{h(x) | x 2 [a, b]} = 17.
5.
8
>
<0,
k(x) = 2x2 + 4x + 3,
>
:
10,
La derivada de la funci
on es:
(
0,
0
k (x) =
4x + 4,
si x 2,
si
2 < x 1,
si x > 1
si x < 2 o x > 1,
si
2 < x < 1,
Esta funci
on no es derivable en x = 1 y x = 2. Los puntos crticos de
la funci
on son
P C = ( 1, 2] [ [1, 1) [ { 1}
La funci
on es creciente en el intervalo ( 1, 1), en este intervalo k 0 es
positiva, decreciente en ( 2, 1), ah k 0 es negativa, y constante en
( 1, 2] [ (1, 1), en estos puntos la derivada de k es cero. La segunda
derivada de la funci
on es
(
0, si x < 2 o x > 1,
k 00 (x) =
4, si
2 < x < 1,
La segunda derivada no existe en x = 1 y x = 2. Los posibles puntos
de inflexi
on son
P P I = ( 1, 2] [ [1, 1)
de los cuales los u
nicos que se pueden considerar puntos de inflexion
son x = 1 y x = 2, ya que la funcion es convexa en el intervalo ( 2, 1),
pues en este intervalo k 00 es positiva. En ( 1, 2)[(1, 1) la funcion se
puede considerar convexa o concava; si se considera concava entonces
x = 1 y x = 2 son puntos de inflexion.
Para determinar los conjuntos arg max, arg mn y los valores del maximo y mnimo de esta funcion sobre el conjunto A = [a, b], se deben
analizar varios casos:
131
10
-2
-1
1. Si b 2, la funci
on es constante en A,
arg m
ax{k(x) | x 2 [a, b]} = arg mn{k(x) | x 2 [a, b]} = [a, b] y
m
ax{k(x) | x 2 [a, b]} = mn{k(x) | x 2 [a, b]} = 0.
2. Si a 2 < b < 0,
arg m
ax{k(x) | x 2 [a, b]} = ;,
arg mn{k(x) | x 2 [a, b]} = [a, 2],
m
ax{k(x) | x 2 [a, b]} no existe y
mn{k(x) | x 2 [a, b]} = 0.
3. Si a 2 y 0 b 1,
arg m
ax{k(x) | x 2 [a, b]} = {b},
arg mn{k(x) | x 2 [a, b]} = [a, 2],
m
ax{k(x) | x 2 [a, b]} = 2b2 + 4b + 3 y
mn{k(x) | x 2 [a, b]} = 0.
4. Si a 2 y b > 1,
arg m
ax{k(x) | x 2 [a, b]} = (1, b],
arg mn{k(x) | x 2 [a, b]} = [a, 2],
m
ax{k(x) | x 2 [a, b]} = 10 y mn{k(x) | x 2 [a, b]} = 0.
5. Si 2 < a < b < 1,
arg m
ax{k(x) | x 2 [a, b]} = {a},
arg mn{k(x) | x 2 [a, b]} = {b},
m
ax{k(x) | x 2 [a, b]} = 2a2 + 4a + 3 y
mn{k(x) | x 2 [a, b]} = 2b2 + 4b + 3.
6. Si 2 < a < 1, 1 b 1 y |a + 1|
arg m
ax{k(x) | x 2 [a, b]} = {a},
i
|b + 1|,
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
132
9. Si 1 a < b 1,
arg m
ax{k(x) | x 2 [a, b]} = {b},
arg mn{k(x) | x 2 [a, b]} = {a},
m
ax{k(x) | x 2 [a, b]} = 2b2 + 4b + 3 y
mn{k(x) | x 2 [a, b]} = 2a2 + 4a + 3.
8
>
<0
f (x) = x2
>
:
1
si
si
si
mn{f (x) | x 2 I}
x< 2
2x1
x > 1.
133
Si el conjunto I es:
1. ( 3, 1].
2. [ 1, 3).
3. [a, b] donde
5.2.
Derivadas direccionales
En esta secci
on se encuentran las condiciones necesarias y suficientes que
debe satisfacer una funci
on en varias variables para que alcance un extremo en alg
un punto. Aqu, como en una variable, el conocimiento de la
convexidad de una funci
on sobre un conjunto cerrado y la existencia de un
punto crtico interior al conjunto implican que la funcion tiene un mnimo
en ese punto y los m
aximos sobre la frontera del conjunto. La convexidad
o concavidad convierten ciertas condiciones necesarias en suficientes.
La versi
on en varias variables del teorema que da las condiciones necesarias para la existencia de un extremo, necesita de la nocion de diferenciabilidad dada por la siguiente
Definici
on 5.3. Una funci
on f definida en un subconjunto abierto A de
Rn es diferenciable en un punto a de A si
f (x) = f (a) + rf (a) (x
a) + ||x
a||Ea (x
a)
x!a
a) = 0.
a) = f (a, b) +
@f
(a, b)(x
@x
a) +
@f
(a, b)(y
@y
a||E(a,b) (x
a, y
b).
b) que
134
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
z
Ha,b, f Ha,bLL
Definici
on 5.4. Sea f : A Rn ! R, A abierto, x0 un elemento de A y
v un vector unitario de Rn . La funci
on f es derivable en el punto x0 en la
direcci
on del vector v si
f (x0 + hv)
h!0
h
lm
f (x0 )
5.3.
M
aximos y mnimos en varias variables
1
Si se hace u = x a y v = ||u||
u en la definicion de diferenciabilidad,
entonces x = a + u = a + ||u||v y
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
135
v
x0
@f
Figura 5.5: @v
(x0 ) es la pendiente de la tangente a la superficie z = f (x) en el punto (x0 , f (x0 )) en la direccion del
vector v.
1
||u|| ,
f (a + ||u||v)
||u||
f (a)
f (a + ||u||v)
||u||
||u||!0
f (a)
= rf (a) v + Ea (u)
= rf (a) v + lm Ea (u).
||u||!0
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
136
fx = 2 (x
fy = (x
1)2 y 2 + y + x2
1)2 (2y + 1)
1) y 2 + y + 2x = 0
(x
1)2 (2y + 1) = 0.
La segunda ecuaci
on es cero si y solo si x = 1 o y = 1/2. x = 1 no
produce soluci
on ya que al ser reemplazado en la primera ecuacion lleva
a x = 0, lo que es imposible (x no puede tomar dos valores simultaneamente). Al reemplazar y = 1/2 en la primera ecuacion
2(x
1)(
1
4
1
) + 2x =
2
1
(x
2
3
1
1) + 2x = x + = 0
2
2
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
137
wQ(K, L)
138
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
Si la funci
on Q(K, L) es homogenea de grado uno (tiene rendimientos
constantes a escala), Q( K, L) = Q(K, L), la funcion de beneficio es
homogenea de grado uno:
( K, L) = P Q( K, L)
= P Q(K, L)
(r K + w L)
(r K + w L) = (K, L).
Si adem
as, existe una combinacion de insumos (K0 , L0 ) para la que
(K0 , L0 ) > 0, es posible alcanzar cualquier nivel de beneficio ya que,
lm ( K0 , L0 ) = lm
!1
!1
(K0 , L0 ) = 1.
(rK + wL).
La combinaci
on de insumos que produce el mayor beneficio son las
soluciones del sistema de ecuaciones,
@
= P QK (K, L)
@K
r = 0,
@
= P QL (K, L)
@L
w = 0.
P QL (K, L) = w,
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
139
Ejercicio
Cu
al es el precio de venta por unidad producida para maximizar el beneficio?
Definici
on 5.5. Si a es un punto crtico de f pero f no tiene un m
aximo
ni un mnimo en a, se dice que f tiene un punto de silla en a.
La prueba del siguiente teorema, que da las condiciones suficientes para
encontrar los
optimos de una funcion en varias variables, esta basada en el
teorema 5.6
Teorema 5.2. Si a es un punto crtico de f y
1. H(a) es definida positiva, entonces f tiene un mnimo en a.
2. H(a) es definida negativa, entonces f tiene un m
aximo en a.
3. H(a) es no definida, entonces f tiene un punto de silla en a.
4. H(a) es semidefinida, el criterio no decide.
La u
ltima parte del teorema dice que cuando H(a) es semidefinida, la aproximaci
on por una forma cuadratica es localmente muy plana, y a partir de
la matriz hessiana no se pueden sacar conclusiones sobre el comportamiento
del punto crtico.
Ejemplos
1. El u
nico punto crtico de f (x, y) = (x 1)2 y 2 + y +x2 es ( 1/3, 1/2).
Las segundas derivadas parciales de f son
fxx = 2 y 2 + y + 2 = 2 y 2 + y + 1 ,
fyx = fxy = 2 (x
1) (2y + 1) ,
fyy = 2 (x 1) .
2 y2 + y + 1
2 (x 1) (2y + 1)
H (x, y) =
2(x 1)(2y + 1)
2(x 1)2
H
1
,
3
1
2
3
2
0
32
9
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
140
x2
4x
3 (1
x2
y 2 )1/3
fy =
y2
2/3
4y
3 (1
x2
y 2 )1/3
+ 1 son
Los puntos crticos son los que hacen cero estas derivadas y tambien
aquellos para los cuales las derivadas no estan definidas:
P C = {(0, 0)} [ (x, y) | x2 + y 2 = 1 .
Las segundas derivadas son
fxx =
x2
4 3
9 (1
y 2 )4/3
8xy
x2
fxy = fyx =
fyy =
3y 2
9 (1 x2 y 2 )4/3
4 3 3x2 y 2
9 (1
y 2 )4/3
x2
0
3
H(0, 0) =
4
0
3
es definida negativa, de donde la funcion tiene un maximo local en el
punto (0, 0).
Para clasificar los otros puntos se debe examinar la funcion cerca de
cada punto. Para esto basta observar que si (x , y ) es un punto crtico
para el que (x )2 + (y )2 = 1, entonces
2/3
f (x , y ) = 1 (x )2 (y )2
+1=0+1=1
1
x2
y2
2/3
+ 1 = f (x, y)
para todo (x, y). De lo anterior se concluye que la funcion tiene mnimos
globales en todos los puntos que satisfacen la condicion: x2 + y 2 = 1,
es decir,
arg mn{f (x, y) | (x, y) 2 R2 } = (x, y) | x2 + y 2 = 1
y
mn{f (x, y) | (x, y) 2 R2 } = 1.
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
141
(rK + wL).
KK KL
P QKK P QKL
H =
=
LK LL
P QLK P QLL
QKK QKL
=P
= P HQ ,
QLK QLL
las condiciones suficientes se cumplen si la funcion de produccion es
c
oncava.
4. Si la empresa produce con tecnologa CES,
Q(K, L) = aK
+ bL
+ bL
= aK
se tiene
QK =
aK
QL =
bL
a K
Q
QL =
b L
a K 1
1
Q
1
b L
1
Q
aK
bL
1
1
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
142
o en forma equivalente,
br
=
aw
K
L
L
K
+1
despejando la fracci
on L/K,
L
=
K
de donde
L=
br
aw
1
+1
br
aw
1
+1
o K=
aw
1
+1
br
L.
P QL =
=
Pb L
(aK
aw
br
1
+1
+ bL
Pb
aw
br
br
aw
+1
+1
br
aw
+1
+ bL
Pb
+1
+b
L
Pb
a
+b
+ bL
Pb
i
L+1
+ bL
L+1
= h
a
Pb
P b (aK
+1
i +1
Pb
(aK
+ bL
) +1 L+1
+1
L+1
+1
L+1
L+1
= w.
L1
Despejando L en la u
ltima igualdad,
L1
Pb
a
br
aw
+1
+b
+1
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
o
6
= L(P,
L
r, w) = 4
Pb
a
br
aw
+1
+b
y al reemplazar en K,
+1
143
1
1
7
5
aw 1
+1
= K(P,
K
r, w) =
L
br
2
3 1
1
aw 1
P
b
+1 6
7
=
.
4
+1 5
br
br +1
a aw
+b
w
yL
son las funciones de demanda de factores de la empresa,
K
ellas determinan las cantidades de factores que se han de usar para
maximizar el beneficio. Notese que esas demandas estan en funcion de
los precios (precios de los insumos de produccion y precio de venta
del producto). Si se reemplazan esas funciones en Q, se encuentra la
funci
on de oferta de la empresa, esto es, las cantidades que se deben
producir para maximizar el beneficio:
Q = Q (P, r, w) = Q(K, L) = a K
+b L
2
0
1
1
6 aw +1 B
P
b
C
=6
@
+1 A
4a br
br +1
a aw
+b
w
0
B
+b @
Pb
a
br
aw
+1
"
#
br +1
= a
+b
aw
+b
2
+1
6
4
br
aw
C
A
+1
7
7
5
Pb
"
# (+1)
(
1)
br +1
Pb
= a
+b
aw
w
+b
+1
7
5
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
144
La funci
on de beneficio de la empresa es el valor optimo de , esto
es,
= (P, r, w) = P Q (rK + wL )
"
# (+1)
(
1)
br +1
Pb 1
=P a
+b
aw
w
2
3 1
aw +1
r
+w
br
6
4
Pb
br
aw
+1
+b
+1
7
5
1
br +1
a
+ b = a +1 b +1 r +1 w +1 + b
aw
1
1
= b +1 w +1 a +1 r +1 + b +1 w +1
y
br
aw
1
+1
+ w = a +1 b +1 r +1 w +1 + w
1
1
1
1
= b +1 w +1 a +1 r +1 + b +1 w +1 .
"
# (+1)
(
1)
+1
1
1
b
Pb
= P
a +1 r +1 + b +1 w +1
w
w
1
1
1
b +1 +1
a r +1 + b +1 w +1
w
2
3
6
4
b
w
+1
1
1
Pb
1
+1
P1
+1
+b
1
1
+1
+1
1+
1
a +1 r +1 + b +1 w +1
1
1
7
5
(+1)
(
1)
Esta funci
on es tipo CES en los precios de los insumos; esto muestra
un comportamiento dual entre la funcion de produccion y la funcion
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
145
y 2 + xy.
punto de silla
3
b) f (x, y) = x2 + 3y 2
c) f (x, y) = (2x + 3y
12)3
d ) f (x, y) =
x2
e) f (x, y) = e1+x
10.
5.
2y + 6y 2 + 8. (-18/5,-11/15)
3xy + 5x
2
y2 .
f ) f (x, y) = (x
y)(xy
g) f (x, y) = (a
x)(a
y)(x + y
a).
h) f (x, y) = (x
a)(y
b)(x + y
c).
i ) f (x, y, z) = x2 + y 2 + z 2 + xy + 4.
j ) f (x, y, z) = 1 + x3 + xz + yz 2 .
k ) f (x, y, z) = 4x2 + 4xy 3 + 3y 2
l ) f (x, y, z) = 2x2 y
4x2
y 2 + yz
m) f (x, y, z) = 2x3 + xy 2
n) f (x, y, z) = e
x2
z3
5x2 + 2y 2
y2
+e
z3 + z2.
z2.
8xz + z 2 .
+ z2.
n
) f (x, y, z) = x4 + y 4 + z 4 + 4x + 4y + 32z + 1.
o) f (x, y, z) = ax3 + axy
bx2 + 2y 2
p) f (x, y, z) = x3 + y 3 + z 3
q) f (x, y, z) = z 2 (2y
r ) f (x, y, z) =
2x3
s) f (x, y, z, u) = x +
t) f (x, y, z) = (x + y
y
x
9xz + 27x.
x2 (x + 1) + (x
4)
2y 2
9xy
cxz + z 2 .
y)y.
z2
+ 2xy + xz + yz + z
z
y
u
z
1.
+ u1 .
2)(x + y
3) + z 2
NO RESTRINGIDA
CAPITULO 5. OPTIMIZACION
146
ax2
bx2 ,
5.3. MAXIMOS
Y MINIMOS EN VARIAS VARIABLES
147
Captulo 6
Optimizaci
on restringida
En este captulo se encuentran las condiciones necesarias y suficientes que
deben cumplir los
optimos de una funcion f (x) sobre un conjunto de restricciones de la forma
A \ {x | gi (x) = 0 para i = 1, 2, ..., m; hk (x) 0 para k = 1, 2, ..., p},
donde A Rn es el dominio de f y hk y gi son funciones reales con dominio
en Rn . Una soluci
on factible es un punto que satisfaga las restricciones,
esto es, un elemento del conjunto de restricciones. El problema busca el
valor
optimo de la funci
on f sobre el conjunto de soluciones factibles.
En el captulo anterior se definio el concepto de derivada direccional para
una funci
on f : A Rn ! R de varias variables, en un punto a de A, en la
direcci
on del vector unitario v de Rn . Usando la funcion g(t) = f (a + tv)
para t variable real se tiene que si g es derivable en t = 0,
g 0 (0) = lm
h!0
g(h)
g(0)
h
= lm
h!0
f (a + hv)
h
f (a)
149
g 0 (t) =
Y si t = 0,
g 0 (0) = rf (a) v,
esto es, la derivada direccional de la funcion en un punto a en la direccion
del vector v es el producto interno entre el vector gradiente de la funcion
calculado en el punto y el vector direccion. La anterior es otra forma de
encontrar la relaci
on de la derivada direccional y el gradiente base de la
prueba del teorema 6.1 en el que se dan los caminos mas eficientes para ir
a los
optimos.
6.1.
Restricciones de igualdad
En esta secci
on se encuentran las condiciones que satisfacen los optimos de
una funci
on f (x) sobre un conjunto de la forma
A \ {x | gi (x) = 0 para i = 1, 2, ..., m}.
El problema
Mnimo de x2 + (y
sujeto a 2x2 + y =
1)2
4
2x2
La soluci
on se encuentra con los metodos expuestos en el captulo de aplicaciones de la derivada a la optimizacion en una variable. Su derivada
f 0 (x) = 16x3 + 42x = 2x 8x2 + 21
CAPITULO 6.
150
RESTRINGIDA
OPTIMIZACION
n
mn f (x, y) = x2 + (y
1)2 | 2x2 + y =
o
4 = 25.
En problemas m
as complejos no siempre es posible hacer un reemplazo en
la forma anterior, ya sea por el n
umero de variables involucradas o por la
dificultad o imposibilidad de eliminar variables mediante el despeje en las
restricciones. Un resultado que da condiciones necesarias para solucionar
este tipo de problemas es el teorema de Lagrange, la base de su razonamiento es el teorema anterior y el comportamiento del gradiente sobre los
contornos.
6.1.1.
Condiciones necesarias
151
Y haciendo t = t0 ,
rf (x1 (t0 ), x2 (t0 ), , xn (t0 )) (x01 (t0 ), x02 (t0 ), , x0n (t0 )) =
rf (a) (x01 (t0 ), x02 (t0 ), , x0n (t0 )) = 0.
1 rg(x
, y, z) +
2 rh(x
, y, z)
@gi
(a)
@xj
mn
i
CAPITULO 6.
152
RESTRINGIDA
OPTIMIZACION
!f
C
Figura 6.1: Las curvas de nivel de f se mueven en direccion del
gradiente hasta alcanzar el u
ltimo punto P sobre la curva C.
1,
rf (a) =
(llamados multiplicadores
2 ,..., m
n
X
i=1
i rgi (a).
La condici
on del teorema se puede transformar en
rf (a)
n
X
i=1
i rgi (a)
=0
n
X
i=1
@gi
(a) = 0, para k = 1, 2, ..., n.
@xk
1,
2 , ...,
m ) = f (x1 , x2 , ...xn )
m
X
k gk (x1 , x2 , ...xn ).
k=1
153
1,
2 , ...,
m ) = f (x) +
m
X
k gk (x).
k=1
las condiciones necesarias producen los mismos valores para las variables
del problema, pero los multiplicadores tienen signos opuestos a los que se
encuentran usando signo negativo entre la funcion objetivo y la combinacion
de restricciones, esto hace que se deba tener especial cuidado al hacer uso del
valor de los multiplicadores. Los valores de las variables solucion del sistema,
que dan las condiciones necesarias del problema, no se afectan porque las
restricciones al estar igualadas a cero no se alteran al ser multiplicadas por
menos uno.
Ejemplos
1. Para encontrar los puntos donde la funcion
f (x, y) = xy
2y
1 sujeta a x
2y = 0
2y
1 + (x
2y)
que son:
Lx = y
i
1+ ,
Ly = x
2 ,
L =x
2y.
CAPITULO 6.
154
RESTRINGIDA
OPTIMIZACION
1+
2 2
2y
=0
=0
= 0.
N
otese que la u
ltima ecuacion es la restriccion del problema original,
en ella x = 2y. En la primera y = 1
, reemplazando estos valores en
la segunda 2y 2 2 = 2(1
) 2 2 = 4 = 0 de donde = 0,
y = 1, x = 2. Hasta aqu falta determinar si este punto es un maximo
o un mnimo.
2. El lagrangiano para encontrar los optimos de la funcion
f (x, y, z, w) = x2 + y 2 sujeta a x2 + z 2 + w2 = 4,
y 2 + 2z 2 + 3w2 = 9
es
L(x, y, z, w,
1,
2)
=x2 + y 2 +
+
x2 + z 2 + w 2
2
y + 2z + 3w
9 ,
1
2
+ 4z
2
Ly = 2y + 2y
1,
2,
=x +z +w
4,
Lw = 2w
L
2,
+ 6w
2
2,
= y + 2z + 3w2
9.
155
2
2
5. x = 0, y 6= 0, 2 = 1, z 6= 0, 1 = 2 y w = 0. Las u
ltimas
2
2
2
ecuaciones son z = 4, y + 2z = 9, de donde z = 2 y y = 1.
Las soluciones son (0, 1, 2, 0).
= 3. Las ecuaciones
CAPITULO 6.
156
RESTRINGIDA
OPTIMIZACION
AK L )
AK
@L
=w
@L
L ,
A K L
wL
r
reemplazando en la u
ltima ecuacion del sistema,
q=A
wL
r
L =A
w
r
L+
transponiendo terminos,
L+ =
q
A
r
w
157
r +
,
w
1
w q
r +
w h q i +1
r +
K = K (r, w, q) =
=
r A w
r A
w
"
# 1
+
hqi 1
r + 1
q
r
+
=
=
,
A
w
A w
q
L = L (r, w, q) =
A
las funciones de demanda condicionada de factores que representan las cantidades de insumos que debe demandar el productor para
minimizar los costos. La funci
on de costo se encuentra reemplazando
estos valores en la funci
on objetivo:
"
1
# +1
r
q
r +
+w
w
A w
"
#
q 1
r +
r +
+
=
r
+w
A
w
w
"
q 1
+
+
1 +
1
=
r
w +
+ r + w
A
"
#
q 1
+
+
+
=
r + w +
+
A
"
#
q 1
+
+
+
=
r + w +
+
A
q 1
+
+
=
r + w + .
A
+ +
q
C = r
A
esta u
ltima expresi
on es una funcion Cobb-Douglas en los precios de
los insumos K y L. Esto indica que si la funcion de produccion es
Cobb-Douglas, la funci
on de costo optimo tambien debe ser de ese tipo.
N
otese que la funci
on de produccion es homogenea de cualquier grado
(no se han impuesto restricciones sobre los parametros) y la funcion de
costo es homogenea de grado 1 en los precios de los insumos.
CAPITULO 6.
158
RESTRINGIDA
OPTIMIZACION
Si en particular la funci
on de produccion tiene rendimientos constantes
a escala ( + = 1), la funcion de costo es
C = C (r, w, q) =
r w
rC
wC
@C r
=
=
@r C
@C w
=
=
@w C
q
A
q
A
r w
r
C r
=
= ,
C
r C
C w
1 w
=
=
C
w C
KQ =
LQ
y h (px , py , u)
159
UHx,yL=u
yh
xh
Figura 6.2: Las curvas de nivel de px x + py y se mueven en
direcci
on contraria a la del gradiente hasta alcanzar el u
ltimo
punto sobre la curva U (x, y) = u.
La restricci
on de este problema equivale a
ax + by = u ,
y el problema a resolver se transforma en
Minimizar px x + py y
sujeto a ax + by = u .
El lagrangiano es
L = px x + p y y +
y las derivadas parciales,
L x = px
L y = py
ax
ax
by
by
py = by
1
1
ax
=
by
1
1
a
=
b
x
y
CAPITULO 6.
160
RESTRINGIDA
OPTIMIZACION
transponiendo terminos,
x
y
bpx
=
,
apy
x
=
y
bpx
apy
1
1
x=
bpx
apy
1
1
y.
ax + by = a
"
bpx
apy
1
1
+ by = a
"
#
bpx 1
= a
+ b y = u .
apy
bpx
apy
y + by
De aqu,
"
#
bpx 1
y = a
+b
apy
"
#
bpx 1
h
y = a
+b
apy
u .
x =
bpx
apy
1
1
"
#
bpx 1
a
+b
apy
que son las funciones de demanda hicksianas para este caso. Para encontrar la funci
on de gasto se reemplazan los valores encontrados en
la funci
on objetivo:
e = e(px , py , u) = G(xh , y h )
# 1
1 "
1
bpx 1
bpx 1
= px
a
+b
u
apy
apy
"
# 1
1
bpx 1
+ py a
+b
u
apy
"
#"
#
1
bpx 1
bpx 1
= px
+ py a
+b
apy
apy
u .
161
1
b 1
a 1 px 1 + b
py
1
1
py
y el segundo,
b
py
1
1
px
+b
1
1
py
As,
e=
b
py
= a
1
1
1
1
"
b
py
px
1
1
px
+b
1
1
+b
1
1
py
1
1
py
px
+b
1
1
py
u .
Esta funci
on es tipo CES en los precios, esto es, existe un comportamiento dual entre la utilidad y el gasto.
Los ejemplos anteriores ilustran la dualidad existente entre produccion y
costo, y utilidad y gasto para funciones tipo CES y CD. En el captulo anterior se mostr
o, para el caso CES, la dualidad entre beneficio y produccion;
queda por probar que costos y gastos CES o CD determinan produccion y
utilidad CES o CD, respectivamente.
6.1.2.
Condiciones suficientes
Las condiciones suficientes para problemas de optimizacion con restricciones de igualdad est
an dadas por la hessiana orlada del problema o
hessiana del lagrangiano, formada por las segundas derivadas parciales del
lagrangiano con respecto a las variables del problema y los multiplicadores.
Esta matriz se puede escribir en cualquiera de las formas
0
1
0
.
.. @gi 1
@gi
@2L
0 ..
. @xj
@xj C
B
B @xi @xj
C
B
C
B
A
o
C
@
@
A
..
..
@gj
@gj
@2L
.
. 0
@xi
@xi @xj
(n+m)(n+m)
@xi
(n+m)(n+m)
CAPITULO 6.
162
RESTRINGIDA
OPTIMIZACION
2y
1 sujeta a x
2y = 0,
|H(2, 1, 0)| = 1
1
1
0
2
1
2 =
0
4.
163
Por lo tanto,
arg min {f (x, y) = xy
2y
1|x
2y = 0} = {(2, 1)}
mn {f (x, y) = xy
2y
1|x
2y = 0} =
y
3.
2. En la soluci
on del problema
Minimizar C(K, L) = rK + wL
sujeto a Q(K, L) = q.
Q(K, L))
son:
LKK =
LLL =
QKK ,
QLL ,
LKL =
LK =
LLK =
QKL ,
LL =
QK ,
QLK ,
QL
0
QK
QL
0
QK
QL
QK
QKK
QLK
QK
QKK
QLK
QL
QKL
QLL
QL
QKL =
QLL
Q (K, L)
H
y M (px , py , m)
CAPITULO 6.
164
RESTRINGIDA
OPTIMIZACION
yM
p x x+py y=m
xM
Para el problema
Maximizar U (x, y)
sujeto a
px x + py y = m.
px x
py y)
son:
Lxx = Uxx ,
Lyy = Uyy ,
Lxy = Uxy ,
Lx =
px ,
Lyx = Uyx ,
Ly =
py
165
0
px
py
px
py
Uxx
Uyx
Uxy
Uyy
Uxx Uxy
py
= py px
.
Uyx
Uyy
px
L xM , y M , M > 0 el punto, xM , y M , M , que satisface el teoSi H
rema de Lagrange es un argumento maximizador. Pero esta condicion,
seg
un las igualdades anteriores, equivale a que la forma cuadratica (en
los precios) px py Uyx + px py Uxy p2y Uxx p2x Uyy sea definida positiva
que equivale a que la matriz
Uxx Uxy
Uyx
Uyy
sea definida positiva, esto es, la matriz hessiana de U es definida negativa que equivale a U c
oncava. En conclusion si U es concava el punto
que satisface el teorema de Lagrange es argumento maximizador.
Para la clasificaci
on de los puntos crticos en algunos problemas, como el
del ejemplo 2 de la secci
on 7.1.1, es posible usar el siguiente
Teorema 6.3. (Weierstrass) Sea f una funci
on real continua en un subn
conjunto A de R compacto; entonces existen a y b en A tales que
f (a) f (x) f (b) para todo x 2 A.
El teorema garantiza que una funcion continua definida sobre un conjunto
cerrado y acotado alcanza sus extremos (maximo y mnimo).
Ejemplo
En el problema
f (x, y, z, w) = x2 + y 2 sujeta a x2 + z 2 + w2 = 4,
y 2 + 2z 2 + 3w2 = 9
CAPITULO 6.
166
RESTRINGIDA
OPTIMIZACION
La funci
on objetivo f (x, y, z, w) = x2 + y 2 es continua. Por lo tanto, la
funci
on tiene extremos en el conjunto definido por las restricciones; puesto
que el teorema de Lagrange genero 16 puntos crticos, en alguno de ellos debe estar el m
aximo y el mnimo. Al reemplazar cada uno
p de los
puntos en la funci
on objetivo:pf (2, 3, 0, 0) = 13, f (1, 0, 0, 3) = 1,
f (0, 1, 2, 0) = 1 y f (0, 0, 3, 1) = 0. De donde se encuentra que
arg max x2 + y 2 | x2 + z 2 + w2 = 4,
y 2 + 2z 2 + 3w2 = 9
arg min x2 + y 2 | x2 + z 2 + w2 = 4,
p
= {(0, 0, 3, 1)},
y 2 + 2z 2 + 3w2 = 9
= {(2, 3, 0, 0)},
m
ax x2 + y 2 | x2 + z 2 + w2 = 4,
y 2 + 2z 2 + 3w2 = 9 = 13
mn x2 + y 2 | x2 + z 2 + w2 = 4,
y 2 + 2z 2 + 3w2 = 9 = 0.
y
Para este caso, la aplicaci
on del teorema de Weierstrass, en vez del examen de la matriz hessiana orlada, simplifica el proceso de clasificacion de
los puntos crticos. Sin embargo, clasificar los otros puntos en maximos o
mnimos locales requiere la matriz hessiana orlada.
Ejercicios
1. Encontrar y clasificar los extremos (maximos y mnimos) de las funciones, sujeto a las restricciones dadas:
a) xy 2 sujeto a x + 2y = 2.
b) x3 + 2xy + x2 sujeto a x + y = 0.
c) x + y + z sujeto a x2 + y 2 = 1, 2x + z = 1.
d) x
y + z sujeto a x2 + y 2 + z 2 = 1.
e) x2 y sujeto a 3x2 + 3y 2 + 6y = 5.
f ) z sujeto a x2 + y 2 = 2, x + y + z = 0.
g) x2 + (y
h) x2 + y 2 sujeto a x2 + z 2 + w2 = 4, y 2 + 2z 2 + 3w2 = 9.
i) x
y + z sujeto a x2 + y 2 + z 2 = 4, 2x
3y + 4z = 1.
167
2x + 2y 2 + z 2 + z sujeto a x + y + z = 1, 2x
z = 5.
k ) x + y + z sujeto a x2 + y 2 + z 2 = 4.
l ) xyz sujeto a x + y + z = 5, xy + xz + yz = 8.
m) x2 + 2y
z 2 sujeto a 2x
n) x2 + y 2 + z 2 sujeto a x2
y = 0, x + z = 6.
y 2 = 1.
2. Solucionar el problema:
Minimizar x2 + y 2 sujeto a (x
1)3
y2 = 0
K1 + K 2 = K
representa el valor total de produccion de dos bienes sujeta a restricciones de capital y trabajo. K y L son las cantidades de insumos
disponibles y los subndices representan las partes de cada insumo usadas en cada producto. Usar las condiciones de primer orden para encontrar la forma de repartir los recursos disponibles, capital y trabajo,
para maximizar el valor total de produccion en funcion de , , K y L
si las funciones de produccion son:
a) CES.
b) Cobb-Douglas.
5. Encontrar las funciones de demanda marshallianas del consumidor y la
utilidad indirecta para cada una de las siguientes funciones de utilidad:
a) U (x, y) = xy.
168
CAPITULO 6.
RESTRINGIDA
OPTIMIZACION
b) U (x, y) = xa y b .
c) U (x, y) = x2 + y 2
d ) U (x, y) = (xa +
1/2
y a )b/a .
e) U (x, y) = ax + ln y b .
6. Encontrar las funciones de demanda hicksiana y la funcion de gasto
asociada a cada una de las funciones de utilidad del ejercicio anterior.
6.2.
Restricciones de desigualdad
En la secci
on anterior se encontraron las condiciones para solucionar problemas con restricciones de igualdad. Ese tipo de restricciones para dos variables representa una curva en el plano y para tres variables una superficie
en el espacio. Una restricci
on de desigualdad en dos variables, g(x, y) 0,
representa una porci
on del plano limitada por la curva g(x, y) = 0. Un punto para el que g(a, b) < 0 se llama interior a la restriccion y si g(a, b) = 0, el
punto es frontera. De la misma forma, los puntos que satisfacen la restricci
on g(x, y, z) 0 generan una porcion del espacio tridimensional limitada
por una superficie. El conjunto de puntos factibles esta formado por los
puntos que satisfacen todas las restricciones, en este caso es la interseccion
de las regiones determinadas por cada una de las restricciones. Cuando
un punto factible satisface la igualdad en una restriccion, se dice que la
restricci
on est
a activa; en caso contrario, la restriccion esta inactiva.
El hecho de que una restriccion este o no activa en la solucion de un
problema juega un papel importante, si por ejemplo se esta solucionando
un problema de maximizaci
on del beneficio de una empresa que tiene restricciones de mano de obra, espacio de bodega disponible y maquinaria y
en la soluci
on la u
nica restriccion activa es la de bodega, entonces eso indica que la manera de mejorar los beneficios de la empresa es ampliando la
bodega. Si en la soluci
on hay dos restricciones activas, por ejemplo, el espacio para almacenamiento y la mano de obra, para mejorar el valor objetivo
es necesario relajar las restricciones activas, esto es, ampliando la bodega y
aumentando la mano de obra. Si para el caso la solucion es interior (ninguna
restricci
on est
a activa), es posible reducir las restricciones y seguir manteniendo el valor de la funci
on objetivo. El comportamiento de las soluciones
se enmarca en el llamado an
alisis de sensibilidad donde se determinan
las variables y variaciones que afectan las soluciones de un problema de
optimizaci
on; para hacer este tipo de analisis existen una gran cantidad de
169
Maximo de ( f ).
y 2 x,
0,
m
as alejados del conjunto en contra y a favor del vector gradiente de la
funci
on (1, 1).
CAPITULO 6.
170
RESTRINGIDA
OPTIMIZACION
k 0
@gi
@xj
#(I)n
n
X
i=1
k gk (a) = 0,
i rgi (a)
para
k = 1, 2, . . . , m.
est
a formada por los gradientes de las funciones
gi para i 2 I, esto es, las funciones que definen los contornos que forman
las restricciones activas en el punto que soluciona el problema. Las u
ltimas
condiciones del teorema se llaman condiciones de holgura complementaria con ellas se determinan las restricciones activas: si un multiplicador
es positivo, la restricci
on correspondiente esta activa.
Nuevamente el lagrangiano del problema:
L (x, ) = f (x1 , x2 , ...xn )
m
X
k gk (x1 , x2 , ...xn )
k=1
0, y
@L
(a) 0.
@k
171
0) el la-
k gk (x1 , x2 , ...xn )
k=1
@L
(a) = 0 para k = 1, 2, . . . , m con k
@k
0, y
@L
(a)
@k
0.
x2
10
0, x
2yy
0,
este se convierte a maximizacion: cambiando el signo a la funcion objetivo, multiplicando la primera restriccion por 1 y tomando la segunda
restricci
on en la forma equivalente x 2
0 (el teorema solamente
aplica para este tipo de desigualdades).
M
aximo de
x2
f (x, y) =
sujeto a
x2
10
y2
0, x
0yy
0.
x2
y2
1 y
x2
10
+ 2 (x
2) + 3 y,
CAPITULO 6.
172
RESTRINGIDA
OPTIMIZACION
2x + 6x1 y
x2
Ly =
2y
31 y
10
10
+ 2 ,
L2 = x
L 1 =
+ 3 ,
L3 = y.
2,
y
x2
10
Las u
ltimas tres ecuaciones equivalen a 1 = 0 o y = x2 + 10, 2 = 0 o
x = 2, y 3 = 0 o y = 0. Para encontrar la solucion se deben analizar
8 combinaciones: 1 = 0, 1 > 0 ; y 2 = 0, 2 > 0, y 3 = 0, 3 > 0,
que se pueden visualizar en la tabla
1
2
3
0
0
0
0
0
+
0
+
0
+
0
0
0
+
+
+
0
+
+
+
0
+
+
+
173
C(K, L) =
sujeto a aK
q,
bL
rK
wL
0,
q,
0.
Su lagrangiano es:
L=
rK
wL + 1 (aK
q) + 2 (bL
q) + 3 K + 4 L.
r + a1 + 3 ,
@L
=
@L
w + b2 + 4 ,
y los puntos que satisfacen las condiciones necesarias son las soluciones
del sistema:
8
>
>
> r + a1 + 3 = 0
>
>
>
w + b2 + 4 = 0
>
>
>
< (aK q) = 0,
0, aK q 0
1
1
>
2 (bL q) = 0, 2 0, bL q 0
>
>
>
>
>
3 K = 0, 3 0, K 0
>
>
>
: L = 0,
0, L 0
4
4
i
CAPITULO 6.
174
RESTRINGIDA
OPTIMIZACION
Puesto que K y L no pueden ser cero, la funcion tiene insumos esenciales para la produccion (si alguno es cero no se puede producir),
entonces 3 = 4 = 0. Reemplazando estos valores en las dos primeras
restricciones y despejando, 1 = ar y 2 = wb . De la tercera y cuarta
ecuaciones, K = aq y L = qb . El costo optimo es el valor de la funcion
objetivo calculada en K y L ,
r w
q
q
C = C (r, w, q) = r + w = q
+
.
a
b
a
b
Esta funci
on es lineal en los precios de los insumos.
q,
0,
0.
El lagrangiano es
L(K, L, 1 , 2 , 3 ) =
q) + 2 K + 3 L
@L
=
@L
r + a1 + 2 ,
w + b1 + 3 .
La soluci
on del problema satisface las condiciones:
8
>
r + a1 + 2 = 0
>
>
>
>
>
< w + b1 + 3 = 0
1 (aK + bL q) = 0, 1 0, aK + bL
>
>
>
2 K = 0, 2 0, K 0
>
>
>
:
3 L = 0, 3 0, L 0.
0
0
0
0
0
+
0
+
0
+
0
0
0
+
+
+
0
+
+
+
0
+
+
+
175
aw
w
K + wL = (aK + bL)
b
b
de L est
a dado por la ecuacion L = q aK
y en este caso el costo
b
optimo es
w
w
q aK
C = C (r, w, q) = (aK + bL ) =
aK + b
b
b
b
w
w
= (aK + q aK ) = q .
b
b
Si 1 = 0 y 2 > 0 y 3 > 0; K = L = 0, que no satisface la
restricci
on de produccion.
Si 1 > 0, 2 = 0 y 3 > 0; 1 = ar en la primera condicion,
3 = w b ar en la segunda, L = 0 en la u
ltima y K = aq en la
tercera. Para que esta combinacion sea solucion es necesario que
w b ar > 0 (los multiplicadores son no negativos) o wr > ab ; esto
indica que la pendiente del isocosto es mayor que la pendiente de
la isocuanta.
El costo
optimo es
r
C = C (r, w, q) = q .
a
176
CAPITULO 6.
RESTRINGIDA
OPTIMIZACION
Si 1 > 0, 2 > 0 y 3 = 0; K = 0, L = qb , 1 = wb , 2 = r a wb .
Como en el caso anterior, para que esta combinacion sea solucion
se necesita que r a wb > 0; esto equivale a que la pendiente de la
curva de indiferencia del costo (isocosto) es menor a la pendiente
de la restricci
on aK + bL = q (isocuanta). En este caso,
w
C = C (r, w, q) = q .
b
Si 1 > 0, 2 > 0 y 3 > 0; K = L = 0, que no satisface la
condici
on aK + bL = q.
En resumen las demandas condicionadas del productor son:
8
q
r
w
>
<2 [0, a ], si a = b
K = K (r, w, q) = aq ,
si wb > ar
>
:
0,
si wb < ar
8 q aK
r
w
>
< b , si a = b
L = L (r, w, q) = 0,
si wb > ar
>
:q
si wb < ar
b,
y los valores para el costo optimo se resumen en
8
w
>
<q b ,
C = C (r, w, q) = rK + wL = q ar ,
>
: w
qb,
nr wo
= q mn
,
.
a b
si
si
si
r
a
w
b
w
b
= wb
> ar
< ar
0,
0,
sujeto a ax u,
by u,
177
su lagrangiano es
L(x, y, 1 , 2 , 3 , 4 ) =
sujeto a AK (mn{aL, bT }) = q.
,
mn{aL, bT } =
q 1
AK
q 1
AK
bT
q 1
AK
CAPITULO 6.
178
RESTRINGIDA
OPTIMIZACION
elevando a potencia
(aL)
q
AK
(bT )
q
AK
AK (bT )
y transponiendo
AK (aL)
q.
rK
wL
sujeto a AK (aL)
sT
q,
AK (bT )
su lagrangiano es
rK wL sT + 1 AK (aL)
+ 2 AK (bT )
q .
L(K, L, T, 1 , 2 ) =
LY =
r + 1 AK
(aL) + 2 AK
w + 1 a AK (aL)
s + 2 b AK (bT )
1
1
(bT ) = 0
=0
=0
1 AK (aL)
q =0
2 AK (bT )
q = 0.
Puesto que los multiplicadores no pueden ser nulos ya que los precios
de los factores de produccion son exogenos, el sistema a resolver es
8
>
r + 1 AK 1 (aL) + 2 AK 1 (bT ) = 0
>
>
>
>
> w + 1 a AK (aL) 1 = 0
<
s + 2 b AK (bT ) 1 = 0
>
>
>
AK (aL)
q=0
>
>
>
:
AK (bT )
q=0
i
179
que equivale a
8
>
1 AK 1 (aL) + 2 AK
>
>
>
1 =w
>
>
<1 a AK (aL)
2 b AK (bT ) 1 = s
>
>
>
AK (aL) = q
>
>
>
:
AK (bT ) = q.
1 (bT )
=r
1 a(aL)
2 b(bT )
usando la relaci
on anterior
aL
bT
=1=
w
s
2 bw
1 as
o 1 as = 2 bw. Despejando en la u
ltima ecuacion
(bT ) = (aL) =
que equivale a
bT = aL =
q 1
.
AK
s
=
b AK
En la tercera
s
2 =
b AK (bT )
q
AK
AK
q
s
1
b (AK ) q
y de forma an
aloga, usando la segunda ecuacion,
1 =
w
1
a (AK ) q
CAPITULO 6.
180
RESTRINGIDA
OPTIMIZACION
r = 1 AK
(aL) + 2 AK
= (1 + 2 ) AK
=
w
1
(bT )
(aL)
s
AK
q
AK
a (AK ) q
b (AK ) q
1
w s
w s
AK 1
q
q
=
+
=
+
1
+
1
1
a
b
AK
a
b
(AK ) q
A K
de donde
w
a
s q 1
b r
A
despejando K
K =
w s
+
a
b r
q +
A
181
La funci
on de costo es
C = C (r, w, s, q) = rK + wL + sT
1
1
q
1
q
= rK + w
+s
a A(K )
b A(K )
w q 1
s q 1
= (K )
r(K )
+
+
a A
b A
1
w s q
w q 1
s q 1
= (K )
r
+
+
+
a
b r
A
a A
b A
q 1
w s w s
=
(K )
+
+ +
A
a
b
a
b
q 1
w s
=
(K )
+
+1
A
a
b
(
)
1
w s
+
+
+
q
w s
q
=
+
+
A
a
b r
A
a
b
1 (+ )
+ w
+ q
r
s 1 +
=
+
A
a
b
1 (+ )
w s
+
+
q
+
=
r +
+
.
A
a
b
De los ejemplos 2 y 3 anteriores se nota nuevamente la dualidad que existe entre las funciones de produccion (restricciones) y el costo (objetivo)
optimo: a una funci
on de produccion lineal en las cantidades de insumos
le corresponde una funci
on de costo optimo Leontie en los precios de los
insumos, y a una funci
on de produccion tipo Leontie en las cantidades de
insumos le corresponde una funcion de costo optimo lineal en los precios de
los insumos.
El u
ltimo ejemplo ilustra la dualidad en un caso mas general. En el la
funci
on de producci
on es una Cobb-Douglas compuesta una Leontie, en
cantidades, el costo asociado es una funcion tipo Cobb-Douglas compuesta
una lineal, en los precios correspondientes .
Ejercicios
1. Encontrar los extremos de las funciones sujeto a las restricciones
dadas:
182
CAPITULO 6.
RESTRINGIDA
OPTIMIZACION
a) M
aximo de x2 y 2 + 2xy + 10 sujeto a x2 + y 2 9, x + y 1.
b) M
aximo de x + y sujeto a x2 + y 2 4, y 2 x.
c) M
aximo de x2 3y 2 + 3xy + x + y sujeto a 2x + y 2,
x + y + 1 0, x 0, y 0.
d ) Mnimo de x2 y sujeto a (y x2 10)3 0, x 0, y 0.
e) Mnimo de x + y + z sujeto a x2 y 2 = 1, 2x + z = 1, x 0,
y 0.
f ) Mnimo de x + z sujeto a x2 + y 2 4, 0 2x + y + 3z 2.
g) Optimos
de x2 + 2y 2 sujeto a x2 + y 2 1, 2y 1 + x, x + 2y 1.
h) Optimos
de xy + z sujeto a 7x + 2y 14, 2x + 7y 14,
x + y + z 12.
i ) Optimos
de xy + x + y sujeto a 2x + 3y 12, 3x + 2y
6 y
x y 6.
j ) Optimos
de x2 + y 2 sujeto a xy 1, x + y 4.
k ) Optimos
de xy 2 sujeto a x2 + y 2 + w2 16, y 2 + 4z 2 + 9w2 36.
l ) Optimos
de xy sujeto a y 4 x2 , x 0, y 0.
2. Resolver los problemas del ejercicio anterior usando la herramienta
Solver de Excel, y comparar con las soluciones encontradas manualmente.
3. Minimizar el costo de producir q unidades usando como insumos capital K, trabajo L y tecnologa T mediante la funcion de produccion
Q(K, L, T ) = mn{aK, AL T },
es decir, solucionar el problema
Minimizar C(K, L, T ) = rK+wL+sT sujeta a mn{aK, AL T } = q.
4. Minimizar el costo de producir q unidades usando como insumos capital K, trabajo L y tecnologa T mediante la funcion de produccion
n
o
Q(K, L, T ) = mn aK, (aL + bT ) ,
es decir, solucionar el problema
Minimizar C(K, L, T ) = rK + wL + sT
n
o
sujeta a mn aK, (aL + bT ) = q.
i
183
y + z sujeto a x2 + y 2 + z 2 4, 2x
3y + 4z = 1,
b) Mnimo de x
y 0, z 0.
y + z sujeto a x2 + y 2 + z 2 = 4, 2x
3y + 4z 1,
6. Encontrar el tama
no de la capacidad instalada q y las cantidades q1
y q2 que deben ser producidas por una empresa en dos perodos para
maximizar el beneficio, si los costos unitarios variables de produccion
son c1 y c2 , el costo unitario de capacidad instalada es C, es decir, si
se quiere producir q unidades el costo de instalacion de la planta es
Cq, los precios del producto en cada periodo son P1 y P2 y la funcion
de producci
on es CD (qi , 0 < < 1 para i = 1, 2) con rendimientos
marginales positivos y decrecientes.
6.3.
Relaci
on entre las funciones del consumidor
En teora del consumidor existe una relacion importante entre las funciones
de demanda marshallianas y hicksianas y entre las funciones de gasto y
utilidad indirecta; estas relaciones se encuentran al solucionar uno de los
siguientes problemas:
Maximizar U (x, y) sujeto a px x + py y = m
(6.1)
(6.2)
CAPITULO 6.
184
RESTRINGIDA
OPTIMIZACION
UHx,yL=u
y h =yM
xh =xM
p x x+py y=m
y el valor
optimo es
e (px , py , V (px , py , m)) .
Puesto que las soluciones por ambos caminos deben ser las mismas, se deben
cumplir las siguientes igualdades:
xh (px , py , V (px , py , m)) = xM (px , py , m) ,
y h (px , py , V (px , py , m)) = y M (px , py , m) ,
e (px , py , V (px , py , m)) = m.
De la misma forma, si se soluciona (7.2) los valores de las variables son:
xh (px , py , u) y y h (px , py , u) y el valor optimo es la funcion de gasto e (px , py , u).
Usando este valor en la restriccion de (7.1), este se transforma en
Maximizar U (x, y) sujeto a px x + py y = e (px , py , u) ,
el valor de las variables en la solucion son:
xM (px , py , e (px , py , u))
y el valor objetivo
optimo es
V (px , py , e (px , py , u)) .
Nuevamente las soluciones deben ser iguales, por lo tanto,
xM (px , py , e (px , py , u)) = xh (px , py , u) ,
185
6.4.
Teorema de la envolvente
El resultado m
as importante del analisis de sensibilidad es el teorema de la
envolvente, que determina c
omo encontrar los cambios del valor optimo de
una funci
on cuando alguno de los parametros involucrados en el problema
varan. En el caso de un problema con restricciones de igualdad, el cual
se soluciona con la ayuda de la funcion lagrangiana, el teorema garantiza
que este cambio es igual a la derivada de la lagrangiana con respecto a ese
par
ametro.
Al solucionar un problema de la forma:
M
aximo de f (x1 , x2 , ..., xn ; a1 , a2 , ..., am )
sujeto a g(x1 , x2 , ..., xn ; a1 , a2 , ..., am ) = 0,
donde las x son variables y las a son parametros, la solucion determina los
valores
optimos de cada variable como una funcion de las a,
xk = xik (a1 , a2 , ..., am )
para k = 1, 2, ..., n.
CAPITULO 6.
186
RESTRINGIDA
OPTIMIZACION
Demostraci
on. La prueba requiere la regla de la cadena y las condiciones
de primer orden. Si el vector x (a) = (x1 (a), x2 (a), ..., xn (a)) soluciona el
problema,
M
aximo de f (x, a) sujeto a g(x, a) = 0
en particular satisface la restriccion
g(x (a), a) = 0,
derivando parcialmente esta igualdad con respecto a ak ,
n
X
i=1
g xi
@xi
+ gak = 0.
@ak
(6.3)
@f X
@x
=
f xi i + f a k
@ak
@ak
(6.4)
i=1
@f X
@x
=
f xi i + f a k +
@ak
@ak
i=1
n
X
i=1
(fxi + gxi )
@xi
@ak
n
X
i=1
@x
g xi i + g a k
@ak
+ f ak + g ak .
187
n
X
pi xi sujeto a Q(x) = q.
i=1
La soluci
on a este problema da las cantidades optimas de factores que
el productor debe usar como funciones de los precios de los insumos y la
cantidad a producir (funciones de demanda condicionada de factores),
xk = xk (p, q) = xk (p1 , p2 , ..., pn , q) para k = 1, 2, ..., n,
y el costo mnimo,
C = C (p, q) = C(x1 (p, q), x2 (p, q), ..., xn (p, q)).
El teorema de la envolvente aplicado al lagrangiano
L(x, ) =
n
X
pi xi + (q
Q(x))
i=1
CAPITULO 6.
188
RESTRINGIDA
OPTIMIZACION
n
X
pi xi (p, q) =
i=1
n
X
i=1
pi
@C (p, q)
@pi
)C (r2 , w2 , q)
[( r1 + (1
= C ( r1 + (1
)r2 ]K3 + [ w1 + (1
)r2 , w1 + (1
)w2 ]L3
)w2 , q).
Por otra parte, puesto que el optimo satisface las condiciones de primer
orden,
@Q
pi =
(p, q) para i = 1, 2, . . . , n
@xi
189
multiplicando la ecuaci
on anterior por xi
xi pi =
@Q
xi
(p, q)
@xi
para i = 1, 2, . . . , n
sumando entre 1 y n,
n
X
xi pi
i=1
n
X
@Q
(p, q)
@xi
xi
i=1
Si la funci
on Q tiene rendimientos constantes, por el teorema de Euler,
la ecuaci
on anterior se convierte en
C (p, q) =
(p, q) q
(p, q)
n
X
pi x i
(6.5)
i=1
C (p, q).
(6.6)
CAPITULO 6.
190
RESTRINGIDA
OPTIMIZACION
La soluci
on del primero (7.5) proporciona las cantidades de insumos
que el productor debe usar (funciones de demanda de factores),
x
bk = x
bk (P, p) = x
bk (P, p1 , p2 , ..., pn ) para k = 1, 2, ..., n,
en funci
on del precio de venta y los costos de los insumos. La solucon
del segundo (7.6) genera las cantidades ofrecidas q = Q (P, p).
Aplicando el teorema de la envolvente al lagrangiano del problema
(7.5), que para este caso coincide con la funcion objetivo, se tiene el
lema de Hotelling,
@ (P, p)
= Q (P, p),
@P
@ (P, p)
=
@pi
x
bi (P, p).
@ (P, p) X @ (P, p)
(P, p) = P
+
pi
@P
@pi
i=1
esto, seg
un el teorema de Euler, muestra que es homogenea de grado
uno en todas sus variables, (P, p) y que las funciones de demanda de
factores y de oferta son homogeneas de grado cero. Para determinar
las funciones de demanda de factores en el problema (7.6) se calcula la
funci
on de beneficio y se usa el lema de Hotelling.
b1, L
b 1 las demandas de factores correspondientes a la combiSean K
b2, L
b 2 las correspondientes a P2 , r2 ,
naci
on de precios P1 , r1 , w1 ; K
b3, L
b 3 correspondientes a P1 + (1
w2 y K
)P2 , r1 + (1
)r2 ,
w1 + (1
)w2 . Esto significa que
b1, L
b1
b 1 + w1 L
b1
(P1 , r1 , w1 ) = P1 Q K
r1 K
P1 Q(K, L) (r1 K + w1 L),
b2, L
b2
b 2 + w2 L
b2
(P2 , r2 , w2 ) = P2 Q K
r2 K
P2 Q(K, L)
(r2 K + w2 L).
191
b3, L
b3
(P1 , r1 , w1 ) P1 Q K
b3, L
b3
(P2 , r2 , w2 ) P2 Q K
b 3 + w1 L
b3 ,
r1 K
b 3 + w2 L
b3 ,
r2 K
= ( P1 + (1
) (P2 , r2 , w2 )
b3, L
b3
)P2 ] Q K
b 3 + ( w1 + (1
)r2 )K
)P2 , r1 + (1
i
b3 ,
)w2 )L
)r2 , w1 + (1
)w2 ) .
donde pk es el precio del k-esimo bien de consumo xk y m es la cantidad de dinero disponible. La solucion da las cantidades de bienes
optimas de consumo como funciones de los precios y la cantidad de
y la utilidad m
axima (funcion de utilidad indirecta),
M
M
V = V (p, m) = U (xM
1 (p, m), x2 (p, m), ..., xn (p, m)).
xM
k
CAPITULO 6.
192
RESTRINGIDA
OPTIMIZACION
i=1
i=1
y
A3 = {(x, y) |
p1x + (1
)p2x x + p1y + (1
)p2y y m}.
px + (1
)p2x x+ p1y + (1
)p2y y > m en contra de (x, y) 2 A3 .
Para probar que V es cuasiconvexa en (px , py ) basta con probar que
sus contornos inferiores son convexos, esto es,
CIV (k) = {(px , py ) | V (px , py , m) k}
para cada k 0 es convexo. Sean (p1x , p1y ) y (p2x , p2y ) en CIV (k), esto es,
V (p1x , p1y , m) k y V (p2x , p2y , m) k estos son los valores maximos de
i
193
la funci
on U (x, y) sobre los conjuntos A1 y A2 respectivamente. Como
A3 A1 [ A2 ,
V ( p1x + (1
)p2x , p1y + (1
)p2y , m) k.
B2 = {(x, y) | px x + py y m2 }
y
B3 = {(x, y) | px x + py y m1 + (1
)m2 },
con a, b, y
apx pz + bp+
y
e
apx pz
bp+
y
despejando e,
1
+
e (px , py , pz , u) = u1/ apx pz + bp+
.
y
1
u1/
+
apx pz + bp+
y
+
1
u1/
+
=
apx pz + bp+
y
+
1
u1/
+
=
apx pz + bp+
y
+
epx =
epz
epy
apx
a px pz
pz = x h ,
1
= zh,
b( + )p+
y
= yh.
CAPITULO 6.
194
RESTRINGIDA
OPTIMIZACION
zh
a px pz 1
b( + )p+
y
b( + )p+
y
h h i
a px zxh px
a p+
x
xh
1
1
z h
( xh )
y se despeja py
py =
b( + ) (z h )
yh
1 h
z
! +1
px
+b 4
apx
x
px
z
a ( x)
b( + ) (z)
y
1
x
px
z
2
1/
au 4
x
=
a
+b
+
z
x
z
apx 1
1
+
3+ 9 +1
>
=
5
px
>
;
a ( x)
b( + ) (z)
y
1
+
+
1
3 1 +
195
Despejando u,
u=
+
x
a
z
x
4a
4a
+
a
x
z
+b
a ( x)
b( + ) (z)
y
1
+
+
1
z +
+b
a
b( + )
+
+
3 +
3 +
+
+
+
1
Esta u
ltima expresi
on es la funcion de utilidad. Es de notar que como
la funci
on de gasto es una CES compuesta de una CD en precios, la
funci
on de utilidad tiene la misma forma en cantidades.
Para encontrar las funciones de demanda marshallianas existen dos
caminos: usar las demandas hicksianas y las identidades de la seccion
anterior o usar la identidad de Roy.
5. Si el costo de producir q unidades cuando se usan insumos K, L y T a
precios r, w y s respectivamente es
C (r, w, s, q) = qr (w + s )
Cr = qr 1 (w + s ) = K (r, w, s, q),
1
(1 )qr
Cw =
(w + s ) w 1
= (1
(1
Cs =
= (1
)qr (w + s )
1
)qr
(w + s )
)qr (w + s )
= L (r, w, s, q),
= T (r, w, s, q),
CAPITULO 6.
196
RESTRINGIDA
OPTIMIZACION
1
L 1
o w=
s,
T
y entre K y T
K
=
T
(1
qr
1 (w
+ s )
)qr (w + s )
(w + s )
(1 )rs 1
despejando r
r=
(w
(1
s ) T
+
)s
1K
L
T
(1
1
1
)s
+ s T
1K
L
T
(1
i
+ 1 sT
)K
reemplazando en K
1
K = qr 1 (w + s )
3 1 "
2
# 1
1 !
TL 1 + 1 sT
1
L
5
= q 4
s + s
(1 )K
T
3 1 "
2
#1
TL 1 + 1 T
1
L
5
= q 4
+1
(1 )K
T
T
= q
(1 )K
"
# 1 +
L 1
+1
T
197
K (1 )K
q = Q(K, L, T ) =
T
=
=
=
) 1 K
(1
T
(1
(1
"
#1
L 1
+1
T
"
#(1
L 1
+1
T
) 1
"
#)(1
1K
1
L
T 1
+1
T
(1 )( 1)
h
1
i
K L 1 + T 1
.
x + 2y = 2.
Optimos
de x
y + z sujeto a x2 + y 2 + z 2 = 4,
2x
3y + 4z = 1
CAPITULO 6.
198
RESTRINGIDA
OPTIMIZACION
a) Optimos
de x + y + z sujeto a x2 + y 2 + z 2 = 4, 2x 3y + 4z = 1.
b) Optimos
de x + y + z sujeto a x2 + y 2 + z 2 = 3, 2x 3y + 2z = 1.
c) Optimos
de x + y + z sujeto a x2 + y 2 + 2z 2 = 4, 2x 3y + 3z = 1.
d ) Optimos
de x + y + 2z sujeto a x2 + y 2 + 2z 2 = 4, 2x 2y + 4z = 1.
3. Sea
f (a, k) = max{f (x, y, a) | g(x, y) = k}
donde x y y son variables y a y k son parametros. Probar:
a) fa = fa .
b) fk =
@y
c) fxa @x
@k + fya @k =
@
@a .
4. Si
f (a, b) = m
ax{f (x, y) + h(x, a) | g(x, y, b) = 0}.
Probar:
a) fa = ha (x , a).
b) fb =
c) hxa
g
@x
@b
b (x
, y , b).
5. Sea
@x
@a
gxb
+ gyb
@y
@a
+ gb
@
@a
f (k) = m
ax{f (x1 , x2 , ..., xn ) | g(x1 , x2 , ..., xn ) = k}.
Probar que si f y g son funciones homogeneas del mismo grado, entonces f (k) es lineal en k, es decir, f (k) = ak, donde a es una constante, y concluir que el multiplicador de Lagrange para el problema
es constante.
6. Encontrar las funciones de demandas condicionadas y los costos optimos, si la funci
on de produccion es:
a) Q(K, L) = 2K + 3L.
1
b) Q(K, L) = 200K 2 L 3 .
c) Q(K, L) = mn{2K, 3L}.
d ) Q(K, L, T ) = AK (aL
e) Q(K, L, T ) =
+ bT
mn{aK, AL T
}.
199
8. Encontrar las funciones de demandas hicksianas, marshallianas, de gasto y utilidad indirecta, si la funcion de utilidad es:
a) U (x, y) = mn{ax + by, cx + dy}, con
b) U (x, y) = a ln(x
c) U (x, y) = (x
x0 )
a) (y
+ b ln(y
a
b
> dc .
g) U (x, y, z) = Ax y + bz + .
Pp2
.
100 rw
b) (P, r, w, s) =
c) (P, r, w, s) =
P 3 (r+s)
rws .
1
P r
+ w s
C (r, w, q)
= q(ar + bw).
e)
C (r, w, q)
= Aqr w1
r
w
CAPITULO 6.
200
RESTRINGIDA
OPTIMIZACION
12. Encontrar condiciones sobre los parametros para que las siguientes sean
funciones de gasto y determinar las funciones de demanda hicksianas,
marshallianas, utilidad indirecta y utilidad asociadas con cada una:
Ap
x py
.
x +py
a) e (px , py , u) = u p
c) V (px , py , m) = ln m
d ) V (px , py , m) =
bm + apx
+ k.
bpy
Encontrar, si existen:
a) Las condiciones sobre los parametros para que esta sea una funcion
de utilidad indirecta genuina.
b) xM (px , py , m).
c) e(px , py , u).
d ) U (x, y).
15. Usar el teorema de la envolvente para probar que la elasticidad de sustituci
on KL para una funcion de producci
n Q(K.L) se puede expresar
en terminos de la funci
on de costos en la forma,
KL
C Crw
,
Cr Cw
6.5.
6.5.
DE SLUTSKY
ECUACION
201
Ecuaci
on de Slutsky
El an
alisis de la elecci
on
optima del consumidor tiene en cuenta los precios de los bienes de consumo y la cantidad de dinero disponible para su
adquisici
on; por esto las variaciones en alguno de los precios o del ingreso
determinar
an variaciones en las elecciones del consumidor.
Es natural pensar que ante el aumento en los precios de un bien, las
cantidades consumidas se deben reducir; sin embargo, Slutsky encontro que
esta visi
on es demasiado simplista y que el consumidor responde de una
manera m
as compleja. La ecuacion de Slutsky analiza la respuesta de los
consumidores ante el cambio en el precio de alguno de los bienes consumidos. Esa ecuaci
on es la herramienta para explicar como el consumidor debe
tomar decisiones acerca de las variaciones en su ingreso y su consumo para
compensar un cambio de precios y mantener una utilidad.
Por simplicidad y sin perdida de generalidades supongamos que el consumidor elige las cantidades de dos bienes x e y y que dispone de un ingreso m. En el momento que el consumidor hace su eleccion debe resolver
el problema(7.1). La soluci
on de este problema proporciona las demandas
marshallianas:
xM = xM (px , py , m),
y M = y M (px , py , m).
y la utilidad indirecta:
V = V (px , py , m) = U (xM , y M ).
Si el precio del bien x cambia a p0x y el consumidor no quiere (o no puede)
cambiar su nivel de ingreso, debera solucionar el problema:
Maximizar U (x, y) sujeto a p0x x + py y = m.
Esto le proporciona las nuevas funciones de demanda:
0
xM = xM (px , py , m),
y M = y M (px , py , m).
De esta forma no s
olo cambian las funciones de demanda sino tambien su
0
nivel de satisfacci
on a V 0 = V (px , py , m). Estas nuevas cantidades pueden
ser determinadas usando el teorema de la envolvente en la solucion del problema (7.1). Usando diferenciales y el teorema de la envolvente, la variacion
de la utilidad est
a dada por
V =V0
=
V
M
@V
@L
px =
@px
@p
px
M
px )
CAPITULO 6.
202
RESTRINGIDA
OPTIMIZACION
0
px )
@V @V
@
/
M
@px @m
@x
0
xM = xM xM
px =
(px px )
@px
@px
despejando
0
xM (px , py , m) = xM (px , py , m)
@V @V
@px / @m
@px
(px
px )
M0
(px , py , m) = x (px , py , I)
(px
px )
@V @ 2 V
@m @p2x
@V @ 2 V
@px @px @m
@V
@m
de forma an
aloga se encuentra la demanda de y M .
En conclusi
on, si el consumidor no cambia su gasto, no solo se veran
afectadas sus demandas por cada uno de los bienes sino tambien la utilidad
alcanzada.
Si el consumidor no quiere cambiar su nivel de utilidad, dada por la
soluci
on del problema (7.1) ante un cambio de precio del bien x, la restricci
on presupuestaria sufre un cambio de pendiente esto se ve reflejado en un
giro sobre su intersecci
on con respecto al eje y. La nueva curva presupuestaria no es tangente a la curva de indiferencia, por lo tanto, no determina
un nuevo nivel de consumo
optimo y debe ajustarse el nivel de gasto (ingreso) para hacer que vuelva a ser tangente a la curva de indiferencia de la
utilidad y de esta forma producir las nuevas demandas optimas. Para esto
necesita resolver el problema
Minimizar p0x x + py y sujeto a U (x, y) = V.
(6.7)
6.5.
DE SLUTSKY
ECUACION
203
La soluci
on de este problema proporciona las demandas xh = xh (px , py , V ),
y h = y h (px , py , V ) y la cantidad de gasto (nuevo ingreso) necesario para
conservar el viejo nivel de utilidad V .
El gasto necesario para conservar el nivel de utilidad es el resultado
de reemplazar las cantidades demandadas en la funcion objetivo que da el
nuevo valor del gasto
e = e(px , py , V ) = p0x xh (px , py , V ) + py y h (px , py , V ).
El cambio en el ingreso y los cambios en las cantidades demandadas se
determinan a partir de las soluciones de los problemas (7.1) y (??), esto es,
0
0
e I, xM
xM e y M
y M . Graficamente, al cambiar el precio la curva
presupuestal cambia su pendiente girando sobre el eje y puesto que se hizo
una variaci
on del precio del bien x; si no se altera el gasto, se debe mover
la curva de utilidad hasta alcanzar la nueva curva presupuestaria como
en la figura 7.5. Si se quiere conservar el nivel de utilidad se debe mover
la curva presupuestaria (lnea punteada) hasta alcanzar la vieja curva de
indiferencia de la utilidad.
yM
yM'
xM
xM'
px x+py y=m
p x x+py y=m
Las ecuaciones que relacionan los cambios producidos estan dadas por la
ecuaci
on de Slutsky que se puede determinar a partir de la solucion de los
problemas (7.1) y el siguiente:
Minimizar px x + py y sujeto a U (x, y) = V.
(6.8)
204
CAPITULO 6.
RESTRINGIDA
OPTIMIZACION
@xM
@xM @e
+
.
@px
@M @px
@e
@px
()
se aplica el teorema de la en-
= xh = xM
reemplazando en la ecuaci
on (*) se encuentra la ecuacion de Slutsky,
@xh
@xM
@xM
=
+ xM
.
@px
@px
@M
Despejando,
@xM
@xh
=
@px
@px
xM
@xM
,
@M
la ecuaci
on se compone del efecto sustitucion donde se mantiene un ingreso
constante cambiando el precio de px y el efecto renta, en la cual el precio
se mantiene constante variando la renta.
6.6.
205
C Cij
Ci Cj
La conexi
on entre una funci
on y su dual viene dada por la solucion de un
problema restringido de la forma
Mnimo de f (x, a)
sujeto a
hi (x, a) = 0
gk (x, a) 0.
n
X
pi x i
sujeto a f (x) = y.
i=1
CAPITULO 6.
206
RESTRINGIDA
OPTIMIZACION
i=1
Pn i
n
1
Y
k y Pnk=1
pi
k=1 k
k
=
, para k = 1, 2, 3, . . . , n
pk a
i
i=1
y los costos:
n
Y
i=1
pi i
! Pn 1
k=1
n
X
pi x i
Mnimo de C2 (u) =
i=1
sujeto a f (x)
x
m
X
p0j uj
j=1
sujeto a g(u)
n
X
i=1
pi xi + (y
f (x)) y L2 (u, ) =
m
X
p0j uj + (y
g (u))
j=1
207
ur p0r
fk (x)) = 0,
f (x)) = 0,
(y
gr (u) = 0
g(u)) = 0
0 para k = 1, 2, . . . , n;
0 para r = 1, 2, . . . , m.
n
X
pi x i +
i=1
m
X
p0j uj
j=1
0,
equivale a
Mnimo de C(x, u) =
n
X
pi x i +
i=1
sujeto a f (x)
g(u)
m
X
p0j uj
j=1
y,
0,
fk (x)) = 0,
(y
f (x)) = 0,
ur p0r
gr (u) = 0,
(y
g(u)) = 0,
0,
0 para k = 1, 2, . . . , n
0,
0 y r = 1, 2, . . . , m.
La soluci
on econ
omica debe ser un punto esquina de las restricciones.
All estas condiciones equivalen a las condiciones de primer orden de la
minimizaci
on de los costos C1 y C2 . Por lo tanto, las demandas de factores
encontrados para C1 y C2 (conjuntamente), y C son iguales. As, por el
comportamiento de la funci
on de Leontief, C es la suma de C1 y C2 .
Aunque el resultado solamente es aplicable a los tipos de produccion
con insumos fuertemente separables, este tipo de funcion sirve de modelo
para producciones en las que la llegada de un nuevo insumo cambia el tipo
de tecnologa; para esto basta adecuar las variables involucradas.
Si las funciones de produccion en el problema de encontrar C son CD,
C
n
Y
i=1
pi i
! Pn 1
k=1
+ B @y
m
Y
j=1
1 Pm1
k=1 k
(p )j A
0
CAPITULO 6.
208
RESTRINGIDA
OPTIMIZACION
cuya dual1
C(p, p0 , y) =
8
>
<a yp (p0 )
>
:b yp (p0 )
1
+
1
+
,
,
si
y (+ ) ( + )
A
si
y (+ ) ( + )
B
B +
A
B +
A
p
p0
p
p0
fxk Fkk
xk |F |
esta definici
on, en general asimetrica2 , es mas adecuada, seg
un [B y R],
para medir los cambios en las cantidades demandadas determinadas por
cambios de los precios.
Aplicando el lema de Shephard se tiene la expresion
M
ik
pk Cik
Ci
pk Ckk
Ck
6.7. SEPARACION
209
y a partir de ella las ESM para la funcion del problema (??) anterior son
M
xi uk
=1
k
m
P
M
u k xi
=1
j=1
i
n
P
i
j=1
6.7.
Separaci
on
Un resultado u
til en la prueba de algunos resultados en la teora economica
es el teorema que garantiza que dos conjuntos convexos disyuntos se pueden
separar por un hiperplano. En R2 el teorema dice que los conjuntos se
pueden separar por una recta, en R3 los conjuntos estan separados por un
plano, para dimensiones mayores a tres lo estan por hiperplanos.
El siguiente teorema prueba que se puede separar un punto de un conjunto convexo y compacto,
Teorema 6.6. Sean A un subconjunto convexo y compacto de Rn y u un
punto en el complemento de A (u 2
/ A). Entonces existe un hiperplano que
separa el punto u del conjunto A.
Demostraci
on. Sea DA (x) = ||u x|| la distancia de un punto x 2 A a u,
como el conjunto A es compacto el teorema de Weierstrass garantiza que
la funci
on DA toma su mnimo en alg
un punto de A. Sea
a = arg mn{DA (x) | x 2 A}.
i
CAPITULO 6.
210
RESTRINGIDA
OPTIMIZACION
a) x = (u
a) a}
u) a de la funcion
H
a
L(x) = (u
esto es,
a) x,
a) a).
H = CL(x) ((u
a||2
z||2 = ||u
||u
a||2
a||2
= ||u
a) (w
||w
a)
< 1,
a) (w
a||2
a)
||w
= 2 [(u
a) w
= 2 [L(w)
[ w + (1
(w
a)]||2
||w
a||2 0.
a)
a)
)a]||2
en la u
ltima desigualdad,
2(u
2(u
||(u
a) (w
= 2 (u
Simplificando
||u
L(a)]
(u
a||2 0,
a) a]
||w
||w
a||2
a||2 0.
6.7. SEPARACION
211
suficientemente cerca
simplificando y transponiendo,
L(w) L(a).
Por otra parte como u 2
/ A y A es compacto,
0 < ||u
a||2 = (u
= L(u)
a) (u
a) = (u
L(a).
a) u
(u
a) a
Captulo 7
Din
amica discreta
En este captulo se estudian modelos que involucran variables dependientes del tiempo y de valores de la misma variable en periodos anteriores,
conocidas como variables autorregresivas, y sistemas de variables que
interdependen en el tiempo que vistas en terminos vectoriales se denominan
vectores autorregresivos.
El c
omo los demandantes responden a los precios en una economa
discreta (los precios solamente cambian en ciertos intervalos de tiempo)
depende de c
omo fluye la informacion y de quien modela el fenomeno. Si la
informaci
on fluye instant
aneamente y la cantidad demandada en el momento t solamente depende del precio en t, entonces la demanda es una funcion
continua, Dt = D(pt ). Si depende u
nicamente de las expectativas de los
precios en t 1 y los precios en t, la demanda es discreta, Dt = D(pt , pt 1 ).
De la misma forma, los productores determinan las cantidades ofrecidas
para bienes que se producen instantaneamente, o la cantidad ofrecida depende de los precios en t, t 1, etc. As se encuentran, por ejemplo, las
cantidades producidas por el sector agrcola que estan determinadas por los
precios del periodo anterior. Si ademas las cantidades son funciones lineales
de los precios, entonces Dt = apt + b y Ot = cpt + d con valores adecuados
para los coeficientes
El proceso de ajuste de los precios y las cantidades genera el llamado
proceso de la telara
na para un precio y cantidad iniciales p0 y q0 . Si hay
un exceso de demanda en el primer periodo, los precios tenderan a subir.
Al incrementarse los precios, en el proximo periodo los oferentes estaran
dispuestos a incrementar la cantidad ofrecida, lo que produce a su vez un
exceso de oferta, forzando los precios a bajar, y as sucesivamente. Este
212
i
7.1. SUCESIONES
213
7.1.
Sucesiones
Definici
on 7.1. Una sucesi
on de n
umeros reales es una funci
on cuyo
dominio es un conjunto infinito de naturales o enteros y su recorrido es
un subconjunto de n
umeros reales. Se usa la notaci
on xt para describir los
valores de la sucesi
on, f (t) = xt .
f (t) = xt : A N ! R.
Generalmente se considera que las sucesiones tienen como dominio el conjunto de los naturales pero tambien pueden definirse en subconjuntos de los
enteros. Cuando se aplican al comportamiento de una variable de estado en
el tiempo, t se considera como la variable tiempo y xt el valor de la variable
de estado en el momento t. Se usa la notacion {xt }N , o mas simplemente
{xt }, para denotar los valores de la sucesion.
0.6
0.4
0.2
10
15
20
25
30
2+( 1)t
t
Ejemplos
1. La sucesi
on {xt } = (t 100)2
continua f (t) = (t 100)2 .
CAPITULO 7. DINAMICA
DISCRETA
214
2. Los valores de {xt } =
1 t
3
2,
p
3
3,
p
4
4, ... .
+ rCt
= (1 + r)Ct
1,
con
C0 = c.
7.1. SUCESIONES
215
xt para todo t.
10
15
20
25
30
Figura 7.2: Gr
afico de una sucesion decreciente.
Ejemplo
Con esta definici
on la sucesi
on xt = t2 es monotona creciente ya que
xt+1 = (t + 1)2 = t2 + 2t + 1 > t2 = xt .
De otra forma, la derivada de la funcion f (x) = x2 es f 0 (x) = 2x. Para
x > 0, f 0 (x) > 0 y como xt = f (t), {xt } es una sucesion creciente.
Si al comparar tres terminos consecutivos de una sucesion, xt , xt+1 ,
xt+2 , estos se comportan de alguna de las siguientes formas:
xt+2 > xt+1 y xt+1 < xt ,
la sucesi
on es oscilante.
Existe un criterio de clasificacion de sucesiones oscilantes que tiene en
cuenta la distancia entre sus terminos consecutivos:
Si
|xt+2 xt+1 | = |xt+1 xt | para todo t,
i
216
CAPITULO 7. DINAMICA
DISCRETA
(la distancia entre dos terminos consecutivos permanece constante), la sucesion es oscilante regular.
Si
|xt+2 xt+1 | < |xt+1 xt | para todo t,
(la distancia entre dos terminos consecutivos decrece), la sucesion es oscilante amortiguada.
Y si
|xt+2 xt+1 | > |xt+1 xt | para todo t,
(la distancia entre dos terminos consecutivos se incrementa), la sucesion es
oscilante explosiva.
Otras clasificaciones u
tiles son:
Una sucesi
on es acotada superiormente si existe M > 0, llamado
cota superior, tal que
xt < M para todo t
(si todos los valores de la sucesion son menores que alg
un n
umero real M ).
N
otese que todo n
umero mayor que M es una cota superior. De forma
an
aloga se define acotada inferiormente.
Una sucesi
on es acotada si lo es superior e inferiormente, es decir, si
existe un M > 0 tal que
|xt | < M para todo t
(esto significa que todos los puntos de la sucesion estan entre los valores
y = M , y y = M ).
Ejemplos
n
o
t
1. 2+(t 1) , representada en la figura 8.1, es oscilante amortiguada y
acotada.
2. La sucesi
on {xt } = {( 1)t 2t } es oscilante explosiva y no es acotada.
3. La sucesi
on {xt } = {( 1)t 3 t } es oscilante amortiguada y acotada.
4. La sucesi
on {xt } = {( 1)t } es oscilante regular y acotada.
5. En general la sucesi
on {rt } es: creciente, si r > 1; constante, si r = 1 o
r = 0; decreciente, si 0 < r < 1; oscilante regular, si r = 1; oscilante
amortiguada, si 1 < r < 0, y oscilante explosiva, si r < 1.
7.1. SUCESIONES
217
Definici
on 7.2. Una sucesi
on {xt } converge a L si y s
olo si
lm xt = L,
t!1
es decir si para todo > 0 existe N > 0 (que depende de ) tal que para
todo t > N , |xt L| < .
Aqu se puede observar que todas las propiedades sobre lmites que se
cumplen para funciones, se cumplen para sucesiones y que, en particular,
si una sucesi
on corresponde a la version discreta de una funcion continua
de la que se conoce el lmite a infinito, la sucesion convergera a ese mismo
lmite. Uno de los resultados mas importantes en la teora de sucesiones es:
Teorema 7.1. Una sucesi
on mon
otona acotada es convergente.
Ejemplos
1. La sucesi
on {xt } = {rt } converge a cero si 1 < r < 1, y converge a 1
si r = 1. En cualquier otro caso la sucesion es divergente.
2. Sea S0 = 1, St+1 = St + rt+1 , esta sucesion representa la suma de los t
primeros terminos de la sucesion del ejemplo anterior,
St = 1 + r + r2 + ... + rt ,
(7.1)
rSt = (1
Si r 6= 1,
St =
r)St = 1
rt+1 .
rt+1
1 r
1
1 r
si y
CAPITULO 7. DINAMICA
DISCRETA
218
bpt ,
Ot = O (pt ) = pt
pt = [Dt
Ot ] = [a
bpt
( pt
)] ,
donde es un par
ametro de ajuste. Si se quiere encontrar el comportamiento de los precios en cada momento del tiempo, se debe encontrar
pt en forma explcita en la siguiente ecuacion de recurrencia,
pt+1 = pt + [a
bpt
( pt
)] = [1
(b + )]pt + [a + ],
en forma simplificada
pt+1 = Apt + B
con A y B constantes adecuadas. Puesto que la recursion se satisface
para los precios en todos los periodos, al iterar el proceso hacia atras
se tienen las siguientes equivalencias:
pt = Apt
= A2 p t
3
+ B = A (Apt
2
+ B) + B
+ AB + B = A2 (Apt
2
3+
3
B) + AB + B
= A pt
+ A B + AB + B = A (Apt
= A4 p t
+ A3 B + A2 B + AB + B
+ Ak
+ B) + A2 B + AB + B
= ...
= Ak p t
B + Ak
B + ... + AB + B,
si k = t en la u
ltima expresion y se usa la formula del ejemplo 2 anterior
para B 6= 1, se obtiene
p t = At p 0 + B
=A
t 1
X
Ak = At p 0 + B
k=0
p0
B
1
1
1
At
A
(b + )
B = [a + ],
7.1. SUCESIONES
219
se tiene
pt = A
=A
p0
p0
= At (p0
[a + ]
1 [1 (b + )]
a+
a+
+
b+
b+
p) + p,
[a + ]
(b + )
p6
p4
p2
p1
p3
p5
1 2 3 4 5 6
q6 q4 q2
q1 q3 q5 q7
q
1
2
3
4
5
t
Figura 7.3: Din
amica de la interaccion cantidades-precios,
cuando el equilibrio es inestable.
CAPITULO 7. DINAMICA
DISCRETA
220
b)
c) Si A = 1
(b + ) = 1,
t
pt = A p0 + B
t 1
X
Ak = p0 + Bt
k=0
e) Si 1 (b+ ) =
x0 = 100
es
t
xt = 2
x0
3
1
3
1
= 2t (100 + 3)
3 = 103 2t
Ejercicios
1. Encontrar los primeros 10 terminos de la sucesion definida por la recursi
on
(
x2t = txt + t + 1
x2t+1 = txt + t,
con x1 = 1.
2. Encontrar una sucesi
on oscilante amortiguada que sea divergente.
3. Toda sucesi
on oscilante explosiva es no acotada?
221
t
t
a)
3 sen t .
b)
3t sen
.
2
(
)
1 t
d)
sen t . e)
e t sen 5t .
2
c)
f)
(
)
1 t
t
sen
.
2
2
1 2t
.
1 + 2t
7.2.
Ecuaciones en diferencias
k+1 , a)
=0
fn (t, xt , xt
1 , . . . , xt k+1 , a)
222
CAPITULO 7. DINAMICA
DISCRETA
223
1 xt 1
+ a t bt
= at at
1 (at 2 xt 2
= at at
1 at 2 xt 2
=
= x0
t
Y
ai +
i=0
6.
t
X
i=0
1 xt 1
1
2)
+ at at
bi @
1)
+ bt
+ bt
+ bt
+ bt
t
Y
+ a t bt
1 bt 2
j=i+1
+ bt
+ a t bt
+ bt
aj A
x2t+2 = xt+1 yt + t2
yt+2 = x3t+1 + 5yt 1
CAPITULO 7. DINAMICA
DISCRETA
224
Para convertir el sistema en una ecuacion se elimina una variable. Despejando en la primera ecuacion
yt =
1
1
4
xt+2 + 3x2t+1
7.2.1.
xt+4
xt+3
xt+1
2t + 10 = 0.
Equilibrio
Un sistema o ecuaci
on est
a en equilibrio cuando sus variables de estado no
cambian de valor a traves del tiempo, por esto el concepto de equilibrio no
es aplicable a algunos sistemas no autonomos, aquellos en los que la influencia explcitamente del tiempo no permita que sus variables permanezcan
est
aticas. El vector de variables de estado xt del sistema autonomo,
xt+1 = F (xt , a) ,
esta en equilibrio si y s
olo si
,
xt+1 = xt = x
para t = 0, 1, 2, . . .
225
Ejemplos
1. Los puntos de equilibrio de la ecuacion
5xt+1 = x2t + 6
est
an donde xt+1 = xt = x
. Al reemplazar x
debe satisfacer la ecuacion
5
x=x
2 + 6
que equivale a
x
2
5
x + 6 = 0.
xt )
x
),
k 1
k .
4
Eliminando y este sistema se reduce a la ecuacion
x
3 = 4
x+x
2
CAPITULO 7. DINAMICA
DISCRETA
226
o, en forma equivalente,
x
3
4
x
x
2 + 4 = 0
2xt = t2
2t x t
es x
= 0.
6. Las ecuaciones
xt+1
2t = t
3t x t
xt+1 = xt + bt
t!1
k = 0.
x
Si el valor inicial de las variables de estado esta en una vecindad del punto de
equilibrio, entonces los valores de la variable de estado convergeran al punto
de equilibrio. El conjunto de valores iniciales x0 para los cuales lmt!1 kxt
k = 0, se conoce como el dominio de estabilidad (basin) de x
y se
x
denota
n
o
k = 0 .
DE(
x) = x0 | lm kxt x
t!1
227
xH0L
e
d
xHtL
xH0L
d
x
xHtL
CAPITULO 7. DINAMICA
DISCRETA
228
es exponencialmente estable si y s
Definici
on 7.5. El punto fijo x
olo si
k < , entonces
existen 0 < < 1, > 0 y > 0 tales que: si kx0 x
kxt
k kx0
x
k t ,
x
para
t = 1, 2, . . . .
xH0L
xHtL
x
at (x0 x
) + x
,
bt + x0
229
si
si
a 6= 1
a=1
x
) + x
x
k = kx0
x
k
para t = 0, 1, 2, . . .
En este caso x
es un punto de equilibrio lyapunovmente estable.
2. Si |a| < 1, la sucesi
on at converge a cero y la solucion,
xt = at (x0
x
) + x
converge a x
. Adem
as,
kxt
x
k |a|t kx0
x
k
para t = 0, 1, 2, . . .
t!1
x
k = 0
sin importar cu
al sea el valor de x0 , en este caso la ecuacion tiene un
punto de equilibrio globalmente exponencialmente estable y
DE(
x) = R.
7.2.2.
Estabilidad de soluciones
CAPITULO 7. DINAMICA
DISCRETA
230
Definici
on 7.6. La soluci
on '(t, x0 ) del sistema xt+1 = F (t, xt ) es lyapunovmente estable (o simplemente estable) si y s
olo si para cada > 0,
existe > 0 tal que si kx0 x0 k < , entonces k'(t, x0 ) '(t, x0 )k <
para t = 1, 2, . . ..
'(t, x0 )k Aet ,
para
t = 1, 2, . . . .
Un sistema din
amico tiene una solucion lyapunovmente estable si las
trayectorias que parten cerca de ella no se alejan; la solucion es asintoticamente estable si esas trayectorias se acercan, y es exponencialmente estable
231
Figura 7.8: La solucion del sistema es asintoticamente estable: variaciones en el valor de la condicion inicial x(0) producen soluciones convergentes.
7.2.3.
CAPITULO 7. DINAMICA
DISCRETA
232
1)
= f (f (xt
2 ))
= f (f (f (xt
3 )))
= . . . = f [t] (x0 ),
x1
x2 x4
x3
233
1]
(p) = pk
x
).
x
)
CAPITULO 7. DINAMICA
DISCRETA
234
4. Si f 0 (
x) < 1 y x0 6= x
est
a en una vecindad de x
, la sucesi
on x t
diverge en forma oscilante explosiva de x
.
5. Si f 0 (
x) = 1, f 0 (x) 1 cambia de positivo a negativo en x
y x0 est
a en
una vecindad a la derecha de x
, la sucesi
on xt converge en forma
decreciente a x
.
6. Si f 0 (
x) = 1 y x0 est
a en una vecindad de x
, la sucesi
on xt converge
ax
en forma oscilante amortiguada.
Si p, p1 , p2 , ..., pk
1)
<1
1)
> 1.
y es repulsivo si
Ejemplos
1. La sucesi
on definida por la ecuacion en recurrencia de primer orden
xt+1 = kxt (1
xt ),
x
)
2
x),
f 0 (0) = k
f 0 ((k
1)/k) = 2
k,
que son x
=3yx
= 2. Puesto que g 0 (
x) = 2
x, |g 0 (3)| = 6 y |g 0 ( 2)| =
4, entonces ambos son puntos de equilibrio repulsivos.
235
p
p o
1+ 21 1+ 21
,
2
2
es atractivo
Ejercicios
t
1. Encontrar, si existen, las orbitas de la sucesion cos t
5 sen 2 .
2. Para la ecuaci
on
xt+1 = kxt (1
xt ).
Encontrar:
a) Los 2-ciclos.
b) Los 3-ciclos y determinar si son atractivos o repulsivos.
3. Para la ecuaci
on
xt+1 = 2x2t + 1,
encontrar y clasificar, si existen, los puntos de equilibrio y los ciclos
de orden 2 y 3.
4. Encontrar los valores de c para los que la ecuacion
xt+1 = x2t + c
tiene:
a) Puntos de equilibrio.
b) Puntos de equilibrio estables.
c) 2-ciclos.
CAPITULO 7. DINAMICA
DISCRETA
236
d ) 2-ciclos atractivos.
7.2.4.
1 xt+n 1
+ + c1 xt+1 + c0 xt = 0
1r
t+n 1
= r t cn r n + cn
1r
+ + c1 rt+1 + c0 rt
n 1
+ + c1 r + c0 = 0
esta ecuaci
on solamente se satisface si r es solucion de la ecuacion,
cn r n + cn
1r
n 1
+ + c1 r + c0 = 0
llamada ecuaci
on caracterstica.
Se deja como ejercicio que el lector pruebe que la solucion de una
ecuaci
on forma un espacio vectorial (la dimension de este espacio es igual al
orden de la ecuaci
on); para esto basta ver que cualquier combinacion lineal
de soluciones es soluci
on, es decir, si x1t y x2t son soluciones de la ecuacion,
entonces
k1 x1t + k2 x2t
237
es una soluci
on, con k1 y k2 constantes, y que una base del espacio tiene
tantas soluciones linealmente independientes como el orden de la ecuacion.
Todas las posibles soluciones de la ecuacion estan determinadas por todas
las combinaciones lineales de los elementos de una base. Por lo tanto, si
x1t , x2t ,...,xnt son soluciones linealmente independientes de una ecuacion,
todas las posibles soluciones de la ecuacion estan determinadas por todos
los posibles valores de las constantes k1 , k2 , ..., km . Esto es
k1 x1t + k2 x2t + ... + kn xnt
es una familia de soluciones. Una solucion se determina encontrando los
valores de las constantes k1 , k2 , ..., kn que se encuentran a partir de las
condiciones iniciales.
7.2.5.
Ecuaci
on homog
enea de segundo orden con coeficientes
constantes
El sistema
en forma matricial
xt+1 = Axt ,
donde
xt =
xt
yt
A=
a11 a12
a21 a22
1
xt+1
a12
a11
xt
a12
a11
xt+1 = a21 xt + a22
a12
1
xt+1
a12
a11
xt .
a12
a11 xt )
y transponiendo terminos,
xt+2
CAPITULO 7. DINAMICA
DISCRETA
238
o lo que es lo mismo,
Tr(A)xt+1 + |A| xt = 0
xt+2
b2 4ac
.
2a
Las races pueden ser reales o complejas dependiendo del discriminante,
b2 4ac. Puesto que la ecuacion es de segundo orden el espacio solucion es
un espacio vectorial de dimension 2 que esta generado por las combinaciones
lineales de dos soluciones linealmente independientes:
r=
i )t .
k2 y reemplazando en la segunda,
k2 )( + i ) + k2 (
i )
x0 ( + i )
2i
x1
239
x0
2
x0 x1
i.
2
De aqu,
k1 = x0
x0
2
x0 x1
i
2
x0 x0 x1
+
i.
2
2
Es decir, k1 = k2 .
Llevando r1 = r2 = + i a forma polar
r1 = r2 = + i = (cos + i sen ),
p
donde = 2 + 2 es el modulo y = arctan( /) es el argumento
de la raz. Usando el teorema de De Moivre2 , la solucion se convierte
en
xt = k1 r1t + k2 r2t
= k1 ( + i )t + k2 (
i )t
i sen )]t
i sen(t))]
k2 ) sen(t)] .
Como se mostr
o antes que k1 = k2 , entonces k1 + k2 = 2Re(k1 ) y
k1 k2 = 2iIm(k1 ) por lo tanto k1 + k2 y i(k1 k2 ) son dos constantes
reales y la soluci
on finalmente es
xt = t [c1 cos(t) + c2 sen(t)]
donde c1 y c2 son n
umeros reales que se determinan por las condiciones iniciales.
Ejercicios
1. Comprobar que la solucion para races reales iguales toma la forma
propuesta en el texto.
2
CAPITULO 7. DINAMICA
DISCRETA
240
1.
7.2.6.
Comportamiento de la soluci
on
El an
alisis de la estabilidad de los puntos de equilibrio de una ecuacion o un
sistema se puede realizar sin encontrar la solucion, para esto se establece el
comportamiento de las races en funcion de los coeficientes o parametros.
La ecuaci
on equivalente al sistema
(
xt+1 = axt + byt
yt+1 = cxt + dyt
es
xt+2
Tr(A)xt+1 + |A|xt = 0
su polinomio caracterstico es
r2
Tr(A)r + |A| = 0.
r1 )(r
r2 ) = r 2
(r1 + r2 )r + r1 r2
241
1. Las races son reales distintas cuando Tr(A)2 > 4|A|. En este caso la
soluci
on de la ecuaci
on es
xt = k1 r1t + k2 r2t .
esta soluci
on es estable si y solo si las sucesiones r1t y r2t son convergentes, para lo cual se debe determinar si r1 y r2 estan en el intervalo
[ 1, 1]. Para esto basta con determinar el signo de las expresiones
(1
r1 )(1
r2 ) = 1
y
(1 + r1 )(1 + r2 ) = 1 + (r1 + r2 ) + r1 r2 = 1
Tr(A) + |A|,
242
CAPITULO 7. DINAMICA
DISCRETA
b) 1 + Tr(A) + |A| > 0, 1 Tr(A) + |A| > 0 y Tr(A) < 2 si y solo si
r1 < 1 y r2 < 1. r1t y r2t son sucesiones oscilantes explosivas,
por lo que la ecuacion es inestable y el punto de equilibrio es
otra forma de nodo inestable.
c) 1 + Tr(A) + |A| > 0, 1 Tr(A) + |A| > 0 y 2 < Tr(A) < 2
si y s
olo si 1 < r1 < 1 y 1 < r2 < 1. r1t y r2t son sucesiones
convergentes, por lo tanto la ecuacion es estable; puesto que la
soluci
on involucra sucesiones de la forma t y la convergencia
no depende de los valores de k1 y k2 , se tiene que el equilibrio es
globalmente exponencialmente estable y se conoce como nodo
estable.
243
= r1 r1 = r1 r2 = |A|.
7.2.7.
Ecuaciones homog
eneas de orden n
CAPITULO 7. DINAMICA
DISCRETA
244
Figura 7.13: Graficas de trayectoria para sistemas cuyos puntos de equilibrio son espiral estable y centro, respectivamente. El primero es globalmente exponencialmente estable y el segundo es lyapunovmente estable,
cada condici
on inicial produce una solucion casi-cclica.
2. Real y se repite m veces (multiplicidad m), la solucion general contiene los terminos: k1 rt , k2 trt , k3 t2 rt , k4 t3 rt , . . ., km tm 1 rt .
3. Compleja (su conjugado tambien es raz) y ocurre solamente una vez
(multiplicidad 1), por estas dos races (r = a + ib y r = a ib) la soluci
on p
general contiene los terminos: k1 t sen (t) y k2 t cos (t) donde
= 2 + 2 y es el argumento de r, estos valores representan la
longitud y el
angulo del n
umero complejo.
4. Compleja (su conjugado tambien es raz) y ocurre m veces (multiplicidad m), por estas 2m races (r = a + ib y r = a ib) aparecen
los terminos: k1 t sen(t),k2 t cos(t), k3 tt sen(t), k4 tt cos(t),...,
k2m 1 tm 1 t sen(t), k2m tm 1 t sen(t).
7.2.8.
Ecuaciones no homog
eneas con coeficientes
constantes
La soluci
on de una ecuaci
on no homogenea
cn xt+n + cn
1 xt+n 1
+ + c1 xt+1 + c0 xt = at
(7.2)
245
est
a formada por una soluci
on de la homogenea asociada
cn xt+n + cn
1 xt+n 1
+ + c1 xt+1 + c0 xt = 0
con
x0 = 1 y x1 = 4.
5xt+1 + 6xt = 0.
Su ecuaci
on caracterstica
r2
5r + 6 = 0
CAPITULO 7. DINAMICA
DISCRETA
246
= (a
+ (4a + 2b + c
5a
5b
10a
5b + 6b)t
5c + 6c)
+ (16d
20d + 6d)4
= 2at2 + ( 6a
2b)t + ( a
3b + 2c) + 2d(4)t
= t2 + t + 3(4)t .
Al igualar coeficientes en la u
ltima ecuacion, 2a = 1, 6a 2b = 1,
a 3b + 2c = 0 y 2d = 3. De donde, a = 12 , b = 2, c = 54 y d = 32 ,
de donde
1
5 3 t
xpt = t2 2t
+ (4)
2
4 2
y
1
5 3 t
xt = c1 (2)t + c2 (3)t + t2 2t
+ (4) .
2
4 2
Para encontrar c1 y c2 se soluciona el sistema,
(
x0 = 1 = c1 (2)0 + c2 (3)0 + 12 02 2(0) 54 + 32 (4)0
x1 = 4 = c1 (2)1 + c2 (3)1 + 12 12 2(1) 54 + 32 (4)1 ,
que equivale a
(
1 = c1 + c2 54 +
4 = 2c1 + 3c2 + 12
3
2
= c1 + c2 + 14
2 54 + 6 = 2c1 + 3c2 +
cuya soluci
on es c1 = 32 , c2 =
condiciones iniciales, es
3
xt = (2)t
2
3
4
13
4 ,
3 t 1 2
(3) + t
4
2
2t
5 3 t
+ (4) .
4 2
247
2. La soluci
on de la ecuacion
xt+2
con
x0 = 2 y x1 = 3
2d(2)t
3a + 2b
= 2t + 4(2)t
de la u
ltima igualdad a = 1, b = 32 , d =
valor. La soluci
on es
3
3
xt = c1 (2)t +c2 (3)t +t+ +c(2)t 2t(2)t = (2)t +c2 (3)t +t+
2t(2)t .
2
2
=
3 y c2 =
7
2
2 = + c2 + 32
3 = 2 + 3c2 + 1 +
3
2
4,
7
3
3(2)t + (3)t + t +
2
2
2t(2)t .
3. Si el modelo de mercado las cantidades demandadas y ofrecidas dependen del nivel y del incremento de los precios en el u
ltimo periodo,
Dt = D (pt , pt
Ot = O (pt , pt
1)
1)
=a
= pt
bpt + c (pt
pt
1) ,
+ (pt
pt
1) .
CAPITULO 7. DINAMICA
DISCRETA
248
La ecuaci
on que rige los precios es
pt+1
pt = [Dt
Ot ]
= {a
bpt + c (pt
pt
1)
[ pt
+ (pt
pt
1 )]} ,
es un par
ametro de ajuste. Despues de transponer terminos la
ecuaci
on anterior equivale a
pt+1 + [(b
c+
+ )
1]pt + (c
)pt
= (a + ),
en forma reducida,
pt+1 + Bpt + Cpt
con B = (b c + + ) 1, C = (c
de la ecuaci
on homogenea asociada,
pt+1 + Bpt + Cpt
es
pht = c1 B
B2
4C
= D,
) y D = (a + ). La solucion
=0
p
+ c2 B + B 2
4C
donde, c1 y c1 est
an dadas por las condiciones iniciales. Como El
termino independiente de la ecuacion es constante la solucion particular es su punto de equilibrio,
ppt = p =
D
.
1+B+C
p
p
pt = c 1 B
B 2 4C + c2 B + B 2
4C
D
.
1+B+C
p0
p1
= c1
+ c2
= c1 B
B2
p
4C + c2 B + B 2
4C +
D
1+B+C ,
c+
+ )
1]pt + (c
)pt
= (a + )
bp
O(p) = p
2. Encontrar la soluci
on general de la ecuacion
pt+1 + [(b
+ )
1]pt + (c
)pt
= (a + )
3, x1 = x0 = 1.
1.
7.3.
CAPITULO 7. DINAMICA
DISCRETA
250
din
amica es continua o discreta3 . Los sistemas mas simples de solucionar
son los lineales con coeficientes constantes que tienen la forma
8
>
x1t+1 = a11 x1t + a12 x2t + + a1n xnt + b1
>
>
>
< x2 = a x1 + a x2 + + a xn + b
21 t
22 t
2n t
2
t+1
>
>
>
>
: xn = a x1 + a x2 + + a xn + b
n1 t
n2 t
nn t
n
t+1
Si se itera esta u
ltima ecuacion hasta t = 0, se encuentra
xt = Axt
= A(Axt
2)
= A2 xt
= = At x 0
=A
n
X
i=1
n
X
k i v i = At
k i ri v i
i=1
n
X
n
X
ki v i
i=1
t 1
=A
n
X
= At
ki ri2 vi
i=1
n
X
i=1
ki Avi
ki rit+1 vi
i=1
+ + an
1r
+ an
para que las races (valores propios) tengan parte real con valor absoluto
menor que uno.
Teorema 7.3. (Schur) Todas las races de la ecuaci
on
a0 r n + a1 r n
+ + an
1r
+ an = 0
a an
= 0
an a0
a0
0 an an 1
a1 a0 0
an
=
an
0 a0
a1
an 1 a0 0
a0
CAPITULO 7. DINAMICA
DISCRETA
252
a0
0
a1
a0
an 1 an 2
=
an
0
an 1 an
a1
a2
0
0
a0
0
0
an
an
0
0
a0
0
an 1
an
0
a1
a0
a1
a2
an
an 1
an 2
a0
7.4.
Sistemas no lineales
@g
x, y)(x
@x (
x
) +
@g
x, y)(x
@x (
x
) +
@g
x, y)(y
@y (
@f
x, y)(y
@y (
@g
x, y)(y
@y (
y).
y)
y).
yt+1 = y +
253
x
) +
@f
x, y)(yt
@y (
@g
x, y)(yt
@y (
y)
y),
@g
x, y)zt
@x (
@g
x, y)wt ,
@y (
@f
@f
zt+1
zt
zt
@x
@y
= @g @g (
x, y)
= J(
x, y)
wt+1
w
w
t
t.
@x
@y
La matriz J es la matriz jacobiana del sistema. La traza y el determinante de
J determinan el comportamiento del punto de equilibrio del sistema linealizado. El teorema de Hartman-Grobman garantiza que el comportamiento
del sistema linealizado y el no lineal son iguales si los valores caractersticos
en el punto de equilibrio, esto es las soliciones de la ecuacion
r2
Tr (J(
x, y)) r
|J(
x, y)| = 0,
tienen m
odulo distinto de uno, |r| =
6 1.
Ejemplo
Los puntos de equilibrio del sistema,
(
xt+1 = x2t + yt2
yt+1 = xt yt ayt
satisfacen el par de ecuaciones,
(
x
=x
2 + y2
y = x
y a
y.
La segunda equivale a y(
x a 1) = 0, de donde, y = 0 o x
= a + 1.
2
Reemplazando y = 0 en la primera x
=x
,ox
(
x 1) = 0 da los puntos
de equilibrio (0, 0) y (1, 0). Reemplazando x
= a + 1 en la primera, a + 1 =
a2 + 2a + 1 + y2 o y2 = a2 a, que es un nmero
real, si 1 a 0 en
i
CAPITULO 7. DINAMICA
DISCRETA
254
p
cuyo casopy =
a2 a y los puntos de equilibrio correspondientes son
(a + 1,
a2 a). La matriz jacobiana del sistema es
J(x, y) =
2x
2y
y x a
0
0
0
, Tr(J(0, 0)) =
a
Tr2 (J(0, 0))
a, |J(0, 0)| = 0,
4|J(0, 0)| = a2
a,
1 < a < 1;
2
0
, Tr(J(1, 0)) = 3
0 1 a
4|J(1, 0)| = (3
a)2
8(1
a),
a) = (a + 1)2
a.
a<0y
255
Ejercicios
1. Terminar el an
alisis del comportamiento de los puntos de equilibrio
del ejemplo
anterior,
esto es examinar la jacobiana en los puntos (a +
p
1,
a2 a).
2. La relaci
on entre la demanda, la oferta y los precios en un cierto
mercado est
a dada por:
Dt = a + bpt , con a > 0 y b < 0,
E
Ot = c + dpE
t , con d > 0 y pt es el precio esperado por los productores,
pE
t = pt
+ k(pN
pt
1 ), pN
1/4
5/8
1/4
.
1/8
3
5
.
1
1
1 0
.
1 2
b)
d)
f)
2
1
.
5
2
2
1
.
4 2
1/2
1/5
.
3/4
1
CAPITULO 7. DINAMICA
DISCRETA
256
5. Usar alg
un programa computacional (por ejemplo Excel) para graficar
el comportamiento de los sistemas del ejercicio anterior.
6. Una estimaci
on parcial del modelo de Phillips arrojo el siguiente sistema:
8
>
<pt = 2 4ut 0,1t
t+1 t = k (pt t )
>
:
ut+1 ut = a (pt 2) ,
T
X
t=0
ln ct
sujeto a: kt+1 kt = rkt ct , k0 > 0 y kT = 0.
(1 + )t
8. Hacer el an
alisis de los puntos de equilibrio del sistema
(
xt+1 = 36 8x2t 4yt2
.
yt+1 = xt yt
7.5.
c1t
c2t+1
1
+
1+
1
257
(wt
st )1
1
1 ((1 + rt+1 ) st )1
1+
1
La condici
on de primer orden
dUt
=
dst
(1
) (wt
1
st )
1 (1
1+
) ((1 + rt+1 ) st )
1
(1 + rt+1 )
=0
se convierte en
(1 + rt+1 )1
(st )
= (1 + ) (wt
st )
1 + rt+1
1+
1/
la tasa de ahorro
optima es
st =
wt
1 + (1 + )
1/
(1 + rt+1 )
( 1)/
wt
zt+1
CAPITULO 7. DINAMICA
DISCRETA
258
en terminos per c
apita,
Yt
yt =
=F
Lt
Kt
, 1 = F (kt , 1) = f (kt )
Lt
w t Lt
(rt + )Kt
es la tasa de depreciaci
on del capital. Esta expresion usando f ,
t = Lt f (kt )
w t Lt
(rt + )Kt
@t
= f (kt )
@Lt
(rt + ) = 0
Lt f 0 (kt )
Kt
(Lt )2
wt = 0
equivalen a
rt = f 0 (kt )
kt f 0 (kt ).
wt = f (kt )
K t = w t L t + rt K t
c1t Lt
c2t Lt
Ct
Kt
1.
Adem
as,
Kt+1
donde Ct = c1t Lt
c2t+1 Lt
Kt = F (Kt , Lt )
1,
c2t Lt
= (1 + rt )Kt + wt Lt
(wt
st )Lt
= st Lt + (1 + rt ) (Kt
st
Kt+1 = Kt + wt Lt + rt Kt
= (1 + rt )Kt + st Lt
(1 + rt )st
1 Lt 1
1 Lt 1 )
(1 + rt )st
1 Lt 1 .
259
(ejemplo 5, secci
on 8.2 de la pagina 222) aplicada a este caso,
0
1
t
t
t
Y
X
Y
Kt+1 = K1 (1 + ri ) +
[si Li (1 + ri )si 1 Li 1 ] @
(1 + rj )A .
i=1
i=1
j=i+1
t
X
[si Li
(1 + r)si
i=1
= K1
t
Y
(1 + r) +
i=1
t
X
[si Li
t
Y
(1
1 Li 1 ] @
j=i+1
(1 + r)si
1 Li 1 ] (1
+ r)A
+ r)t i .
i=1
7.6.
Si dos empresas que ofrecen el mismo producto, una de las cuales es monopolica hasta que otra decide entrar en el mercado. Sean p = a bq la funcion
inversa de demanda para el mercado, x la cantidad que el monopolio cubre
en ese mercado, y y la cantidad que cubre la firma entrante, cm = c + dx
la funci
on de costos del monopolio y ce = + y la funcion de costos de
la firma entrante. Si en el momento t = 0, el monopolista determina las
cantidades ofrecidas como solucion del problema:
m
ax = x0 (a
bx0 )
x0
(c + dx0 )
d
2b
p0 =
a+d
.
2
CAPITULO 7. DINAMICA
DISCRETA
260
m
ax = y1 [a
y1
que son
y1 =
bx0
p1 =
2b
( + y1 )
p0 +
.
2
m
ax = xt+1 [a
xt+1
(c + dxt+1 )
Para el entrante:
b (xt + yt+1 )]
m
ax = yt+1 [a
yt+1
( + yt+1 ) .
yt+1
=
bxt
2b
xt+1 =
y
pt+1 =
pt
a+d+
2
d byt
2b
La soluci
on del sistema de cantidades y la ecuacion de precios determina
las trayectorias de cantidades y precios; si el entrante no es tomador de
precios, son:
pt
=
=
1
2
1
2
t+1
a+d+
3
p1
a
3
a+d+
3
a+d+
3
261
1
1
1 a+
xt
1
1
2d
= k1
+ k2
+
yt
1
1
2
2
3b a + d 2
donde
k1 =
a+d 2
4b
k2 =
a
12b
Captulo 8
Din
amica continua
Un ejemplo tangible de la dinamica en el que los demandantes y los oferentes
ajustan sus cantidades demandadas y ofrecidas dependiendo del precio y
de los cambios en el nivel de precios, es el mercado financiero. En este
la informaci
on fluye casi instantaneamente, las cantidades demandadas
en cada momento t dependen del nivel de precios en cada instante t y su
tendencia en un intervalo de tiempo h,
p(t) p(t h)
D(t) = D p(t),
h
y tambien la oferta depende de las mismas variables,
p(t) p(t h)
O(t) = O p(t),
.
h
El comportamiento de los precios esta determinado por el exceso de demanda en el intervalo de tiempo de reaccion de los agentes por medio de la
ecuaci
on:
p(t + h) p(t) = h[D(t) O(t)]
donde es un par
ametro de ajuste. Si el intervalo de reaccion tiende a cero
la ecuaci
on anterior se convierte en:
p =
dp
= [D (p(t), p(t))
dt
O (p(t), p(t))]
Esta ecuaci
on rige el comportamiento de los precios en cada instante; el
determinar los niveles de precios p = p(t) implica solucionar esta ecuacion
diferencial.
262
i
8.1.
263
Ecuaciones diferenciales
Una ecuaci
on diferencial es aquella que contiene derivadas. La clasificaci
on de ecuaciones diferenciales es similar a la de ecuaciones en recurrencia, esto es, en lineales, no lineales, autonomas, no autonomas, homogeneas
y no homogeneas, y tambien con respecto al orden. El orden de una
ecuaci
on es la mayor derivada que contenga. Un sistema de ecuaciones
diferenciales de orden n es una expresion de la forma
x
, ..., x(n) ) = 0,
F(t, x, x,
donde F es alguna funci
on de varias variables y varios valores (campo vectorial). La clasificaci
on de los sistemas o ecuaciones es similar al caso discreto.
Un sistema aut
onomo
x = F(t, x)
esta en equilibrio si y s
olo si
x =
dx(t)
= 0,
dt
para todo t.
Este concepto indica que las variables de estado estan fijas. Las nociones de
estabilidad son iguales al caso discreto, salvo la siguiente posible variacion
en la definici
on de equilibrio exponencialmente estable
es exponencialmente estable si y s
Definici
on 8.1. El punto fijo x
olo si
k < , entonces
existen > 0, > 0 y > 0 tales que: si kx0 x
kx(t)
k kx0
x
ke
x
para
t > 0.
CAPITULO 8. DINAMICA
CONTINUA
264
1)(x + 2)x
x
4
-2
-1
-2
-4
Figura 8.1: x = (x
1)(x + 2)x.
265
x
4
-2
-1
-2
-4
1)xx
+ (x
1)(x + 2)x
= [(x + 2)x + (x
1)x + (x
1)(x + 2)]x
= [(x + 2)x + (x
1)x + (x
1)(x + 2)](x
= (3x + 2x
2)(x
1)(x + 2)x
1)(x + 2)x.
p
CAPITULO 8. DINAMICA
CONTINUA
266
p
p
1
7
1+ 7
es c
oncava cuando lo hace en ( 1, 2) [
,
0
[
,
1
.
3
3
La gr
afica de x(t), para t 0, depende del valor de x(0), para:
1. x(0) <
2, la funci
on es decreciente y concava.
2. x(0) =
2, la funci
on es constante (x esta en equilibrio).
3.
4.
5. x(0) = 0, la funci
on es constante (esta en equilibrio).
6. 0 < x(0) <
7.
1+ 7
3
p
1+ 7
,
3
t
-1
-2
Figura 8.3: Gr
afica de la solucion de la ecuacion x = (x
dependiendo de la condicion inicial.
1)(x + 2)x,
267
Ejercicios
1. Probar el teorema 9.1.
2. Hacer el an
alisis cualitativo grafico de la solucion de cada una de las
siguientes ecuaciones diferenciales:
a) x = kx(T
8.1.1.
x).
b) x = 2x(x + 1)(x
4).
c) x = (x2 + 1)(x2
2).
M (u, 1)du
uM (u, 1) + N (u, 1)
nuevamente la soluci
on depende de la dificultad de la integral.
CAPITULO 8. DINAMICA
CONTINUA
268
Una ecuaci
on es exacta si es la diferencial de alguna funcion f (x, t). Si
la ecuaci
on es
M (x, t)dx + N (x, t)dt = 0
@f
entonces, M (x, t) = @f
@x y N (x, t) = @t . Si a su vez las funciones M y N son
@2f
@2f
@N
diferenciables, @M
@t = @t@x y @x = @x@t de donde f debe ser doblemente
diferenciable y
@M
@2f
@2f
@N
=
=
=
@t
@t@x
@x@t
@x
que es la condici
on para que la ecuacion sea exacta. La solucion es f (x, t) =
c; para recuperar la funci
on f se debe integrar M con respecto a x o N con
respecto a t.
Para solucionar una ecuacion diferencial lineal de primer orden,
x + p(t)x = q(t)
se multiplica por una funci
on m(t), llamada factor de integraci
on, con
el fin de convertirla en separable. Multiplicar por m(t) y sumar y restar el
termino m(t)x(t)
la convierten en
m(t)x(t)
+ m(t)p(t)x(t) = (m(t)x(t)
+ m(t)x(t))
+ (m(t)p(t)x(t) m(t)x(t))
d (m(t)x(t))
=
+ (m(t)p(t) m(t))
x(t)
dt
= m(t)q(t).
La u
ltima ecuaci
on es
d (m(t)x(t))
= m(t)q(t)
dt
si y solo si
(m(t)p(t)
m(t))
x(t) = 0.
si y solo si
dm(t)
= m(t)p(t)
dt
si y solo si
dm
= p(t)dt
m
269
si y solo si
ln(m(t)) =
p(t)dt.
R
exp p(t)dt q(t)dt + k
R
.
x(t) =
exp p(t)dt
Esta f
ormula proporciona la solucion general para este tipo de ecuaciones.
La construcci
on de las funciones CD y CES es ejemplo de uso de las ecuaciones diferenciales en la construccion de funciones que sirven de modelo
para el comportamiento de algunos agentes economicos.
8.1.2.
La funci
on de Cobb-Douglas
Para maximizar el beneficio del productor que usa dos insumos, K y L, con
una funci
on de producci
on Q(K, L) dada por
= Ingreso total - Costo total = pQ(K, L)
(rK + wL)
r=0
@
@Q
=p
w=0
@L
@L
estas condiciones de primer orden se reducen a
@Q
r
=
@K
p
@Q
w
= .
@L
p
rK = Q.
(8.1)
CAPITULO 8. DINAMICA
CONTINUA
270
dQ
dL
=
Q
p L
y al integrar con respecto a L,
ln(Q) =
ln(L) + c,
p
Q(K, L) = e p
ln L+c
= ec+ln L
@Q
K = pC10 (K) (L) p K = C1 (K) (L) p = Q
@K
transponiendo terminos en la ecuacion del medio,
dC1
dK
=
C1
p K
integrando con respecto a K,
ln (C1 ) =
ln K + c2
despejando,
C1 = e p
ln(K)+c2
8.1.3.
271
La funci
on CES
La construcci
on de la CES esta basada en la observacion de que el output es
una proporci
on cambiante del tipo de salario (en adelante se asume p = 1
por comodidad)
Q
= w .
(8.3)
L
La diferencial total de Q es
dQ =
@Q
@Q
dK +
dL
@K
@L
@Q
dK + wdL.
@K
Si adem
as Q tiene rendimientos constantes a escala,
dQ
dK
dL
=
=
,
Q
K
L
as,
dQ
@Q
dL
@Q
L
=
+w
=
+w ,
dK
@K
dK
@K
K
Q
@Q
L
=
+w
K
@K
K
despejando w,
w=
Q
L
K @Q
L @K
Reemplazando en la ecuaci
on (9.3),
Q
=
L
elevando a potencia
Q
L
K @Q
L @K
Q
L
1/
= 1/
Q
L
K @Q
L @K
CAPITULO 8. DINAMICA
CONTINUA
272
haciendo r = 1 ,
se tiene,
Q
L
Q
L
separando variables
L
Q
L
@Q
@K
r =
Q
K
a L
(u
1)
A
+
u
1
B
aur
sumando la u
ltima expresi
on y simplificando los denominadores se tiene
que
1 = A 1 aur 1 + Bu
de donde,
aur
A=1y
despejando,
B=
aur
u
+ Bu = 0
= aur
As,
Z
du
=
(u aur )
du
+
u
aur 2 du
= ln(u)
1 aur 1
1
r
= ln(u)
donde z = 1
ln
Q
L
aur
1
r
1.
1
1
dz
z
ln(z),
Reemplazando z y u
ln 1
Q
L
Q
= ln
L
Q
L
1
r 1
= ln(K) + c,
273
Q
L
1
r 1
= CK.
o
1=a
Q
L
L
Q
=
1
CLK
Q
CLK
Q
1)-esima,
finalmente,
Qr
= aLr
+ (CLK)r
dx
dt
t2 1
x2 +1
2)x = 0.
c) 2t + 4x + (2t
d ) 2xdt
e)
x2
2x)x = 0.
tdx = 0.
+ 3xt + t2 dt
f ) (x
t)dx = (4t
g) x =
ex+t .
t2 dx = 0.
3x)dt.
3. Hacer el an
alisis de estabilidad local de las ecuaciones en cada punto
de equilibrio
a) x =
b) x =
dx
dt
dx
dt
= 8x
x4 .
= 9x
x3 .
CAPITULO 8. DINAMICA
CONTINUA
274
4. Encontrar la funci
on de demanda en funcion de los precios que tiene
elasticidad lineal epq = ap + b y determinar las condiciones sobre a y
b para que esta elasticidad este bien definida.
5. Determinar la funci
on de demanda que tiene elasticidad constante
para todo nivel de precios.
6. Usar el teorema de la envolvente para probar que:
a) Si la funci
on de produccion tiene rendimientos crecientes a escala, la funci
on de costos (optimos) es concava en cantidades.
b) Si la funci
on de produccion tiene rendimientos constantes a escala, la funci
on de costos es lineal en cantidades y
c) Si la funci
on de produccion tiene rendimientos decrecientes a
escala, los costos son convexos en cantidades.
d ) Encontrar en cada caso la forma de las funciones de costos y de
demandas condicionadas.
Ayuda: si la funci
on de produccion es homogenea de grado ,
C =
[QK K + QL L ] = q.
kp
O(p) = p
1000,
275
a) pt+1 pt = [D(pt pt 1 ) O(pt )]. Encontrar el punto de equilibrio y las condiciones sobre k y para que el modelo tenga un
punto de equilibrio estable.
b) p = [D(p(t)) O(p(t))]. Encontrar el punto de equilibrio y las
condiciones sobre y k para que sea estable.
c) Comparar las respuestas de las partes a) y b).
8.1.4.
La soluci
on general de una ecuacion diferencial homogenea lineal con coeficientes constantes forma un espacio vectorial de dimension igual al orden
de la ecuaci
on. En particular la solucion de la ecuacion lineal homogenea
de segundo orden
a
x + bx + cx = 0
forma un espacio vectorial de dimension 2; su base esta generada por dos
funciones linealmente independientes. Puesto que la funcion x = ert , para
alg
un r, es m
ultiplo de sus derivadas, entonces debe ser solucion de la
ecuaci
on; para esto se debe determinar el valor de r, lo cual se logra reemplazando la funci
on y sus derivadas en la ecuacion:
ar2 ert + brert + cert = 0
simplificando ert . Los valores de r deben satisfacer la ecuaci
on caracterstica,
ar2 + br + c = 0.
Las posibilidades para las races son:
1. Si b2 > 4ac, las races r1 y r2 son reales distintas y la solucion de la
ecuaci
on diferencial es
x(t) = k1 er1 t + k2 er2 t .
2. Si b2 = 4ac, r1 y r2 son reales iguales y la solucion de la ecuacion
diferencial es
x(t) = k1 er1 t + k2 ter1 t .
CAPITULO 8. DINAMICA
CONTINUA
276
= et k1 ei t + k2 e i t
i sen( t))]
k2 ) sen( t)]
t!1
r1 )(r
r2 ) = r 2
(r1 + r2 )r + r1 r2 ,
r1 r2 = c
y la estabilidad de la ecuaci
on queda determinada por sus coeficientes en:
1. Si b2 > 4c las races son reales distintas y la solucion converge si las
races son negativas, lo que se tiene si y solo si c < 0 y b > 0.
2. Si b2 = 4c las races son reales iguales con valor
converge cuando b > 0.
1 i
b/2 y la solucion
= cos + i sen .
277
1x
(n 1)
+ + a2 x
+ a1 x + a0 x = 0
una soluci
on es de la forma x = erx para alg
un r ya que para esta funcion
(k)
k
rx
la derivada de orden k es x = r e . Al reemplazar esta funcion y sus n
primeras derivadas la ecuaci
on se convierte en
an rn erx + an
1r
n 1 rx
1r
n 1
+ + a2 r 2 + a1 r + a0 = 0
278
CAPITULO 8. DINAMICA
CONTINUA
esas funciones sean base de los espacios solucion, para lo cual se deben
tener tantas como la dimensi
on del espacio (orden de la ecuacion), que sean
adem
as linealmente independientes. Todo lo anterior se logra probando que
el determinante
f (t) g(t)
W (f (t), g(t)) = 0
f (t) g 0 (t)
es no nulo para cada una de las soluciones encontradas2 .
A partir del teorema fundamental del algebra, la forma de la solucion
general de una ecuaci
on diferencial lineal homogenea con coeficientes constantes est
a determinada por las races de ecuacion caracterstica de la
siguiente forma:
1. Si todas las races son reales distintas, la solucion es:
x(t) = k1 er1 t + k2 er2 t + + kn ern t
2. Si una raz real r se repite m + 1 veces, la solucion es:
x(t) = k1 ert + k2 tert + k3 t2 ert + + km tm ert
+ otros terminos que dependen del
Para la prueba del anterior resultado se puede consultar cualquier buen texto de
ecuaciones diferenciales, por ejemplo Simmons[Sim] o Boyce y DiPrima[B y D].
279
1t
0
e cos(bt) + km
m 1 at
1t
m 1 at
e sen(bt)
2x + 2x = 2 + 3t + 5t2 .
2x + 2x = 0
su polinomio caracterstico
r2
tiene como races 1 + i y 1
2r + 2 = 0
CAPITULO 8. DINAMICA
CONTINUA
280
La funci
on que hace no homogenea la ecuacion es 2 + 3t + 5t2 , por lo tanto
la soluci
on particular debe ser de la misma forma, esto es, un polinomio de
segundo grado,
xp (t) = a + bt + ct2 .
Para determinar los valores se reemplaza en la ecuacion,
2c
2b + 2c = 2,
2b
4c = 3,
2c = 5.
9 13
5
+ t + t2 .
2
2
2
El metodo de variaci
on de parametros supone que la solucion particular
es combinaci
on lineal variable de las funciones que generan la solucion de
la homogenea. Este metodo da formulas para la solucion particular (ver
Simmons[Sim] o Boyce y DiPrima[B y D]).
8.2.
dx
= F(x),
dt
8.2.1.
281
Diagramas de fase
El an
alisis gr
afico de sistemas de dos ecuaciones con dos incognitas
(
x = f (x, y)
y = g(x, y)
sirve para determinar el comportamiento de los puntos de equilibrio y de
las trayectorias soluci
on del sistema con algunas condiciones iniciales.
En un diagrama de fase se trazan las curvas que son soluciones del
sitema, esto es, se grafican las curvas formadas por los puntos (x(t), y(t))
de tal forma que los valores de x = x(t) y y = y(t) satisfagan el sistema para
t en alg
un intervalo. El sistema geometricamente describe el movimiento de
una partcula en el plano: la ecuacion x = f (x, y) determina el movimiento
de la partcula con respecto al eje x, ya que x representa el crecimiento de la
variable x a medida que el tiempo crece; en la region donde x = f (x, y) > 0
la partcula se mueve en la direccion de crecimiento del eje x y en la region
donde x = f (x, y) < 0 la partcula se mueve en la direccion hacia donde el
eje x decrece. De la misma forma y = g(x, y) determina el movimiento de
la partcula en la direcci
on del eje y.
Para hacer el diagrama de fase en un sistema coordenado usual se traza
la curva f (x, y) = 0 y se determinan las regiones donde f (x, y) > 0 y
f (x, y) < 0; en la primera la trayectoria solucion del sistema se mueve a
la derecha, x > 0, en la grafica esto se indica por medio de una flecha
hacia la derecha (!). En la region donde f (x, y) < 0 la trayectoria debe
moverse hacia la izquierda, lo que se indica con una flecha hacia la izquierda
( ). Puesto que las trayectorias pueden atravesar la curva f (x, y) = 0, si
lo hace, en el punto de cruce x = 0, es decir, en ese punto la tangente a
la trayectoria debe ser vertical; esto se indica en la grafica colocando una
lnea vertical (figura 9.4). Para determinar el crecimiento de la trayectoria
soluci
on al sistema con respecto al eje y se traza el contorno g(x, y) = 0
y se determinan los contornos superior e inferior, esto es, la region donde
g(x, y) > 0 y g(x, y) < 0. En el contorno superior la trayectoria se mueve
en direcci
on al crecimiento del eje y, lo que se indica por medio de una
flecha hacia arriba (") y donde g(x, y) < 0 por una flecha hacia abajo (#)
que indica que la trayectoria se mueve hacia abajo. En los puntos de cruce
de las trayectorias soluci
on con la grafica de g(x, y) = 0 las tangentes a las
trayectorias deben ser horizontales, all y = 0, en la grafica se indica con una
recta horizontal atravesada al grafico de g(x, y) = 0 (figura 9.5). Al reunir
el comportamiento de los gr
aficos anteriores se encuentra el crecimiento de
CAPITULO 8. DINAMICA
CONTINUA
282
f Hx,yL= 0
gHx,yL= 0
283
f Hx,yL= 0
gHx,yL= 0
x= 0
y= 0
8.2.2.
CAPITULO 8. DINAMICA
CONTINUA
284
forma:
x = Ax + B,
el vector B determina la posicion del punto de equilibrio pero este vector
no incide en la estabilidad del sistema. Si B = 0 el sistema es homogeneo,
en este caso el punto de equilibrio esta en el origen y por comodidad en el
an
alisis s
olo se estudia este caso.
La soluci
on de un sistema homogeneo
x = Ax
es de la forma
x = ert v
ya que este vector de funciones tiene por derivada un m
ultiplo del mismo
vector,
x = rert v
para determinar los valores de r y v se reemplaza x y su derivada en el
sistema original,
rert v = Aert v
simplificando ert ,
rv = Av
esto indica que r y v son valor y vector propios correspondientes de la
matriz A.
En la soluci
on de un sistema de dos ecuaciones lineales
(
x = ax + by
y = cx + dy
se trata de encontrar los valores de las v y r que solucionen el sistema,
v1
a b
v1
r
=
v2
c d
v2
como el valor del vector v es
nando la ecuaci
on,
a
c
i
1 0
r
0 1
=0
285
que se reduce a
a
r
c
b
d
r)
bc = r2
= (a
r)(d
= r2
Tr(A)r + |A| = 0.
(a + d)r + ad
bc
4 |A|
r1 )(r
r2 ) = r 2
(r1 + r2 )r + r1 r2
por lo tanto,
Tr(A) = r1 + r2
|A| = r1 r2 .
x(t)
r1 t v11
r2 t v21
= c1 e
+ c2 e
y(t)
v12
v22
donde r1 y r2son los valores propios de la matriz de coeficientes
del
v11
v21
sistema,
es un vector propio correspondiente a r1 y
es
v12
v22
un vector propio correspondiente a r2 . La convergencia de la solucion
no s
olo depende de las races sino tambien de los valores iniciales del
problema:
a) r1 > 0 y r2 > 0 si y solo si |A| y Tr(A) son positivos. Si los valores
iniciales del problema son distintos del punto de equilibrio, c1
o c2 distintos de cero, las funciones exponenciales involucradas
en la soluci
on crecen y las trayectorias se alejan del punto de
equilibrio; por este comportamiento el punto se conoce como
nodo inestable (figura 9.8).
286
CAPITULO 8. DINAMICA
CONTINUA
.
y= 0
.
x= 0
b) r1 < 0 y r2 > 0 si y solo si |A| < 0. La solucion del sistema converge al punto de equilibrio solamente cuando c2 = 0; esto implica que para que el sistema converja, los valores iniciales deben
estar sobre la recta generada por el vector propio correspondiente al valor propio negativo. Por esta razon la recta generada
por este vector se conoce como la senda de convergencia;
por este camino existe la u
nica posibilidad de convergencia del
sistema, en terminos de algebra lineal la senda de convergencia
es Gen{V1 }. Si el valor inicial del problema hace c2 6= 0, esto
es, se encuentra fuera de la senda de convergencia, la solucion
inicialmente puede acercarse al punto de equilibrio pero luego
de un cierto intervalo de tiempo divergira, puesto que valores
iniciales que tengan coeficientes distintos de cero para la exponencial positiva llevan a la divergencia del sistema. Cuando el
modelo contiene valores propios con estas caractersticas, se dice
que tiene un punto de silla (figura 9.9).
c) r1 y r2 son negativos si y solo si |A| > 0 y TR(A) < 0, para
cualquier valor del punto inicial el sistema converge al equilibrio
puesto que las exponenciales involucradas convergen a cero. Este
tipo de punto se conoce como un nodo estable.
2. Reales iguales si y s
olo si Tr2 (A) = 4|A|. En este caso solo hay un
vector propio y el espacio solucion tiene dimension dos, por lo tanteo es necesario generar otra solucion, esto se logra suponiendo una
287
x= 0
.
y= 0
rtv = Atv
rI)v = 0
(A
rI)w = v
el primero produce el valor y vector propio del sistema; este se reemplaza en el segundo y se despeja el vector w.
Para un sistema de dos ecuaciones con dos incognitas la solucion es
de la forma
x(t)
w11
v
rt v11
rt
= c1 e
+ c2 e
+ t 21
y(t)
v12
w12
v22
i
CAPITULO 8. DINAMICA
CONTINUA
288
i)t
(v1
iv2 ) = et (cos(t)
i sen(t)) (v1
iv2 ) .
x1
sen(t)v2 )
x2
= et (cos(t)v2 + sen(t)v1 )
2
son soluciones de la ecuacion. Puesto que son soluciones reales linealmente independientes, cualquier solucion debe ser una combinacion
lineal de ellas, esto es, la solucion general es:
x(t)
= et [k1 (cos(t)v1 sen(t)v2 ) + k2 (cos(t)v2 + sen(t)v1 )] .
y(t)
i
289
b) La soluci
on se aleja del punto de equilibrio si y solo si > 0,
el punto de equilibrio es un punto espiral repulsivo o divergente.
c) Cuando = 0 la solucion del sistema a partir de una condicion
inicial es cclica ya que solamente involucra las funciones seno y
coseno que son periodicas; en este caso el punto de equilibrio es
un centro. El sistema es lyapunovmente estable (figura 9.10).
.
y= 0
.
x= 0
Ejemplos
1. La matriz de representacion del sistema
(
x = 3x + 2y
y = x
es
3 2
1 0
su polinomio caracterstico, r2
x(t)
1
2
t
2t
= k1 e
+ k2 e
.
y(t)
1
1
El punto de equilibrio es un nodo inestable.
CAPITULO 8. DINAMICA
CONTINUA
290
2. Para solucionar un sistema no homogeneo se procede como en ecuaciones, esto es, la solucion es la suma de la solucion del sistema homogeneo y la soluci
on particular, la cual tiene la forma de los terminos
que hacen no homogenea la ecuacion.
La soluci
on particular del sistema
(
x = 3x + 2y + t
y = x + et ,
(la soluci
on del sistema homogeneo asociado se encontro en el ejemplo
anterior) tiene la forma
xp (t)
yp (t)
a1 t + b1 + c1 et + d1 tet
a2 t + b2 + c2 et + d2 tet
= 3 a1 t + b1 + c1 et + d1 tet
+2 a2 t + b2 + c2 et + d2 tet + t
=
a1 t + b1 + c1 et + d1 tet + et .
Igualando coeficientes
8
>
>a1 = 3b1 + 2b2
>
>
>
>
3a1 + 2a2 + 1 = 0
>
>
>
>
>
c1 + d1 = 3c1 + 2c2
>
>
>
<d = 3d + 2d
1
1
2
>
a
=
b
2
1
>
>
>
>
>
a1 = 0
>
>
>
>
>
c 2 + d2 = c 1 + 1
>
>
>
:d = d .
2
1
i
291
2, d2 = 2 y
x = 3x + y
y = x y
3 1
la matriz de representacion es
. Su polinomio caracterstico,
1
1
p
p
r2 2r 4, tiene como races r = 1
5 y r =1+
5, los vectores
1p
propios correspondientes a estos valores propios son:
y
2
5
1p
. La soluci
on general del sistema es:
2+ 5
p
p
1p
1p
x(t)
(1
5)t
(1+ 5)t
= k1 e
+ k2 e
.
y(t)
2
5
2+ 5
El punto de equilibrio es un punto de silla, la senda de convergencia (el
espacio generado
por el vectorpropio correspondiente al valor propio
1p
negativo) es Gen
; este espacio corresponde a la recta
2
5
p
y = (2 + 5)x.
4. El sistema
x = 2x + y
y = 4x + 2y
2 1
est
a representado por la matriz
cuyo polinomio caractersti4 2
co es r2 4r + 8. Las races de este polinomio son: 2 + 4i y 2 4i y
CAPITULO 8. DINAMICA
CONTINUA
292
1
4i
1
0
0
.
4
Aplicando la f
ormula encontrada en el caso de races complejas, la
soluci
on general para el sistema es
x(t)
y(t)
1
0
= e k1 cos(4t)
sen(4t)
0
4
0
1
+k2 cos(4t)
+ sen(4t)
.
4
0
2t
x(0)
1
1
0
k1
=
= k1
+ k2
=
y(0)
3
0
4
4k2
de donde k1 = 1 y k2 = 34 y la solucion del problema con condiciones
iniciales es:
3 sen(4t)
x(t)
cos(4t)
2t
=e
+
y(t)
4 sen(4t)
4 4 cos(4t)
3
cos(4t) + 4 sen(4t)
2t
=e
.
3 cos(4t) 4 sen(4t)
Para sistemas de ecuaciones diferenciales lineales con mas ecuaciones es
posible hacer el an
alisis de estabilidad a partir del comportamiento de las
races del polinomio caracterstico, aunque es imposible resumir el comportamiento de la soluci
on en terminos de la traza y el determinante como en
el caso de sistemas de dos ecuaciones con dos incognitas; sin embargo, el
siguiente resultado da el comportamiento de los valores propios a partir de
los coeficientes del polinomio caracterstico de la matriz de coeficientes.
Teorema 8.2. (Routh-Hurwitz) El polinomio
P ( ) = a0
+ a1
n 1
+ + an
+ an
293
con coeficientes reales y a0 > 0 tiene todas sus races con parte real negativa
si y s
olo si los menores principales de la matriz de Hurwitz
0
a1 a3 a5 a7
B a0 a2 a4 a6
B
B 0 a1 a3 a5
B
B 0 a0 a2 a4
B
B. . . . . . . . . . . .
B
@0
0
0
0
0
0
0
0
1
...
0
0
...
0
0C
C
...
0
0C
C
...
0
0C
C
. . . . . . . . .C
C
. . . an 1 0 A
. . . an 2 a n
8
< pH(x,y)
:0
x2 +y 2
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
CAPITULO 8. DINAMICA
CONTINUA
294
x = x2 + y 2
y = 2xy
tiene cuatro puntos de equilibrio (1, 0), ( 1, 0), (0, 1) y (0, 1); estos son
las soluciones del sistema
(
x2 + y 2 1 = 0
2xy = 0
para estudiar su comportamiento se analiza la traza y el determinante de
la matriz jacobiana,
!
@ x
@ x
2x 2y
@x
@y
J(x, y) = @ y @ y =
2y 2x
@x
@y
en cada uno de los puntos:
2 0
1. En (1, 0), J(1, 0) =
, su traza es 4 y su determinante es 4, las
0 2
races del polinomio caracterstico son ambas 2, el punto de equilibrio
es un nodo inestable.
2 0
2. En ( 1, 0), J( 1, 0) =
su traza es 4 y su determinante
0
2
es 4, las races del polinomio caracterstico son ambas 2 y el punto
de equilibrio es un nodo estable.
0 2
3. En (0, 1), J(0, 1) =
su traza es 0 y su determinante
2 0
es 4, las races del polinomio caracterstico son 2 y 2, por lo tanto
esos puntos de equilibrio son puntos de silla.
295
Ejercicios
1. Encontrar la soluci
on del
si la matriz A es:
1
1
4
4
a)
5
1
8
8
1 0
d)
1 2
2 0
g)
0
2
2
5
j)
1
2
2
5
2
1
2
0
2
2
1
2
1
2
0
2
1
0
c)
f)
i)
l)
3
1
2
1
1
2
2
2
5
1
1
2
0
1
1
0
2. Encontrar la soluci
on del sistema
(
x = 16 x + 16 y 2
5
1
y = 12
x 12
y+5
con las condiciones iniciales x0 = 1 y y0 = 2.
3. Hacer el diagrama de fase para cada uno de los sistemas y analizar
el comportamiento de los puntos de equilibrio usando la matriz jacobiana:
(
(
x = x3 x y
x = xy
a)
b)
y = x y
y = 4 x2 y 2
(
(
x = x2 4 y
x = y 3 x y
c)
d)
y = 4 x2 y
y = x 3y
(
(
x = x2 y 2
x = x y
e)
f)
2
2
y = 4 x
y
y = 4 y 2
4. El sistema
x = x y 2
y = x + y 2
2y
y 6
296
CAPITULO 8. DINAMICA
CONTINUA
2p + 2p
98
2
a) Hallar la soluci
on del modelo, suponiendo que el mercado esta en
equilibrio en cada momento.
b) Analizar el comportamiento del mercado si ocurre un desequilibrio del mercado en el momento t = 0 que aparta los precios
de su nivel de equilibrio, tal que p(0) = 32 y p(0)
= 35.
6. Analizar los puntos de equilibrio del sistema no lineal
(
x = 0,5x y
y = 3x x3 2y
7. Trazar el diagrama de fase y analizar, por medio de la matriz jacobiana, los puntos de equilibrio del sistema:
(
x = a2 x x3 y
y = x y.
8. Encontrar condiciones sobre el parametro a para que los puntos de
equilibrio del sistema sean estables:
(
x = x x3 ay
y = x y.
9. Una versi
on del modelo de Phillips para la interaccion entre la tasa
de inflaci
on y la tasa de desempleo es:
8
>
= (p(t) (t))
<(t)
u(t) = a + b(t) p(t)
>
:
u(t)
= k(p(t)
)
donde p es la tasa de inflacion, es la tasa de inflacion esperada, u es
la tasa de desempleo y todos los coeficientes son positivos. Se supone
que (b ) = k. Encontrar, si las hay, las condiciones de estabilidad
del modelo y determinar su comportamiento.
8.3. LA DINAMICA
EN ECONOMIA
10. Otra versi
on del modelo de Phillips es:
8
>
= (p(t) (t))
<(t)
p(t) = a bu(t) + (t)
>
:
u(t)
= k(p(t)
)
297
= bk.
a) La soluci
on del modelo, es decir, p(t), (t) y u(t).
b) El punto de equilibrio, su tipo y su comportamiento con respecto
a estabilidad.
8.3.
8.3.1.
La din
amica en economa
Los enfoques discreto y continuo de un modelo de
Samuelson
Esta secci
on examina el andamiaje matematico necesario para comparar
las concepciones din
amicas en un modelo propuesto por Samuelson[S, pp.
265] para mostrar que los procesos de ajuste son diferentes cuando se trabaja con tiempo continuo o discreto; para ello Samuelson utiliza un modelo
keynesiano sencillo.
8.3.2.
Caso est
atico
Considerese el sistema
8
>
<C (r, Y ) + I + = Y
F (r, Y ) I =
>
:
L (r, Y ) = M
CAPITULO 8. DINAMICA
CONTINUA
298
inc
ognitas (r, Y, I). Al reordenar la primera ecuacion y derivar con respecto
al par
ametro ,
8
>
< C r r + C Y Y Y + I =
Fr r + FY Y I = 0
>
:
Lr r + LY Y = 0,
y con respecto a M ,
8
>
Y +I =0
<Cr r + CY Y
Fr r + FY Y
I = 1
>
:
Lr r + LY Y = 0
8
>
< C r rM + C Y Y M Y M + I M = 0
Fr r M + FY Y M I M = 0
>
:
Lr rM + LY YM = 1.
cr cY 1
@ Fr
FY
Lr
FY
cr cY 1
@ Fr
FY
Lr
FY
10 1 0 1
1
r
0
A
@
A
@
1
Y
1A
=
0
I
0
10 1 0 1
1
rM
0
1A @YM A = @0A .
0
IM
1
La soluci
on de cada uno de los tres sistemas anteriores se obtiene premultiplicando por la inversa de la matriz de coeficientes,
0
1
LY
LY
1 C Y FY
1 @
A,
Lr
Lr
C r + Fr
Fr LY FY Lr (CY 1) Lr Cr Lr Cr FY (CY 1) Fr
i
8.3. LA DINAMICA
EN ECONOMIA
299
donde,
Cr CY 1
FY
= Fr
Lr
FY
1
1 .
0
La propensi
on marginal a consumir es mayor que cero (CY > 0). La eficiencia marginal del capital es positiva con respecto al ingreso (FY > 0) y
negativa con respecto a la tasa de interes (Fr < 0). La demanda de dinero
aumenta con el ingreso (LY > 0) y disminuye cuando la tasa de interes sube
(Lr < 0). La respuesta del consumo a las variaciones de la tasa de interes
es m
as incierta. Si los intereses suben es probable que aumente el ahorro, pero tambien puede presentarse un aumento del consumo si la persona
interpreta el alza de las tasas de interes como el comienzo de un proceso
inflacionario. Por consiguiente, el signo de Cr es desconocido.
A partir de los sistemas matriciales se tienen las soluciones:
0
1
0
r
LY
LY
1
@Y A = @
Lr
Lr
I
Fr LY FY Lr (CY 1) Lr
0 1
0
1
1
LY
1
A,
Lr
@ 0 A= @
0
FY L r Fr L Y
0 1
0
1
r
LY
@Y A = 1 @
A
Lr
I
(1 CY ) Lr + Cr Lr
1
C Y FY
A
C r + Fr
Cr FY (CY 1) Fr
1
Cr Lr
y
0
1
0
1
rM
1 C Y FY
@Y M A = 1 @
A.
C r + Fr
IM
Cr FY (CY 1) Fr
Puesto que el signo de Cr es incierto, Samuelson[S] concluye que no es
posible precisar si
es positivo o negativo. A renglon seguido duda que
un modelo est
atico como el presentado tenga la capacidad de explicar el
comportamiento de la economa keynesiana. La inversion (I) no es estatica.
A traves del tiempo se va ajustando en funcion de la diferencia entre la
inversi
on actual y la inversi
on deseada. Este hecho obliga a considerar un
esquema de an
alisis de car
acter dinamico.
CAPITULO 8. DINAMICA
CONTINUA
300
8.3.3.
Caso din
amico. Tiempo continuo
>
<Y = I [Y C (r, Y ) ]
0 = F (r, Y ) I +
>
:
0 = L (r, Y ) M.
Al linealizar este sistema mediante la expansion en polinomio de Taylor de
primer orden de las funciones C, F y L, se obtiene:
8
@C
>
Y
C (0) + @C
>Y = I
@r (0) r + @Y (0) Y
>
>
<
= I [1 + CY (0)] Y C (0) Cr (0) r
>
F (0) + Fr (0) r + FY (0) Y I + = 0
>
>
>
:L (0) + L (0) r + L (0) Y M = 0.
r
Y
[1 + CY (0)] Y
C (0)
Cr (0) r
Al simplificar la ecuaci
on anterior se tiene:
Y = B + W r + T Y
con B, W y T constantes. Despejando r en la tercera ecuacion del sistema
y reemplazando en la anterior,
Y = B +
W
[M
rL (0)
esta ecuaci
on se reescribe
LY (0) Y
L (0)] + T Y
Y = aY + b,
at
L (0) + Lr (0) r + LY (0) Y0 + a1 e
M = 0.
i
8.3. LA DINAMICA
EN ECONOMIA
301
Y0 ) ,
[Y
C (r, Y )
] = a (Y
Y0 )
(1 + a) Y + I + aY0 =
La soluci
on es similar a la del caso estatico. Basta reemplazar la inversa de
la matriz de coeficientes por la inversa de la matriz
0
1
Cr CY 1 a 1
@ Fr
FY
1A
Lr
FY
0
y
por
Cr CY 1
FY
(a) = Fr
Lr
FY
1
1 =
0
+ aLr
CAPITULO 8. DINAMICA
CONTINUA
302
8.3.4.
Caso din
amico. Tiempo discreto
Considerando la inversi
on como un parametro independiente, se tiene
Yt = C (
r , Yt
1)
+ I
Y0 )
y reemplazando en
Yt = C (Y0 ) + CY0 (Yt
Yt = CY0 Yt
Y0 ) + I
+A
1)
F (
r , Yt )
Yt + It = 0
It = 0.
Y0 )
Y0 )
Yt + It = 0
It = 0,
8.3. LA DINAMICA
EN ECONOMIA
303
despejando la inversi
on en la u
ltima de estas y reemplazando el resultado
en la primera,
C (Y0 ) + CY0 (Yt
Y0 )
Y0 ) = 0,
CY0
Yt
1 FY 0
+D
D es una constante que depende de los valores iniciales de cada una de las
variables involucradas. La solucion es
t
CY0
Y t = K1
+ E.
1 FY 0
Sustituyendo este resultado en la expresion para I,
(
t
CY0
It = F (Y0 ) + FY0 K1
+E
1 FY 0
Y0
El equilibrio es estable si
CY
< 1, o
1 FY
|1
FY | < CY < |1
FY | .
Y0 )
CAPITULO 8. DINAMICA
CONTINUA
304
FY 0 L r 0
CY0 Yt
C Y 0 L r0
Yt
Lr0 LY0 (Cr0 + Fr0 )
+S
+ R.
La soluci
on es
Y t = K3
FY 0 L r 0
C Y 0 L r0
Lr0 LY0 (Cr0 + Fr0 )
+ Q.
La condici
on de estabilidad es
FY 0 L r 0
C Y 0 L r0
<1
Lr0 LY0 (Cr0 + Fr0 )
Relaci
on entre, de una parte, los desplazamientos hacia arriba de la propension marginal a consumir () y de la eficiencia marginal del capital ( ) y, de
otra parte, la tasa de interes (r) y el ingreso (Y ). Al comparar las soluciones
y sus condiciones de convergencia, se observa que estas no coinciden. Por
tanto del mismo fen
omeno dinamico modelado en forma discreta o continua
en general no se pueden hacer las mismas conclusiones lo cual implica que
el tipo de modelo usado influye sobre la toma de decisiones.
Captulo 9
Optimizaci
on din
amica
discreta
En economa se presentan problemas como los siguientes: Cual debe ser
el consumo durante un intervalo para que la utilidad total a valor presente
tenga el valor m
as grande posible? Como deben ajustarse en un cierto
periodo las tasas de cambio, de interes y de desempleo para que la inflacion
baje a cierto nivel? En ellos se quiere determinar como se deben manejar
las variables de control para determinar el comportamiento de otra u
otras variables de estado. Este tipo de problemas se ajusta a alguno de los
siguientes tipos:
Z T
Z T
Optimizar
F (t, x(t), x(t))
dt
Optimizar
F (t, x(t), u(t)) dt
a
sujeto a x(t)
= f(t, x(t), u(t)),
sujeto a x(a) = xa ,
x(T ) = xT ,
x(a) = xa ,
x(T ) = xT
T
X
F (t, xt+1 , xt )
Optimizar
t=a
T
X
F (t, xt , ut )
t=a
305
i
306
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
xH0L
xH0L
T
en problemas definidos en el intervalo [a, T ]; para cada una de las posibilidades se deben encontrar condiciones de optimalidad sobre la funcion y las
condiciones de transversalidad involucradas.
Para problemas discretos existen tres metodos generales de solucion:
optimizaci
on est
atica, programacion dinamica y control optimo. El segundo
aplica el principio que una senda optima debe estar formada de (sub)sendas
optimas y el u
ltimo es la particularizacion del mismo metodo usado en
optimizaci
on din
amica continua.
ESTATICA
9.1. METODOS
DE OPTIMIZACION
307
xHTL
xHTL
xH0L
xH0L
9.1.
M
etodos de optimizaci
on est
atica
Optimo
de
T
X
f (t, xt , ut )
t=0
para t = 0, 1, . . . , T
x0
1,
xT ,
T
X1
f (t, xt , ut ) +
t [g (t, xt , ut )
xt+1 ] + f (T, xT , uT )
t=0
= fx0 (0, x0 , u0 ) +
0 g x0
(0, x0 , u0 ) ,
= fxt (t, xt , ut ) +
t g xt
(t, xt , ut )
t 1,
= fut (t, xt , ut ) +
t g ut
(t, xt , ut ) ,
para t = 0, 1, . . . , T,
= fxT (T, xT , uT )
para t = 1, 2, . . . , T
1,
T 1,
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
308
0 g x0
(t, x0 , u0 ) = 0,
fxt (t, xt , ut ) +
t g xt
(t, xt , ut ) =
fut (t, xt , ut ) +
t g ut
(t, xt , ut ) = 0,
fxT (t, xT , uT ) =
t 1,
para t = 1, . . . , T
1,
para t = 0, 1, . . . , T,
T 1,
qt + .
T
X
t=1
{pt qt
C (qt ) +
t [a
+(
b)pt
pt
qt ]} .
L q0 = p0
C (q0 ) = p0
L p t = qt + (
L q t = pt
= 0,
b)
0
C (qt )
2q0 +
t+1
= pt
= 0,
= 0, para t = 1, 2, . . . , T,
2qt +
= 0, para t = 1, 2, . . . , T,
ESTATICA
9.1. METODOS
DE OPTIMIZACION
309
= pt
2qt + ,
reemplazar en la tercera
qt + (
b)
t+1
= qt + (
b) (pt
(pt+1
= [1
2(
b)] qt + (
b)pt
2qt + )
2qt+1 + )
pt+1 + 2 qt+1 + b = 0,
sustituir la restricci
on
[1
= [1
2(
b)] qt + (
2(
b)] [a + (
b)pt
pt+1 + 2 qt+1 + b
b)pt
+ 2 [a + (
= [2 (
b)
(1
(1
b)pt+1
] pt+1 + (
pt
2 + 2b) pt
2 + 2b) pt
+(
b)pt
pt+1
pt ] + b
b) (1
1
2 + 2b)
+ a (1
2 + 2b) pt+1 + (
(1
1]
b) (2
+ a (1
2 + 2b) + b
2 + 2b)
b pt
pt
2 + 2b) + b = 0;
da la ecuaci
on a resolver. La ecuacion caracterstica correspondiente
a la homogenea es
(1
2 + 2b) r2 + (
b) (2
2 + 2b)
(1
2 + 2b) = 0.
310
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
tanto se quiere solucionar el problema:
M
aximo de
T
X1
t=0
ln ct
(1 + )t
ct
para t = 0, 1, . . . , T
1,
kT = 0.
T
X1
t=0
sujeto a
k0 > 0
kT = 0.
kt+1 ]
(1 + )t
1 [(1
1
+ r)kt
kt ]
Los valores del capital en cada perodo son los valores de la solucion de
la ecuaci
on recurrente que producen las condiciones necesarias para la
maximizaci
on, esto es, la solucion de la ecuacion resultante de igualar
a cero la derivada anterior:
(1 +
1+r
+ r)kt
)t [(1
kt+1 ]
(1 +
)t 1 [(1
1
+ r)kt
kt ]
al transponer terminos
(1 + r)(1 + )t
[(1 + r)kt
kt ] = (1 + )t [(1 + r)kt
kt+1 ] ,
simplificar,
(1 + r) [(1 + r)kt
kt ] = (1 + ) [(1 + r)kt
kt+1 ]
multiplicar
(1 + r)2 kt
(1 + )kt+1
ESTATICA
9.1. METODOS
DE OPTIMIZACION
311
La ecuaci
on caracterstica correspondiente es
(1 + )R2
(1 + r)(2 + )R + (1 + r)2 = 0
y su soluci
on es
p
(1 + r)2 (2 + )2 4(1 + )(1 + r)2
R=
2(1 + )
q
(1 + r)(2 + ) (1 + r) [1 + (1 + )]2 4(1 + )
=
2(1 + )
p
(1 + r) 2 + 1 + 2(1 + ) + (1 + )2 4(1 + )
=
2(1 + )
p
(1 + r) 2 + 1 2(1 + ) + (1 + )2
=
2(1 + )
q
2
(1 + r) 2 + [1 (1 + )]
=
2(1 + )
(1 + r) (2 + )
=
2(1 + )
(1 + r)(2 + )
1+r
de donde, los valores de R son 1 + r y 1+
. La solucion de la ecuacion
recurrente es
1+r t
t
kt = a1 (1 + r) + a2
,
1+
donde, a1 y a2 se determinan con las condiciones k0 y kT .
Ejercicios
1. Terminar el ejemplo 1.
2. Calcular los valores de a1 y a2 y encontrar ct en el ejemplo 2.
3. Solucionar el ejemplo 2 usando optimizacion restringida.
4. Solucionar el ejemplo 2 si la funcion de utilidad es u (ct ) = ct con
0 < < 1.
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
312
9.2.
Programaci
on din
amica
La funci
on de valor del problema
M
aximo de
T
X
f (t, xt , ut )
t=0
para t = 0, 1, . . . , T
1,
T
X
f (j, xj , uj ) .
j=t
Esta es la versi
on discreta de la ecuaci
on de Hamilton-Jacobi-Bellman
(HJB) que da las condiciones de optimalidad del problema. Usando las
condiciones necesarias de optimalidad
@
@f (t, xt , ut ) dV (xt+1 ) @xt+1
[f (t, xt , ut ) + V (xt+1 )] =
+
= 0.
@ut
@ut
dxt+1
@ut
Usando la restricci
on la ecuacion es
@f (t, xt , ut ) dV (xt+1 ) @g (t, xt , ut )
+
= 0.
@ut
dxt+1
@ut
DINAMICA
9.2. PROGRAMACION
313
T
X
t=0
para t = 0, 1, ..., T
las ecuaciones
Vt0 =
@ft
0 @gt
+ Vt+1
,
@xt
@xt
xt+1 = gt .
Ejemplos
1. Para el problema
M
aximo de
T
X1
t=0
para t = 0, 1, ..., T
ln ct
(1 + )t
ct
1, con k0 > 0 y kT = 0.
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
314
0
(1 + r),
Vt0 = Vt+1
kt+1 = (1 + r)kt
ct .
1
,
(1 + )t ct
0
Vt+1
=
Vt0
(1 + r)
resolviendo la segunda
0
Vt+1
=
V00
(1 + r)t+1
ct =
(1 + r)t+1
.
V00 (1 + )t
(1 + r)t+1
.
V00 (1 + )t
ct = (1 + r)kt
La soluci
on de esta ecuacion que es un caso particular del ejemplo 5,
secci
on 8.2 de la p
agina 222, es
kt = (1 + r)t k0
t 1
X
ci
i=0
= (1 + r)t k0
t 1
X
i=0
= (1 + r)t k0
t 1
X
i=0
= (1 + r) k0
= (1 + r)
t4
k0
(1 + r)t
V00 (1 + )t
t 1
(1 + r)i+1 Y
(1 + r)j
V00 (1 + )i
j=i+1
r)i+1
(1 +
(1 + r)t
V00 (1 + )i
V00 1
1
(1 + r)j
j=i+1
(1 + r)
t 1
Y
t 1
X
1
+ )i
3
1 (i+1)+1
V 0 (1
i=0 0
1
(1+)t
1
1+
5 = (1 + r)
k0 V00 (1 + )t
k0
(1 + )t 1
V00 (1 + )t 1
(1 + )t + 1 .
DINAMICA
9.2. PROGRAMACION
315
T
X1
au2t + bxt
t=0
1,
x0 = 0, xT = Q.
Para este problema el sistema a resolver es
0
2aut + Vt+1
= 0,
0
,
Vt0 = b + Vt+1
xt+1 = ut + xt .
La soluci
on de la segunda ecuacion
Vt0 = V00
b t,
0
Vt+1
=
2a
V00
b(t + 1)
b
b V00
=
t+
2a
2a
2a
k=1
V00 t
bt(t + 1)
4a
2a
bT (T + 1)
4a
V00 T
=Q
2a
V00 T
bT (T + 1)
=
2a
4a
Q,
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
316
bT (T + 1)
2aQ,
2
b(T + 1) 2aQ
V00 =
.
2
T
ut es una sucesi
on creciente, para que ut 0 para t = 0, 1, 2, . . . , T
basta con que u0 0, esto es,
V00 T =
V00
=b
2a
b(T + 1) 2aQ
+
2
T
0.
T
X
(qt )
t=0
sujeto a xt+1 = xt
qt para t = 0, 1, . . . , T
1,
x0 = B, xT = 0,
donde, xt representa la cantidad de insumo disponible en el momento
t.
El sistema de ecuaciones a resolver para solucionar el problema son:
qt
0
Vt+1
= 0,
0
,
Vt0 = Vt+1
xt+1 = xt
qt .
1
1
= qt
de aqu
qt = qt
1.
La soluci
on de esta ecuacion es
qt = q0
para todo t. La soluci
on de la u
ltima ecuacion con este valor de qt es
xt = x0
q0 t = B
q0 t.
DINAMICA
9.2. PROGRAMACION
317
Como, adem
as
xT = B
q0 T = 0,
B
T.
entonces q0 =
Esto indica que el total de insumo debe ser repartido
en partes iguales en cada uno de los periodos de produccion.
4. La cantidad de un cierto bien almacenada en el momento inicial es A y
lo que se produzca en los proximos T periodos se vendera a un precio
p en el momento T + 1. Los costos de almacenamiento y produccion
son proporcionales a la tasa de produccion, esto es, si se produce
una cantidad u los costos son (cu)u = cu2 . Se quiere maximizar el
beneficio descontado a una tasa r por periodo, esto es solucionar el
problema
pxT +1
(1 + r)T +1
m
ax
T
X
t=0
cu2t
(1 + r)t
0
Vt0 = Vt+1
,
xt+1 = xt + ut ,
= (1 + r)t u0 ,
y de la u
ltima
xt+1 = xt + (1 + r)t u0 ,
cuya soluci
on es
xt = x0 +
t 1
X
(1 + r)i u0 = A +
i=0
u0
1
r
(1 + r)t .
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
318
y reemplazando
V (xT +1 ) =
se encuentra
pxT +1
,
(1 + r)T +1
cu2T
pxT +1
+
T
uT
(1 + r)
(1 + r)T +1
cu2T
p (xT + uT )
= max
+
T
uT
(1 + r)
(1 + r)T +1
V (xT ) = max
Sea
h(z) =
como
h0 (z) =
cuando z =
p
2c(1+r)
cz 2
p (xT + z)
+
(1 + r)T
(1 + r)T +1
2cz
p
+
=0
T
(1 + r)
(1 + r)T +1
y
h00 (z) =
2c
<0
(1 + r)T
p
p
h tiene su m
aximo en z = 2c(1+r)
. Esto es, uT = 2c(1+r)
es la producci
on
optima en en momento T . Por lo tanto,
p
uT = (1 + r)T u0 =
,
2c(1 + r)
de aqu
u0 =
p
,
2c(1 + r)T +1
p
.
2c(1 + r)T t+1
La producci
on es inversamente proporcional al costo y creciente en
cada periodo.
ut =
5. Sup
ongase que en el ejemplo 2 la firma tiene una capacidad instalada
que le permite producir a lo mas q unidades diarias. Esto es, solucionar
el problema
mn
T
X1
au2t + bxt
t=0
sujeto a xt+1 = ut + xt ,
x0 = 0, xT = Q.
0 ut q para t = 0, 1, . . . , T
1,
DINAMICA
9.2. PROGRAMACION
319
T
X1
au2t
bxt
t=0
au2t
bxt + V (xt+1 ) + 1 ut + 2 (q
ut )
Las condici
on necesaria de optimalidad es
L ut =
=
=
@V (xt+1 )
+ 1 2
@ut
@xt+1
2aut + V 0 (xt+1 )
+ 1
@ut
0
2aut + Vt+1
+ 1 2 = 0
2aut +
0
Vt+1
+ 1 = 0
xt+1 = xt .
De la segunda ecuacion
xt = x0 = 0,
esto es, si no se produce hasta el da t la cantidad acumulada es
nula.
320
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
b) 1 = 0, 2 > 0 y ut = q. En este caso el sistema es
(
0
2aq + Vt+1
2 = 0
xt+1 = xt + q.
La soluci
on de la segunda ecuacion es
xt = xT2 + (t
T2 ) q,
para alg
un valor de xT2 y T2 t. En este caso se produce al nivel
de la capacidad instalada y se almacenan q unidades diariamente.
c) 1 = 0, 2 = 0. El sistema de ecuaciones que producen las
condiciones de optimalidad del problema es
(
0
2aut + Vt+1
=0
xt+1 = xt + ut .
Como la soluci
on en este caso es interior, al reemplazar el valor
optimo de ut en la ecuacion de HJB y derivar implcitamente
Vt0 =
0
b + Vt+1
.
0
Reemplazando Vt+1
= 2aut , de la primera ecuacion del sistema,
en el resultado de derivar la de HJB
2aut
b + 2aut .
Esta equivale a
ut+1 = ut +
b
2a
su soluci
on es
b
(t T1 ) ,
2a
para T1 t. Al reemplazar este resultado en la segunda ecuacion
del sistema
b
xt+1 = xt + uT1 +
(t T1 )
2a
cuya soluci
on para t T1 es
b
b t(t 1) T1 (T1 1)
xt = xT1 + (t T1 ) uT1
T1 +
2a
2a
2
2
ut = uT1 +
DINAMICA
9.2. PROGRAMACION
321
Es natural suponer que la produccion es no decreciente, en caso contrario el costo de almacenamiento no alcanza su mnimo, por lo tanto
la producci
on debe tener la forma
8
>
si 0 t < T1 ,
<0,
b
ut = uT1 + 2a (t T1 ) , si T1 t < T2 ,
>
:
q
si T2 t T,
esto es, el da T1 + 1 se inicia la produccion y esta se realiza en forma
creciente hasta el da T2 1, de T2 en adelante se produce al maximo
posible (al tope de la capacidad instalada). La cantidad almacenada
es
8
>
si 0 t < T1 ,
<0,
b
xt = xT1 + (t T1 ) uT1 + 4a (t T1 1) , si T1 t < T2 ,
>
:
xT2 + (t T2 ) q
si T2 t T.
De la construcci
on de ut y xt , uT1 = xT1 = 0 y por las condiciones de
transversalidad del problema
xT = xT2 + (T
T2 ) q = Q
por lo tanto,
ut =
y
xt =
8
>
<0,
8
>
<0,
b
> 2a
(t
T1 ) ,
b
> 4a
(t T1 ) (t T1
xT2 + (t T2 ) q
si 0 t < T1 ,
si T1 t < T2 ,
si T2 t T,
1) ,
si 0 t < T1 ,
si T1 t < T2 ,
si T2 t T.
x T2
x T2
b
(T2
2a
b
=
(T2
4a
b
=
(T2
4a
=
T1
1) ,
T1
1) (T2
T1
T1
1) (T2
T1 ) .
2) ,
DINAMICA
CAPITULO 9. OPTIMIZACION
DISCRETA
322
b
(T2
2a
T1
1) q.
Ejercicios
1. Encontrar V00 en el ejemplo 1 de la seccion 10.2 haciendo uso de la
condici
on kT = 0 y comprobar que la solucion coincide con la encontrada en el ejemplo 2 de la seccion 10.1.
2. Probar la conjetura, en los ejemplos 2 y 5, de que la produccion debe
ser no decreciente.
3. Encontrar los valores de T1 y T2 optimos en el ejemplo 5.
Captulo 10
Optimizaci
on din
amica
continua
10.1.
C
alculo de variaciones
10.1.1.
Condiciones necesarias
Para encontrar las condiciones necesarias que debe cumplir la funcion que
soluciona el problema
Z T
Optimo de
F (t, x(t), x(t))
con a y xa fijos, se parte del supuesto de que se conoce x (t) la solucion del
problema y se trata de encontrar las condiciones que esta funcion debe satisfacer. Si x (t) y T son las variables de estado y el tiempo de terminacion
que solucionan un problema de calculo de variaciones, entonces la funcion
Z T
V (x(t), T ) =
F (t, x(t), x(t))
dt
a
alcanza su
optimo en x , T . La funcion x debe por lo tanto ser factible,
esto es, satisface las restricciones x (a) = x0 , x (T ) = xT . Como en el caso
de optimizaci
on est
atica, el procedimiento para encontrar las condiciones
necesarias es alterar el
optimo. Esto se logra usando una funcion fija h(t)
no nula que satisfaga la condicion h(a) = 0 de tal manera que la funcion
x (t) = x (t) + h(t) sea una solucion factible para cada real (ver grafica
11.1), T distinto de cero y T = T + T , con esto se busca encontrar
323
i
324
DINAMICA
x*
x* +eh
T*
T * +eDT
Figura 10.1: Gr
afica de la solucion, x y T , y la variacion,
x (t) = x (t) + h(t) y T = T + T .
T + T
a
f (x, t)dt
a
b
a
@f (x, t)
dt
@x
10.1. CALCULO
DE VARIACIONES
325
dV ()
=
dt
d
@
a
No entiendo porqu
T + T
T + T
D1 F ( ) h(t) + D2 F ( ) h(t)
dt
+ F ( )|T +
( T ).
De donde,
dV
(0) =
d
T
a
(10.1)
usando integraci
on por partes tomando
u = D2 F (t, x (t), x (t))
se tiene,
As,
Z T
a
d D2 F t, x (t), x (t)
du =
dt
dt
dv = h(t)dt,
v = h(t).
por la condici
on h(a) = 0, impuesta a h, esta ecuacion se convierte en
Z T
DINAMICA
326
Z T
dV
d (D2 F )
(0) =
D1 F
h(t)dt + (D2 F ) h|T + F |T ( T ) = 0.
d
dt
a
Puesto que la funci
on h es arbitraria, esta u
ltima ecuacion se satisface si:
D1 F (t, x (t), x (t)) =
(10.2)
y
D2 F (t, x (t), x (t)) h(t)|T + F (t, x (t), x (t))|T ( T ) = 0.
(10.3)
La ecuaci
on (11.2) generalmente se escribe en la forma
Fx =
d (Fx )
dt
T)
x (T ) x (T ) T
T)
x (T ) h(T ) + x (T ) T
de ah,
h(T )
xT
x (T ) T
x|
T
T ) + F |T
T = 0.
Despues de asociar,
Fx |T
xT + (F
xF
x )|T
T = 0.
(10.4)
Esta ecuaci
on produce cuatro condiciones de transversalidad sobre
x(T ) = xT :
10.1. CALCULO
DE VARIACIONES
327
T es cero,
xT 6= 0 y la ecuacion (11.4)
Fx |T = 0.
3. Si T es libre y xT es fijo,
en este caso
x es cero,
(F
T 6= 0 y lacondicion (11.4) es
xF
x )|T = 0.
10.1.2.
T)
g(T ) g 0 (T ) T
T 6= 0 la ecuacion equivale a
x Fx + F
=0
Condiciones suficientes
Si en el problema
Z T
Optimo de
F (t, x(t), x(t))
T
a
i
dV
=
Fx t, x + h, x + h h + Fx t, x + h, x + h h dt.
d
a
De la ecuaci
on dV
d (0) = 0 se encuentran las condiciones necesarias de optimalidad, esto es, la ecuaci
on de Euler para este caso. Las condicion suficiente, de segundo orden, que se deben satisfacer para que el problema
DINAMICA
328
tenga un m
aximo o un mnimo las da la segunda derivada
d2 V
=
d2
T
a
nh
i
Fxx t, x + h, x + h h + Fxx ( ) h h
h
i o
+ Fxx
(
)
h
+
F
(
)
h
h dt.
x x
Al reemplazar = 0 y simplificar
d2 V
(0) =
d2
T
a
Fxx (t, x (t), x (t)) h2 (t) + Fxx (t, x (t), x (t)) h(t)h(t)
+ Fxx
(t)) h(t)h(t)
+ Fx x (t, x (t), x (t)) h 2 (t) dt
(t, x (t), x
Z T
h(t)
Fxx Fxx
=
dt
h(t) h(t)
Fxx
Fx x (t,x (t),x (t)) h(t)
Z T
h(t)
e
=
Hf (t, x (t), x (t))
dt
h(t) h(t)
h(t)
a
para i = 1, 2, ..., n
sea definida
y, para las condiciones suficientes, que la matriz Hfe (t, x, x)
positiva o negativa seg
un la solucion sea un mnimo o un maximo, respectivamente.
Ejemplo
Para encontrar el plan de consumo de un consumidor que desea maximizar
su utilidad, u(c) = c con 0 < < 1, descontada a una tasa . Si dispone de
un capital inicial k0 , desea gastar todo el capital en un intervalo de tiempo
10.1. CALCULO
DE VARIACIONES
329
sujeto a k(t)
= rk(t)
c(t)
k(0) = k0
k(T ) = 0.
Despejando c en la restricci
on,
c = rk
Maximizar
e t rk(t) k(t)
dt
0
sujeto a k(0) = k0
k(T ) = 0.
Las derivadas necesarias en la ecuacion de Euler para
F t, k, k = e t rk(t) k(t)
son
1
rk k
r,
1
t
Fkt
rk k
,
= e
Fk k = e ( 1) rk k
Fk = e
Fk =
Fkk
=
2
e
e
rk
t
1) rk
1) rk
La ecuaci
on de Euler
Fk = Fkt
+ Fkk
k + Fk k k
se reduce a
e t rk k
r= e
+e
rk
t
1) rk
e
k
k.
rk
330
DINAMICA
rk k r =
rk
1)rk + (
1)k.
(10.5)
1)k
(r
2r + )k + ( r
r2 )k = 0
r
k(t) = a1 exp
t + a2 exp (rt) .
1
Los valores de las constantes a1 y a2 se determinan con las condiciones k(0)
y k(T ). Esta expresi
on y la correspondiente para c(t) dan los valores del
capital y el consumo en cada instante t del intervalo.
Ejercicio
Usar las restricciones del problema para determinar los valores de las constantes a1 , a2 y la funci
on de consumo c(t).
A partir de la ecuaci
on (11.5) y la restriccion diferencial es posible hacer
un diagrama de fase para encontrar el comportamiento de la interaccion
entre el capital y el consumo. La ecuacion (11.5) equivale a
r rk k =
rk k
( 1) rk k .
Reemplazando el valor de c despejado de la restriccion diferencial, c =
esta ecuaci
rk k,
on se convierte en
(
1)c = (
r)c.
10.1. CALCULO
DE VARIACIONES
331
Esta ecuaci
on y la restricci
on del problema original producen el sistema
(
c = r1 c
k = rk c
c
.
k= 0
.
c= 0
r
c
= 1
k
1
0
c
k
r
r
+r
1
r
r=
1
r
1
> 0.
332
DINAMICA
Ejemplo
En el problema
Z
1 + x 2
dt
x
0
sujeto a x(0) = 0
Optimos
de
x(T ) = T
la condici
on de transversalidad x(T ) = Tp 5 hace que T y x(T ) sean libres.
x 2
La ecuaci
on de Euler para F (t, x, x)
= 1+
es
x
p
1 + x 2
x
1
p
=
x +
x
2
2
2
x
x 1 + x
x (1 + x 2 )3/2
simplificando se tiene sucesivamente:
p
1 + x 2
x 2
x
p
=
+
2
2
x2
x 1 + x
x (1 + x 2 )3/2
1 + x 2
1
2x 2
1 + x 2 x 2 + x
x
=
x 4 =
x 2
x 4 + x
x
1 = x 2 + x
x
d (xx)
1=
dt
esta u
ltima ecuaci
on es separable, transponiendo terminos,
d (xx)
=
dt
integrando,
xx =
t + a,
dx
=
dt
t + a.
Transponiendo nuevamente,
xdx = ( t + a) dt
integrando,
x2
t2
=
+ at + b,
2
2
x2 =
t2 + 2at + 2b.
10.1. CALCULO
DE VARIACIONES
333
5)2 .
T 2 + 2aT = (T
((1
x)
x + 1 + x)|
T =0
simplificando,
x
x 2 + 1 + x 2
usando la condici
on xx =
x(T
)=
T +a
=
x(T )
= (x + 1)|T = 0
t+a
1, o
T +a=
x(T ) =
(T
5)
T 2 + 2aT = (T
5)2 ,
p
10 50
T =
.
2
Ejercicios
1. Probar que otra forma para la ecuacion de Euler es:
ft =
d (f
xf
x )
dt
334
DINAMICA
2. Solucionar el u
ltimo ejemplo con la condicion terminal,
9)2 + (x(T ))2 = 9
(T
0,5t
sujeto a x(t)
= 15
10u(t)
x(t)
u2 (t) dt,
u(t),
por medio de c
alculo de variaciones y usar las condiciones de transversalidad para encontrar los valores de las constantes de integracion.
4. Para el siguiente problema:
Z Th
Optimo
x (x x) x2
2 (x
i
x)2 dt,
sujeto a x(1) = 2.
Optimo
x2 + 4xx + 2 (x)
2 dt, sujeto a x(0) = 1.
0
10.1. CALCULO
DE VARIACIONES
335
3p
y que su funci
on de costos es
c(q) = q 2
4q + 20
[pq
c(q)] dt.
Hacer el an
alisis si T es fijo y libre lo mismo que si pT es fijo y libre.
7. Encontrar la soluci
on del problema:
Optimo
1h
i
2x2 + xx + xy + 3xy
+ y y + y 2 + 4 (x)
2 + (y)
2 dt,
T
0
x2 + 4xx + 2(x)
2 + tx dt,
sujeto a x(0) = 1.
1)2 + T 2 = 1.
336
10.2.
DINAMICA
Control o
ptimo
sujeto a x(t)
10.2.1.
Condiciones necesarias
x = 0.
x)
=0
puesto que esta igualdad se satisface para todas las funciones x, u que sean
factibles, el problema es
Z T
Optimizar
[F (t, x(t), u(t)) + (t) (G(t, x(t), u(t)) x)]
dt
a
sujeto a x(a) = xa
x(T ) = xT .
337
En este u
ltimo problema se ha eliminado la restriccion diferencial. El valor
objetivo se reescribe en la forma
Z
x)]
dt
(t)x]
dt
Optimizar
[H(t, x, u, )
x]
dt
sujeto a x(a) = xa
x(T ) = xT .
Las condiciones necesarias se encuentran, como en el caso de calculo de
variaciones, suponiendo que se ha encontrado la solucion x , u y T y preguntando que tipo de condiciones deben satisfacer para esto; sean, ademas,
h y k dos funciones no nulas fijas con h(a) = 0, T (fijo) y reales no nulos.
De esta forma, si x(t) = x (t) + h(t), u(t) = u (t) + k(t) y T = T + T
son soluciones factibles, el objetivo del problema solamente depende de
en la forma
V () =
T + T h
DINAMICA
338
y la regla de Leibniz:
dV
=
d
Z
Z
T + T
h
d H(t, x + h, u + k, )
d
h
+ H(t, x + h, u + k, )
T + T
Hx ( )h + Hu ( )k
h
i
+ H
x + h
x + h
x + h
i
h dt
T + T
dt
T + T
T.
dw = dt y v = h; el u
Usando integraci
on por partes, w = , dv = h,
ltimo
termino de la integral se transforma en
Z
T + T
a
= (t)h(t)|T
(t)hdt
a
T + T
= (T + T )h(T + T )
Z T + T
(t)h(t)dt
a
= (T + T )h(T + T )
reemplazando esto en la expresion para
dV
=
d
dV
d
(t)(t)h(t)
(a)h(a)
T + T
(t)h(t)dt
i
Hx ( )h(t) + Hu ( )k(t) + h(t) dt
h
i
+ H
x + h
T
h
.
T + T
a
T + T
Haciendo = 0,
dV
(0) =
d
T
a
i
Hx ( ) + (t) h(t) + Hu ( )k(t) dt
+ [(H
x )
h]|T = 0.
339
Hx (t, x , u , ) + h(t) = 0,
Hu (t, x , u , )k(t) = 0.
Como desde el comienzo, h(t) y k(t) son funciones fijas no nulas, pero arbitrarias. Las condiciones anteriores se convierten en las llamadas condiciones de Pontryagin,
Hx (t, x , u , ) =
Hu (t, x , u , ) = 0.
>
< Hx =
Hu = 0
>
:
H = x.
[(H
h]|T = 0
x )
( xT
x T )]|T = H|T
|T
xT = 0. (10.6)
De la u
ltima ecuaci
on, como en el caso del calculo de variaciones, se deducen
cuatro casos para las condiciones de transversalidad sobre x(T ) = xT :
1. Si T y xT son fijos, xT y T son ambos cero. La ecuacion (11.6) se
satisface, por lo tanto no hay condiciones fuera de las dadas por las
restricciones del problema.
2. Si T es fijo y xT es libre,
equivale a
T es cero,
xT 6= 0 y la ecuacion (11.6)
|T = 0.
DINAMICA
340
3. Si T es libre y xT es fijo,
(11.6) es en este caso
T 6= 0, entonces la condicion
x es cero,
H|T = 0.
g(T ) g 0 (T ) T
T 6= 0 la ecuacion equivale a
H
10.2.2.
T)
g0
= 0.
Condiciones suficientes
Para el problema
Optimo
de
dV
=
d
(t)h(t)
dt.
Anteriormente de dV
d (0) = 0 se encontraron las condiciones necesarias de
optimalidad, condiciones del maximo. De la segunda derivada se deducen
las condici
on que se deben satisfacer para que el problema tenga un maximo
o un mnimo. Como
Z T
d2 V
=
{[Hxx (t, x (t) + h(t), u (t) + k(t), (t)) h(t)
d2
a
+Hxu ( ) k(t)] h(t) + [Hux ( ) h(t) + Huu ( ) k(t)] k(t)} dt.
341
Al reemplazar = 0 y simplificar
d2 V
(0) =
d2
Z T
Hxx Hxu
=
(h(t), k(t))
(h(t), k(t))T dt
F
F
ux
uu
a
(t,x (t),u (t), (t))
Z T
e
=
(h(t), k(t)) HH
(t, x (t), u (t), (t)) (h(t), k(t))T dt
a
Optimo
de
n
X
i=1
342
DINAMICA
Ejemplo
Para encontrar el plan de consumo que maximiza la utilidad, u(c) = ln(c),
descontada a una tasa , si dispone de un capital inicial k0 , y se desea
gastar todo el capital en un intervalo de tiempo T en el cual el capital
est
a invertido a tasa de interes r. El problema es
Z T
Maximizar
e t ln(c(t))dt
0
sujeto a k(t)
= rk(t)
c(t)
k(0) = k0
k(T ) = 0.
La variable de estado es k(t) y la variable de control es c(t), el hamiltoniano
para este problema es
t
H (t, k, c, ) = e
ln(c) + (rk
c)
Hc =
= 0.
Este par de ecuaciones y la restriccion producen un sistema de tres ecuaciones (en este caso lineales) con tres incognitas:
8
>
<k(t) = rk(t) c(t)
(t) = r (t)
>
t
:
(t) = e c
la segunda es una ecuaci
on diferencial separable,
=d =
dt
transponiendo terminos,
integrando,
Z
i
= ln
rdt =
rdt,
rt + a,
ln
rt + a
343
despejando ,
rt+a
(t) = e
=e
rt
rt
= Ae
= (0)e
rt
e t
e(r )t
=
(0)e rt
(0)
(t)
k(t)
= rk(t)
k(t)
que tiene como soluci
on
R
exp(
k(t) =
1
(0)
1
(0)
rk(t) =
R
R
rdt)
exp
(r
e
e
rt
t dt
rt
+b
e(r
)t
(0)
1
(r
(0) e
)t
)t
rdt
dt + b
rt
Z
1
=e
b
e
(0)
e t
rt
=e
b+
(0)
rt
e(r )t
(0)
dt
dt + b
+ bert .
1
+ b = k0
(0)
e(r
)T
(0)
+ berT = kT
DINAMICA
344
1
(0)
e(r
)T
(0)
1
(0)
+ k0
kT
k0 erT =
(0) =
erT =
erT e
erT
e
(0)
T
1 + k0 erT
(0)
erT e T 1
.
(kT k0 erT )
Ejercicio
Completar la soluci
on del ejemplo.
Ejemplo
Una alternativa en la soluci
on de problemas con una variable de control y
una de estado consiste en realizar un diagrama de fase del comportamiento
de la soluci
on; este diagrama muestra la interaccion entre las funciones que
solucionan el problema. Para el caso del problema anterior se debe convertir
el sistema que da las condiciones necesarias,
8
>
<k(t) = rk(t) c(t)
(t) = r (t)
>
t
:
= ec(t)
<k(t)
= rk(t) c(t)
k(t)
= rk(t) c(t)
t
e
=
t
d
e t
e t
: c(t) = r e t
c = re
c(t)
c(t) .
c2 (t)
dt
c(t)
345
k(t)
= rk(t) c(t)
c = (r
)c(t)
r
1
k(t)
k(t)
=
0 r
c(t)
c(t)
)2
) = 4r2
4r(r
4r +
4r2 + 4r =
10.2.3.
En problemas de la forma
Z
M
aximo de
sujeto a x(t)
x(T ) = xT .
la funci
on ' (T, x(T )) se conoce como el valor de salvamento. este tipo
de problemas son u
tiles al modelar situaciones en las cuales influye el horizonte temporal del proceso y el estado en el cual terminan las variables:
los beneficios que produce una maquina y su valor de reventa (que depender
a del tiempo de uso y de su estado), los ingresos que genera una licencia
346
DINAMICA
para la explotaci
on de un recurso natural y el valor de la licencia por el
recurso no explotado son ejemplos de aplicacion de este tipo de modelos.
Para aplicar la teora expuesta, en la ecuacion
Z T
d
' (t, x(t)) dt = ' (T, x(T )) ' (a, x(a))
a dt
se despeja ' (T, x(T )) y se reemplaza en el valor objetivo, as este es
Z T
d
M
aximo de ' (a, x(a)) +
F (t, x(t), u(t)) + (' (t, x(t))) dt
dt
a
como ' (a, x(a)) es constante, no afecta su valor y se puede reducir a
Z T
d
M
aximo de
F (t, x(t), u(t)) + (' (t, x(t))) dt.
dt
a
La funci
on hamiltoniana para este problema es
d
(' (t, x(t))) + (t)G(t, x(t), u(t))
dt
= F (t, x, u) + 't (t, x) + 'x (t, x)x + (t)G(t, x, u)
Reemplazando =
+ 'x , y su derivada
d
= + ('x ) = + 'xt + 'xx x = + 'xt + 'xx G,
dt
la funci
on hamiltoniana se convierte en
H(t, x, u, ) = F (t, x, u) + 't (t, x) + G(t, x, u)
y las condiciones del m
aximo en
8
>
<Hx = Fx + 'tx + 'xx G + Gx =
Hu = Fu + Gu = 0,
>
:
H = G = x.
+ 'xt + 'xx G,
347
Bajo la condici
on 'tx = 'xt , estas se reducen a
8
>
<Hx = Fx + Gx = ,
Hu = Fu + Gu = 0,
>
:
H = G = x
identicas a las del problema sin valor de salvamento. Puesto que las condiciones anteriores no se alteran si
H (t, x, u, ) = F (t, x(t), u(t)) + (t)G(t, x(t), u(t)),
el problema se puede solucionar con un hamiltoniano corriente y las condiciones usuales de optimalidad.
La ecuaci
on de donde se desprenden las condiciones de transversalidad
H|T
|T
xT = 0
es ahora
(F + G + 't )|T
'x )|T
xT = 0
de donde:
1. Si T es fijo y xT es libre,
(
'x )|T = 0,
|T = 'x |T .
2. Si T es libre y xT es fijo,
(F + G + 't )|T = 0.
3. Si T y xT son libres, y satisfacen la relacion x(T ) = g(T ). Usando la
diferencial para aproximar el valor del incremento xT ,
F + G + 't ( 'x ) g 0 T = 0.
Ejercicios
1. Comprobar que para las funciones que satisfacen las condiciones necesarias, del ejemplo anterior, la tasa de crecimiento del capital con
respecto al consumo es menor que la tasa de interes para todos los
niveles de consumo que satisfacen c < rk. Que se puede decir para
los niveles de consumo que satisfacen c > rk?
348
DINAMICA
L(t)u(c(t))dt
349
L(t) = L(0)ent .
L!0
K!0
L!1
K!1
K
K
F (K, L) = F L , L 1 = LF
, 1 = LF (k, 1) = Lf (k)
L
L
donde k = K
on
L y f (k) = F (k, 1) son respectivamente el capital y la funci
de producci
on per c
apita; de aqu se deduce que a se convierte en f (0) = 0.
Usando la ecuaci
on anterior, la condicion c y la regla de la cadena,
@ (F (K, L))
@ (Lf (k))
@k
=
= Lf 0 (k)
@K
@K
@K
1
= Lf 0 (k) = f 0 (k) > 0,
L
FK =
350
DINAMICA
@ (f 0 )
@k
1
= f 00 (k)
= f 00 (k) < 0,
@K
@K
L
k!0
k!1
la funci
on per c
apita crece muy rapido si k esta cerca de cero y lentamente
si k es grande. Esto se traduce geometricamente en que las tangentes a la
gr
afica de f cerca de cero son casi perpendiculares y lejos del origen son
casi horizontales, por lo tanto, la grafica de f debe tener la forma mostrada
en la figura 11.3.
f Hk L
k
Figura 10.3: Grafica de c = f (k).
La restricci
on del problema F (K, L) = L(t)c(t) + K
K(t) usando la
ecuaci
on que rige el crecimiento de la poblacion y la funcion de produccion
per c
apita se convierte en
d(L(t)k(t))
+ L(t)k(t)
dt
+ L(t)k(t)
= L(t)c(t) + Lk(t)
+ L(t)k(t)
= L(t)c(t) + nL(t)k(t) + L(t)k + L(t)k(t)
c(t)
(n + )k(t).
351
e(n
)t
u(c(t))dt.
Maximizar
e(n
)t
u(c(t))dt
sujeto a k = f (k(t))
c(t)
(n + )k(t)
k(0) = k0
k(T ) = kT
k es la variable de estado, c la variable de control y el hamiltoniano es
H(t, k, c) = e(n
)t
c(t)
(n + ) k(t)) .
)t 0
u (c)
(n + ) =
(t)
(t) = 0.
)t 0
u (c),
)e(n
)t 0
u (c) + e(n
)t 00
u (c)c.
352
DINAMICA
)t 0
(n
u (c) f 0 k(t)
)e(n
(n + )
i
u (c)c .
)t 0
)t 00
u (c) + e(n
(n + ) =
u00 (c)c =
c =
(n
c =
u00 (c)c
u0 (c) f 0 k(t)
u0 (c)
u00 (c)
)u0 (c)
(f 0 k(t)
(n + ) + (n
f 0 k(t)
( + ) .
(n + )k
( + )) .
c=Hn+d Lk
c= f Hk L
k
Figura 10.4: Las curvas c = f (k) y c = (n + )k.
k = 0. Esto se realiza encontrando la diferencia de las alturas de las dos
curvas que produce la gr
afica. Por otra parte, c = 0 en aquellos puntos
353
c
.
k=0
k
Figura 10.5: La grafica de k = 0 equivale a la de
c = f (k) (n + )k.
c=0
.
k=0
k
Figura 10.6: Diagrama para la interaccion entre capital
y consumo.
354
DINAMICA
>
k = f (k)
c (n + )k + f 0 (k)
(n + ) (k k)
(c c)
>
<
2
0
00
0
00
u (
c)
(u (
c)) u (
c)u (
c)
0
0
(c c) u (c) f 00 (k)(k
k)
u00 (
c)
que equivale a
k = f 0 (k)
c =
(n + ) (k
u0 (
c) 00
k)
u00 (
c) f (k)(k
en forma matricial,
f 0 (k)
(n + )
k
=
u0 (
c) 00
c
u00 (
c) f (k)
k)
!
1
k
+
c
0
(c
c)
!
(n + ) k
.
u0 (
c) 00
u00 (
c) f (k)k
f 0 (k)
10.2.4.
sujeto a x(t)
x(T ) = xT .
El hamiltoniano corriente es
H (t, x, u, ) = e
355
Si se hace la sustituci
on = e
en
8
t
>
< e Fx + e
e t Fu + e
>
:
G = x,
eliminando e
t ,
t G
t +e t ,
= e
t G = 0,
u
x
8
>
<Fx + Gx =
Fu + Gu = 0,
>
:
G = x.
estas se convierten
t ,
donde
+ b(p
0)2 = a Y
+ bp2 ,
= Y
Y ,
),
0<
356
DINAMICA
Si adem
as se toma una tasa de descuento r, el problema es
Z T
Minimizar
e rt P Sdt
0
sujeto a p
= Y
= (p
(0) = 0
(T ) = T .
Despejando p en la primera restriccion y reemplazando, el problema se
transforma en
Z T
n
2 o
2
Minimizar
e rt a Y Y + b + Y Y
dt
0
sujeto a =
(0) = 0
(T ) = T .
El hamiltoniano descontado para el problema es
n
2 o
2
H D = a Y Y + b + Y Y
+
Las condiciones necesarias,
HD = 2b + Y
HYD = 2 (a + b) Y
Y .
Y
= r
Y + b + = 0.
2
=
2r
(a + b) Y Y + b
d
2
(a + b) Y Y + b
dt
i
(a + b) Y r(Y Y ) + b ( r)
n
(a + b) Y r(Y Y )
o
+ b Y Y
r .
357
Ejercicios
1. En el u
ltimo ejemplo, escribir el sistema en forma matricial, encontrar la soluci
on correspondiente. Si T ! 1, encontrar los puntos de
equilibrio y analizar su comportamiento.
2. Para el problema
Maximizar
Z1
rt
1
(x + z)2 dt
2
sujeto a x = z +
a) Usar el hamiltoniano descontado para encontrar las condiciones
necesarias de optimalidad, reducirlas a un sistema en y x y
hacer el an
alisis del sistema discriminando los casos para las
distintas combinaciones de los parametros.
b) En caso de punto de silla encontrar la senda de convergencia del
sistema.
3. El objetivo del gobierno es maximizar
Z1
0
rt
2 + z2
dt
2
Z1
0
0,5t
hp
k+
p i
c dt
sujeto a k =
k c 0,2k,
k(0) = 1
358
DINAMICA
5. Para el problema:
Optimo
Encontrar:
T
0
sujeto a x = u
x(0) = 1.
a) La soluci
on del sistema que producen las condiciones de Pontryagin.
Las constantes de integracion si:
b) T = 2 y x(2) = 1.
c) T es libre y x(T ) = 1.
d ) T = 2 y x(2) es libre.
e) T es libre y 3xT + 4T = 10.
f ) Determinar si la solucion encontrada en cada caso es un maximo
o un mnimo.
6. Para el problema:
Optimo
T
1
x (u
sujeto a x = u
x)
x2
x(1) = 2.
2 (u
i
x)2 dt,
359
7. Sea
Z
T
1
xu
x2
2u2 + (t2
sujeto a x = x + u,
3t)u dt,
x(1) = 2.
Encontrar:
a) Las sendas de estado y control que satisfacen las condiciones de
Pontryagin.
Determinar el sistema de ecuaciones para calcular las constantes
de integraci
on si:
b) T = 2 y x(2) = 1.
c) T = 2 y x(2) es libre.
d ) Determinar si la solucion encontrada en cada caso es un maximo
o un mnimo.
10.2.5.
La generalizaci
on de las condiciones del maximo a problemas de la forma
Z T
M
aximo de
F (t, x(t), u(t)) dt
a
sujeto a x(t)
son
x(T ) = xT y u 2 A.
>
< Hx =
maxu2A H
>
:
H = x
360
DINAMICA
mn
au (t) + bx(t) dt
0
sujeto a x(t)
au2 (t)
>
< Hx = b =
m
axu H = au2 bx + u
>
:
H = u = x.
bx(t) + (t)u(t)
sujeto a
0uq
au2
bx + u + 1 u + 2 (q
u)
(b t + ) > 0
361
2a
bt +
2a
de la segunda ecuacion y
Z
bt +
b 2
x(t) =
dt =
t + t+
2a
4a
2a
de la tercera de condicion del maximo.
Puesto que uno de los costos involucrados es el de almacenamiento
es natural suponer que la tasa de produccion (u) es creciente, por lo
tanto
8
>
si 0 t < b
<0,
2aq
u(t) = b t+
2a , si
b t
b
>
:
q,
si 2aqb < t T,
8
>
si 0 t < b
< ,
2aq
b 2
x(t) = 4a
t + 2a
t + , si
b t
b
>
:
qt+ ,
si 2aqb < t T.
u dice que en t = b se debe comenzar a producir a una tasa constante hasta alcanzar el maximo posible (en t = 2aqb ). De ah hasta
la fecha de entrega del pedido (t = T ) se debe producir a la capacidad
instalada. Por esto para determinar el comportamiento de la producci
on se debe encontrar el valor de (debe ser negativo para que tenga
sentido la soluci
on).
Por las condiciones x(0) = 0 y x(T ) = Q, = 0 y
es continua puesto que u(t) lo es, por tanto,
=Q
qT . x(t)
b 2
2
2
32
+
+ =
+
+ =
+ =0
4a
b
2a
b
4ab 2ab
4ab
i
DINAMICA
362
y
b
4a
2aq
b
al despejar
b
4a
+
2a
2aq
b
+ =q
2aq
+Q
b
qT
2aq
b
+
2a
2aq
b
32
2aq
=q
+Q
4ab
b
qT,
)2 +
1
(2aq
4ab
2ab
)2
q
(2aq
b
1
(2aq
2ab
1
(2aq
4ab
)2
)2
32
=Q
4ab
32
=Q
4ab
32
=Q
4ab
qT,
qT,
qT,
)2 + 32 = 4ab(qT Q),
aq + a2 q 2 ab(qT Q) = 0,
(2aq
2
de donde
=
=
aq
aq
p
a2 q 2
4 [a2 q 2 ab(qT
2
p
4ab(qT Q) 3a2 q 2
,
2
Q)]
+bQ
0 si y s
olo si a2 q 2 4ab(qT Q) 3a2 q 2 , esto es, aq bq
T.
Si esta u
ltima condici
on no se cumple la produccion debe comenzar
desde t = 0.
363
sujeto a h(t)
= A E(t)h(t) ah(t),
0 E(t) 1,
h(0) = h0 > 0,
A > 0.
El hamiltoniano descontado es
h p
E(t))h(t) + (t) A E(t)h(t)
8
q
>
A
E
D =1
>
H
E
+
a = r
>
2
h
< h
h p
i
D = (1
m
a
x
H
E)h
+
A
Eh
ah
,
E
>
>
>
p
: D
H = A Eh ah = h.
sujeto a
ah(t)
0E1
A
h+
2
h
+ 1
E
2 = 0
E) = 0,
con
0, 2
0;
a
= r
>
< 2 h
p
h + A2 h 2 = 0
>
p
>
:A h ah = h.
364
DINAMICA
h(t) = A
at
2
e(r
b) Si 1 = 0 y 2 = 0, el sistema es
q
8
>
>
1 E + A2 Eh
>
<
q
A
h + 2 Eh = 0
>
>
>
: p
A Eh ah = h.
a)t
Ae
at
2
1 .
a
a = r
En la segunda ecuacion
=
al reemplazar en la primera
2p
d 2p
r
Eh
Eh = 1
A
dt A
=1
=1
Si z =
2
A
2p
Eh,
A
" r
#
2p
A E
E+
Eh
a
A
2 h
r
2 p A E 2a p
E+
Eh
Eh
A
2 h
A
2a p
Eh.
A
de donde
2p
1 + Be(a+r)t
Eh =
.
A
a+r
Con esto la u
ltima ecuacion del sistema
dh
A2
+ ah =
1 + Be(a+r)t
dt
2(a + r)
z=
365
A2
1
B
h=
+
e(a+r)t + e
2(a + r) a 2a + r
at
Ejercicios
1. Analizar el caso
aq 2 +bQ
bq
> T en el ejemplo 1.
2. Discutir la soluci
on encontrada en el ejemplo 2.
10.2.6.
Programaci
on din
amica
Para el problema
M
aximo de
sujeto a x(t)
x(T ) = xT .
se define la funci
on de valor por
V (t, xt ) = m
ax
u(s)
sujeto a x(s)
x(t) = xt ,
x(T ) = xT ,
366
DINAMICA
= m
ax
u(s)
m
ax
u(s)
Z
Z
t+ t
t, x(t +
t))
t, xt +
xt ))
t
t+ t
t
m
ax {F (t, x(t), u(t))
u(s)
t + V (t +
t, xt +
xt ))}
t, xt +
@V (t, xt )
@V (t, xt )
t+
xt
@t
@xt
@V (t, xt )
@V (t, xt ) dx
V (t, xt ) +
t+
t
@t
@xt
dt
@V (t, xt )
@V (t, xt )
= V (t, xt ) +
t+
G(t, x(t), u(t)) t.
@t
@xt
xt )) V (t, xt ) +
Al reemplazar en V (t, xt )
n
V (t, xt ) = m
ax F (t, x(t), u(t))
u(t)
t + V (t, xt )
o
@V (t, xt )
@V (t, xt )
t+
G(t, x(t), u(t)) t
@t
@xt
@V (t, xt ) @V (t, xt )
m
ax F (t, x(t), u(t)) +
+
G(t, x(t), u(t))
@t
@xt
u(t)
Esta ecuaci
on puede tomar la forma
@V (t, xt )
@V (t, xt )
+ m
ax F (t, x(t), u(t)) +
G(t, x(t), u(t))
@t
@xt
u(t)
= 0.
=0
la ecuaci
on de Hamilton-Jacobi-Bellman para el caso continuo. Esta es una
ecuaci
on diferencial parcial cuya solucion, en general, no es simple salvo
algunos casos especiales, ver por ejemplo en Kamien y Schwartz[Ka].
10.3.
Z1
0
sometida a la restricci
on
dk
= y(k)
dt
Zt
0
P (cP (z)) dz 5 dt
(cR + cP )
k.
+ (y(k)
cR
cP
k)
368
DINAMICA
8
t
t
0 exp
>
H
=
u
dz
+
u
exp
dz
R
c
R
R
R
>
R
R
<
R0
R0
t
t
HcP = u0P exp
0 P dz + uP exp
0 P dz P
>
>
:
0
Hk = (y
) =
.
=0
=0
t
t
< = u0 exp
dz
+
u
exp
dz
R
R
R
R
R
R0
R0
t
t
: = u0 exp
P
0 P dz + uP exp
0 P dz P .
Combinando,
= (
y 0 ).
Que se convierten en
8
t
R
>
>
>
exp
R dz = u0R + R uR
>
>
<
0
t
R
exp
P dz = u0P + P uP
>
>
>
0
>
>
: = ( y 0 ).
La u
ltima ecuaci
on equivale a
d
=
dt
d
y0
y 0 dt
Zt
y 0 dz + c
Integrando
ln
y 0 dz A .
y0
y0
+ R ) dz
+ P ) dz
= u0R + R uR
= u0P + P uP
y 0 + R ) dz (
y 0 + P ) dz (
Reemplazando y factorizando,
(
0 u + u0 ) = (u0 + u ) (
cR (u00R + R
R
R R
R R
R
00
0
0
0
cP (uP + P uP + P uP ) = (uP + P uP ) (
que es equivalente a
8
u0 +R uR
>
<cR = d (Ru0 + u ) [
R R
R
dcR
u0P +P uP
>
:cP = d (u0 + u ) [
P P
P
dcP
y 0 + R ] =
y 0 + P ] =
y 0 + R )
y 0 + P ) .
y 0 + R )
y 0 + P )
d
dcR
y 0 +R
ln
[ (u0R +R uR )]
d
dcP
[ln(u0P +P uP )]
y 0 +P
8
0
0
>
<cP = (uR + R uR ) ( y + R ) = 0
cR = (u0P + P uP ) ( y 0 + P ) = 0
>
:
k = y (cR + cP ) kt = 0.
i
370
DINAMICA
La u
ltima ecuaci
on equivale a
y = cP + cR +k .
El * significa que la igualdad representa una situacion de equilibrio. u0R +
R uR y u0P + P uP son diferentes de cero porque:
R , P > 0, ya que la tasa de preferencia intertemporal de los ricos y
de los pobres es positiva.
u0R , u0P > 0, por las propiedades convencionales de la funcion de
utilidad.
La primera igualdad se cumple si
R = y 0
la segunda se cumple si
y 0 + P = 0
P = y 0
y la tercera se cumple si
y = (cR + cP ) + k
y 0 = + R = + P
y 0 = + R
= + P .
=0
R
P = 0.
>
<cR = LcR (cR , k ) [cR cR ] + Lk (cR , k ) [k k ]
cP = GcP (cP , k ) [cP cP ] + Gk (cP , k ) [k k ]
>
:
k = (y 0 (k ) ) [k k ] [cR cR ] [cP cP ]
i
d[ln(u0R +R uR )]
dcR
y
LcR (cR , k ) =
y 0 + R )
d[ln(u0R +R uR )]
dcR
d2 [ln(u0R +R uR )]
dc2R
2
1
d[ln(
u0R +R uR
= LR .
)]
dcR
(cR ,k )
De manera similar,
GcP (cP , k ) =
1
d[ln(
u0P +P uP
= GP .
)]
dcP
(cP ,k )
La relaci
on entre LR y GP es
RL
=
PG
Si
d
dcP
d
dcR
(ln (u0P + P uP ))
ln u0R + R uR
d
ln u0P + P uP
dcP
u00P + P u0P
.
u0P + P uP
y 00 (k )
d[ln(u0R +R uR )]
dcR
Gk (cP , k ) =
(cR ,k )
y 00 (k )
d[ln(u0P +P uP )]
dcR
= Lk
= Gk .
(cP ,k )
DINAMICA
372
y 00 (k )LcR (c , k )
Gk (cP , k ) =
y 00 (k )GcP (c , k )
y
que equivale a
Lk
Gk
=
LR
GP
Lk
LR
=
.
Gk
GP
Antes se mostr
o que el miembro derecho de la igualdad es positivo. As que
Lk
por definici
on G
> 0.
k
El sistema linealizado se convierte en
8
>
<cR = LR (cR cR ) + Lk (k k )
cP = GP (cP cP ) + Gk (k k )
>
:
k = (cR cR ) (cP cP ) + (y 0 (k ) (k k )
o
10
cR
LR 0
Lk
@cP A @ 0 GP
Gk
1
1 y 0 (k )
k
10
cR
A @c P
)(y 0 (k )
)(GP
) + LK (GP
1
cR
cP A .
k
) + GK (LR
) = 0
que equivale a
3
(LR + GP + ) 2 + ((LR + GP ) + LR GP + Lk + Gk )
(Lk GP + LR Gk + LR GP ) = 0.
Como LR =
Lk
y 00 ,
GP =
Gk
y 00 ,
(y 00 )2 3 + y 00 (Lk + Gk
+ Lk Gk (2y
00
) = 0.
tiene menores principales de orden par o impar todos positivos. Por lo tanto,
basta con analizar el determinante
y 00 (Lk + Gk
(y 00 )2
= y 00 (Lk + Gk
y 00 )
Lk Gk (2y 00 )
Lk Gk + (Lk + Gk )(y 00 )2
y 00 ) Lk Gk + (Lk + Gk )(y 00 )2
(y 00 )2 Lk Gk (2y 00
).
Respuestas y sugerencias
Ejercicios 2.1 P
agina 4.
1a. p: Aumentan los precios, q: se mantiene la publicidad y s: la demanda crece.
(p ^ q) ) s.
2c. A(x, y): x es amigo de y; j: Juan, p: Pedro, m: Mara.
8x((A(x, j) ^ A(x, p)) ) A(x, m)).
Ejercicios 2.2 P
agina 7
1a. No, en el primero la variable x puede tomar el valor 0, en el segundo no.
1d . No, ( 1, 1, 0) es elemento del primer conjunto pero no del segundo.
2a. (0, 0) y (0, 25).
2g. (5, 50, 500) y ( 100, 10, 1500).
Ejercicios 2.3 P
agina 20
1. No.
3e. No cerrado, no abierto, no acotado, no compacto, el interior es vaco, su
frontera y clausura es m + n1 | m 2 N y n 2 Z++ [ {0}, el nf es 0, no es
acotado superiormente y el conjunto de sus puntos de acumulacion es N.
3g. El conjunto no es cerrado ni abierto, no es acotado inferior ni superiormente, su interior es vaco, su frontera, clausura y conjunto de puntos de
acumulacion es R.
5. Usar el principio arquimediano para probar que la union es igual a (0, 1].
8. Sea x 2 A\B con A y B conjuntos abiertos, entonces existen rA > 0 y rB > 0
tales que (x rA , x + rA ) A y (x rB , x + rB ) B. Si r = mn{rA , rB },
entonces (x r, x + r) (x rA , x + rA ) y (x r, x + r) (x rB , x + rB ),
por lo que (x r, x + r) A \ B, esto es A \ B es abierto.
374
i
375
Ejercicios 2.5 P
agina 27
3a. Puesto que x2 +2xy +2y 2 = x2 +2xy +y 2 +y 2 = (x+y)2 +y 2 = 1, los valores
que puede tomar las variables son 1 y 1 y D1 x+y 1. Despejando
en la segunda condici
on y usando la primera 2 1 y x 1 y 2.
3f . 0 x pIx y 0 y pIy .
4a. No compacto ya que no es acotado, si x = 0 las otras variables pueden ser
cualquier n
umero real.
4c. El conjunto no es acotado ya que la variable y puede ser cualquier n
umero
real.
5c. {(x, y, z) | z = 0, x2 +y 2 2}[{(x, y, z) | 0 z 2, x2 +y 2 = 2}[{(x, y, z) |
z = x2 + y 2 , x2 + y 2 2}.
7. Basta ver que: x2 + 3xy + y 2 = x2 + 3xy + 94 y 2 54 y 2 = (x + 32 y)2 54 y 2 .
Ejercicios 3.2.2 P
agina 38
1a. R2 {(0, 0)}.
1b. 24
25 .
1c.
y
2 xy
F 1,
=
x
1 + xy
2c.
2y
x
x2 +y 2
x2
2xy
= F (x, y).
+ y2
x2
p
t
1 + t2 p
F (t) = F
=
= 1 + t2 .
1
1
3c Para la funci
on F (x y, 2x + y) = x2 + 3xy 5y 2 , sea s = x y y t = 2x + y,
se debe despejar x y y en terminos de s y t y reemplazar en la funcion:
Suamndo las ecuaciones s + t = 3x o x = s+t
s = s+t
s=
3 , y y = x
3
s+t 3s
t 2s
= 3 . Por lo tanto,
3
F (s, t) =
s+t
3
+3
s+t
3
2s
3
2s
3
y luego simplificar.
4a.
F (G(x, y), y) = 4(G(x, y))2 +y 2 = 4 x2
5a. 3.
5b. -2.
376
RESPUESTAS Y SUGERENCIAS
1h
ln a + ln x +
ln y
i
ln cx + dy
derivar implcitamente con respecto a cada variable, multiplicar cada derivada parcial por la variable correspondiente y sumar se tiene el resultado.
4. Aplicar el teorema de Euler.
6. Basta derivar la ecuaci
on xfx + yfy = f y despejar.
Ejercicios 3.6.1 P
agina 64
3. Inicialmente mostrar que
Fy
Fx
hy
hx
Ejercicios 3.6.4 P
agina 69
2a. La primera funci
on es homogenea de grado , por lo tanto si > 1 tiene
rendimientos crecientes, si = 1 tiene rendimientos constantes y si < 1
tiene rendimientos decrecientes. La segunda es homogenea de grado +
y la tercera es homogenea de grado + si y solo si = = 0 por lo tanto
estas tienen rendimientos crecientes, constantes o decrecientes si + > 1,
+ = 1 o + < 1.
K
2c. El logartmo de Q(K, L) = Ae L K L , la transforma en
ln Q = ln A +
K
+ ln K +
L
ln L
377
su derivada implcita con respecto a K,
QK
= +
Q
L K
y de aqu
QK =
Q.
3. Si f es homogenea de grado p,
f ( x) =
f (x).
Ejercicios 4.1 P
agina 82
1b. Los conjuntos no son acotados, por tanto no son compactos.
1c. A = GSf donde f (y) = y 2 y definida para |y + 2| 1.
3a.
GSg \ GIf = (x, y, z) | x2 + x
yzx
= (x, y, z) | x2 + x y + z x
5.
la u
ltima desigualdad solo se cumple para x = 0, por lo tanto el conjunto
es igual a {(0, y, z) | y + z = 0} y este es cerrado y no acotado.
D = {(K, L) | mn{2K, 3L}
= {(K, L) | 2K
= {(K, L) | K
6}
6} \ {(K, L) | 3L
3} \ {(K, L) | L
6}
2} = GSf \ GSg ,
x y g(x, y) = |y + 2|.
378
RESPUESTAS Y SUGERENCIAS
3a.
CSg (1) \ CIf (2) = (x, y) | 1 x2 + x
= (x, y) | 1
= (x, y) |
= (x, y) | x
y, x
x x
2y
y2
x x2
y2
1
2 y x2 + x
como la ecuaci
on x 2 = x2 + x 1 no tiene solucion real el conjunto es
vaco.
5. D = {(K,
( L) | mn{2K, 3L} 6} = CSf (6) con f (K, L) = mn{2K, 3L}.
x, si x 1
8. f (x) =
x 1, si x > 1.
Ejercicios 5.1 P
agina 92
3. Una recta y un crculo.
6. No.
Ejercicios 5.2 P
agina 96
4. f (x) =
1
x
1
x
p1 .
x
Ejercicios 5.2.2 P
agina 105
1.
C=
(x, y) |
xy
3x + y
x2 3y 2
= (x, y) | 3x + y xy
= (x, y) | 3x + y
x2
3y 2
xy + x + 3y
1
1 = CIf ( 1),
379
5e. Es convexa en
{(x, y) | 108xy
1, x > 0, y > 0}
{(x, y) | 108xy
1, x < 0, y < 0} .
y c
oncava en
7. Los u
nicos grafos y contornos convexos son los de funciones lineales.
Ejercicios 5.3 P
agina 117
1a. Concava.
1c. Convexa.
1h. Convexa y c
oncava.
3. f (x) = x + sin x, g(x) = x + cos x y f (x) + g(x) son cuasiconvexas.
7. Por lo menos cuasiconvexa.
8. Compuesta de c
oncava y creciente.
9. Basta determinar los valores de r para los que la funcion h(t) = tr , para
t > 0 es convexa, c
oncava, creciente o decreciente y aplicar las propiedades
de composici
on.
Ejercicios 5.3.1 P
agina 123
1. f es la compuesta de una funcion decreciente con una convexa.
3. Aplicar logartmos.
4. Descomponer en funciones sencillas y aplicar las propiedades, entre ellas el
ejercicio 3, o la matriz hessiana.
Ejercicios 6.1 P
agina 132
1. arg m
ax{f (x) | x 2 ( 3, 1]} = {1},
arg mn{f (x) | x 2 ( 3, 1]} = ( 3, 2) [ {0},
m
ax{f (x) | x 2 ( 3, 1]} = 1 y max{f (x) | x 2 ( 3, 1]} = 0.
2. arg m
ax{f (x) | x 2 [ 1, 3)} = [1, 3],
arg mn{f (x) | x 2 [ 1, 3)} = {0}, max{f (x) | x 2 [ 1, 3)} = 1 y
m
ax{f (x) | x 2 [ 1, 3)} = 0.
Ejercicios 6.3 P
agina 145
1a. (0, 0) es punto de silla.
1e. (0, 0) es punto de silla.
1i . (0, 0, 0) es mnimo.
380
RESPUESTAS Y SUGERENCIAS
5
2}
Ejercicios 7.1.2 P
agina 166
1. Las soluciones de problemas restringidos pueden ser comprobadas usando
un programa computacional. La herramienta Solver de Excel es una buena
opci
on en los problemas numericos.
2. El punto que soluciona el problema no cualifica las restricciones.
5e.
m
b
bpx
am
bpx
M
M
x =
, y =
, V =
b + b ln
.
px a
apy
px
apy
Ejercicios 7.2 P
agina 181
1. Nuevamente Solver de Excel sirve para comprobar las soluciones.
3. Transformar la restricci
on
mn{aK, AL T } = q,
en las restricciones
aK
q,
AL T
q,
0,
AL T
que equivalen a
aK
0,
y usar estas u
ltimas para construir el lagrangiano.
4. Como en el ejercicio anterior la restriccion
n
o
mn aK, (aL + bT ) = q,
equivale al par de desigualdades
aK
(aL + bT )
q,
q,
la segunda se transforma en
aL + bT
q .
As el problema a solucionar es
Minimizar C(K, L, T ) = rK + wL + sT
sujeta a aK
0,
aL + bT
0.
381
5a. El problema en forma para aplicar los teoremas es
Maximizar
x+y
sujeta a 4
2x
z
y
z2
3y + 4z
0,
z + 1 (4
x2
y2
0,
1 = 0,
0.
Su lagrangiano es
L=
x+y
+ (2x
3y + 4z
z 2 ) + 2 x + 3 z
1).
Lz =
Ly = 1
21 x + 2 + 2 = 0,
21 y
3 = 0,
21 z + 2 + 4 = 0,
x2
y2
z 2 ) = 0,
0,
z2
0,
2 x = 0,
0,
0,
2 z = 0,
0,
0,
x2
y2
y la restricci
on de igualdad
2x
3y + 4z = 1,
g(x, y)).
Seg
un el teorema de la envolvente
@f
@L
=
@a
@a
=
=
(x ,y ,a,k)
@ (f (x, y, a) + (k
@a
g(x, y)))
(x ,y ,a,k)
@f
(x , y , a, k).
@a
382
RESPUESTAS Y SUGERENCIAS
3b.
@f
@L
=
@k
@k
= .
(x ,y ,a,k)
fax = fxa
xh = a + U
10c. Q(K, L) = L + ln K.
12b.
m
V =
mn{apx , bpy }
fak
= fka
=
C = q
py
px
# +1
a,
w
.
3
U (x, y) =
x y
+ .
a
b
Ejercicios 8.1 P
agina 220
2. 2 + ( 1)t 1 + n1 .
t+1 y usar las definiciones.
4. Basta reemplazar sen t
2 por ( 1)
Ejercicios 8.2.3 P
agina 235
1. Las funciones seno y coseno tienen periodo 2.
4a. Para los que la ecuaci
on x = x2 + c tiene solucion, esto es, c 14 .
2
4c. Para los que la ecuaci
on x = x2 + c + c tenga solucion que no satisfaga
2
x = x + c, esto es, los valores de c para los que x2 + x + c + 1 = 0 tenga
soluci
on: c 34 .
Ejercicios 8.2.5 P
agina 239
1. Basta reemplazar y comprobar que se satisface la ecuacion.
383
2b. xt = c1 ( 2)t + c2 ( 3)t .
Ejercicios 8.2.8 P
agina 249
1. El precio de equilibrio est
atico es p =
p + [(b
c+
+ )
a+
b+
1]
p + (c
)
p = (a + ).
Equivalente a
[1 + (b
c+
+ )
1 + (c
)]
p = [(b
c+
+ ) + (c
)]
p
= (b + )
p = (a + )
tiene la misma soluci
on.
3b. La soluci
on de la ecuaci
on homogenea asociada es
xht = c1 ( 2)t + c2 ( 3)t ,
por lo tanto, la forma de la solucion particular es
xpt = at( 2)t + b3t .
Para encontrar los valores de a y b se reemplaza en la ecuacion,
xpt+2 + 5xpt+1 + 6xpt = a(t + 2)( 2)t+2 + b3t+2
+ 5 a(t + 1)( 2)t+1 + b3t+1 + 6 at( 2)t + b3t
= 4a(t + 2)( 2)t + 9b3t + 5
= (4
=
de donde, a =
yb=
1
30 ,
t( 2)t
3t
+
2
30
3t
= c1 ( 2)t + c2 ( 3)t + t( 2)t 1 + .
30
xt = c1 ( 2)t + c2 ( 3)t
384
RESPUESTAS Y SUGERENCIAS
7. Ver el captulo 9.
Ejercicios 9.1.3 P
agina 273
2t+3
2a. La ecuaci
on es separable dx
2x)dx = (2t + 3)dt.
dt = 2 2x o (2
x
t
2g. Equivale a e dx = e dt.
3b. Los puntos de equilibrioson las soluciones de x(3 x)(3 + x) = 0, esto es,
x = 0, x = 3 y x = 3. La derivada de f (x) = 9x x3 , f 0 (x) = 9 3x2
calculada en cada punto de equilibrio determina el comportamiento de los
puntos: f 0 (0) = 9 > 0, x = 0 es inestable; f 0 (3) = 18 < 0, x = 3 es estable
y f 0 ( 3) = 18 < 0, x = 3 es estable.
6. C = rK + wL por las condiciones necesarias de optimalidad r = QK y
w = QL , por lo tanto
C = K QK + L QL .
Por la ayuda
C =
[QK K + QL L ] = q
= Cq . De lo anterior
dC
q
dq
1)x x3 = x (a2 1) x2 = 0,
p
p
los puntos de equilibrio son: (0, 0), a2 1, a2 1 , para a2 > 1. La
jacobiana del sistema
2
a
3x2
1
J(x, y) =
1
1
i
x3
x = (a2
385
calculada en cada uno
2
a
1
J(0, 0) =
,
1
1
p
J a2
1,
p
a2
3
1 =
2a2
1
1
1
p
tr J a2
1,
p
J a2
1,
4|J| = 4(1
a2 ) 2
1,
|J(0, 0)| = 1
p
a2
p
a2
1
1
= 2(1
= 2(a2
a2
a2 ),
1).
1) = 4(1
a2 )(3
a2 )
el primer factor es negativo, por lo tanto si a2 > 3 los puntos son nodos
estables: las races del polinomio caracterstico son reales distintas negativas. Y si a2 < 3 los puntos son espirales estables: las races del polinomio
caracterstico son complejas conjugadas con parte real negativa.
Ejercicios 11.1.2 P
agina 333
x )
1. Basta con calcular d(f dtxf
.
p
p
2t
2t
4a. x(t) = ae
+ be
.
4b. El sistema a solucionar para encontrar a y b es
(
p
p
x(1) = ae 2 + be 2 = 2
p
p
x(4) = ae 24 + be 24 = 3.
9a. x(t) = ae
pt
2
+ be
pt
2
+ 12 .
Ejercicios 11.2.4 P
agina 357
2a.
8
D
>
x z = r
< Hx =
D
Hz = x z + = 0
>
: D
H = z + = x,
386
RESPUESTAS Y SUGERENCIAS
eliminando z equivale a
(
= (r + )
x = 2 x + .
tr(J)
0,
pt
2
+ be
pt
2
Bibliografa
[Az] Azariadis, Costas, Intertemporal Macroeconomics, Blackwell, Oxford,
1993.
[B] Barbolla, R., E. Cerd
a y P. Sanz, Optimizaci
on. Cuestiones, ejercicios
y aplicaciones a la economa, Prentice Hall, Madrid, 2001.
[B y S] Barbolla y Sanz, P., Algebra lineal y teora de matrices, Prentice
Hall, Madrid, 1998.
[B y C] Berndt y Christensen, The translog function and the substitution
of equipment, structures, and labor in U.S. manufacturing 1962-68,
Journal of Econometrics 1(1973), pp. 81-114.
[B y D] Boyce, W. y R. DiPrima, Elementary dierential equations and
boundary value problems, John Wiley & Sons, Inc., Singapur, 1992.
[B y R] Blackorby, C. y R. Russell, Will the real elasticity of substitution
please stand up? (a comparison of the Allen/Uzawa and Morishima
elasticities), The American Economic Review, septiembre, 1989, pp.
882-88.
[Ca] Caputo, Michael R., Foundations of Dynamic Economic analysis,
Cambridge University Press, 2005.
[C] Carter, Michael, Foundations of Mathematical Economics, The MIT
Press, Cambridge, 2001.
[Ch] Chiang, Alpha, Metodos fundamentales de economa matem
atica,
McGraw-Hill, 1987.
388
BIBLIOGRAFIA
[G-P1] Gonz
alez, Jorge Iv
an y Arsenio Pecha, La dinamica en economa,
los enfoques de Hicks y Samuelson, Cuadernos de economa 23, 1995,
Universidad Nacional de Colombia, Bogota.
[G-P2] Gonz
alez, Jorge Iv
an y Arsenio Pecha, Tasa de equilibrio intertemporal, equilibrio y estabilidad, Cuadernos de economa 32, 2000, Universidad Nacional de Colombia, Bogota.
[G y L] Guilkey, D. K. y C. A. K. Lovell, On the flexibility of the
translog approximation, International Economic Review, Vol. 21,
No.1, Febrero, 1980, pp. 137-47.
[Ka] Kamien, Morton I, y Nancy L. Schwartz, Dinamic Optimization,
North-Holland, Amsterdam, 2000.
[Kr] Kreps, David M., Notes on the theory of choice, Westview Press, Boulder, 1988.
[K] Kuga, K., On the symmetry of Robinson elasticities of substitution:
the general case, Rewiev of Economic Studies 46, 1979, pp. 527-31.
[L] Lambert, Peter J., Advanced Mathematics for Economists: Static and
Dynamic Optimization, Basil Blackwell, 1985.
[Lu] Luenberger, David G., Introduction to Linear and Nonlinear Programming, Addison-Wesley, 1965.
[M] Madden, Paul, Concavidad y optimizaci
on en microeconoma, Alianza
Editorial, Madrid, 1987.
[McF] Mc Fadden, D., Constant elasticity of substitution production functions, Rewiev of Economic Studies 31, 1963, pp. 73-83.
[M y L] Medio, Alfredo y Marji Lines, Nonlinear Dynamics: A Primer,
Cambridge University Press, 2001.
[Mo] Moore, James C., Mathematical methods for economic theory 1,
Springer-Verlag Berlin, 1999.
[Mu] Murata, Yasuo, Mathematics for Stability and Optimization of Economic Systems, Academic Press, New York, 1977.
[R] Revankar, N. S., A class of variable elasticity of substitution production functions, Econometrica, Vol. 39, No. 1, enero, 1971.
BIBLIOGRAFIA
389
Indice alfab
etico
k-ciclo, 210
conectivos, 1
conjunto
an
alisis de sensibilidad, 150
complemento, 7
argumento
abierto, 14
maximizador, 111
acotado, 16
minimizador, 112
adherencia, 14
cerrado, 14
basin, 204
clausura, 14
Bellman, 280
compacto, 17
bola abierta, 20
conexo, 17
contable o enumerable, 9
calculo de predicados
de restricciones, 111
cuantificadores, 2
infinito, 9
predicados, 2
interior, 14
relaciones, 2
potencia, 6
sujetos, 2
referencial, 4
campo
conjuntos
escalar, 27
diferencia entre, 7
vectorial, 28
diferencia simetrica entre, 7
combinaci
on convexa, 80
interseccion de, 7
complejo
no comparables, 6
argumento, 14
relacion entre, 26
m
odulo, 14
union de, 7
parte imaginaria, 14
correspondencias, 28
parte real, 14
cota
complementaci
on entre variables, 54
inferior, 16
condiciones
superior, 16
de transversalidad, 275, 294, 305
cualificacion de restricciones, 136
del m
aximo de Pontryagin, 305
curva, 27
iniciales, 200
demanda
neocl
asicas usuales, 56
390
i
INDICE ALFABETICO
condicionada, 112
condicionada de factores, 140, 168
de factores, 128, 170
del productor, 113
hicksiana, 113, 141, 170
marshalliana, 113, 146, 171
derivada
de una funci
on real, 36
direccional, 120, 132
parcial, 47
diagonalizaci
on de Cantor, 10
diferenciabilidad, 119
distancia
en R, 13
en Rn , 20
dominio de estabilidad, 204
391
de sustitucion, 54
epgrafo, 70
estado estable, 202
Euler, 48
formulas
proposicionales, 1
proposicionales
equivalentes, 2
factor de integracion, 241
Fibonacci, 193
funcion
con elasticidad de sustitucion
constante (CES), 57
variable (VES), 61
continua, 35
cuasilineal, 61
ecuaci
on
de beneficio, 113, 129, 170
de Euler, 294
de Cobb y Douglas (CD), 55
de Hamilton-Jacobi-Bellman, 281,
de costo, 112, 140, 168
330
de Diewer, 69
diferencial
de gasto, 113, 141, 170
exacta, 241
de Leontie, 59
homogenea, 241
de oferta, 128, 170
lineal, 241
de utilidad indirecta, 113, 146
orden, 237
de varias variables, 27
separable, 240
homogenea, 30
en diferencias
homotetica, 31
aut
onoma, 199
lagrangiana, 136
homogenea, 199
lineal, 55
lineal, 199
objetivo, 111
orbita de, 200
real, 27
orden, 199
semicontinua, 78
soluci
on de, 199
subaditiva, 86
trayectoria de, 200
superaditiva, 86
logstica, 193
funcion
recurrente, 199
de utilidad indirecta, 171
elasticidad
con respecto a una variable, 56 gradiente, 47
392
hamiltoniano
corriente, 303, 320
descontado, 320
Hartman-Grobman, 227, 264
hessiana
del lagrangiano, 144
orlada, 101, 144
hip
ografo, 70
identidad de Roy, 172
nfimo, 16
insumos
esenciales, 54
intervalos, 12
iso
costos, 30
cuantas, 30
utilidades, 30
lagrangiano, 136, 152
lema
de Hotelling, 170
de Shephard, 168
letras proposicionales, 1
mnimo
global, 114
local, 114
m
aximo
global, 113
local, 114
marginalidad, 36
matriz jacobiana, 228, 264
menor
principal, 44
principal orlado, 144
principal primario, 44
n
umeros
complejos, 14
INDICE ALFABETICO
enteros, 9
irracionales, 10
naturales, 9
racionales, 9
reales, 10
reales no estandar, 13
norma en Rn , 20
parametro, 32
plano tangente, 119
Precios, 29
productividad
marginal
del capital, 47
del trabajo, 47
producto cartesiano, 26
proposiciones
atomicas, 1
moleculares, 1
punto
aislado, 16
asintoticamente estable, 204
atractivo, 209, 237
crtico, 114
de acumulacion, 16
de equilibrio, 202, 252
de silla, 124
exponencialmente estable, 205
fijo, 202
frontera, 14
globalmente asintoticamente estable, 205
interior, 14
lmite, 16
localmente asintoticamente estable,
205
lyapunovmente estable, 204
repulsivo, 210, 237
INDICE ALFABETICO
rendimientos a escala, 31
restricci
on
activa, 150
inactiva, 150
Routh-Hurwitz, 263
393
marginal de sustitucion entre bienes, 30
marginal de sustitucion tecnica,
30
valor absoluto, 13
valor de salvamento, 311
Schur, 227
variable
sendas
optimas, 275
de control, 274
sistemas de ecuaciones en diferencias
de estado, 192, 199, 275
vease ecuaci
on en diferencias
endogena, 32
199
exogena, 32
soluci
on
asint
oticamente estable, 207
Weierstrass, 147
exponencialmente estable, 208
factible, 132
lyapunovmente estable, 207
steady state, 202
subgrafo, 70
sucesi
on
acotada, 195
acotada
inferiormente, 194
superiormente, 194
convergente, 195
creciente, 193
decreciente, 193
mon
otona, 193
oscilante, 194
oscilante
amortiguada, 194
explosiva, 194
regular, 194
supergrafo, 70
supremo, 16
sustituci
on entre variables, 54
tablas de verdad, 2
tasa