Notas de Economia Matemática

Notas Docentes de Economa Matemtica - Parte
1
Alexander Alegra
Manuel Willington
Pontificia Universidad Javeriana de Cali
ILADES - Universidad Alberto Hurtado
E-mail address, Manuel Willington: mwilling@uahurtado.cl
Resumen. Estas notas docentes estn basadas en la primera parte del curso de
Economa Matemtica que dictamos en los aos 2006 y 2007 en la carrera de
Ingeniera Comercial (mencin Economa) de la Universidad Alberto Hurtado
y en los cursillos de Nivelacin Matemtica dictados lo mismos aos para
los alumnos ingresantes al Master of Arts in Economics ILADES/Georgetown
University. El objetivo central del curso de pregrado (y en menro medida por
disponibilidad de tiempo el cursillo de nivelacin) es que los alumnos adquieran
las herramientas que necesitarn para desempearse satisfactoriamente en el
programa de postgrado conjunto con Georgetown University. Algunos tpicos
bsicos se incluyen para que estas notas sean ms autocontenidas, pero no
corresponden a material revisado en los citados cursos.
Las notas toman prestados enfoques de diversos libros y, en particular en la
Unidad 1, de notas de clase del math camp preparatorio para el PhD in
Economics de la University of Pennsylvania.
ndice general
Captulo 1. Conceptos Bsicos de Lgica Proposicional y Teora de Conjuntos 1
1. Lgica Proposicional
1
2. Tcnicas de demostracin
5
3. Conceptos bsicos sobre teora de conjuntos
9
4. Operaciones sobre conjuntos
11
5. Conjuntos numricos
12
Captulo 2. Conceptos de Topologa Mtrica
1. Espacios mtricos
2. Convexidad de conjuntos
15
15
22
Captulo 3. Optimizacin Esttica

1. Introduccin
2. Existencia
3. Unicidad
4. Optimizacin sin Restricciones
5. Optimizacin con Restricciones de Igualdad
6. Optimizacin con Restricciones de Igualdad y de Desigualdad
7. Modelos Econmicos y el Teorema de la Funcin Implcita
25
25
26
27
28
35
49
55
Apndice A.
67
Formas Cuadrticas y Concavidad y convexidad de funciones
iii
CAPTULO 1
Conceptos Bsicos de Lgica Proposicional y

Teora de Conjuntos
En esta unidad revisaremos algunos conceptos bsicos acerca de lgica matemtica, lgebra de conjuntos, operaciones con conjuntos y conjuntos numricos, sin
embargo, nos detendremos en lo relativo a los mtodos de demostracin ms comnmente utilizados, ello debido a que el buen manejo de estos permite comprender mas
fcilmente las demostraciones realizadas en los libros avanzados en economa. Debe
quedar claro que esta gua no pretende agotar todos los mtodos de demostracin
existentes, sino mostrar aquellos que son de uso comn, si el lector desea profundizar
en estos temas puede dirigirse a: De la Fuente, ngel. (2000), Mathematical
Methods and Models for Economists, o a Simon, C & Blume, L. (1994), Mathematics for Economists Norton & Company.
1.
Lgica Proposicional
1.1. Proposiciones Simples y Compuestas. La lgica clsica (bi-valente)

se basa en el estudio de proposiciones que son enunciados con un valor de verdad,
esto signica que son suceptibles de ser clasicadas como verdaderas o falsas sin
ambigedad. Nosotros podemos identicar bsicamente dos tipos de proposiciones,
proposiciones simples que son los enunciados ms sencillos con valor de verdad.
7 es un nmero primo, nieva, son proposiciones simples; y proposiciones
compuestas las cuales estn formadas por proposiciones simples y conectores
lgicos, tales como: si y slo si, o, y, no y entonces. si x es un
numero real, entonces x2 > 0 es una proposicin compuesta.
Definicin 1. Un conector es un simbolo lgico que representa un operador el
cual permite combinar proposiciones simples.
Los conectores si y solo si, o, y, noy entonces, tienen asociados
los siguientes operadores equivalencia ( () ), disjuncin (_), conjuncin (^),
negacin (:) e implicancia ( =) ) respectivamente. A continuacin veremos
algunas caractersticas de cada uno.
Toda proposicin se puede simbolizar por una frmula proposicional que
esta formada por letras que representan las proposiciones simples llamadas letras
proposicionales.
Negacin. Sea p una letra proposicional de una proposicin dada. Entonces :p
(se lee no p) representa el opuesto lgico de p. Cunado p es falso, :p es verdadero
y viceversa, lo anterior puede ser resumido en una tabla de verdad
p
V
F
:p
F
V
1
1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS
donde usamos la letra F para denotar falso y la letra V para verdadero.1

Conjuncin si p y q son proposiciones, entonces la proposicin p ^ q (se lee p
y q) es verdadera solo cuando p y q son verdaderas, y falsa de otro modo.
p
V
V
F
F
q
V
F
V
F
p^q
V
F
F
F
Disjuncin. Si p y q son proposiciones, entonces la propocision p _ q (se lee p

o q) es verdadera cuando al menos una de las dos propocisiones es verdadera y es
falsa cuando ambas son falsas.
p q p_q
V V
V
V F
V
F V
V
F F
F
Implicancia. Una proposicin de la forma si p entonces q; la cual se escribe
p =) q se denomina implicancia o proposicin condicional. A la proposicin p se
le denomina antecedente y a q consecuente. La convencin adoptada para el valor
de verdad de la implicancia es que solo es falsa si el antecedente es verdadero y el
cosecuente falso. Representemos la implicancia si p entonces q en una tabla de
verdad.
p q p =) q
V V
V
V F
F
F V
V
F F
V
Equivalencia la proposicin p si y slo si q es la abreviacin de ( p =)
q) ^ (q =) p): una proposicin de esta forma es llamada equivalencia. La tabla de
verdad para la equivalencia es:
p
V
V
F
F
q
V
F
V
F
p =) q
V
F
V
V
q =) p
V
V
F
V
p,q
V
F
F
V
Dado que el si y solo si es la abreviacin de formulas proposicionales que

incluyen implicaciones y conjuncin, podemos utilizar la terminologa siguiente q
si py q solo si p, p es condicin suciente para qy p es condicin necesaria
para q.
Se dice que dos formulas proposicionales f1 y f2 son lgicamente equivalentes
si tienen la misma tabla de verdad, en ese caso nosotros diremos que f1 f2 :
Ejemplo 1. p es lgicamente equivalente a : (:p)
p
V
F
:p
F
V
: (:p)
V
F
1 Esta notacin se conserva a lo largo de la unidad.
1. LGICA PROPOSICIONAL
Ejemplo 2. [: (p ^ q)] es logicamente equivalente a [(:p _ :q)]

p
V
V
F
F
q
V
F
V
F
:p
F
F
V
V
:q
F
V
F
V
: (p ^ q)
F
V
V
V
[(:p _ :q)]
F
V
V
V
Cuando dos proposiciones compuestas p y q son lgicamente equivalente, su

equivalencia es una nueva proposicin cuyo valor de verdad es verdadero en todos
los casos. Tal proposicin se denomina tautologa y su denicin es:
Definicin 2. Una proposicin compuesta es una tautologa si su valor de
verdad es siempre verdadero independientemente del valor de verdad de las proposiciones simples con las cuales fue construida y ser una contradiccin si siempre es
falsa. Por lo tanto una contradiccin y una tautologa son una la negacion de la
otra.
Remark 1. El lector deber comprobar que:
p _ (:p) es una tautologia, mientras que p ^ (:p) es una contradiccin.
: (p ) q) es equivalente a p ^ (:q)
p ^ (p ) q) ) q es una tautologa
p ) q es lgicamente equivalente a [(:q) ) (:p)]
: (p _ q) es lgicamente equivalente a [(:p) ^ (:q)] (Ley de De Morgan).
Resulta sumamente importante que el lector tenga presente cada una de estas
equivalencias, sobre todo que recuerde que p ) q no es equivalente a q ) p, detalles
como este le sern tiles a la hora de pretender realizar una demostracin.
Ejercicio 1. Construya una tabla de verdad para cada proposicin
1.
2.
3.
4.
5.
6.
7.
8.
[p ) (q ^ :q)] , :p
(q ) :p) , (p ^ q)
(p ^ q) , (q ^ p)
(p _ q) , (q _ p)
[p ^ (q ^ r)] , [(p ^ q) ^ r]
[p _ (q _ r)] , [(p _ q) _ r]
[p ^ (q _ r)] , [(p ^ q) _ (p ^ r)]
[p _ (q ^ r)] , [(p _ q) ^ (p _ r)]
Ejercicio 2. Escriba la negacin de las siguientes proposiciones

1.
2.
3.
4.
Si K es cerrado y acotado, entonces K es compacto

Si K es compacto, entonces es cerrado y acotado
Si una funcin es continua, entonces es diferenciable
Toda funcin continua es diferenciable.
1.2. Cuanticadores. En la seccin precedente vimos que una oracin matemtica que involucra una variable, por ejemplo x > 3, necesita hacer parte de un
contexto para ser considerada como una proposicin. Los cuanticadores ayudan a
crear proposiciones limitando el rol de las variables en una oracin matemtica.
Definicin 3. Una variable es un smbolo que puede asumir varias especicaciones. Una proposicin funcional es una oracin que se convierte en proposicin
cuando nosotros reemplazamos una variable por una de estas especicaciones.
p (x) denota una proposicin funcional, p es la oracin y x la variable. Asi que

p (x) : x > 3 es una proposicin funcional.
Sea S un conjunto dado1 , denamos sobre este dos cuanticadores.
Cuanticador Universal (para todo), denotado por 8, tiene la siguiente
interpretacin:
[8x 2 S; p (x)], signica que p (x) es verdad dado que es verdad para cada x en
S. Por ejemplo, si S = f4; 5g, entonces [8x 2 S; p (x) : x > 3] [(4 > 3) ^ (5 > 3)]
Cuanticador Existencial (existe), denotado por 9:
[9x 2 S; p (x)], que se lee existe un x que pertenece a S tal que cumple la
propiedad p (x)signica que p(x) es verdad dado que existe almenos un x en S para
el cual p (x) es verdad. Por ejemplo, si S = f1; 2; 4g ;entonces[9x 2 S; p (x) : x > 3]
[(1 > 3) _ (2 > 3) _ (4 > 3)].
Ejercicio 3. Sea S un conjunto nito (por ejemplo f1; 2g). Use la Ley de De
Morgan para mostrar que : [9x 2 S : p (x)] , [8x 2 S : :p (x)] y : [8x 2 S : :p (x)] ,
[9x 2 S : :p (x)] son tautologas.
Es comn usar 9!x para denotar el caso cuando existe un nico valor para la
variable x que hace p (x) cierta. A si mismo utilizaremos @ para decir que no existe.
Por ejemplo @x > 0 tal que (x + 1) = 0 es lgicamente equivalente a 8x >
0; x + 1 6= 0
Ejercicio 4. Escriba la negacion de las siguientes proposiciones
1. 8x 2 A; f (x) > 5
2. 9y > 0 tal que 0 g(y 0 ) 3
3. 8" > 0 9N tal que 8n; si n > N; entonces 8x 2 S; jfn (x) f (x)j < "
(Convergencia uniforme)
Como se observa en el ultimo ejercicio, es posible combinar tanto el cuanticador
universal como el existencial en una misma proposicin, por lo tanto es importante
aclarar algo acerca del orden en el que los cuanticadores son usados.
Mientras [8x; 8y; p (x; y)] [8y; 8x; p (x; y)] [8x; y; p (x; y)] ; la proposicin
[9y tal que 8x p (x; y)] y [8x; 9y tal que p (x; y)] no son lgicamente equivalentes.
En este caso el orden en que aparecen los cuanticadores afecta el signicado
y el valor de verdad de la proposicin, ello se debe a que en la primera de las
proposiciones la escogencia de y es independiente de x. mientras en la segunda, la
escogencia de y depende de x.
Veamos un ejemplo, considere que p (x; y) es x + 2 = y. La proposicion
[9y tal que 8x p (x; y)] establece que existe un y tal que para todo x, x + 2 = y;
el cual es claramente una proposicin falsa. La proposicin [8x; 9y tal que p (x; y)]
establece que para todo x existe un y tal que x + 2 = y lo cual se puede catalogar
como una proposicion verdadera.
Ejercicio 5. Encuentre un p (x; y) tal que [9y tal que 8x p (x; y)] y
[8x; 9y tal que p (x; y)] tengan el mismo valor de verdad .
Ejercicio 6. dadas las siguientes proposiciones usted debe hacer dos cosas. a)
Reescribirlas utilizando los smbolos de la lgica estudiados hasta el momento y b)
escribir la negacin de la parte a) usando los mismos smbolos.
1 S es una coleccin de objetos que llamamos elementos de S. Cuando x es un elemento del
conjunto S nosotros escribimos x 2 S y se lee"x es un elemento de S:
2. TCNICAS DE DEM OSTRACIN
1. x es impar si y slo si x2 es impar

2. Una funcin f es impar si para cada x, f (x) = f ( x)
3. Una funcin f es creciente si y slo si para cada x y para cada y; si
x y; entonces f (x) f (y)
4. Una funcin f : A ! B es inyectiva si para cada x y cada y en A,
si f (x) = f (y), entonces x = y:
5. Una funcin f : A ! B es sobreyectiva (o suryectiva) si para cada
y en B hay un x en A tal que f (x) = y:
6. Una funcin f : D ! R es continua en c 2 D si para cada " > 0
existe un > 0 tal que jf (x) f (c)j < " siempre jx cj < y
x 2 D:
Ejercicio 7. Verique las siguientes tautologias.

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
(p () q) () [(p =) q)] ^ [(q =) p)]

(p ^ :p) () c
(p =) q) () (:q =) :p)
[p ^ (p =) q)] =) q
[:q ^ (p =) q)] =) :p
[:p ^ (p _ q)] =) q
(p ^ q) =) p
[(p =) q) ^ (q =) r)] =) (p =) r)
[(p =) q) ^ (r =) s) ^ (p _ r)] =) (q _ s)
[(p _ q) =) r] () [(p =) r) ^ (q =) r)]
2.
Tcnicas de demostracin
Como se advierte al comienzo, esta seccin no pretende agotar todas las tcnicas
de demostracin, simplemente se trata de acercar al estudiante a aquellas que son
ms utilizadas, con el objetivo que el inters despertado por ests le premita abordar
textos en los cuales quiza sean estudiadas tecnicas mucho mas renadas.
Una prueba es un mtodo para establecer la veracidad de una proposicin.
Generalmente tenemos que probar proposiciones de la forma, si H1 ; H2 ; :::; Hn ;
entonces C. Las proposiciones como H1 ; :::; Hn se denominan Hiptesis de la
prueba, mientras que la proposicin C es denominada conclusin, o tesis. Una
prueba formal de tal proposicin consiste en una secuencia de proposiciones validas
nalizando con la conclusin C.
Como sabemos, la mayora de los teoremas son proposiciones de la forma si
p entonces q o de la forma p si y solo si q, pero muchas veces el enunciado del
teorema no est explicitamente escrito en esa forma, lo cual diculta la identicacin
de la hiptersis y la tesis. Por lo que el primer paso en la demostracin de un
teorema consiste en identicar en forma precisa su hiptesis y su tesis.
Ejercicio 8. Identique la hiptesis y la tesis en los siguientes teoremas:
1. La suma de dos nmeros impares es un nmero par.
2. Dos rectas paralelas a una tercera son paralelas entre si.
3. Dos ngulos opuestos por el vrtice son congruentes
4. x es impar si y slo si x2 es impar
Otro aspecto importante a la hora de demostrar un teorema es identicar en
forma precisa las deniciones, axiomas y otros teoremas demostrados anteriormente,
los cuales nos van a ayudar en el proceso demostrativo.
Como un ejemplo, si usted tiene que probar que dado un conjunto S, [8x 2 S; p (x)] ;
entonces necesitamos probar que [x 2 S =) p (x)] :De otro lado, si necesitamos
probar que [9x 2 S : p (x)] ; solo necesitamos encontrar un x en S tal que p (x)
sea verdad.
Existen varias formas de probar una proposicin, todas ellas tiles en diferentes
situaciones, por lo que el exito en el proceso demostrativo depende del ingenio y la
destreza de quien realiza la demostracin.
A continuacin, sugerimos algunos mtodos que nos pueden ayudar a demostrar
una proposicin.
2.0.1. Prueba Directa. Para mostrar que p =) q es verdad, primero asumimos
que p es verdad y concluimos que q es verdad.
Ejemplo 3. Si x > 1; entonces x2 > x: Aqu p : x > 1 y q : x2 > x: La prueba
directa es como sigue:
1. Hiptesis p : x > 1
2. Del axioma si a > b y c > 0; entonces ac > bc tenemos x > 1 =) xx >
1x;
3. Pero por denicin xx = x2 y 1x = x;
4. Sustituyendo en la expresin 2 y utilizando la denicin 3 xx > 1x =)
x2 > x
5. Hemos llegado a la conclusin buscada x > 1 =) x2 > x:
2.0.2. Prueba por Contrarrecproco. . Asociada a la implicacin p =) q existe
una equivalencia lgica :q =) :p; llamada contrarreciproco. De esta forma una
implicacin se puede probar haciendo uso del contrarreciproco. En palabras, lo
que hacemos es suponer que :q es verdad y concluimos que :p es verdad. Ello
claramente equivale a probar que p =) q es verdad.
Ejemplo 4. Considere la proposicin, para m 2 N; si m es un numero impar
entonces m es un nmero impar. El contrarrecproco de la proposicin es si m
no es un nmero impar entonce m no es un nmero impar o equivalentemente
si m es un nmero par, entonces m es un nmero par.
Demostracin. Si :q es m es un nmero par. Entonces, por denicin
m = 2k donde k 2 N. Pero multiplicando la ltima ecuacin por un entero
tenemos que m = (2k) = 2 ( k) = 2e
k el cual es tambin par
Una forma alternativa de demostrar esta proposicin es por el mtodo de

contradiccin, el cual ilustraremos mas adelante.
2.0.3. Prueba por Descomposicin. Supongamos que nosotros queremos demostrar que p =) q; y sabemos que p puede ser descompuesta en dos proposiciones
disjuntas p1; p2 tal que p1 ^ p2 es una contradiccin. Entonces p
(p1 _ p2 ) ^
: (p1 ^ p2 ) (p1 _ p2 ) (recuerde que : (p1 ^ p2 ) es una tautologa, dado que p1 ^ p2
es una contradiccin).
Dada esta eleccin de p1 y p2 tenemos:
(p =) q) () (:p _ q) () [: (p1 _ p2 ) _ q]
() [(:p1 ^ :p2 ) _ q] () [(:p _ q) ^ (:p2 _ q)]
() [(p1 =) q) ^ (p2 =) q)]
Lo anterior evidencia que slo necesitamos mostrar que (p1 =) q) y que
(p2 =) q) : observe que este metodo funciona si descomponemos p en un nmero
2. TCNICAS DE DEM OSTRACIN
de proposiciones mayor que dos con la condicin que estas proposiciones sean
mutuamente excluyentes (lo cual signica que cada par de ellas es una contradiccin).
Ejercicio 9. Muestre que si x2
x =) x
1, utilizando el mtodo de
descomposicin (ayuda, por denicin x2 0; entonces p se puede descomponer en
p1 = 0 y p2 > 0) .
Ejercicio 10. Sea x 2 R; Muestre que s jxj
1 =) x2
2.0.4. Prueba por Contradiccin. Suponga que deseamos probar que p =) q.

Este mtodo consiste en asumir que [p ^ (:q)] es verdad (recuerde que : (p =) q)
equivale a [p ^ (:q)] con lo cual, al asumir que [p ^ (:q)] es verdad, estamos asumiendo que p =) q es falso) y buscar una contradiccin c. Para mostrar que p =) q y
(p ^ :q) =) c son lgicamente equivalentes, comparamos sus tablas de verdad.
p
v
v
f
f
q
v
f
v
f
p =) q
v
f
v
v
:q
f
v
f
v
(p ^ :q) c
f
f
v
f
f
f
f
f
(p ^ :q) =) c
v
f
v
v
Ejemplo 5. Utilicemos el mtodo de contradiccin para demostrar que si

es impar entonces m es impar.
Demostracin. Suponga que m es impar, y m es par, entonces m se puede

escribir como 2e
k, por lo que m =
2e
k =2 e
k = 2l para l = e
k lo cual nos
lleva a una contradiccin, pues 2l con l 2 Z es par, contradiciendo as el supuesto
inicial, m impar.
Otro mtodo ampliamente usado es el de induccin, el cual permite realizar
pruebas cuando tenemos proposiciones de la forma p (n) ; 8n 2 fm; m + 1; m + 2; :::g ;
la prueba consta de dos pasos:
1. Probamos que para el primer elemento del conjunto de inters-en este caso
m-p (m) es verdad.
2. Mostramos que p (k) =) p (k + 1) ;para k m: En otras palabras, asuma
que p (k) es verdad y pruebe que p (k + 1) es tambin verdad.
2.0.5. Refutacin por contraejemplo. Este es un metodo a travs del cual
logramos probar que ciertos enunciados de la forma:
para todo x:::o ningn x:::
son falsos, descubriendo un valor de x para el cual el enunciado no se cumple.
Dicho valor de x se denomina contraejemplo.
2.0.6. Induccin matemtica. Este razonamiento constituye un instrumento
muy til cuando se trabaja con los enteros positivos; veamos un ejemplo ilustrativo.
Supongamos que tenemos una coleccin de autos viajando por una autopista,
adems supongamos que viajan uno muy cerca del otro, si en un momento dado
comenzamos a contarlos tendremos auto nmero 1, nmero 2, nmero 3,......Si el
auto 1 se detiene repentinamente, es claro que el auto 2 tambin se detendr (as
sea chocando con el primero), y as sucesiamente si el auto k se detiene, tambien lo
har el siguiente k+1 y podemos incluso pensar que todos los autos se detendrn.
Antes de formular la propiedad general, enunciaremos un axioma.
Axioma de buena ordenacin (B.O) Si S Z+ ; S 6= ;;entonces existe un m 2 S

tal que m x;para todo x 2 S: Este entero m se llama el elemento mnimo de S:
Teorema 1. El nmero 1 es el mnimo de Z+
Demostracin. Sabemos que 1 2 Z+ :Sea

S = fx 2 Z+ j 0 < x < 1g ; si S = ;:
1 es el mnimo. Si S 6= ;; segun (B.O) existe un mnimo m para S:Entonces
0 < m < 1 y as mismo 0 < m2 < m < 1 esto implica que m2 2 S y que m2 < m
lo cual es una contradiccin que demuestra el teorema.
Corolario 1. Si n pertenece a Z, no existe un entero k tal que n < k < n + 1:
Ahora si veamos cual es el esquema de razonamiento detras de la induccin
matematica.
Principio de induccin.
Teorema 2. Si el subconjunto S de Z+ satisface:
1. 1 2 S;
2. Siempre que un entero positivo k pertenece a S, se cumple que k + 1 2 S:
Entonces S = Z+
Demostracin. Supongamos que S 6= Z+ y lleguemos a una contradiccin.
Bajo esta suposicin P = Z+ S es no vacio y, de acuerdo con (B.O), a de tener un
mnimo m. Pero 1 6= m porque 1 2 S, entonces m < 1, de donde 0 < m 1 < m.
Segn la escogencia de m, m 1 2
= P , por tanto m 1 2 S y por hiptesis
(m 1) + 1 = m 2 S, lo cual es una contradiccin porque m 2 Z+ S = P:
Existe una versin del principio de induccin que es de gran utilidad cuando se
estudian propiedades de Z+
Teorema 3. Si P (n) es una proposicin que se enuncia para enteros psitivos
n, y se cumple:
1. P (1) es verdadera.
2. Siempre que P (k) es verdadera (k 2 Z+ ) se tiene la veracidad de P (k + 1) :
Entonces P (n) es verdadera para todo n 2 Z+
Demostracin. Sea S = fn 2 Z+ j P (n) es verdaderag ;la hiptesis 1 y 2
simplemente corresponden a las hiptesis del teorema inmedatamente anterior al
que estamos probando y la conclusin S = Z+ signca la veracidad de P (n) para
todo n 2 Z+
Inclusive se puede demostrar el teorema inediatmente anterior a partir de este,
basta con aplicar este ltimo a la proposcin
P (n) : El entero positivo n pertenece a S.
Ejercicios Adicionales.
Ejercicio 11. En cada uno de los siguientes ejercicios se pide:
Identicar la hiptesis y la tesis.
Indicar los fundamentos en los que usted se basa para realizar la demostracin.
3. CONCEPTOS BSICOS SOBRE TEORA DE CONJUNTOS
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Realizar la demostracin por el mtodo directo para los ejercicios del 1 al

6 y por contradiccin del 7 al 11.
Demostrar que: si a es par y b es impar entonces a + b es impar.
Demostrar que: el producto de dos nmeros pares es un nmero par.
Demostrar que: si x 2 R y x + 6 = 12 entonces x = 6.
Demostrar que: si a; b; c 2 R tales que a + c = b + c entonces a = b:
Demostrar que: el cuadrado de un nmero impar es un nmero impar.
Demostrar que: si a; b 2 R entonces a ( b) = (ab) :
Demostrar que: si x2 es impar entonces x es impar.
Demostrar que: si a y b son nmeros enteros y a:b es par entonces a es
par o b es par.
Demostrar que: si a y b son nmeros reales tales que a:b = 0, entonces
a = 0 o b = 0: p
Demostrar que: 2 es un nmero irracional.
Demostrar que:si x2 es un multiplo de 5 entonces x es un multiplo de 5.
Ejercicio 12. En los siguientes ejercicios, encontrar un contraejemplo que

refute cada una de las proposiciones siguientes:
3
Si a y b son nmeros enteros(a + b) 6= a3 + b3

5
No existe ningn nmero entero n para el cual (n 1) = n5 1
Todo nmero par es mltiplo de 4
El cuadrado de cualquier nmero real siempre es positivo
La multiplicacin de dos nmeros irracionales siempre es un nmero irracional
6. Para todo nmero natural n se cumple que n2 6= 3n 2.
1.
2.
3.
4.
5.
Ejercicio 13. Demostrar que:
1. Para todo n 2 Z+ ; es valda la formula 1 + 3 + 5 + ::: + (2n

2. 2 + 4 + 6 + ::: + 2n = n (n + 1) ; para todo n 2 Z+
(3n+1 1)
3. 1 + 3 + 9 + 12 + ::: + 3n =
;para todo n 2 Z+
2
Pn
k
n+1
4.
1) 3 = (n 1) 3
+ 3 para todo n 2 Z+
k=1 (2k
+
5. Si a; b 2 Z ; demostrar que existe m 2 Z+ tal que ma > b
6. n < 2n ;para todo n 2 Z+
h
i2
7. 13 + 23 + ::: + n3 = n (n+1)
;para todo n 2 Z+
2
3.
1) = n2
Conceptos bsicos sobre teora de conjuntos
Aunque comnmente hablamos acerca de conjuntos, elementos, union, interseccin y partes de un conjunto, as como otros conceptos que tienen relacion con los
conjuntos, es importante hacer un estudio de estos y sus propiedades ya que una
de las nociones bsicas de la matemtica es la de conjunto, entendido como una
coleccin bien denida de objetos llamados miembros o elementos del conjunto.
Usualmente se denotan los conjuntos por letras maysculas tales como A,B,C...,
y los elementos de un conjunto por letras minsculas tales como a,b,c,...,.Los conjuntos se describen regularmente encerrando sus elementos entre llavesfg y separndolos
por comas.
La proposicin b es un elemnto de B, se denota por: b 2 B y se lee b
pertenece a B. Si, por el contrario , un objeto x no es un elemento de un conjunto
B, se escribe x 2
= B y se lee x no pertenence a B.
10 1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS
Existen dos maneras de nombrar un conjunto:

Por extensin. haciendo un listado completo de sus elementos.
Ejemplo 6. El conjunto de los nmeros dgitos es D = f0; 1; 2; 3; 4; 5; 6; 7; 8; 9g
Por comprensin.Dando una propiedad comun a todos los elementos que
permita distinguir cules pertenecen y cuales no pertenecen al conjunto.
En este caso si p es la propiedad comn se escribe:
A = fx j x tiene la propiedad pg o
A = fx j p (x)g
que se lee:A es el conjunto de todos los elementos x tales que x tiene la
propiedad p. De esta forma es posible denir el conjunto vacio como ; = fx j x 6= xg:
el conjunto de los elementos distintos de si mismos, claramente el conjunto vacio
no continen ningn elelmento, ; = fg :
Ejemplo 7. D = fx j x 2 N ^ x < 10g donde N denota el conjunto de los
nmeros naturales.
Ejemplo 8. S = fx j x es un da de la semanag :Este conjunto tiene como
elelmentos: lunes, martes, mircoles, jueves, viernes, sbado y domingo.
3.0.7. Igualdad entre conjuntos. Dos conjuntos R y S son iguales si tienen los
mismos elementos. En este caso se denota R = S. Se escribe R 6= S si los conjuntos
no tiene los mismos elementos.
Sean R = f1; 3; 5; 7; 9g y S = f3; 7; 9; 5; 1g :
Ejemplo 9.
Sean A = fa; b; cg y B = fa; a; b; c; c; cg :
A=B
R=S
Observe que: un conjunto no cambia al reordenar sus elementos, ni al repetirlos,

por consiguiente se escribirn una sola vez.
3.0.8. Subconjunto. Un conjunto R es un subconjunto de un conjunto S (o R
est contenido en S) si todo elemento de R es a su vez elemento de S. R es un
subconjunto se S se denota R S: 8x (x 2 R =) x 2 S)
Si R S y R 6= S , entonces se dice que R es un subconjunto propio de S (o
R est contenido estrictamente en S) y se denota R S. Si R no est contenido
en S se escribe R * S:
3.0.9. Conjuntos no comparables. Si no existe relacin de igualdad ni contenencia entre R y S se dice que R y S son no comparables, ello equivale a que R no
est contenido en S ni S est contenido en R:
3.0.10. El conjunto Universal. De la denicin de contenencia y la tabla de
verdad de la implicacin se concluye que: para todo conjunto R; ; R; puesto que
la proposicin (x 2 ; =) x 2 R) es siempre verdadera.
En la prctica es conveniente utilizar un conjunto llamado referencial o universal,
denotado por U o , del que todo conjunto que se nombre es subconjunto. Este
conjunto puede variar segn las aplicaciones.
3.0.11. Conjunto potencia. Con la nocin de contenencia a partir de un conjunto A es posible construir otro conjunto que est formado por todos los subconjuntos de l, el conjunto de partes de A o conjunto potencia de A,
} (A) = fX j X
Ag
Los elementos de este conjunto son a su vez conjuntos.

1. Si A = f1; 3; 5g ; } (A) = f;; f1g ; f3g ; f5g ; f1; 3g ; f1; 5g ; f3; 5g ; f1; 3; 5gg
4. OPERACIONES SOBRE CONJUNTOS
11
2. Si A = f3; ;; f2gg ; los elementos de A son 3; ;; y f2g ;2 no es elemento de

A, ya que no es lo mismo una bolsa con un lpiz que el lpiz, las llaves
en este caso hacen las veces de bolsa, los subconjuntos propios de A son
;, por ser subconjunto de todo conjunto, y las combinaciones de todos de
elementos de A encerrados en llaves:
f3g ; f;g ; ff2gg ; f3; ;g ; f3; f2gg ; f;; f2gg :
3. Los elementos del conjunto x j 2x2 + 3x = 0 son: 0 y 23 :
4.
Operaciones sobre conjuntos
Unin e interseccin
Sean A y B dos conjuntos de . Denimos la unin de los conjuntos A y B;
denotada por A [ B, como el conjunto de todos los elementos que estn en A o en
B.
A [ B = fx 2 j [(x 2 A) _ (x 2 B)]g
La interseccin del conjunto A con el B se denota por A \ B, y representa el
conjunto de elementos que est en ambos A y B:
A \ B = fx 2
j [(x 2 A) ^ (x 2 B)]g
Ambas deniciones pueden ser extendidas a una coleccin nita o innita de

conjuntos.
Definicin 4. Dos conjuntos son disjuntos si no tienen ningn elemento en
comn, en este caso el que A y B sean disjuntos signica que A \ B = ;:
Otra de las operaciones basicas sobre conjuntos es el complemento, que se
denota Ac :
Ac = fx 2 j : (x 2 A)g
Son los elementos que no estn en A; pero si en el conjunto referencial.
Existen otras operaciones que son la diferencia y la diferencia simtrica entre
los conjuntos A y B. A B = A \ B c y A4B = (A [ B) (A \ B) :
Ejercicio 14. Pruebe las siguientes propiedades.
1. A \ AC = ;
2. A [ B = B [ A
3. A \ (B \ C) = (A \ B) \ C = A \ B \ C
4. A [ (B \ C) = (A [ B) \ (A [ C)
C
5. (A [ B) = AC \ B C
Derivado de la ley asociativa establecida en los ejercicios anteriores, vemos que
no hay ambiguedad en escribir A[B[C: Extendiendo este concepto, sea n cualquier
entero positivo y A1 ; A2; :::; An subconjuntos de : El conjunto A1 [ A2 [ ::: [ An
es denido como el conjunto de todos los x 2 los cuales pertenecen por lo menos
a uno de los subconjuntos Ai ; y se escribe.
[ni=1 Ai = A1 [ A2 [ ::: [ An = fx 2
j x 2 Ai para algun i = 1; :::; ng
\ni=1 Ai = A1 \ A2 \ ::: \ An = fx 2
j x 2 Ai para todo i = 1; :::; ng
Usando un argumento similar denimos la interseccion de n subconjuntos de

como
Teorema 4. Sean A1 ; A2; :::; An subconjuntos de
:Entonces.

C
[[ni=1 Ai ] = \ni=1 AC
i
C
[\ni=1 Ai ] = [ni=1 AC
i
5.
Conjuntos numricos
Los Naturales
Asumimos la existencia de un conjunto N que consta de los enteros positivos,
tambin llamados nmeros naturales.
N = f1; 2; 3; :::g
Este es un conjunto innito en el sentido en que se puede poner en correspondencia con uno de sus subconjuntos propios (por ejemplo. los nmeros impares), esto se
puede ver como que tiene tantos elementos como uno de sus subconjuntos propios.
Un conjunto se dice contable o numerable si se puede poner en correspondencia
con el conjunto de los nmeros naturales, este es el conjunto bsico en la teora
de ecuaciones en diferencias cuya base es la nocin de sucesin. Cabe recordar que
estas ecuaciones sirven para modelar procesos dinmicos discretos o procesos que
tienen cambios en instantes igualmente espaciados del tiempo.
Los Enteros se denotan por la letra Z y conjuntistamente sedenen como.
Z = fx j x o ( x) es naturalg = f::::; 2; 1; 0; 1; 2:::g
Los Racionales
Son todos los nmeros que se pueden escribir como una fraccin, teniendo en
cuenta que tanto el umerador como el denominador pertenecen a los Z:
Q=
p
j p y q son enteros y q 6= 0 :
q
A partir de la denicin decimos que un nmero es racional si posee un periodo

decimal que se repite. Al dividir p entre q, el residuo solamente puede ser 0; 1; 2:::; q
1 (de otro modo la divisin estar mal efectuada), puesto que la expansin decimal
resulta de repetir innitas veces la divisin, entonces algunos valores entre 0 y q 1
se deben repetir, por lo tanto el cociente se repite dando como resultado un periodo.
As, 3; 141614161416.....es racional puesto que 1416 se repite indenidamente.
Los nmeros Reales
Son todos los que tienen una expansin decimal innita. Como los racionales
expresados en forma decimal tienen un periodo que se repite, entonces deben estar
contenidos en los reales y estos contienen adems otros nmeros que no tienen
periodo,
R=Q[I
Donde I es el conjunto de los nmeros irracionales, todos los no expresables
como fracciones, es decir aquellos nmeros cuya expansin decimal no posee un
periodo que se repite. Por ejemplo
= 3; 141592652:::: es irracional, as como
e = 2; 718281828::::
Los nmeros reales usualmente se gracan sobre una recta y sus subconjuntos
mas comunes son los intervalos:
(5.1)[a; b] = fx 2 R j a x bg
(a; b) = fx 2 R j a < x < bg
[a; b) = fx 2 R j a x < bg
(a; b] = fx 2 R j a < x bg
cerrados.
abiertos.
cerrado a izquierda y abierto a derecha.
abierto a izquierda y cerrado a derecha.
5. CONJUNTOS NUM RICOS
13
Otros subconjuntos de los reales son:

R+
R++
= fx 2 R j x 0g
= fx 2 R j x > 0g
Definicin 5. Si x 2 R, entonces el valor absoluto de x; denotado por jxj ; es

x si x 0, y es x si x < 0. Simblicamente se escribe.
jxj =
si x 0
x si x < 0
El valor absoluto de un nmero puede considerarse como su distancia (sin tener

en cuenta el sentido, a la derecha o a la izquierda) desde el origen. En particular,
los puntos 6 y 6 estn cada uno a seis unidades del origen.
De la denicin de valor absoluto tenemos.
a b si a b 0
ja bj =
(a b) si a b < 0
o equivalentemente,
ja
bj =
a
b
b
a
si a b
si a < b
En la recta numrica real, ja bj unidades puede interpretarse como la distancia

entre a y b sin tener en cuenta el sentido.
La desigualdad jxj < a, donde a > 0, establece que en la recta numrica real,
la distancia del origen al punto x es menor que a unidades; esto es a < x < a:
La desigualdad jxj > a; donde a > 0; indica que en la recta real la distancia del
origen al punto x es mayor que a unidades; es decir, x > a o x < a: Lo anterior
se escribe formalmente como:
1. jxj < a () a < x < a
Donde a > 0:
2. jxj > a () x > a o x < a
Donde a > 0:
Teorema 5. Sean a; b 2 R entonces:
1. jabj = jaj jbj
2. ab = jaj
jbj si b 6= 0:
q
p
p p
2
Demostracin. 1. jabj = (ab) = a2 b2 = a2 : b2 = jaj jbj : La demostracin
de 2. es anloga.
Teorema 6. La desigualdad del tringulo: Dados a; b 2 R; entonces, ja + bj
jaj + jbj
Demostracin. Por la denicin de valor absoluto, a = jaj o a = jaj;
as jaj a jaj : Adems jbj b jbj :Con estas desigualdades continuas y la
propiedad de los reales que dice que si a < b y c < d; entonces a + c < b + d; resulta
(jaj + jbj)
a+b
jaj + jbj
En consecuencia de la proposicin 1 (jxj < a ()

<; se tiene: ja + bj jaj + jbj :
Teorema 7. Sean a; b 2 R, entonces.
1. ja bj jaj + jbj
2. jaj jbj ja bj
a < x < a) con
en lugar de
Demostracin. 1. ja bj = ja + ( b)j jaj + j( b)j = jaj + jbj. En

esta prueba utilizamos el teorema 6
jaj = j(a b) + bj ja bj + jbj
De este modo, al restar jbj de los dos miembros de la desigualdad, se
tiene jaj jbj ja bj :
CAPTULO 2
Conceptos de Topologa Mtrica

Este captulo se abordarn algunos conceptos bsicos de topologa (nicamente
topologa mtrica).
1.
Espacios mtricos
Definicin 6. Un conjunto X, cuyos elementos llamaremos puntos, se dice

que es un espacio mtrico si a dos puntos cualquiera p y q de X est asociado un
nmero real d (p; q) ; llamado distancia de p a q, tal que:
1. d (p; q) > 0 si p 6= q; d (p; p) = 0
2. d (p; q) = d (q; p)
3. d (p; q) d (p; r) + d (r; q) ; para cuaquier r 2 X
Cualquier funcin con estas tres propiedades es llamada funcin distancia, o
mtrica
Ejemplo 10. La distancia en R d (x; y) = jx
yj, es un mtrica.
q
2
Ejemplo 11. Distancia euclidiana en R2 d (x; y) = (x1 y1 ) + (x2
y2 ) .
Dada la denicin anterior podemos decir que un espacio mtrico es un par

(X; d), donde X es un conjunto, y d una mtrica denida sobre este.
Ejemplo 12. Sea X un conjunto y sea la funcin
d:X
7 !
(x; y) 7 !
R
d(x; y) =
0 si x = y
1 si x 6= y:
Se puede vericar que d es una mtrica en X, sta es llamada la mtrica la mtrica

discreta en X. Luego (X; d) es un espacio mtrico.
Definicin 7. Sea (X; d) un espacio mtrico. Sean a 2 X y r 2 R con r > 0.
1. La bola abierta con centro en a y radio r es el conjunto
Br (a) = fx 2 X : d(x; a) < rg:
2. La bola cerrada con centro en a y radio r es el conjunto

Br0 (a) = fx 2 X : d(x; a)
rg:
3. La esfera con centro en a y radio r es el conjunto

Sr (a) = fx 2 X : d(x; a) = rg:
Para estos conjuntos se tiene Sr (a) \ Br (a) = ; y Sr (a) [ Br (a) = Br0 (a)
15
16
2. CONCEPTOS DE TOPOLOGA M TRICA
Ejemplo 13. En (R2 ; d1 ) donde (d1 = jx1
y1 j + jx2
y2 j), tenemos
Figura 1. a): Br0 (0); b): Br (0); c: Sr (0)
Definicin 8. Conjuntos abiertos y cerrados. Sea (X; d) un espacio mtrico. Un conjunto A en X es abierto si para cada x 2 A existe una bola abierta
centrada en x que est completamente contenida en A, es decir,
8x 2 A; 9" > 0 tal que B" (x)
Ejemplo 14. Ya que las implicaciones: x 2 ; =) B1 (x)

B1 (x) X; son verdaderas, entonces ; y X son abiertos.
;; y x 2 X =)
Ejemplo 15. Cada bola abierta es un conjunto abierto.

Un conjunto C en X es cerrado si su complemento C c es abierto.
Ejemplo 16. Como X c = ; y ;c = X y puesto que ;; X son abiertos, entonces
;; X son cerrados.
Remark 2. Un conjunto que no es abierto satisface la negacin de la denicin,
es decir, existe algn punto en el conjunto para el cual todas las bolas centradas en
l contienen puntos del complemento del conjunto, en otros trminos,
9x 2 A; 8" > 0; B" (x) \ Ac 6= ;
Notese que no necesariamente un conjunto que no es abierto es cerrado, y un
conjunto no cerrado no necesariamente es abierto.
Ejemplo 17. Los intervalos [a; b) y (a; b] no son ni conjuntos abiertos ni
conjuntos cerrados.
Algunas propiedades de conjuntos abiertos son:
Sea (X; d) un espacio mtrico.
La unin arbitraria de conjuntos abiertos es abierta.
La interseccin de una coleccin nita de conjuntos abiertos es abierta.
; y X son abiertos en X:
1. ESPACIOS M TRICOS
17
Algunas propiedades de conjuntos cerrados son:

Sea (X; d) un espacio mtrico.
La interseccin de una coleccin arbitraria de conjuntos cerrados es cerada.
La unin de una familia nita de conjuntos cerrados es cerrada.
; y X son cerrados en X:
Ejercicio 15. Demostrar cada una de estas propiedades.
1.0.12. Interior, frontera y cerradura de un conjunto. Sea (X; d) un espacio
mtrico, y A X: Entonces:
Un punto xi 2 X es un punto interior de A si existe una bola abierta
con centro en xi ; B" (xi ) contenida en A. El conjunto de todos los puntos
interiores de A se llama interior de A (int A).
xi 2 intA () 9" > 0 tal que B" (xi )
Un punto xe 2 X es un punto exterior de A si existe alguna bola abierta

alrededor de xe contenida en el complemento de A. El conjunto de todos
los puntos exteriores de A es llamado exterior de A (ext A).
xe 2 ext A () 9" > 0 tal que B" (xe )
Ac
Un punto xb es un punto frontera de A si cualquier bola abierta a su

alrededor intersecta tanto al conjunto A como a Ac : El conjunto de puntos
frontera de A es llamado frontera de A y se escribe frA.
xb 2 frA () 8" > 0; B" (xb ) \ A 6= ; y B" (xb ) \ Ac 6= ;
Un punto xc 2 X es un punto clausura de A si cualquier " bola alrededor

de este contiene por lo menos un punto de A. El conjunto de puntos
clausura de A es llamado clausura (cerradura), y se escribeA.
xc 2 A () 8" > 0; B" (xc ) \ A 6= ;
Algunas relaciones importantes
int A A A
intA[ extA[ frA =
A =intA[frA
extA =intAc
frA = A \ Ac ; frA = A intA:
1.
2.
3.
4.
intA
A es
A es
A es
es el conjunto abierto mas grande contenido en A

abierto si y solo si A =intA.
el conjunto cerrado mas pequeo que contiene a A
cerrado si y solo si A = A
18
Demostracin. 1. Mostremos inicialmente que el interior de A es abierto.

Por denicin de interior, para cada punto xi 2 intA existe una bola B" (xi )
contenida en A: Para mostrar que intA es abierto, tenemos que vericar que B" (xi )
est contenida en int A: Debido a que una bola abierta es un conjunto abierto,
alrededor de cualquier y en B" (xi ) podemos construir otra bola abierta que est
completamente contenida en B" (xi ) y por lo tanto en A. De lo cual se sigue que
cualquier punto y 2 B" (xi ) es un punto interior y B" (xi ) esta realmente contenida
en A: Ahora mostraremos que intA es el subconjunto abierto mas grande de A. Sea
B cualquier subconjunto abierto de A, entonces todos sus puntos son por denicin
puntos interiores de A. Asi que cualquier conjunto B con estas caracterasticas
cumple: B intA, por denicin de contenencia.
Ejercicio 16. El lector debe demostrar los puntos 2,3,4.
Ejemplo 18. Sea X = R y A = [0; 2]
IntA = (0; 2)
extA = ( 1; 0) [ (2; 1)
frA = f0; 2g
A =
[0; 2]
Ejemplo 19. Sea X = R y A = (0; 2)

IntA = (0; 2)
extA = ( 1; 0] [ [2; 1)
frA = f0; 2g
A =
[0; 2]
Remark 3. El interior de un conjunto no vaco puede ser vaco. Por ejemplo

en (R; d); para A = Q se tiene intA = ;, pues para cada bola abierta Br (a) se tiene
Br (a) * Q debido a que en Br (a) hay nmeros del conjunto I = R Q
Definicin 9. Punto de acumulacin (punto lmite). x es punto de acumulacin
de un conjunto A si y slo si para todo r > 0,
(Br (x)
fxg) \ A 6= ;
Lo anterior nos dice que x es punto de acumulacin de A si toda vecindad de

x contiene puntos de A distintos de x. Al conjunto de puntos de acumulacin de A
se le denota por Ac (A) : Si x es elemento de A pero no es punto de acumulacin de
A se dice que es un punto aislado de A.
Definicin 10. Un subconjunto A de R es acotado si y slo si existe un M > 0
tal que
A
[ M; M ]
y es A es compacto si y slo si es cerrado y acotado.
19
Definicin 11. El conjunto A de Rn es acotado si y slo si existe M tal que

BM (0)
Para introducir la nocin de compacidad en Rn es necesaria la siguiente denicin.
e =
Definicin 12. Cubierta y cubierta abierta. Una coleccin de conjuntos U
fUi ; i 2 Ig en un espacio mtrico (X; d) es una cubierta de un conjunto A si A
est contenido en su unin, es decir, si A [i2I Ui . Si todos los conjuntos Ui son
e es una cubierta abierta de A:
abiertos, se dice que la coleccin U
Definicin 13. Conjunto compacto. Un conjunto A en un espacio mtrico es

compacto si cada cubierta abierta de A tiene una subcubierta nita. Es decir, A es
e = fUi ; i 2 Ig podemos encontrar un
compacto si dada cualquier cubierta abierta U
e ; fU1 ; :::; Un g, que an cubra A:
subconjunto nito de U
Note que la denicin no dice que un conjunto es compacto si tiene una cubierta
abierta nita. De hecho, cada conjunto en un espacio mtrico (X; d) tiene una
cubierta abierta nita, el conjunto universal X es abierto y cubre cualquier conjunto
en el espacio.
Ejemplo 20. (0; 1) no es compacto. La coleccin de intervalos abiertos n1 ; 1

para n 2 es una cubierta abierta de (0; 1) porque dado cualquier x 2 (0; 1) ; existe
1
1
1
un entero n tal que n > x1 ; y por lo tanto
n x 2 n ; 1 : Asoque, (0; 1) = [n=2 n ; 1 :
1
n1
Sin embargo, una subcoleccin nita
; :::;
1
nk ; 1
1
N;1
no sera suciente para
cubrir (0; 1) ; pues la unin de este conjunto es

donde N = max1 i k ni ; y
dado cualquier N hay algn nmero real estrictamente positivo x; tal que x < N1 :
1.0.13. Convergencia de sucesiones en espacios mtricos. Una sucesin en X

es una funcin s : N ! X cuyo dominio es el conjunto de los nmeros naturales y
cuyo rango es un subconjunto de X:
Definicin 14. Convergencia en espacios mtricos. Sea (X; d) un espacio
mtrico y fxn g una sucesin en X. Decimos que fxn g converge a x 2 X, o que la
sucesin tiene lmite x si.
8" > 0; 9N (") tq n > N (") =) d (xn ; x) < " [o alternativamente, xn 2 B" (x)]
Si fxn g tiene limite x escribimos fxn g ! x o l mn

que no converge se dice que diverge.
!1
xn = x: Una sucesin
Ejercicio 17. Usando la denicin formal de lmite muestre que:

1. l mn
1
!1 n
=0
2.l mn
1
!1 pn
=0
3. l mn
n2 +2
!1 3n2 +4
1
3
Teorema 8. Unicidad del lmite. Si una sucesin fxn g en un espacio mtrico

(X; d) tiene lmite este es nico.
Ejercicio 18. Probar este teorema.
Algunos resultados importantes relativos a sucesiones en R y Rn :
Teorema 9. Bolzano-Weierstrass. Cada sucesin real acotada contiene por lo
menos una subsucesin convergente.
20
Teorema 10. Sean fxn g y fyn g sucesiones reales convergentes, con fxn g !
x y fyn g ! y: Si xn
yn para todo n; entonces x y.
Demostracin. Tomemos un " > 0. Debido a que fxn g ! x y fyn g !
y, existe un entero positivo Nx ("=2) y Ny ("=2) tal que jxn xj < "=2 para
todo n > Nx ("=2 ) y jyn yj < "=2 para todo n > Ny ("=2 ),as que tomando
N = M ax fNx ("=2) ; Ny ("=2)g ambas desigualdades se tienen (jxn xj < "=2 y
jyn yj < "=2). As que para n > N: se cumple xn > x 2" y yn < y+ 2" , y es
posible escribir x y = (x xn ) + (xn yn ) + (yn + y) < ", esto es cierto debido
a que xn yn . Finalmente, como x y < " para cualquier " positivo, ser cierto
que x y 0
Observe que el teorema no es cierto para desigualdad estricta, ya que existen
sucesiones que tienen el mismo lmite y sin embargo xn yn para todo n:
Teorema 11. Sea fxn g y fyn g sucesiones reales convergentes, con fxn g ! x
y fyn g ! y: Entonces.
1. fxn +yn g ! x + y
2. fxn yn g ! xy
3. fxn =yn g ! x=y siempre que yn 6= 0 y y 6= 0 para todo n:
Ejercicio 19. Probar cada uno de los tres puntos del teorema.
Definicin 15. Una sucesin de nmeros reales fxn g tiende a innito (fxn g !
1), si para cualquier nmero K existe algn entero N (K) tal que xn > K para
todo n > N (K) :
Teorema 12. Sea fx
n n gouna sucesin de nmeros reales positivos. Entonces
! 0:
fxn g ! 1 si y slo si x1n
1.0.14.
Lmite de funciones.
Definicin 16. Lmite de una funcin. Sean (X; d) y (Y; ) dos espacios
mtricos, donde A
X , f : A ! Y; y x0 un punto lmite de A. Se dice que
f tiene como lmite y0 cuando x se acerca a x0 si
8"
> 0; 9
> 0 tal que 0 < d (x; x0 ) <
Entonces escribimos f (x)
=) [f (x) ; y0 ] < "
y0 cuando x ! x0 ; o
l m f (x) = y0
x !x0
Teorema 13. Sean (X; d) y (Y; ) dos espacios mtricos, f una funcin X !
Y; y x0 un punto lmite de X. Entonces f tiene lmite y0 cuando x se acerca a x0
si y slo si para cada sucesin fxn g que converge a x0 en (X; d) ; con x0 6= xn ; la
sucesin ff (xn )g converge a y0 en (Y; ) :
Teorema 14. Unicidad del lmite. Sean (X; d) y (Y; ) dos espacios mtricos,
con A X; f una funcin A ! Y; y x0 un punto lmite de A: Entonces el lmite
de f cuando x ! x0 , si existe, es nico. Es decir, si f (x) ! y ; y f (x) ! y ;;
cuando x ! x0 ; entonces y ; = y ;; :
21
Resultados que se pueden derivar utilizando los teoremas enunciados arriba y

algunas propiedades de las sucesiones covergentes son los siguientes:
Asuma que l mx !x0 f (x) = a y l mx !x0 g (x) = b; adems f : X
g : X ! Y:
1. l mx !x0 f (x) + g (x) = a + b
2. l mx !x0 f (x) = a
3. l mx !x0 f (x) g (x) = a b
(x)
4. l mx !x0 fg(x)
= ab siempre que b 6= 0
!Y y
Definicin 17. Sea f :R ! R: Entonces l m f (x) = y0 cuando x ! 1 si

para cada " > 0 existe un B > 0 tal que jf (x) y0 j < " para todo x > B:
Definicin 18. Sea (X; d) un espacio mtrico, con una funcin f : X ! R;
y x0 un punto lmite de X: Entonces l mx !x0 f (x) = 1 si 8B > 0; 9 > 0 tal que
f (x) > B , 8x 2 B (x0 ) fx0 g :
1.0.15.
Continuidad en espacios mtricos.
Definicin 19. Funcin continua. Sean (X; d) y (Y; ) espacios mtricos y

f : X ! Y: Decimos que f es continua en el punto x0 2 X si
8" > 0; 9 (x0 ; ") > 0 tal que d (x; x0 ) < d (x0 ; ") =) [f (x) ; f (x0 )] < ":
La funcin f es continua sobre un subconjunto A de X si es continua en todos
los puntos de A:
Teorema 15. Sean (X; d) y (Y; ) espacios mtricos y f una funcin f : X
! Y: Entonces f es continua en un punto x0 2 X si y slo si se cumple cualquiera
de las siguientes proposiciones:
1. f (x0 ) est denido y l mx !x0 f (x) = f (x0 ) :
2. Para cada sucesin fxn g convergente a x0 en (X; d), la sucesin ff (xn )g
converge a f (x0 ) en (Y; ) :
Ejemplo 21. La funcin:
(1.1)
f (x; y) =
0 si (x; y) = (0; 0)
si (x; y) 6= (0; 0)
xy
x2 +y 2
1
2
Considere la sucesin
6= 0 y f (0; 0) = 0
1 1
n; n
esta converge a (0; 0), pero f
1 1
n; n
converge a
Teorema 16. Sean (X; d) y (Y; ) espacios mtricos y f : X ! Y . Entonces

f es una funcin continua si y slo si para cada conjunto C cerrado en (Y; ) el
conjunto f 1 (C) es cerrado en (X; d) :
Demostracin. Se deja al lector como ejercicio.
Teorema 17. Sean (X; d) y (Y; ) espacios mtricos y f : X ! Y . Entonces
f es una funcin continua si y slo si para cada conjunto A abierto en (Y; ) el
conjunto f 1 (A) es abierto en (X; d) :
22
Propiedades de funciones R ! R continuas.

Teorema 18. Sea f : R ! R denida y continua sobre el intervalo cerrado y
acotado [a; b] : Entonces f es acotada sobre [a; b], es decir, existe algn nmero real
M tal que jf (x)j M para todo x en el intervalo.
Definicin 20. Un conjunto S en un espacio mtrico (X; d) es acotado si
existe x 2 X y un nmero real M tal que d (x; s) M 8s 2 S
Definicin 21. Sean (X; d) y (Y; ) espacios mtricos, una funcin f : X
! Y es acotada si f (x) es acotada.
Teorema del valor extremo. Sea f una funcin continua (en los reales) en
cada punto del intervalo cerrado y acotado [a; b] : Entonces existen los puntos xM
y xm en [a; b] tales que para todo x 2 [a; b], f (xm ) f (x) f (xM ) :
Teorema del valor intermedio. Sea f una funcin continua (en los reales),
en cada punto del intervalo cerrado y acotado [a; b] :Entonces, para cada nmero
entre f (a) y f (b) ;existe un punto c 2 (a; b) tal que f (c) = :
Nota: invitamos al lector a revisar en un libro de clculo el teorema de Bolzano
y el teorema de conservacin del signo para funciones continuas. Con seguridad ello
le permitir comprender mejor las implicaciones del teorema del valor intermedio.
Teorema 19. Sea f una funcin real continua, sobre el intervalo cerrado y
acotado [a; b]. Entonces f ([a; b]) es un intervalo cerrado.
Demostracin. Por el teorema del valor extremo, existen los puntos xM y
xm en [a; b] tal que f (xM ) f (x) y f (xm ) f (x) para todo x 2 [a; b] : Hagamos
M = f (xM ) y m = f (xm ) : Entonces tanto M como m petenecen a f ([a; b]) ; y
este conjunto est contenido en [m; M ] : Sea y un punto en [m; M ] ; por el teorema
del valor intermedio, existe un cy en (a; b) tal que f (cy ) = y. Por lo tanto tal y est
contenido en f ([a; b]) ; lo cual completa la demostracin.
Definicin 22. Todo subconjunto de Rn cerrado y acotado es compacto.
Teorema 20. Sean (X; d) y (Y; ) espacios mtricos y f : X ! Y una funcin
continua. Si C es compacto en (X; d) ; entonces f (C) es compacto en (Y; ) :
2.
Convexidad de conjuntos
Un conjunto convexo es aquel en el cual al unir un par de puntos cualquiera

a travs de una recta, esta queda totalmente contenida en l. Realicemos una
denicin en trminos vectoriales.
Definicin 23. un conjunto A Rn es convexo si para cada par de elementos
x; y 2 A y 2 [0; 1] ;
x + (1
) y 2 A:
Sea y+ (x y) = x+ (1
) y el segmento de recta que une x y y comenzando en y y nalizando en x, con 2 [0; 1] y x; y dos vectores en Rn ; a la expresin
x+ (1
) y se denomina combinacin convexa de x y y:
Nota: Una idea intuitiva de la anterior denicin es:
2. CONVEXIDAD DE CONJUNTOS
23
Un conjunto es convexo cuando al conectar cualquier par de puntos del

conjunto por una recta, esta queda totalmente contenida en el conjunto,
o
Un conjunto no es convexo si existen un par de puntos x y y tales que al
unirlos por una recta, esta no queda totalmente contenida en el conjunto.
1.
2.
3.
4.
5.
6.
7.
Ejercicio 20. En cada caso mostrar si se trata de un conjunto convexo o no.

(0; 2)
f2g
A = (x; y) j x2 + x y
B = (x; y) j x2 + x = y
C = (x; y) j x2 + 3y 2 xy
Sean A y B conjuntos convexos, su interseccin ser convexa?
Pruebe que un subconjunto de R es convexo si y solo si es un intervalo.
CAPTULO 3
Optimizacin Esttica
1.
Introduccin
En esta unidad se desarrollarn conceptos que permiten hallar los ptimos

de una funcin, teniendo en cuenta que si el proceso de optimizacin se efecta
sobre todo el dominio estaremos hablando de optimizacin no restringida, pero
si en cambio se hace sobre un subconjunto del dominio, denominado conjunto
factible se hablar de optimizacin restringida. En esta ltima distinguiremos entre
optimizacin con restricciones de igualdad exclusivamente en cuyo caso haremos
uso del Teorema de Lagrange y con restricciones de desigualdad e igualdad en
cuyo caso haremos uso del Teorema de Kuhn Tucker.
El anlisis de los diversos tipos problemas de optimizacin puede separarse en
cuatro dimensiones: una primera tiene que ver con la existencia de soluciones al
problema y los supuestos que garantizan dicha existencia, una segunda se reere
a la caracterizacin de la solucin (e.g., condiciones de primer y segundo), la
tercera a la unicidad o multiplicidad de las soluciones y, nalmente, al anlisis de
sensibilidad o de esttica comparativa (e.g., cmo cambia la solucin ante cambios
en los parmetros del problema).
El resto de la unidad se organiza de la siguiente manera: primero se analiza
el problema de existencia de solucin a los problemas de optimizacin de manera
general, sin necesidad de distinguir si existen o no restricciones. Luego se estudian
para cada uno de los problemas los teoremas que permiten caracterizar las soluciones
y su unicidad. Finalmente, y de manera integral para los diversos problemas, se
realizan los anlisis de sensibilidad a partir de las diversas versiones del teorema de
la envolvente y de la funcin implcita.
Antes de continuar la lectura de la Unidad es importante que el alumno revea
algunos tpicos como: cota superior, cota inferior, nmo, supremo, conjuntos acotados, conjuntos cerrados, funciones continuas y funciones diferenciables. Dichos temas
estn explicados de manera clara en: Apostol, Tom M.(1988), y De la Fuente, ngel.
(2000)).
Asimismo, el alumno debe estar familiarizado con los conceptos de conceptos
asociados a independencial lineal entre vectores, matriz jacobiana, hessiana y hessiana orlada (estos temas los encontrar explicados en: Chiang, Alpha C. (1987),
Captulo 12). En la unidad se utilizarn como ejemplos problemas de la microeconoma clsica tanto de la teora del consumidor como de la rma. Se recomienda por
lo tanto al alumno revisar los conceptos relacionados como fucin de costos, de
utilidad indirecta, demandas de factores, demanda marshalliana, etc. Un excelente
tratamiento de estos temas se encuentra en los libros de Hal Varian Microeconoma
Intermedia y, del mismo autor, Anlisis Microeconmico.
25
26
3. OPTIM IZACIN ESTTICA
2.
Existencia
Antes de presentar el teorema de Weierstrass que garantiza bajo determinados

supuestos la existencia de un mximo y un mnimo, es necesario precisar las deniciones de mximo y mnimo que utilizaremos. Estas se presentan de manera general
para una funcin cuyo dominio es un subconjunto de <N D <N y se ilustran
con una funcin donde N = 1:
Definicin 24 (Mximo y Mnimo Absoluto o Global). Sea f : D ! <: Si
c 2 D, entonces f (c) es el valor mnimo de f (x) en D si f (c)
f (x) 8x 2 D.
Similarmente, si b 2 D;entonces f (b) es el valor mximo de f (x) en D si f (b)
f (x) 8x 2 D:
Definicin 25 (Mximo y Mnimo Local). Sea f : D ! <: Si c 2 D,
entonces f (c) es un valor mnimo local de f (x) si los valores que asume la funcin
alrededor del punto c son mayores o iguales que en c: Formalmente, si f (c) es
un mnimo local entonces 9 > 0 : f (c)
f (x) 8x 2 B (c) \ D. Similarmente,
si b 2 D; entonces f (b) es un valor mximo local si 9 > 0 : f (b)
f (x)
8x 2 B (b) \ D.
Lgicamente, todo mximo global es un mximo local, pero un mximo local
puede no ser un mximo global.
En ocasiones se utilizan las nociones de mximos o mnimos estrictos (locales
o globales). Estas surgen simplemente de sustituir las desigualdades dbiles por
estrictas en las deniciones anteriores.
Ejemplo 22. La funcin f (x) = 2x x (x 3) + x2 (x 5) + 10 denida en el
intervalo [0; 6] presenta dos mximos locales (uno de ellos absoluto) y un mnimo
absoluto (y, naturalmente, local)
y
40
30
20
10
0
1
-10
Teorema 21. (Weierstrass). Sea f una funcin real continua en un subconjunto

A compacto (A Rn ); entonces existen a y b en A tales que f (a) f (x) f (b)
para todo x 2 A.
3. UNICIDAD
27
La demostracin del teorema excede el alcance del curso. Sin embargo, el

siguiente ejercicio permite ilustar la necesidad de los supuestos de continuidad de
la funcin y de que el conjunto de dominio de la funcin sea compacto.
Ejercicio 21. Demuestre que las siguientes funciones no tienen mximo global
(utlice la denicin formal de mximo)
1) f : [0; 1] ! <
1
si x 2 (0; 1]
x
f=
1
si x = 0:
2) f : [0; 1) ! <
f (x) = 2x:
3) f : < ! <
f (x) = 2x:
denida en el intevalo [0; 1) alcanza un valor mximo o mnimo.
Es importante destacar que las condiciones del teorema son sucientes, pero
no necesarias. Ms aun, en muchas aplicaciones de economa en que se hace uso
de tcnicas de diferenciacin puede resultar conveniente plantear los problemas
de optimizacin en conjuntos abiertos. Lo segundo que debe destacarse es que
el teorema de Weierstrass no permite conocer cul es la solucin del problema
planteado; para ello se utilizan las tcnicas familiares de Lagrange y Kuhn-Tucker.
Ejercicio 22. Considere el problema tpico de maximizacin de la utilidad de
un consumidor. Demuestre que el conjunto de canastas de consumo factible es un
conjunto compacto.
Ejercicio 23. Considere los problemas tpicos de la rma: maximizacin de
benecios y minimizacin de costos. Discuta por qu el primero de ellos resulta
inapropiado cuando no existen rendimientos decrecientes a escala.
3.
Unicidad
Para garantizar la unicidad de la solucin suelen imponerse condiciones adicionales de concavidad o convexidad de la funcin objetivo. El siguiente teorema
se plantea en los trminos ms generales posibles, es decir con los supuestos ms
dbiles que garantizan la unicidad (cuasiconcavidad/cuasiconvexidad de la funcin
objetivo). Lgicamente, los resultados del teorema son vlidos para supuestos ms
restrictivos (y familiares) como concavidad o pseudo concavidad de la funcin
objetivo.
(A
Teorema 22. Sea f una funcin real continua en un subconjunto A compacto

Rn ) y sea X el conjunto de soluciones al problema de maximizacin maxf (x) :
x2C
Entonces:
a) Si f es estrictamente cuasicncava, entonces la solucin es nica; es decir
X = fx g :
b) Si f es cuasicncava, entonces el conjunto de soluciones X es un conjunto
convexo. Es decir, si x0 y x00 son soluciones, entonces x0 + (1
) x00 es tambin
solucin para todo 2 [0; 1] :
Naturalmente un resultado similar puede plantearse para la minimizacin de
un funcin utilizando supuestos de cuasiconvexidad.
28
Remark 4. Se le sugiere al lector repasar las relaciones entre los conceptos de

cuasiconcavidad, concavidad, etc. en el Anexo de esta unidad.
4.
Optimizacin sin Restricciones
4.1. Caracterizacin.
4.1.1. Condiciones Necesarias de Primer Orden. Es importante tener presentes las siguiente deniciones:
Definicin 26. Sea f : D
derivada es cero o no existe.
< ! <: Un punto crtico de f es aqul en que la
Definicin 27. Si a es un punto crtico de f , pero f no tiene un mximo ni

un mnimo en a , se dice que f tiene un punto de silla en a:
Una denicin alternativa es la que sigue.
Definicin 28. Sea f una funcin diferenciable en un subconjunto abierto
D Rn con valores en R. se dice que f tiene un punto de silla en a0 si para toda
bola abierta Br (a) se verica que existen a1 ; a2 2 Br (a) tales que
f (a1 ) < f (a0 )
f (a2 ) > f (a0 ) :
Dos ejemplos clsico de puntos de silla son x = 0 en la funcin f (x) = x3 y,
en dos dimensiones, (x; y) = (0; 0) en la funcin f (x; y) = x2 y 2 . Si partiendo del
punto (0; 0) se mueve en la direccin de x el valor de la funcin aumenta, en tanto
que si se mueve en la direccin de y el valor de la funcin cae. Ver gura 4.1.1.
20
10
-4
-2z
4
2
0
0 0
2
-10
-2
-4 -20
f (x; y) = x2 y 2
A continuacin se presentan una serie de resultados que se conocen como
condiciones necesarias de primer orden para la existencia de extremos. La estructura
de los teoremas propuestos es del tipo si en el punto x la funcin presenta un
mximo, entonces x satisface cierta(s) propiedad(es) (este es el mismo tipo de
4. OPTIM IZACIN SIN RESTRICCIONES
29
resultados que se presentar despus con los teoremas de Lagrange y Kuhn Tucker
cuando la optimizacin est sujeta a restricciones).
Estas propiedades constituyen por lo tanto condiciones necesarias para el ptimo.
Si planteamos el contrapositivo de estos resultados tenemos... si x no satisface
ninguna de las propiedades, entonces la funcin no presenta un mximo en ese
punto.
Teorema 23. Sea f : D < ! <: Si f es derivable en c y f (c) es un valor
mximo o mnimo local de f , entonces f 0 (c) = 0:
Demostracin. Supoga que f (c) es un mximo local de f . La hiptesis de
que f 0 (c) existe, signica que los lmites por derecha e izquierda
lm
h!0+
f (c + h)
h
f (c)
f (c + h)
h
lm
h!0
f (c)
existen y son iguales a f 0 (c) :
Si h > 0, entonces f (c+h)h f (c)

0 ya que f (c) f (c + h) para todos los valores
positivos pequeos de h. En consecuencia, por la versin lateral de la ley del encaje
para lmites, esta desigualdad se preserva si h ! 0:Vemos entonces que f 0 (c) =
l m+ f (c+h)h f (c)
l m 0 = 0: Anlogamente en el caso de h < 0 tenemos que
h!0
f (c+h) f (c)
h
h!0
0; Por lo tanto,
f 0 (c) = l m
f (c + h)
h
0 y f 0 (c)
0, concluimos que f 0 (c) = 0.
h!0
ahora como f 0 (c)
f (c)
l m0 = 0
h!0
Corolario 2. Mximos y mnimos globales: Sea f : [a; b] ! <: Si f (c) es el

valor mximo global (mnimo global) de la funcin entonces c es un punto crtico
de f (es decir f 0 (c) = 0 o f 0 (c) no existe) o uno de sus extremos a o b:
Demostracin. Este resultado se sigue de manera casi directa del teorema
inmediatamente anterior.Si el mximo global no corresponde a uno de los extremos
de [a; b] ; entonces o bien la funcin no es diferenciable en c o, si lo es, por el teorema
anterior debe satisfacerse f 0 (c) = 0.
Ejemplo 23. La funcin f : [ 4; 0] ! <; f (x) = x2 + 5x

global en x = 25 y un mximo global en x = 0:
2 tiene un mnimo
30
1
0
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
-1
-2
-3
-4
-5
-6
-7
-8
Para extender estos resultados a funciones de varias variables introducimos

primero algunas deniciones necesarias:
Definicin 29. Sea f : D Rn ! R; donde D es abierto, denimos el vector
gradiente de f , rf como el vector formado por las primeras derivadas parciales de
dicha funcin y para ello utilizaremos la siguiente notacin
rf (x) =
@f
@f
@f
(x) ;
(x) ; :::;
(x) :
@x1
@x2
@xn
Ejemplo 24. Dada la funcin f (x; y; z) = x2 y + 2xz + 6y 3 el gradiente es

rf (x) = 2xy + 2z; x2 + 18y 2 ; 2x
Definicin 30. Sea f : D <n ! <: Un punto crtico de f es aqul en que
el vector gradiente es cero rf (x) = 0 o en el que la funcin no es diferenciable.
Definicin 31. Sea f : D <n ! <m : Un punto crtico de f es aqul en que
el Jacobiano de la funcin no es de rango completo.
Teorema 24. Sea f : D
<n ! <: Si f es derivable en x = (x1 ; x2; :::; xn )
y f (x) es un valor mximo o mnimo local de f , entonces rf (x) = 0 (es decir,
@f
@xi (x) = 0 para i = 1; 2; :::; n).
4.1.2. Condiciones de Segundo Orden. Los resultados que se presentan a continuacin se relacionan ntimamente con los conceptos de convexidad y concavidad de
las funciones. Es importante que el alumno domine estos conceptos, en particular
las deniciones que hacen uso de las derivadas segundas de las funciones.
En esta seccin mantenemos como un supuesto que las funciones son dos veces
continuamente diferenciables (es decir, son de clase C 2 ).1
1 Que una funcin sea clase C K (donde K es un entero positivo) signica que la derivada
K esima existe y es continua. En general las funciones que se utilizan en economa son al menos
C 2 : Un ejemplo de una funcin que es diferenciable pero no es tipo C 1 (ya que su derivada no es
31
Teorema 25 (Condicin suciente de segundo orden). Sea f : D

< ! <:
Si f 0 (c) = 0 y f 00 (c) < 0; entonces la funcin presenta un mximo local estricto en
este punto. Anlogamente, Si f 0 (c) = 0 y f 00 (c) < 0; entonces la funcin presenta
un mnimo local estricto en este punto.
En el caso en que f 0 (c) = 0 y f 00 (c) = 0 no es posible armar basndonos en
la informacin que provee la derivada segunda en ese puntosi la funcin presenta
un mximo local, un mnimo local o un punto de silla. Este resultado se extiende a
funciones ms generales:
Teorema 26 (Condicin suciente de segundo orden). Sea f : D <n ! < y
H (x) la matriz Hessiana denida el punto x. Si rf (x) = 0 y
1) H (x) es denida positiva, entonces f tiene un mnimo local estricto en x:
2) H (x) es denida negativa, entonces f tiene un mximo local estricto en x:
3) H (x) es no denida, entonces f tiene un punto de silla en x:
4) H (x) es semidenida, entonces el criterio no decide.
Considrense los siguientes ejemplos.
2
Ejemplo 25. La funcin f (x; y) = (x 1) y 2 + y + x2 tiene un nico punto

crtico que es x = 13 ; y = 12 . Las segundas derivadas parciales de f son
fx;x
fx;y
= 2 y2 + y + 2
= fy;x = 2 (x 1) (2y + 1)
fy;y
H (x; y)
1 1
;
3 2
2 (x
1)
2 y2 + y + 2
2 (x 1) (2y + 1)
2
2 (x 1) (2y + 1)
2 (x 1)
2
3
0
32
9
Como los menores principales de esta matriz son positivos, en el nico punto crtico,
la funcin tiene un mnimo local.
Ejemplo 26. Sea la funcin f (x; y) = e
solucin del sistema:
fx
fy
=
=
2xe
2ye
x2
x2 y 2
y2
x2 y 2
los puntos crticos de f son la
=0
= 0:
De lo que se deduce que el nico punto crtico es (0; 0) : La matriz Hessiana en

dicho punto es
2 0
H (0; 0) =
0
2
y como H (0; 0) es denida negativa dicho punto es un mximo local estricto. La
Figura 4.1.2 siguiente ilustra la funcin.
continua) es
f (x) =
x2 sin (1=x)
0
si x 6= 0
si x = 0:
32
1.0
0.8
0.6
0.4
0.2
-3
-2
-10.0
0 0
1
1
-3
-2
-1
x2
3
f (x; y) = e
x2 y 2
Ejemplo 27. Sea la funcin f (x; y; z) = x2 + y 2

crticos de f deben satisfacer
fx
fy
fz
El nico punto crtico
punto es f (6; 0; 3) =
el Hessiano de f , ello
mnimo o un punto de
=
=
=
3x
3xz + 3z 2 : Los puntos
2x 3 3z = 0
2y = 0
3x + 6z = 0:
es por lo tanto (6; 0; 3) y el valor de la funcin en dicho

9. Las condiciones de segundo orden nos obligan a hallar
nos permite determinar si dicho punto es un mximo, un
silla.
1
0
2 0
3
H (x; y; z) = @ 0 2 0 A
3 0 6
para todo (x; y; z) 2 R3 y particularmente en el punto (6; 0; 3) es denida positiva,

entonces la funcin tiene un mnimo local en dicho punto.
Ejercicio 24. Realizar los siguientes ejercicios:
1. Compruebe que la funcion f (x; y) = xyex+2y tiene slo dos puntos crticos,
hllelos y clasifquelos como mximos, mnimos o puntos de silla, determine si
alguno de esos dos puntos es mximo global.
2. Dadas las siguientes funciones:
a. z = 2x2 + xy + 4y 2 + xw + w2 + 2
2
b. z = ex + ey + ew
2ew (x + y)
c. f (x; y) = xy(x 1)
d. f (x; y) = x2 +y4x2 +1
e. z = x2 y 2
f. f (x; y) = (a x) (a y) (x + y a)
Identique sus puntos crticos y clasifquelos como mnimos, mximos o puntos de
33
silla.
3. Pruebe que la matriz Hessiana de f (x; y) = x2 + y 4 es semidenida en el
punto crtico (0; 0) y que si:
a. = = 1;la funcin tiene un mnimo.
b. = = 1; la funcin tiene un mximo.
c. = 1 y
= 1, la funcin tiene un punto de silla.
Ejercicio 25. Plantee el problema de maximizacin de benecios de una rma
que posee la funcin de produccin q (L; K) = AL K con ; > 0; + < 1 y
K; L 2 <2+ : Obtenga la funcin de benecios y las demandas de factores. Verique
las condiciones de segundo orden para asegurar que se trata de un mximo.
Finalmente, los siguientes resultados plantean condiciones sucientes de optimalidad global. Estas condiciones, a diferencia de las estudiadas hasta aqu, involucran
a la funcin en todo el dominio y no slo en el punto que se plantea como ptimo.
Teorema 27. Sea f : Rn ! R:
1) Si f es convexa en Rn , entonces todos los puntos crticos de f , de existir, son
mnimos globales.
2) Si f es cncava en Rn , entonces todos los puntos crticos de f , de existir, son
mximos globales.
Sea A Rn un conjunto convexo y f una funcin denida de A en R.
3) Si f es cuasiconvexa y a 2 A es un mnimo local estricto de f , entonces a
es mnimo global de f .
4) Si f es cuasicncava y a 2 A es un mximo local estricto de f , entonces a
es mximo global de f .
Ejercicio 26. Demuestre mediante dos ejemplos que las condiciones planteadas
en el teorema anterior son sucientes pero no necesarias.
4.2. Sensibilidad. El anlisis de sensibilidad o esttica comaprativa estudia
como se ve afectada la solucin del problema de optimizacin planteado cuando
cambian algunos parmetros del problema. Los anlisis se basan en dos teoremas.
El teorema de la envolvente nos sirve para estudiar el cambio en el valor de la funcin
objetivo en la solucin del problema cuando ocurre un cambio en un parmetro. El
teorema de funcin implcita, por otra parte, nos permite analizar cmo cambian
las soluciones (es decir, los valores tpimos de las variables de eleccin) cuando
cambian los parmetros del problema.
A modo de ejemplos, el primer tipo de anlisis nos permite estudiar cmo
cambian los benecios de una rma cuando cambia algn parmetro de la funcin
de produccin o alguno de los precios relevantes. El segundo anlisis, en cambio,
nos permitira estudiar como cambian las cantidades demandas de factores ante un
cambio en los precios de los factores o de los bienes producidos.
Considrese el siguiente problema de optimizacin en el que x representa las
variables de eleccin y
el vector de parmetros (para el resto de la seccin
mantenemos el supuesto que la funcin objetivo f es C 1 ):
)
maxf (x1 ; x2 ; :::; xn ; 1 ; 2 ; :::; k )
x
(P )
(x1 ; x2 ; :::; xn ) 2 Rn :
y sea x ( ) la solucin de este problema y ( ) la funcin de valor del problema.
Es decir, la funcin ( ) f (x ( ) ; ) nos dice para cada vector de parmetros
cul es el valor que la funcin f alcanza en el ptimo.
34
Teorema 28 (de la Envolvente). Dado el problema (P ) y la denicin de

( ), se cumple que para todo j ; j = 1; 2; :::; k
@ ( )
@f (x ( ) ; )
=
:
@ j
@ j
Demostracin. Por regla de la cadena es inmediato que
n
@ ( ) X @f (x ( ) ; ) @xi ( ) @f (x ( ) ; )
=
+
;
@ j
@xi
@ j
@ j
i=1
pero a partir de las condiciones necesarias de primer orden se obtiene

@f (x ( ) ; )
= 0; 8i
@xi
por lo que la primera expresin se reduce a su ltimo trmino.
En trminos prcticos, el teorema de la envolvente nos dice que para calcular
el efecto que el cambio de un parmetro tiene en la funcin objetivo no es necesario
considerar todos los efectos indirectosque ste produce en las variables de eleccin
y las variabels de eleccin en la funcin objetivo sino que basta con calcular el efecto
directo del cambio de parmetro en la funcin objetivo.
Ejemplo 28. La funcin de benecios de una empresa competitiva es
B = pq (K; L)
rK
wL;
donde K y L son las cantidades a emplear de capital y trabajo para llevar a cabo
su proceso productivo, p es el precio unitario al cual puede ser vendido el producto,
r y w son los precios unitarios a los que se pagan los factores capital y trabajo
respectivamente y q es su funcin de produccin.
1) Escriba las condiciones que deben cumplir tanto K como L de tal forma que se
maximice el benecio.
2) Obtenga la funcin de valor y sus derivadas parciales.
3) Explique que sucede con el benecio ptimo ante un aumento en p y que ocurre
si lo que aumenta es r.
Solucin 1. La funcin a mximizar es
B (K; L; p; r; w) = pq (K; L)
rK
wL;
1) Las condiciones de primer orden son

@B
@f (K; L)
= p
r=0
@K
@K
@B
@f (K; L)
= p
w = 0;
@L
@L
supongamos que las cantidades K y L satisfacen las condiciones de primer orden
(K > 0 y L > 0). Entonces, si en (K ; L ) se cumple que la matriz hessiana
de B es denida negativa, el punto (K ; L ) es un mximo local de la funcin de
benecio.
2) La funcin valor es
(p;r; w) = pf (K (p;r; w) ; L (p;r; w))
rK (p;r; w)
wL (p;r; w) :
5. OPTIM IZACIN CON RESTRICCIONES DE IGUALDAD
35
Por el teorema de la envolvente las derivadas parciales de la funcin valor son

@
@B (K ; L ; p; r; w)
=
= f (K ; L )
@p
@p
@
@B (K ; L ; p; r; w)
=
= K
@r
@r
@
@B (K ; L ; p; r; w)
=
= L
@w
@w
3) A partir de los resultados del punto anterior, es claro que un aumento de p
ocasiona un aumento del benecio ptimo. @@p = f (K ; L ) > 0 y que un aumento
de r produce una disminucin del benecio ptimo.
@
@r
K .
Ejercicio 27. Plantee un ejemplo con una funcin de produccin tipo CobbDouglas (con retornos decrecientes a escala) y valores especcos para los parmetros
(p; w; r) : Calcule la funcin de valor y luego recalclela con cambios pequeos de
p y de w: Compare sus resultados con los que se obtuvieron en el Ejemplo 28.
El planteamiento del Teorema de la Funcin Implcita se pospone para la seccin
7. Su presentacin es general en el sentido que permitir realizar ejercicios de
esttica comparativa tanto para los problemas de optimizacin con restricciones
como sin restricciones.
5.
Optimizacin con Restricciones de Igualdad
En la microeconoma clsica son varios (y ciertamente muy importantes) los

problemas de optimizacin que se plantean con restricciones de igualdad. Entre
ellos la maximizacin de la utilidad y la minimizacin del gasto de los consumidores
(aunque, como veremos en la Seccin 6, su tratamiento general requiere incorporar
restricciones de no negatividad) y la minimizacin del costo de produccin de
una rma condicional en un nivel de producto. Ser este ltimo el ejemplo que
utilizaremos a lo largo de esta seccin.
De manera general, el problema que nos interesa es
9
maxf (x)
>
>
x
>
>
sujeto a g1 (x) = 0 >
>
=
:
(P 0 )
>
:
>
>
>
>
:
>
;
gm (x) = 0
Donde las funciones f (:) ; g1 ( ) ; :::; gm ( ) estn denidas sobre Rn , o ms generalmente, sobre un subconjunto abierto A Rn , y adems n m. A lo largo de la
seccin se mantiene el supuesto que tanto f como las restricciones gi son funciones
C 2:
5.1.1. Condiciones de Primer Orden. El lagrangiano del problema (P 0 ) se
dene como
$ ( ; x) = f (x) +
n+m
1 g1
(x) +
2
2 g2
(x) + ::: +
Ntese que $ : R
! R es tambin C : Los valores
multiplicadores de Lagrange.
m gm
1 ; :::;
(x) :
se conocen como
36
Para hallar la solucin del problema (P 0 ) lo que se hace operativamente es

plantear el Lagrangiano del problema y luego maximizar sin restricciones esta
nueva funcin. Las variables de eleccin de este nuevo problema son tanto el vector
de variables x como el vector de multiplicadores :
Ntese que al derivar respecto a cada multiplicador de lagrange se obtendr la
respectiva restriccin, por lo que si (x ; ) es la solucin del problema, entonces
se puede estar seguro que x satisface las restricciones de (P 0 ) y es, por lo tanto,
una posible solucin de este problema. Ntese adicionalmente que, exceptuando el
primer trmino del lagrangiano, todos los dems sern iguales a cero en la solucin
del problema (ya que las condiciones de primer orden al derivar respecto a i
impone gi (x) = 0 para todo i); por lo que la maximizacin del lagrangiano resulta
equivalente a la de f sujeta a las restricciones. Naturalmente, $ ( ; x ) = f (x ) :
La validez del procedimiento descrito se formaliza ms abajo en la presentacin
del Teorema de Lagrange.
Ejemplo 29. Considrese la maximizacin de la funcin f (x; y) = 8+3x 2y 2
sujeta a la restriccin x + 3y = 5: El lagrangiano del problema es
2y 2 + (x + 3y
$ (x; y; ) = 8 + 3x
5)
y sus condiciones de primer orden

x :
y :
:
3+ =0
4y + 3 = 0
x + 3y 5 = 0:
Operando estas tres ecuaciones se encuentra que

x
y
= 47=4
=
9=4
=
3:
La gura 29 ilustra este problema y su solucin.

-5
-4
-3
10
20
25
-5
-1
00 0
5
-50
x
15
-2
y
1
2
3
4
5
37
Teorema 29 (de Lagrange). Si x es una solucin (local) al problema (P 0 ) y

si la restriccin de calicacin es satisfecha en x , entonces es posible encontrar m
nmeros reales ( 1 ; :::; m ) tales que r$ ( ; x) = 0 o, lo que es lo mismo, tales que
rf (x ) +
lo que equivale a
m
X
k=1
@f (x ) X
+
@x1
k=1
k=1
(x ) = 0
@gk (x )
@x1
0
..
.
@f (x ) X
+
@xn
k rgk
@gk (x )
@xn
g1 (x )
gm (x )
0
..
.
= 0:
Antes de analizar el teorema es necesario denir qu signica que la restriccin

de calicacin sea satisfecha...
Definicin 32. Dado el problema (P 0 ) ; decimos que la restriccin de caliacin
es satisfecha en un punto x si la matriz Jacobiana de las restricciones es de rango
mximo. Esto es, la matriz
3
2 @g1
@g1
::: @x
(x )
@x1 (x )
n
7
6
..
..
..
Jg (x ) = 4
5
.
.
.
@gm
@x1
(x )
:::
@gm
@xn
(x )
tiene rango m. De manera equivalente, los vectores la de la matriz deben ser

linealmente independientes.
El teorema de Lagrange nos brinda por lo tanto condiciones necesarias: si x

es la solucin (y si se cumple la restriccin de calicacin) es posible encontrar los
multiplicadores (el vector ) tales que las condiciones necesarias de primer orden
de la maximizacin del lagrangiano son satisfechas.
Es fundamental entender la lgica del teorema para no cometer errores de
interpretacin. La estructura del mismo es (p ^ q) ) r y, por lo tanto, una proposicin equivalente es :r ) (:p _ :q) : Es decir, si para un determinado x no es posible
encontrar un vector tal que se satisfagan las condiciones de primer orden, ello
no signica necesariamente que no se est en presencia de un ptimo! Lgicamente,
puede ocurrir tanto :p como :q: Es decir, si las condiciones de primer orden no
se cumplen puede que x efectivamente no sea un ptimo o que la restriccin
de calicacin no se satisfaga (o ambas). El ejemplo siguiente ilustra el caso,
ciertamente menos frecuente, en que no es posible encontrar
tales que las condiciones de primer orden se satisfagan para (x ; ) aun cuando x es un ptimo.
Naturalmente, s es posible concluir que si en un punto x la restriccin de calicacin
se satisface y para ese mismo punto no es posible hallar tal que se satisfagan las
restricciones de primer orden entonces x no es un ptimo local.
38
Ejemplo 30. Considere el siguiente problema:

max f (x) =
x
x2
sujeto a
g (x) = x32
x21 = 0:
La siguiente Figura 30 ilustra la restriccin del problema, a partir de la cual es

evidente que la solucin del mismo es x = (0; 0) :
-2.0
-1.5
-1.0
-0.5
0.5
1.0
1.5
2.0
-1
-2
A partir del lagrangiano se obtienen las condiciones de primer orden

x1
x2
:
:
:
2x1 = 0
1 + 3x22 = 0
x32
x21 = 0
las que claramente no pueden ser satisfechas simultneamente.

Formalmente, la matriz Jacobiana, evaluada en el punto (0; 0) ; es (0; 0) y su rango,
cero, es menor que la cantidad de restricciones.
En general, sin embargo, las aplicaciones que se encuentran en microeconoma
son bien comportadasen el sentido que las restricciones de calicacin son satisfechas y, por lo tanto, las condiciones de primer orden obtenidas a partir del lagrangiano
son necesarias para el ptimo.
La demostracin formal del teorema de Lagrange excede el propsito de estas
notas y del curso. El lector interesado puede consultar, por ejemplo, A rst course
in optimization theory, Sundaram Rangarajan. 1996.
Ejemplo 31. Se desea encontrar el costo mnimo de producir q unidades usando
insumos K y L a precios r y w por unidad, respectivamente, por medio de una
funcin de produccin tipo Cobb-Douglas. Es decir, se debe solucionar el problema:
Minimizar C (K; L) = rK + wL sujeto a Q (K; L) = AK L = q
39
El Lagrangiano que debemos construir para este problema es :

$ (K; L; ) = rK + wL +
AK L
las condiciones de primer orden son:

@$
= r
A K 1 $ = 0;
@K
@$
= w
A K $ 1 = 0; y
@L
@$
= q AK L = 0:
@
Si multiplicamos la primer ecuacin por K; y la ecuacin segunda por L tenemos:
rK =
wL =
q;
de ellas se deduce que

wL
;
r
y reemplazando en la tercera condicin se tiene
K=
q
L =
A
r
w
1
+
por ltimo, reemplazando L en la expresin obtenida para K se tiene:

"
# +1
q
r
K =
:
A
w
Remark 5. El lector debe recordar que estas son las funciones de demanda
condicionadas de factores las cuales representan las cantidades de insumos que
el productor debe elegir para minimizar los costos. La funcin de costo se halla
reemplazando estos valores en la funcin objetivo. El lector deber ser capaz de
mostrar que la funcin de costos es de tipo Cobb-Douglas en los precios de los
insumos y que a pesar de que la funcin de produccin no se ha restringido en
cuanto al grado de homogeneidad, la funcin de costos es homognea de grado uno
en los precios de los insumos.
Ejercicio 28. Considere el problema de minimizacin de costos de una rma
cuya funcin de produccin es f (L; K; H) = AL K H donde ; ; > 0 y cuya
produccin mnima requerida es q:
1) Encuentre las demandas condicionales de factores.
2) Obtenga la funcin de costos totales y de costo marginal.
3) Obtenga una expresin para el multiplicador del Lagrange del problema y comprela
con el costo marginal.
Ejercicio 29. Considere el problema de minimizacin del gasto de un consumidor que desea alcanzar un nivel de utilidad U , enfrenta precios de los dos bienes Px
y Py y tiene una funcin de utilidad es tipo CES:
U (x; y) = (ax + by )
Construya el lagrangiano y halle las funciones de demanda Hicksianas, la funcin
40
de gasto correspondiente y muestre que dicha funcin de gasto es de tipo CES en

los precios de los bienes.
5.1.2. Condiciones de Segundo Orden. En el caso de maximizacin sin restricciones la condicin de segundo orden impona que la matriz Hessiana evaluada en
el punto crtico fuese denida negativa. Esto implicaba que, a partir del punto
crtico, en cualquier direccin que uno se moviese la derivada parcial en esa direccin
sera negativa y por lo tant el valor de la funcin caera. Este requisito (matriz
Hessiana denida negativa) es demasiado fuerte para el caso de una maximizacin
con restricciones ya que lo importante es que, a partir del punto propuesto como
solucin, las derivadas parciales se tornen negativas pero solamente en las derivadas
parciales en aquellas direcciones que nos permiten las restricciones. Es irrelevante si
en otra direccin la derivada parcial es positiva y la funcin crece. La gura 29 que
aqu repetimos desde un ngulo ligeramente diferente ilustra este punto: a partir
del mximo del problema con restriccin (punto (47=4; 9=4)), en la medida que nos
apartamos de este punto en la direccin que permite la restriccin (es decir, la del
plano que corta a la funcin) las pendientes son negativas y la funcin decrece,
pero esto no es cierto en otras direcciones. derivadas parciales en la direccin que
permite la restriccin problema y su solucin.
-5
-4
-2
0
0
0
5
-50
2
4
10
15
20
25
El siguiente Teorema formaliza la discusin.

Teorema 30. Suponga que existe x y m nmeros reales (
r$ ( ; x ) = 0 o, lo que es lo mismo, tales que
rf (x ) +
m
X
k=1
k rgk
1 ; :::;
m)
tales que
(x ) = 0
2
y que se cumple xDxx
$ ( ; x ) x < 0 para todo x 6= 0 para el que Dg (x ) x = 0,
entonces x es un maximizador local estricto de la funcin f sujeta a las restricciones
g:
41
Si bien la intuicin del teorema es sencilla, lamentablemente no es particularmen2

te simple vericar cuando se cumple la condicin xDxx
$ ( ; x ) x < 0 para todo
x 6= 0 para el que Dg (x ) x = 0.
Por ello, resulta til plantear un resultado adicional que hace uso de la matriz
Hessiana Orlada (Bordered Hessian), formada por las segundas derivadas parciales
del Lagrangiano. Esta matriz tiene la forma
0
.. @gi 1
@2$
B @xi @xj . @xj C
b (x) = B
C
H
:
A
@
.
@gj
..
0
@xi
(n+m) (n+m)
Los ceros en la parte inferior derecha resultan de las derivadas parciales de
segundo orden del Lagrangiano respecto de los multiplicadores.
Los determinantes de orden k k que se obtienen de ella eliminando las y
columnas correspondientes (por ejemplo, si se elimina la la 3 se elimina la columna
3) sin que se afecten los ceros del extremo inferior derecho se denominan menores
principales orlados de orden k (MPOk). A partir de estos MPOk se consiguen las
condiciones sucientes dadas por el siguiente teorema.
Teorema 31. Si los MPOk evaluados en un punto que cumple las condiciones
k m
necesarias tienen signo ( 1)
para k = 2m + 1; 2m + 2; :::; n = m; la funcin
tiene un mximo en ese punto. Y si los MPOk evaluados en un punto que cumple
m
las condiciones necesarias tiene signo ( 1) para k = 2m = 1; 2m + 2; :::; n + m;
la funcin tiene un mnimo en ese punto.
Para problemas en dos variables con una restriccin,
f (x; y) sujeta a g (x; y) = 0
La matriz Hessiana orlada es,
donde
$xx
b = @ $xy
H
gx
$xx
$xy
$yy
$xy
$yy
gy
1
gx
gy A
0
= fxx + gxx
= $yx = fxy + gxy
= fyy + gyy :
m = 1; n = 2; k, solamente puede tomar el valor 3 y k m = 2: Para determinar

si en un punto que satisface las condiciones de primer orden la funcin tiene un
mximo o un mnimo se debe encontrar el determinante de la matriz Hessiana en el
b > 0 la funcin tiene un mximo y si H
b < 0 la funcin tiene
punto crtico. Si H
un mnimo.
Ejemplo 32. Consirese la maximizacin de f (x; y; z; w) = x2 + y 2 sujeta a
x + z 2 + w2 = 4 y y 2 + 2z 2 + 3w2 = 9:
Construimos el lagrangiano:
2
$ (x; y; z; w; ; ) = x2 + y 2 +
x2
z2
w2 +
y2
2z 2
3w2
42
Las condicones de primer orden son:

$x
$y
$z
$w
$
$
= 2x 2 x = 0
= 2y 2 y = 0
=
2 z 4 z=0
=
2 w 6 w=0
= 4 x2 z 2 w2 = 0
= 9 y 2 2z 2 3w2 = 0
Al resolver este sistema de ecuaciones el lector podra descubrir que existe ms de

una solucin, algunas de ellas son:
h
i
p
w = 2; x = 0; y = i 3; z = 0; = 2; = 6
i
h
p
w = 2; x = 0; y = i 3; z = 0; = 2; = 6
h
i
p
w = 1; x = 0; y = 0; z = 3; = 0; = 0
h
i
p
w = 1; x = 0; y = 0; z = 3; = 0; = 0
Con el n de ilustrar el uso del teorema anterior y aplicar p

la condicin de segundo
orden, tomaremos la solucin en la cual: x = 0; y = 0; z = 3; w = 1: Como puede
deducirse de las condiciones de primer orden en ese punto los dos multiplicadores
son iguales a cero ( = 0; = 0) :
Las derivadas segundas del Lagrangiano son:
$xx
$yy
$zz
$z
$w
= 2+2
= 2+2
= 2 +4
= 4z
= 6w
;$xy = $xz = $xw = $x = 0

;$yz = $yw = $y = 0
;$zw = 0
;$ww = 2 + 6
;$ = $ = $ = 0
;$x
;$y
;$z
;$w
= 2x
= 2y
= 2z
= 2w
por lo tanto
0
1
0
0
0
2x 0
B
2+2
0
0
0 2y C
B
C
B
0
2 +4
0
2z 4z C
b (x; ; ) = B
C
H
B
0
0
2 +6
2w 6w C
B
C
@
0
2z
2w
0
0 A
2y
4z
6w
0
0
p
Sabemos que para el punto 0; 0; 3; 1 los multiplicadores son cero, por lo que la
matriz Hessiana en dicho punto es:
0
1
2 0
0
0
0
0
B 0 2
0
0
0
0 C
p
p
B
C
p
B 0 0
0
0 2 3 4 3 C
b 0; 0; 3; 1; 0; 0 = B
C
H
B 0 0
0
0
2
6 C
B
C
p
@ 0 0 2 3 2
0
0 A
p
0 0 4 3 6
0
0
2+2
0
0
0
2x
0
43
m = 2 y n = 4; k puede tomar los valores 5 y 6: Para k = 5, eliminamos la primera

la y primera columna:
p
b 0; 0; 3; 1; 0; 0 =
H
2
0
0
0
p
0
0
0 2 3
0 p
0
0
2
0
0 2p3 2
0 4 3 6
0
0
p
4 3
6
0
0
= 96
Para k = 6 el MPOk es:
p
b 0; 0; 3; 1; 0; 0 =
H
2 0
0
0 2
0
0 0
0
0 0 p
0
0 0 2p3
0 0 4 3
0
0
0
0
p
0 2 3
0
2
2
0
6
0
0
0
p
4 3
6
0
0
= 192
Por lo tanto y de acuerdo a lo enunciado en el teorema, la funcin tiene un mnimo

en este punto.
Ejercicio 30. El lector deber encontrar y clasicar los extremos de las funciones sujetas a las restricciones dadas:
a) f (x; y; z) = x2 + y 2 + z 2 s.a x2 y 2 + z = 1
b) f (x; y; z) = xyz s.a x + y + z = 5 ; xy + xz + yz = 8
c) f (z) = z s.a x2 + y 2 = 2; x + y + z = 0
d) f (x; y) = xy s.a x + 2y = 2
e) f (x; y) = 7 y + x2 s.a x + y = 0
f ) f (x; y; w) = x + 2y + 3w + xy yw s.a x + y + 2w = 10
g) f (x; y) = xy s.a x + 2y = 2
Ejercicio 31. Encontrar las funciones de demanda Marshalianas y la funcin
de utilidad indirecta para cada una de las siguientes funciones de utilidad (plantee
las restricciones presupuestarias correspondientes)
a) U (x; y) = xy
b) U (x; y; z) = xa y b z c
c) U (x; y) = xa + y b
b
d) U (x; y) = (xa + y a ) a
5.2. Sensibilidad. Se plantean en esta seccin dos versiones del teorema
de la envolvente para el caso de problemas de optimizacin con restricciones de
igualdad y algunos ejemplos que ilustran su utilidad. La primera versin es menos
general, pero resulta suciente para muchos problemas econmicos.
Ambos teoremas se reeren a la manera en que cambia el valor ptimo de
una funcin cuando vara un parmetro de sta. En el caso de un problema con
restricciones de igualdad, el cual se soluciona utilizando el teorema de Lagrange,
el teorema de la envolvente garantiza que este cambio es igual a la derivada del
Lagrangiano con respecto a ese parmetro.
44
Considrese primero el problema

max f (x1 ; :::xn )
s.a g1 (x1 ; :::; xn ) =
..
.
gm (x1 ; :::; xn ) =
9
>
>
>
=
>
>
>
;
(P 00 )
donde f; g1 ; :::; gm son funciones con derivadas parciales primeras y segundas

continuas en un conjunto abierto D
Rn que contiene al conjunto de soluciones
factibles (es decir, todos los puntos x que satisfacen el conjunto de restricciones) y
2 Rp es el vector de parmetros.
Teorema 32. Dado el vector de parmetros ; sea x una solucin local a
(P 00 ) en la que se verican las condiciones necesarias de primer orden y que, junto
con sus multiplicadores de Lagrange
= ( 1 ; :::; m ), satisfacen las condiciones
sucientes de segundo orden para un ptimo local estricto.
Entonces, para cada 2 Rm , que es parte de un entorno de , existen x ( ) =
(x1 ( ) ; :::; xn ( )) y ( ) = ( 1 ( ) ; :::; m ( )) funciones continuas y diferenciables en = tales que x
=x ,
=
y x ( ) es ptimo local de (P 00 ) con
multiplicadores ( ).
Adicionalmente, la funcin objetivo es diferenciable y
r f (x ( )) j
Es decir que 8j, j = 1; :::; m se verica

@f (x (b))
jb=0 =
@bj
La demostracin se omite ya que ms abajo se incluye la de la versin ms

general del teorema.
En la expresin anterior, el j simo multiplicador de Lagrange cambiado de
signo da la tasa marginal de cambio del valor ptimo de la funcin objetivo ante
una variacin en el trmino independiente de la j-sima restriccin.
Es este ltimo resultado el que explica la interpretacin usual que se hace de
los multiplicadores como los precios sombra de las restricciones. A continuacin
se plantean dos ejemplos de la microeconoma clsica: el primero corresponde al
problema de minimizacin de costos de una rma y en ste el multiplicador asociado
a la restriccin de produccin mnima puede interpretarse como el costo marginal
de produccin. El segundo corresponde al problema de maximizacin de utilidad del
consumidor, en este problema el multiplicador asociado a la restriccin presupuestaria se interpreta como la utilidad marginal que brinda un peso extra al consumidor.
Ejemplo 33. Considrese el problema
m nx + y
s.a x2 y = 2
El valor aproximado de la variacin de la funcin objetivo en el ptimo cuando la
restriccin del problema cambia a x2 y = 3: puede aproximarse mediante el uso
del teorema de la envolvente:
1) El Lagrangiano de este problema es ( ; x; y) = x + y + x2 y 2 , as que
45
las condiciones de primer orden sern:

@
= 1+2 x=0
@x
@
= 1
=0
@y
@
= x2 y 2 = 0;
@
de la segunda ecuacin es claro que
= 1, luego reemplazando en la primera
ecuacin tenemos x = 12 , y nalmente reemplazando este valor de x en la ltima
ecuacin obtenemos y = 74 . De esta manera hemos encontrado los valores de y; x
y
que minimizan la funcin objetivo dada la restriccin (se deja al lector que
verique el cumplimiento de las condiciones de segundo orden).
2) De acuerdo al teorema de la envolvente
df (x )
j
=
= 1
db b=0
a partir de aqu, es posible concluir que el valor ptimo de la funcin objetivo
disminuye en una unidad cuando el valor del parmetro de la restriccin aumenta
en una unidad.
Ejemplo 34. Dado el problema
9
opt xy + yz =
s.a x2 + y 2 = 2
;
y+z =2
y sabiendo que el mximo global se alcanza en a = (1; 1; 1) con multiplicadores

p
p
p
M
1+ 3
3 1
3+5
1
asociados M
2 = 1 y el mnimo global en b =
1 =
2,
2 ;
2 ;
2
p
con multiplicadores asociados 1 = 23 + 1 y 2 = 3+1

se plantea:
2
a) cunto vara aproximadamente el valor mnimo de la funcin objetivo cuando
las restricciones iniciales se cambian por x2 + y 2 = 1; 7 y y + z = 1; 7?
b) cunto vara aproximadamente el valor mximo de la funcin objetivo cuando
las restricciones iniciales se cambian por x2 + y 2 = 2; 5 y y + z = 1; 8?
Solucin:
Los dos parmetros de las restricciones han disminuido en 0; 3, por lo tanto tenemos
que b1 = b2 = 0; 3, entonces de acuerdo con el teorema de la envolvente se
tiene
!
!!
p
p
3
3+1
fmn
b1 ( 1 )+ b2 ( 2 ) = 0; 3
+1
= 3; 5320
2
2
por lo que el valor mnimo de la funcin objetivo crece en aproximadamente 3; 5320 unidades.
Ejercicio 32. Resuelva la pregunta b) del Ejemplo 34.
Ejercicio 33. Replantee los ejemplos 33 y 34 cambiando los valores 2 en
las restricciones por parmetros y encuentre las funciones de valor (del problema
de minimizacin en el primer ejemplo y de maximizacin y minimizacin en el
segundo).
Calcule cmo varan ante cambios en los parmetros.
Evale la magnitud de estos cambios cuando los parmetros toman el valor 2.
46
Ejemplo 35. Este ejemplo intenta mostrar que si la restriccin de cualicacin

no se cumple, el teorema de lagrange no es apliclabe aunque el problema tenga un
mximo o un mnimo.
Hallar el mnimo de x2 + y 2
sujeto a (x
1) = y:
Solucin:
Despus de manipular las condiciones de primer orden hallamos que en la solucin
y = 0 = 1. Si = 1 entonces:
p
16 36
4
x=
2
=R
6
y si y = 0 entonces es fcil ver que la nica forma en que se cumple la restriccin es
que x = 1, pero la derivada del lagrangiano con respecto a x nos dara el siguiente
2
resultado: 2 + 3 (0) = 0 lo cual no tiene solucin porque no hay valor de para
el que la igualdad se cumpla. Por otra parte, si decimos que en la derivada del
lagrangiano con respecto a la variable y el valor de la variable es 1, estaramos
suponiendo que y no puede ser igual a cero. Grave error, porque como veremos
enseguida, esa es justamente la solucin del problema!.
Veamos que el problema tiene solucin, pero el teorema no funciona porque rg =
2
(3(x 1) ; 2y) y evaluado en x = 1 y y = 0 que son los valores que supuestamente
solucionan el problema tenemos: rg(1;0) = (0; 0) y debera haber una la distinta
de cero porque el nmero de restricciones m es igual a 1.
Veamos ahora la solucin grca del problema. Suponientdo que tenemos f (x; y) =
3
x2 +y 2 = K (el contorno de la funcin objetivo a nivel K) y la restriccin (x 1) =
2
y
47
se observa claramente que la solucin del problema se da en el punto (1; 0), sin
embargo, a travs del mtodo de lagrange esta no era una solucin factible.
Considrese ahora el problema ms general en que los parmetros pueden
afectar la funcin objetivo del problema y no necesariamente entran de manera
lineal en las restricciones:
9
maxf (x; )
>
>
x
>
>
sujeto a g1 (x; ) = 0 >
>
=
:
(P 000 )
>
:
>
>
>
>
:
>
;
gm (x; ) = 0
Se supone que las funciones f (:) ; g1 ( ) ; :::; gm ( ) estn denidas sobre un subconjunto abierto A Rn+p , y adems n m. A lo largo de la seccin se mantiene
el supuesto que tanto f como las restricciones gi son funciones C 2 :
Sea x ( ) la solucin de este problema y ( ) la funcin de valor del problema.
Es decir, la funcin ( ) f (x ( ) ; ) nos dice para cada vector de parmetros
cul es el valor que la funcin f alcanza en el ptimo.
A continuacin se plantea la versin del teorema de la envolvente que corresponde
al probema (P 0 ), su demostracin y algunos ejemplos de problemas tpicos de
economa.
Teorema 33. Dado el vector de parmetros ; sea x una solucin local a (P 000 )
en la que se verican las condiciones necesarias de primer orden y que, junto con sus
multiplicadores de Lagrange
= ( 1 ; :::; m ), satisfacen las condiciones sucientes
de segundo orden para un ptimo local estricto. Entonces
es diferenciable en
el punto y
@
@
=
k
=
En notacin matricial,
r
@$
@ k (
x
@f x ;
@ k
)
+
m
X
j=1
=r f x ;
@gj x ;
@ k
T
; 8k = 1; :::; p:
D g x ;
siendo D g x ;
la matriz (dimensin mx p) de derivadas de las restricciones
respecto a los parmetros y T el vector de multiplicadores transpuesto.
del Teorema de la Envolvente. La prueba del teorema requiere hacer uso
de la regla de la cadena y las condiciones necesarias de primer orden. La demostracin
se desarrolla para un k genrico.
Dado que x ( ) = (x1 ( ) ; :::; xn ( )) soluciona el problema, entonces debe satisfacer
las restricciones
gj (x ( ) ; ) = 0; j = 1; :::; m:
Derivando parcialmente estas igualdades con respecto a un k se tiene
n
X
@gj
@gj @xi
+
= 0 ; j = 1; :::; m;
@x
@
@
i
k
k
i=1
48
y multiplicando por el corerspondiente

j
n
X
i=1
@gj @xi
+
@xi @ k
se tiene
@gj
= 0 ; j = 1; :::; m: (*)
@ k
Por otro lado, usando la regla de la cadena para derivar la ecuacin

f (x ( ) ; ) con respecto a k ; se obtiene
n
@ ( ) X
@x
=
fxi i + f k (**)
@ k
@
k
i=1
( ) =
Sumando (**) y cada una de las m ecuaciones (*) -que son cero- se tiene,
!
n
m
n
X
X
X
@gj
@ ( )
@xi
@gj @xi
=
+f k +
+ j
fxi
j
@ k
@ k
@xi @ k
@ k
i=1
j=1
i=1
!
n
m
n
X
X
X
@xi
@gj @xi
@gj
fxi
=
+f k +
+ j
j
@ k
@xi @ k
@ k
i=1
j=1
i=1
0
1
n
m
m
X
X
X
@xi @
@gj A
@gj
=
fxi +
+f k +
j
j
@ k
@xi
@ k
i=1
j=1
j=1
estas expresin puede reescribirse como
0
n
m
X
@ ( ) X @xi @
=
fxi +
@ k
@ k
i=1
j=1
1
@gj A
+f
j
@xi
m
X
j=1
@gj
@ k
y, puesto que las condiciones necesarias de primer orden indican que

m
X
@gj
fxi +
= 0; i = 1; :::; n
j
@x
i
j=1
se obtiene el resultado deseado
@ ( )
=f
@ k
m
X
j=1
@gj
:
@ k
Ejercicio 34. Considere el problema de minimizacin del costo de una rma

con tecnologa de produccin Cobb-Douglas f (K; L) = AL K y, utilizando el
teorema de la envolvente, calcule cunto se reducen los costos cuando aumenta el
parmetro tecnolgico A:
Remark 6. Este teorema tiene amplias aplicaciones, en la teora del consumidor
y el productor, especcamente en lo que tiene que ver con los duales entre maximizacin de la utilidad y minimizacin del gasto, as como la maximizacin del benecio
y la minimizacin del costo. Por lo anterior se recomienda al estudiante investigar
acerca de la Identidad de Roy, Lema de Shephard, Lema de Hotelling, funcion
de utilidad indirecta y demanda condicionada de factores entre otros (para una
informacin detallada de estos y otros temas relacinados con el teorema de la
envolvente se recomienda leer: Nicholson, W. Teora Microeconmica, principios
y aplicaciones (1997), cap 5. (Los efectos de las variaciones de la renta o del
precio de un bien); Mas-Colell A., Whinston, M y J. Green Microeconomic
6. OPTIM IZACIN CON RESTRICCIONES DE IGUALDAD Y DE DESIGUALDAD
49
Theory (1995), caps 3 y 5 (Classical Demand Theory y Production) y Varian, H.

Anlisis microeconmico (1992), caps. 7 y 8 (La maximizacin de la Utilidad y
La Eleccin).
6.
Optimizacin con Restricciones de Igualdad y de Desigualdad
6.1.1. Condiciones de Primer Orden. Tal como anunciamos al comienzo de
esta unidad nuestro estudio de las herramientas tericas para hallar los ptimos
de una funcin ha transcurrido desde la optimizacin sin restricciones hasta llegar
ahora a la optimizacin con restricciones de desigualdad. Es de destacar que una
restriccin de desigualdad en dos variables, g (x; y)
0; representa una porcin
del plano limitada por la curva g (x; y) = 0. Un punto para el que g (a:b) < 0 se
denomina interior a la restriccin y si g (a; b) = 0, el punto es frontera. De la misma
forma los puntos que satisfacen la restriccin g (x; y; z) 0 generan una porcin del
espacio tridimencional limitada por una supercie. El conjunto de puntos factibles
esta formado por aquellos puntos que satisfacen todas las restricciones, lo cual es la
interseccin de las regiones determinadas por cada una de las restricciones. Cuando
un punto factible satiface una restriccin con igualdad se dice que la restriccin
esta activa (saturada), de otro modo la restriccin esta inactiva (no saturada). (El
estudiante debera investigar acerca de la importancia de que una restriccin este o
no activa, aplicaciones interesantes a la economia se pueden encontrar en: Macho
S, I. y D. Prez (1994)).
El problema ms comn de optimizacin restringida en economa incluye restricciones
de desigualdad y un conjunto completo de restricciones de no-negatividad:
(6.1)
Maximizar
Sujeto a
g1 (x1 ; :::; xn )
g2 (x1 ; :::; xn )
gm (x1 ; :::; xn )
f (x1 ; :::; xn )
:
0
0
..
.
0
Donde las funciones f (:) ; g1 ( ) ; :::; gm ( ) son diferenciables y estn denidas

sobre Rn , o mas generalmente, sobre un subconjunto abierto y no vacio A Rn .
para este tipo de problemas el Lagrangiano es de la forma: $ (x; ) = f (x) +
2
g
1 1 (x) + 2 g2 (x) + ::: + m gm (x) . La forma de abordar problemas como el 6.1
exige enunciar el teorema de Kuhn-Tucker, el cual impone las condiciones necesarias
o de primer orden para la solucin de problemas de optimizacin restringida.
Teorema 34. (Teorema de Kuhn y Tucker) Sean f : A ! R y gi : A ! R
(i = 1; 2; ::; m ) funciones C 1 y A
Rn un subconjunto abierto y no vacio.
Suponga que x es un mximo local de funcin f sobre el conjunto
D = A \ fx jgi (x)
0 para i = 1; 2; ::; mg :
2 Utilizaremos la letra
como los multiplicadores de los problemas de optimizacin con
restriccin de desigualdad para distinguirlos de los utilizados en la seccin pasada.
50
Sea E
f1; 2; :::; mg el conjunto de las restricciones activas en x y la matriz de
@gi
derivadas de las m restricciones con respecto a cada variable @x
tiene
j
rango i. Entonces existe un vector
0y
i gi
=(
1;
2 ; ::;
m)
2 Rm tales que
i2E n
(x ) = 0 para i = 1; 2; ::; m
y
rf (x ) +
m
X
i=1
i rgi
En el teorema anterior tenemos: la matriz
(x ) = 0:
@gi
@xj
i2I n
que esta formada por
los gradientes de las restricciones tales que i 2 I, es decir, las funciones que denen
los contornos que forman las restricciones activas en el punto x que soluciona
el problema, esta es la llamada restriccin de cualicacin. Las condiciones de
holgura complementaria i gi (x ) = 0, con estas se determinan las restricciones
activas (saturadas), pues si un multiplicador es positivo, entonces la restriccin
correspondiente est saturada. (una prueba amplia y detallada de este teorema se
encuentra en: A rst course in optimization theory. Sundaram Rangarajan. 1996).
Si el problema que usted debe resolver es el de hallar el mnimo de una funcin
f sujeta a restricciones de desigualdad, basta con multiplicar la funcin f por ( 1)
y escribir el problema de la forma siguiente: mximo de [ f (x)] = mnimo de
f (x). manteniendo todo lo dems como antes.
6.1.2. Condiciones de segundo orden.
Teorema 35. Dado el problema 6.1 donde f; g1 ; :::; gm son funciones C 2 y sea
x una solucin factible en la que se verican las condiciones de cualicacin y el
resultado de Kuhn Tucker. Entonces, si la matriz Hx ( ; x ) es denida negativa
8p 2M (x ) donde:
M (x ) = fp 2 Rn j rgi (x ) p = 0 8i 2 E
p 6= 0g
y adems M (x ) 6= ;, siendo E = fi j i = 1; :::; m; gi (x ) = 0;

se verica que x es un mximo local estricto del problema 6.1.
> 0g, entonces,
No obstante haber expuesto las condiciones de segundo orden, se advierte al

lector que, cuando la funcin objetivo es convexa o cuasiconvexa, las condiciones de
minimizacin se convierten en sucientes, y lo mismo ocurre para funciones objetivo
cncavas o cuasicncavas en problemas de maximizacin.
Remark 7. El lector debe recordar que estamos utilizando letras en negrita
para referirnos a vectores.
Ejemplo 36. Analicemos los siguientes ejemplos:
1) Hallar el mnimo de f (x; y) = x2 2y sujeto a x2 + y 2 1; x 0; y 0:
Este problema se puede transformar en uno de maximizacin, cambiando el signo
de la funcin objetivo y reescribiendo la primera restriccin como 1 x2 y 2 0.
Por lo que nuestro problema ahora es: Mximo de f (x; y) = 2y x2 sujeto a
1 x2 y 2 0; x 0; y 0. El Lagrangiano de este problema ser:
x; y;
1;
2; 3
= 2y
x2 +
x2
y2 +
2x
3 y:
51
Las condiciones de primer orden producen el siguiente sistema de ecuaciones:

8
2 2 1 y + 3 = 0 (1)
>
>
>
>
< 2x 2 1 x + 2 = 0 (2)
2
2
1 = 0 (3)
(6.2)
1 x +y
>
>
x
>
2 = 0 (4)
>
:
3 y = 0 (5)
Como el lector podr ver, las ecuaciones (3) a (5) equivalen a 1 = 0 o x2 + y 2 1 =

0; 2 = 0 o x = 0; 3 = 0 o y = 0 . Para encontrar la solucin a este problema se
deben analizar 8 combinaciones, las cuales se pueden ver en la siguiente tabla
1
2
3
0
0
0
0 0 + 0 + + +
0 + 0 + 0 + +
+ 0 0 + + 0 +
( ) Observe que los tres multiplicadores no pueden ser cero a la vez, pues en la
ecuacin (1) tendriamos 2 = 0 lo cual es un imposible.
( ) Si 1 = 2 = 0 y 3 > 0 en la ecuacin (1) tedriamos 3 = 2 contrario al
hecho que 3 > 0:
( ) Si 1 = 3 = 0 y 2 > 0, por la ecuacin (1) tendriamos 2 = 0 y estaramos
en el caso inicial.
( ) Si 2 = 3 = 0 y 1 > 0 obtenemos x = 0 , y = 1 , 1 = 2 lo que es una solucin
del problema de minimizacin (el lector deber comprobar que con 2 = 3 = 0 y
1 > 0 aplicados al sistema (1.3.9) se obtienen los valores de x; y; 1 dados arriba).
( ) Si 1 = 0; 2 > 0; 3 > 0 en (1) tenemos 3 = 2 lo cual contradice el que
3 > 0.
( ) Si 2 > 0; 1 > 0, y 3 = 0 entonces en (4) tenemos x = 0 y en (2) 2 = 0 pero
eso contradice el que 2 > 0:
( ) Si 2 = 0 y 3 > 0; 1 > 0 en (5) tendramos y = 0 y por (1) 3 = 2 lo cual
es una contradiccin.
( ) Por ltimo, si todos los multiplicadores son positivos entonces x = 0; y = 0 y
de nuevo 3 = 2 y estaramos de nuevo en el caso anterior.
Por lo tanto la solucin del problema es: x = 0; y = 1; 1 = 2; 2 = 3 = 0:
2) Sea el problema de minimizar 1 x + y 2 sujeto a x2 + y 2 1 0: Interesa hallar
la solucin y vericar adems las condiciones de segundo orden.
Recordemos primero que este problema se puede transformar en uno de maximizacin
multiplicando la funcin objetivo por 1 y escribiendo la restriccin as: 1 x2 y 2
0 con lo que el problema se transforma en
max x 1 y 2
s.a 1 x2 y 2 0;
el lagrangiano de este problema es (x; y; ) = x
obtenemos las condiciones de primer orden
Lx
Ly
=
=
=
2 x
2y 2y
x2
y2
y2 +
x2
y 2 , del cual
52
dadas estas condiciones construimos el sistema
9
1 2 x=0
=
2y 2y = 0
(I)
;
1 x2 y 2 = 0;
de lo que podemos deducir que 6= 0, y luego de operar sobre las tres ecuaciones
del sistema (I) encontraremos que y = 0, x = 1, = 21 .
Sabemos que rg(1; 0) = (2; 0) hallemos ahora el vector p
2
0
0
0
p1
p2
=0
de lo que tenemos
2p1 + 0p2 = 0;
de esta forma
M (1; 0) = (p1 ; p2 ) 2 R2 j p1 = 0; p2 6= 0 = (0; ) 2 R2 j
y dado que la matriz Hx (
Hx (
tenemos que 8 2 R
2R
f0g ;
; x ) es
;x ) =
0
0
0
2
1
2
2
0
0
2
1
0
0
3
f0g
0
1
0
0
3
=3
> 0:
De esta manera y de acuerdo al teorema de suciencia, (1; 0) es un mnimo local

estricto del problema planteado.
Ejercicio 35. El lector deber:
1. Encontrar el costo mnimo de producir por lo menos q unidades usando como
insumos capital K y trabajo L mediante una funcin de produccin Leontief, es
decir, encontrar:
Mnimo de C (K; L) = rK + wL sujeto a min faK; bLg
q:
2. Encontrar el costo mnimo de producir por lo menos q unidades usando como

insumos capital K y trabajo L mediante una funcin de produccin lineal.
3. Encontrar el costo mnimo de producir q unidades de usando como insumos
capital K , trabajo L y tecnologa T mediante la funcin de produccin
Q (K; L; T ) = min aK; AL T
4. Encontrar los extremos de las funciones de acuerdo a las restricciones especicadas:

a. Mximo de f (x; y) = xy sujeto a 5x+4y 50; x 0; y 0:(en este caso vericar
el cumplimiento de la condicin suciente para mximo).
2
b. ptimo de x2 + (y 1) sujeto a x + y 6; 2x + y 4; x 0; y 0:
c. Mximo de x + y sujeto a x2 + y 2 4; y 2 x:
3
d. Mnimo x2 y sujeto a y x2 10
0; x 0; y 0: (en este caso vericar
el cumplimiento de la condicin suciente para mnimo).
2
2
e. Mnimo (x 5) + (y 5) sujeto a x2 y 6; x + 3y 12; x 0; y 0:
f. ptimos de xy + x + y sujeto a 2x + 3y 12; 3x + 2y 6 y x y 6:
6.2.
53
Anlisis de sensibilidad. Consideremos el problema

9
max f (x1 ; :::; xn )
>
>
>
s.a g1 (x1 ; x2 ; :::; xn ) b1 =
..
>
.
>
>
;
gm (x1 ; x2 ; :::; xn ) bm :
Dado que el resultado es anlogo al que se obtiene cuando el problema incluye

restricciones de igualdad, el mismo ser enunciado, no sin antes advertir que se
deben cumplir las condiciones de Kuhn-Tucker con multiplicadores asociados
0 y las condiciones sucientes de segundo orden para ptimo local estricto. El
resultado es el siguiente: los multiplicadores de Lagrange cambiados de signo son
las derivadas parciales del valor ptimo de la funcin objetivo del problema respecto
a los trminos independientes de las restricciones saturadas, de lo cual se deduce
que dichos multiplicadores ofrecen una medida de la sensibilidad del valor ptimo
frente a variaciones de los segundos miembros de las restricciones. Formalmente
esto es.
@f (x )
para i 2 I
i =
@bi
donde I = fi j gi (x ) = 0g,
> 0.
Ejemplo 37. Una empresa desea minimizar sus costos totales, con la condicin
que los ingresos obtenidos por la venta de las cantidades x, y de los dos productos
que fabrica superen un cierto nivel. Sabiendo que los costos unitarios de fabricacin
de cada bien son funciones lineales de las cantidades producidas y vienen dadas por
Cx = x y Cy = 2y, que se vende el total de la produccin y que los precios de venta
de los productos son, px = 1, py = 3, respectivamente. Interesa:
1) Formular el problema matemtico correspondiente, suponiendo que se debe tener
como ingreso, un mnimo de 3 unidades monetarias.
2) Resolver el problema.
3) Calcular cunto variar el costo ptimo con respecto a la situacin anterior si
se deben ingresar 2 unidades monetarias como mnimo.
Solucin:
1) La funcin de costos total ser la suma de los costos totales para la produccin
de cada bien.
C (x; y) = x2 + 2y 2
y la restriccin impuesta por el nivel de ingreso mnimo que se desea obtener es
x + 3y
adems se supone x 0, y 0.
Finalmente el probema de minimizacin ser
m n C (x; y)
s.a x + 3y
= x2 + 2y 2
3; x 0; y
este problema se puede transformar en uno de maximizacin multiplicando la funcin

objetivo por ( 1), entonces nuestro problema se transforma en
max C (x; y)
s.a x + 3y
x2 2y 2
3; x 0; y
0:
54
2) El Lagrangiano para este problema es

(x; y;
1;
2;
3)
x2
2y 2 +
(x + 3y
3) +
2x
y las condiciones de primer orden producen el sistema

8
2x + 1 + 2 = 0
(1)
>
>
>
>
(2)
< 4y + 3 1 + 3 = 0
(x + 3y 3) 1 = 0
(3)
>
>
x
=
0
(4)
>
2
>
:
y 3=0
(5)
Por lo tanto, las posibles combinaciones de
la solucin a nuestro problema son
1
2
3
caso 1
0
0
0
caso 2
0
0
+
caso 3
0
+
0
caso 4
+
0
0
1;
2;
caso 5
0
+
+
que son necesarias para obtener

caso 6
+
0
+
caso 7
+
+
0
caso 8
+
+
+
( ) Antes que nada dejemos claro que x y y no pueden ser cero al mismo tiempo
porque violaran la restriccin x + 3y 3.
( ) Por el punto anterior 2 y 3 no pueden ser mayores que cero al mismo tiempo,
con lo cual descartamos los casos 5 y 8.
( ) El caso 1 implica que x y y sean cero al mismo tiempo (ver ecuaciones (1) y (2)
del sistema), lo cual ya hemos visto que no es posible.
( ) El caso 2 conduce a x = y = 0, lo cual ya sabemos no es posible.
( ) Para el caso 3, como 2 es mayor que cero, entonces x debe ser cero para cumplir
la ecuacin (4) del sistema, sin embargo ello hace genera una contradiccin en la
ecuacin 1.
( ) En el caso 6 como y debe ser igual a cero para cumplir la ltima ecuacin del
sistema, llegamos a una contradiccin con la ecuacin (2).
( ) Para el caso 7como x debe ser cero para satisfacer la cuarta ecuacin del sistema,
generamos una contradiccin con la ecuacin (1)
( ) El caso 4, donde 2 = 3 = 0, y 1 > 0, entonces de la ecuacin (3) x + 3y 3 =
0, de la ecuacin (1) sabemos que 1 = 2x y combinando esta y la ecuacin (2)
obtenemos y = 23 x. Finalmente reemplazando esta expresin en (3) podemos deducir
x =
6
,
11
y =
9
y los multiplicadores asociados
11
= 0,
12
:
11
Esta es la nica combinacin que cumple las condiciones de Kuhn-Tucker, y al

reemplazar estos valores en la funcin de costos podemos hallar el valor del costo
total mnimo C (x ; y ).
3) Dado que los ingresos por ventas deban ser, como mnimo, 3 unidades monetarias,
la restriccin era
g1 (x; y)
x + 3y
si ahora cambiamos la restriccin para exigir como mnimo, 2 unidades monetarias

de ingresos por ventas, la restriccin ser
g1 (x; y)
1:
7. M ODELOS ECONM ICOS Y EL TEOREM A DE LA FUNCIN IM PLCITA
El multiplicador asociado a la primera restriccin es

teorema de sensibilidad podemos escribir
dC (x ; y )
;
1 =
db
es decir
12
11
dC(x ;y )
,
db
12
11 ,
55
as que teniendo el
por lo tanto
C (x ; y )
b
12
:
11
12
12
C (x ; y )
Si b = 1, entonces C(x1 ;y )
11 y
11 unidades monetarias.
Lo anterior nos dice que si deben ingresarse como mnimo 2 unidades monetarias, el
costo ptimo debe disminuir en 12
11 unidades monetarias aproximadamente, respecto
al caso en que debian ingresarse al menos 3 unidades monetarias.
Ejercicio 36. Suponga que la utilidad de Antonieta depende del consumo de

frutas (F) y hortalizas (H), su funcin de utilidad viene dada por U (F; H) = F a H;
donde a; b > 0:
a) Encuentre la solucin al problema de maximizacin de la utilidad que enfrenta
Antonieta asumiendo que tiene una riqueza de $5000 y los precios de las frutas y
hortalizas son pf y ph respectivamente.
b) A partir de la solucin encontrada y haciendo uso del teorema de la envolvente
encontrar una aproximacin al valor de la utilidad de Antonieta (una vez ajustada
su decisin de consumo) bajo el supuesto que todo permanece igual excepto el ingreso
de Antonieta el cual aumenta en 20 %.
c) A partir de la solucin encontrada y haciendo uso del teorema de la envolvente
encontrar una aproximacin al valor de la utilidad de Antonieta (una vez ajustada
su decision de consumo) bajo el supuesto que todo permanece igual excepto pf que
aumenta en 15 %.
Ejercicio 37. Encontrar las funciones de demanda condicionada de factores
y los costos ptimos, si la funcin de produccion es:
a) Q (K; L) = aK + bL
b) Q (K; L) = m n f4K; 2Lg
c) Q (K; L; T ) = K (aL + bT )
Ejercicio 38. Encontrar las funciones de demanda Hicksiana y Marshalliana,
funcin de gasto y utilidad indirecta, si la funcin de utilidad es:
a) U (x; y) = x y z
b) U (x; y) = m n ax; y z
c) U (x; y) = (ax + by )
:
7.
Modelos Econmicos y el Teorema de la Funcin Implcita
Muchos modelos econmicos pueden ser escritos como un sistema parametrizado

de ecuaciones de la forma
F (x; ) = 0
donde F es una funcin F : Rn RP
X
! Rm (generalmente m = n).
En la expresin arriba es un vector de parmetros y x es el vector de variables
endgenas, de las cuales buscamos los valores que solucionan el sistema.2
2 En algunos casos este modelo econmicocorresponde al conjunto de condiciones de primer
orden que caracterizan la solucin de un problema de optimizacin (e.g., la maximizacin de la
56
Muchas de las preguntas que nos hacemos al analizar un modelo como el descrito
arriba tienen que ver con las propiedades de la correspondencia solucin,
S:
! X; donde S ( ) = fx 2 X; F (x; ) = 0g
lo que nos dice la expresin anterior es que la correspondencia S asigna a cada

vector de parmetros el correspondiente conjunto de variables solucin del modelo.
Dado un modelo como el que aparece arriba, las preguntas que tpicamente se
desea responder son: dado ; Existe una solucin al modelo?, Cul es?, Es nica,
local o globalmente?, Cmo cambia S ( ) ante cambios en ?
Nuestro inters se centrar casi exclusivamente en la ltima de estas preguntas,
siendo la principal herramienta para respondera el Teorema de la Funcin Implcita.
Para el caso departicular de los modelos lineales, sin embargo, se realizar una breve
presentacin de resultados de existencia y unicidad o multiplicidad de soluciones.3
7.1.
Modelos lineales. Suponga que tenemos el modelo
(7.1)
F (x; ) = 0
n
donde F : R
R
X
! Rm es una funcin lineal. Dadas las bases para
m
n
P
R ; R y R , podemos escribir 7.1 de la forma
(7.2)
Ax + B
=0
en la expresin anterior A es una matriz de dimensin m n, B es una matriz de

dimensin n p, x es un vector de dimensin n y de dimensin p.
Deniendo y
B , entonces 7.2 se convierte en
Ax = y
A continuacin se presentan dos resultados de existencia y unicidad de la solucin
del sistema. para ello denimos primero la matriz ampliada Ay :
0
B
B
B
B
Ay = B
B
B
@
a11
..
.
..
.
..
.
am1
:::
:::
..
a1n
..
.
y1
..
.
..
.
..
.
amn
ym
:::
1
C
C
C
C
C
C
C
A
Teorema 36. El sistema Ax = y tiene al menos una solucin si y slo si rango

A = rangoAy :
Una tentativa de prueba para este teorema es que al agregar y a la matriz A el
rango no cambia, esto signica que y puede escribirse como una combinacin lineal
utilidad de un concumidor y la derivacin de sus demandas), pero en otro casi puede corresponder
a ecuaciones que carcterizan las soluciones a varios problemas de optimizacin a las que se agregan
condiciones de equilibrio (e.g., un modelo de equilibrio general). Los resultados que se presentan
en esta seccin son generales y por ello nos apartamos de la presentacin en trminos de anlisis
de sensibilidad de un problema de optimizacin.
3 En esta seccin se sigue de cerca el enfoque seguido por Angel de la Fuente, aunque la
presentacin es menos tcnica.
57
de las columnas de A, es decir que existen escalares x1 ; x2 ; :::; xn tales que

1
0
1
0
y1
a11
1
0
B .. C
B .. C
a1n
C
B
B . C
B .. C B . C
C
B
B . C B .. C
B .. C
x1 B . C + : : : + xn B
C = B . C;
C
C
B
A B
@
B . C
B . C
@ .. A
@ .. A
amn
ym
am1
por lo tanto este vector x es solucin al sistema.

Por el contrario, si el rango de A aumenta al agregar y, esto signica que y
no puede escribirse como una combinacin lineal de las columnas de A, esto es, no
existe solucin a Ax = y.
Teorema 37. El sistema Ax = y , (x 2 Rn y y 2 Rm ), tiene solucin nica si
y slo si rangoA = n = rangoAy .
A partir de estos teoremas es posible obtener las siguientes conclusiones:
Si m < n, la solucin no puede ser nica. El sistema, si tiene solucin,
tendr innitas soluciones. En trminos de los teoremas, para que tenga
solucin debe cumplirse que rangoA = rangoAy y puesto que m < n;
entonces el rangoA < n: El mejor ejemplo es un sistema de una ecuacin
y dos incognitas 2x1 + 3x2 = 12, esta es la ecuacin de una recta, la cual
como todos sabemos, tiene innitas soluciones.
Si m = n, y el rangoA = n, entonces agregar una columna no incrementa
el rango (el cual est limitado por las n las). y por el teorema inmediatamente anterior, existe una solucin. Esta solucin es:
x =A
y;
ij
utilizando la Regla de Cramer podemos expresar x = jA
jAj ;donde Ai es el
resultado de reemplazar la i esima columna de A por y.
Si m = n y el rango de A < n entonces existirn mltiples soluciones si
rangoA = rangoAy (y no existirn soluciones de otro modo).
Si m > n, habr al menos m n ecuaciones linealmente dependientes.
Si hay n linealmente independientes, entonces las consideraciones hechas
para el caso en que m = n son vlidas. Si hay menos de n las linealmente
linealmente independientes entonces las consideraciones realizadas para el
primer caso (m < n) son vlidas.
En general, S (x) = y puede tener solucin para algunos y, pero no
para otros. Para que siempre tenga solucin debe cumplirse rangoA = m,
de modo que A sea capaz de generar Rm .
7.2.
Esttica comparativa. Volviendo al sistema

Ax + B
= 0;
se supondr que tiene n ecuaciones independientes. Entonces A es invertible, y el

sistema se puede resolver de maera nica:
x =
B ;
58
la funcin solucin para este modelo es entonces

x = x ( ) C , donde C =
B:
Dado que se conocen las matrices A y B, las soluciones explcitas del modelo
pueden ser calculadas usando Regla de Cramer. Puesto que se conoce perfectamente
la funcn solucin, es posible diferenciar directamente para obtener resultados de
esttica comparativa
@x
= cik
@ k
Tambien es posible analizar cambios en la solucin cuando los cambios son
discretos, es decir, ante un cambio grande de . Sean 0 y 00 dos vectores de
parmetros distintos. Sus correspondientes valores solucin de las variables endgenas estn dados por
x00 = C 00 y x = C 0 :
Por lo tanto el cambio de la solucin como resultado del cambio en el vector de
parmetros es
0
x = x00 x0 =C( 00
)=C
El cambio de un xi en particular ante el cambio de un
xi =cik
es simplemente
7.3. Modelos no lineales - Teorema de la Funcin Implcita. Sea F

la funcin F : Rn RP X
! Rm , con X
abierto y el modelo
F (x; ) = 0
al igual que antes x es el vector de variables endgenas y es el vector de parmetros.
Entonces dado un vector de parmetros nosotros tenemos f (x) = F (x; ). De
esta forma la correspondencia de solucin es
S( )=f
(0) = fx 2 X; f (x) = 0g
Considerando que la solucin x depende depende de

(7.3)
F (x ( ) ; )
; puede escribirse
lo que permitira diferenciar ambos lados de 7.3 con respecto a cualquier parmetro
y la igualdad se mantiene. Se supone que F es C 1 (esto implica que es diferenciable
alrededor de la solucin y que sus derivadas son continuas) por lo tanto se intentar
aproximar linealmente el cambio en x ante un cambio en . Se supone que m = n,
es decir que el nmero de ecuaciones que caracterizan la caracterizan la solucin
del modelo es idntico al nmero de variables del mismo.
Antes de plantear formalmente el teorema de la funcin implcita resulta til su
derivacin informal. Considerando primero el caso en que F depende de una variable
y un parmetro, la ecuacin 7.3 es simplemente F (x( ); ) = 0 y, diferenciando
respecto a se obtiene
Fx (x( ); )x0 ( ) + F (x( ); ) = 0;
siendo Fj signica la derivada parcial de F respecto a j. A partir de esta ecuacin
se tiene que
F (x( ); )
:
x0 ( ) =
Fx (x( ); )
Para el caso general en que F : Rn RP

de ecuaciones respecto al vector arroja
Dx F (x; )n
n Dx(
59
! Rm ; diferenciando el sistema
)nxp + D (x; )n
= 0n
la que puede escribirse como

DxF ( )n
[Dx F (x; )]nxp D (x; )n
p:
Para facilitar la comprensin del sistema de ecuaciones anterior, a continuacin

se desarrolla extensivamente el efecto que tiene el cambio en un parmetro ( k ) en
las variables x. El resultado de este desarrollo ser un vector de n componentes (el
cambio de cada variable generado por el cambio de k ). Si este ejercicio se repite
para cada uno de los p parmetros i se obtiene la matriz de dimensin n p que
sintetiza los cambios de todas las variables ante cambios de todos los parmetros.
El sistema F (x; ) = 0 se puede escribir como
F 1 (x1 ; :::; xn ;
1 ; :::;
p)
=0
..
.
F n (x1 ; :::; xn ;
1 ; :::;
p)
= 0:
Para un
dado la solucin es x (x1 ; :::; xn ), que puede escribirse en general
4
como (x1 ( ) ; :::; xn ( )). El inters es entonces obtener rx
@ k : Tomando la primera
ecuacin del sistema F 1 (x1 ( 1 ; :::; p ); :::; xn ( 1 ; :::; p ); 1 ; :::; p ) 0 y diferencindola respecto a k se tiene
dF 1
@x (:)
@x (:)
@x (:)
= Fx11 1
+ Fx12 2
+ ::: + Fx1n n
+ F 1k = 0:
d k
@ k
@ k
@ k
Esta ecuacin puede reescribirse matricialmente como
1
1
1
Fx1
; Fx2
; :::; Fxn
0
B
B
B
B
@
@x1 (:)
@ k
@x2 (:)
@ k
..
.
@xn (:)
@ k
C
C
C:
C
A
Procediendo de la manera anloga para las n ecuaciones del sistema se tiene

0 @x (:) 1
0 1 1
1
F k
0 1
1
@
k
C
B
Fx1 : : : Fx1n
B .. C
..
B
C
B . C
.
B ..
C
.. C B
C
C= B
@ .
:::
. AB
B . C:
.
C
B
.
.
@
A
n
n
.
.
A
@
Fx1 : : : Fxn
@xn (:)
F nk
@
Entonces, despejando se obtiene
4 Es importante recalcar que la utilidad del teorema de la funcin implcita (y por tanto del
desarrollo presentado) se limita a aquellos modelos para los cuales no es posible tener una solucin
explcita ( es decir, aquellos en los que no es posible despejar cada uno de los xi en funcin
solamente de los j ), sino que solamente se conoce el sistema de ecuaciones que caracteriza el
equilbrio pero se es incapaz de resolverlo. Para los casos en que se tiene una solucin explcita
basta con derivar la solucin de la variable de inters respecto al parmetro de inters.
60
0
B
B
B
B
B
@
@x1 (:)
@ k
..
.
..
.
@xn (:)
@ k
C
C
C
C=
C
A
0
B
@
Fx11
..
.
Fxn1
:::
Fx1n
..
.
:::
: : : Fxnn
1
C
A
0
B
B
B
B
@
F 1k
..
.
..
.
F nk
1
C
C
C
C
A
Naturalmente, para que esto sea posible debe ser cierto que la matriz Dx F (x; )
es invertible.
A continuacin se enuncia formalmente el teorema (su demostracin se omite)
para el caso ms sencillo de una variable y un parmetro.
Teorema 38. (de la Funcin Implcita). Suponga que F : R2 ! R es C 1 en
una vecindad abierta A del punto (x0 ; 0 ) = 0 y Fx (x0 ; 0 ) 6= 0: Entonces existen
intervalos abiertos Ix e I centrados en x0 y 0 respectivamente, tales que:
1. Para cada
2 I 9!x 2 Ix tal que F (x( ); ) = 0: Es decir que la
restriccin F (x; ) = 0 dene una funcin x : I ! Ix , con x ( ) = x :
2. x ( ) es diferenciable, su derivada es una funcin continua y est dada
(x; )
por: x0 ( ) = FFx (x;
).
Varios comentarios son pertinentes respecto a este resultado.
Remark 8. Es necesario recalcar que la unicidad del mapping I ! Ix es local.
Es decir, el teorema plantea que bajo ciertas condiciones ser posible encontrar
intervalos alrededor de 0 y x0 tales que en esos intervalos efectivamente para cada
existe un nico x tal que F (x; ) = 0: La Figura 1 ilustra este punto. En ella se
gracan en el plano ( ; x) el conjunto de puntos tales que F (x; ) = 0 y, pese a que
para 0 existen dos x tales que F (x; ) = 0; alrededor del punto (x0; 0 ) para cada
eciste un nico x:
Remark 9. La condicin de que Fx (x0 ; 0 ) 6= 0 no es necesaria para la existencia de la funcin x( ). El siguiente ejemplo ilustra de manera sencilla este punto:
considere la funcin F (x; ) = (x
)3 = 0 y el punto (x; ) = (0; 0): Obviamente
2
el punto F (0; 0) = 0; Fx = 3(x; y) y Fy = 3(x y)2 son ambas continuas y,
en el punto (x; ) = (0; 0); no se satisface Fx (0; 0) 6= 0: Sin embargo, es evidente
que alrededor del punto (0; 0) s es posible obtener la funcin x(a): De hecho, la
funcin x(a) = satisface que F (x( ); ) = 0 para todo valor de : Obviamente,
(x; )
la frmula x`( ) = FFx (x;
) no resulta prctica para evaluar los cambios de x ante
cambios de alrededor del punto en cuestin.
Remark 10. En la Figura 7.3 se ilustra un caso en que s es porblemtico el
hecho que Fx (x; ) = 0: Ntese que para el punto ( 0 ; x0 ) no es posible encontrar
intervalos abiertos centrados en 0 y en x0 tales que para cada exista un x tal que
F (x; ) = 0: En particular, ntese que para cualquier > 0 no existe ningn x y
para los < 0 existen dos.
Este mismo punto se ilustra en la gura 38, que ilustra la misma funcin F (:) de la
Figura 7.3 pero en el plano (F; x): La lnea slida corresponde al caso de = 0 ; en
tanto que la lnea punteada superior a un mayor (pero cercano) que 0 y la lnea
inferior a un ligeramente inferior a 0 . Como se deduce en la grca, alrededor
de x0 no es posible encontrar una funcin uno a uno entre y x, en tanto que s
es posible hacerlo alrededor de x00 :
61
x
x
F(x,)=0
Ejemplo 38. Considrese el modelo de renta nacional:

I(i) + X0 = S(Y; i) + M (Y )
L(Y; i) = M S0
donde I es la inversin que depende de la tasa de inters i, S es la funcin de ahorro
que depende del ingreso Y y de la tasa de inters, M (Y ) es el nivel de importaciones,
L es la demanda de dinero, X0 es el nivel de exportaciones (exgeno) y M S0 es
@I
@Y
la oferta de dinero (exgena).Queremos hallar @M
y @M
e interpretar
s0
s0
brevemente su signicado econmico.
Las variables endgenas de nuestro modelo son Y e i; las variables exgenas X0 y
M S0 (la primera de estas variables exgenas est basada en decisiones exteriores y
62
F(x,)=0
x
la segunda est determinada por la autoridad monetaria). Entonces las dos ecuaciones de nuestro problema pueden expresarse como
F1
(Y; i; X0 ; M S0 ) = I(i) + X0
(Y; i; X0 ; M S0 ) = L(Y; i)
S(Y; i)
M (Y ) = 0
M S0 = 0
Cabe preguntarse, cumple este sistema las condiciones del teorema de la funcin
implcita?. Para ello debemos suponer que las funciones componentes tanto de F 1
como de F 2 tienen derivadas parciales continuas respecto de todas las variables, y
en segundo lugar debemos vericar que el jacobiano del sistema de ecuaciones sea
distitno de cero:
jDx F j =
@F 1
@Y
@F 2
@Y
@F 1
@i
@F 2
@i
S Y MY
LY
Ii
Si
Li
Li (SY + MY )
[LY (Ii
Si )]
bajo los supuestos habituales que Li < 0; 0 < SY < 1; 0 < MY < 1; LY > 0; Ii < 0
y Si > 0 se tiene que el determinante es mayor que cero, por lo tanto se pueden
escribir las funciones implcitas:
Y
= Y (X0 ; M S0 )
i = i(X0; M S0 )
63
Las ecuaciones propuestas pueden utilizarse como identidades en el entorno de

equilibrio, de forma que:
(7.4)
I(i) + X0
S(y; i)
M (Y )
MS0
L(Y ; i)
Suponiendo que vara slo el parmetro M S0 entonces, despus de tomar el diferencial

de cada identidad 7.4 respecto a M S0 y considerando que
@F 1
@F 2
@F 1
=
S Y MY ;
= Ii Si ;
= Ly
2
@F
@i
@Y
@F 2
@F 1
@F 2
= Li ;
= 0;
=1
@i
@MS0
@MS0
se tienen las ecuaciones (en forma matricial):
#
"
#
"
#"
1
1
1
@F
@i
@F 2
@i
@F
@Y
@F 2
@Y
(7.5)
SY
MY
Ii
Si
"
Ly
Li
@Y
=
@Ms0
0 Ii Si
1
Li
jJj
@Y
@Ms0
@i
@Ms0
@Y
@Ms0
@i
@Ms0
@F
@Ms0
@F 2
@Ms0
0
1
Por lo tanto,
Si
Ii
J
>0
SY MY 0
Ly
1
@i
S Y MY
=
=
< 0:
@Ms0
jJj
jJj
As, en este modelo el producto se incrementa ante aumentos en la oferta monetaria
y la tasa de inters disminuye con el aumento en la oferta monetaria5
Ejemplo 39. Sea el problema del consumidor
mx x21 x22 + x1 x2
sujeto a: w p1 x1 p2 x2 = 0:
Para este problema las condiciones de primer orden son:
1.
2x1 x22 + x2
p1
2x21 x1
w
+ x1
p2
p1 x1 p2 x2
= 0
= 0
donde
es el multiplicador de Lagrange. Las variables del sistema sern x =
(x1 ; x2 ; ) y sus parmetros = (p1 ; p2 ; w); llamando a este sistema F (x; ) = 0:
El teorema de la funcin implcita nos dice que, alrededor de un punto de equilibrio,
podemos evaluar los cambios en las variables a partir de cambios en los parmetros
de acuerdo a la siguiente frmula
(7.6)
Dx( ) =
[Dz F (x( ); ]
D F (x( ); )
5 Cabe destacar que todas las derivadas del lado derecho del igual, incluyendo las del jacobiano,
estn evaluadas en el equilibrio inicial, es decir, en Y = Y e i = i:
64
siendo D el operador que indica que se ha llevado a cabo el proceso de diferenciacin.

Para este problema se puede escribir
2 @x
3 2
3 12
3
@x1
@x1
1
2y 2
4xy + 1
p1
0
0
@p1
@p2
@w
6 @x2 @x2 @x2 7 4
2x2
p2 5 4 0
0 5
4 @p1 @p2 @w 5 = 4xy + 1
@
@
@
p1
p2
0
x1
x2 1
@p
@p
@w
1
esto es
2 @x
6
4
@p1
@x2
@p1
@
@p1
2
6
4
@x1
@p2
@x2
@p2
@
@p2
@x1
@w
@x2
@w
@
@w
7
5=
p2
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p1 2p1 p2 8xyp1pp22 +2x2 p1 +2y2 p2
p2 +4xyp2 2x2 p1
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p2
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p1
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p1 +4xyp2 2y 2 p1
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p1
p2 +4xyp2 2x2 p1
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
p1 +4xyp2 2y 2 p2
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
8xy+12x2 y 2 +1
2p1 p2 8xyp1 p2 +2x2 p1 +2y 2 p2
3
7
5
4 0
x
0
y
3
0
0 5
1
Para concluir, se suponen los valores para los parmetros del problema: (p1 ; p2 ; w) =
(1; 1; 10): A partir de las condiciones de primer orden es posible concluir que (x; y) =
(5; 5) y = 255: Evaluando la ecuacin anterior en este punto (x; ) = (5; 5; 255);
(1; 1; 10)) se obtiene:
2 @x
3 2
3
@x1
@x1
1
1
5
0
@p1
@p2
@w
2
6 @x2 @x2 @x2 7 4
1 5
0
5
:
4 @p1 @p2 @w 5 =
2
151
@
@
@
505
505
2
@p
@p
@w
1
Ejercicio 39. A partir del ejemplo 13 obtenga soluciones explcitas para x( )

@x1
@
@
1 @x2
y a partir de ellas verique que las expresiones para @x
@p1 ; @p1 ; @p2 ; @w ; y @w coinciden
con las obtenidas en el ejemplo, (si no coinciden, revise el procedimiento seguido
en el ejemplo, puede haber errores de lgebra...).
Ejercicio 40. Considere el problema de minimizacin de costos de una rma
con funcin de produccin f (K; L)(f (:) es C 1 ) que es tomadora de precios en los
mercados de factores (los precios respectivos son r y w) que quiere producir al menos
la cantidad q . Suponga fk > 0 y fL > 0:
a) Plantee el problema de la rma y obtenga las condiciones de primer orden .
b) Muestre que el multiplicador asociado a la restriccin puede interpretarse como
el costo marginal.
c) Diferencie el sistema y obtenga cmo cambia cada una de las variables del
problema ante cambios en los parmetros.
d) Plantee supuestos sucientes (y muestre que lo son) para que la esttica comparati@K
@
@
va del problema arroje los siguientes resultados: @K
@r < 0; @w > 0; @r > 0; @q < 0:
Ejercicio 41. Plantear un ejemplo de equilibrio general con intercambio puro.
Ejercicio 42. Plantear un ejemplo de minimizacin del gasto de los consumidores.
65
Ejercicio 43. Plantear un ejemplo de maximizacin de utilidad de los consumidores

con solucin de esquina. Obtener la funcin de utilidad indirecta. Interpretar el
multiplicador.
APNDICE A
Formas Cuadrticas y Concavidad y convexidad

de funciones
Definicin 33. Una forma cuadrtica es una funcin q : Rn ! R
q(x) = xAxT =
n X
n
X
aik xi xk
i=1 k=1
Donde A = [aik ] es una matriz cuadrada y simtrica con entradas reales, x 2 Rn

es un vector, y xT su transpuesto.
El estudio de formas cuadrticas nos permite obtener resultados del comportamiento de una funcin, dicha informacin se obtiene a partir de las segundas
derivadas de la funcin en cuestin.
Es importante resaltar que cuando hablamos de funciones de una sola variable
la funcin cuadrtica f (x) = ax2 constituye la base para la prueba del teorema
que relaciona las nociones de segunda derivada, convexidad y concavidad. Cuando
hablamos de funciones de variables, este papel lo desempean las formas cuadrticas
q(x) = xAxT
Una forma cuadrtica q(x) = xAxT es
1.
2.
3.
4.
5.
:Denida positiva si q(x) > 0 para todo x 6= 0

Semidenida positiva si q(x) 0 para todo x:
Denida negativa si q(x) < 0 para todo x 6= 0:
Semidenida negativa si q(x) 0 para todo x:
Las dormas cuadrticas que no son semidenida positiva, ni semidenida
negativa, se denominan no denidas.
Ejemplo 40. La forma q(x; y) = 4x2 + 3y 2 ; es decir

(x; y)
4
0
0
3
x
y
cero si y slo si x = y = 0; de otro modo es positiva, por lo tanto es denida

positiva.
Ejemplo 41. La forma a(x; y; z) = 4x2 4xy + y 2 + z 2 ; la cual factorizando
adecuadamente se convierte en q(x; y; z) = (2x y)2 + z 2 es no negativa. Pero
existen otros valores distintos de x = y = z = 0 que la hacen cero, por ejemplo
z = 0; x = 3; y = 6;as que q(x; y; z) es semidenida positiva.La clasicacin de
las formas cuadrticas usando la denicin anterior puede resultar un ejercicio
bastante complicado en tanto el nmero de variables del polinomio crezca, por lo
67
68
A. FORM AS CUADRTICAS Y CONCAVIDAD Y CONVEXIDAD DE FUNCIONES
que es deseable trasladar el problema de la clasicacin de formas cuadrticas a

criterios matriciales simples. Para ello se plantea la siguiente denicin.
Definicin 34. sea A una matriz n n. El menor principal de A de orden 2
es el determinante
a11 a12
;
M2 =
a21 a22
el de orden 3
a11 a12 a13
M3 = a21 a22 a23 ;
a31 a32 a33
y en general, el de orden r es
Mr =
a11
a21
..
.
a12
a22
..
.
a1r
a2r
..
.
ar1
ar2
arr
Definicin 35. 13. Sea A una matriz de n n: Un menor principal primario de A de orden r es un determinante de la forma
Pr =
Es decir, surge de eliminar n
son:
aii
aji
..
.
aij
ajj
..
.
aik
ajk
..
.
aki
akj
akk
r r
r las y columnas con el mismo ndice.
Ejemplo 42. Por ejemplo los menores

0
1 4
B 2 6
C=B
@ 1 3
8 2
principales de orden 2 de la matriz

1
6 7
8 5 C
C
1 6 A
0 6
1 6
6 5
6 8
1 7
1 6
1 4
;
;
;
;
;
:
0 6
2 6
3 1
8 6
1 1
2 6
Observe que cada uno de estos determinantes se forma al eliminar dos columnas
y dos las correspondientes, esto debido a que la matriz C es 4 4 y en ese caso
cada menor principal primario sale de eliminar 4 2 = 2 columnas y las
correspondientes.
El siguiente teorema provee resultados que permiten vericar la denicin de
las formas cuadrticas a partir de los menores principales.
La forma cuadrtica q(x) = xAxT ; donde A es una matriz simtrica de tamao
n n, es:
1): Denida positiva si y slo si Mr > 0 para r = 1; 2; 3; :::; n:
2): Semidenida positivasi y slo si Pr 0 para r = 1; 2; 3; :::; n
3): Denida negativa si y slo si ( 1)r Mr > 0 para r = 1; 2; 3; :::; n:
4): Semidenida negativa si y slo si ( 1)r Pr 0 para r = 1; 2; 3; :::; n:
69
Una forma cuadrtica es denida positiva si y slo si todos los elementos de la

diagonal principal de su matriz de representacin y todos los menores principales
son positivos. Es denida negativa si y slo si todos los elementos de la diagonal
principal de su matriz de representacin son negativos y los menores principales
tienen signos intercalados, es decir, el menor principal de orden dos es positivo, el
de orden tres negativo, el de orden cuatro positivo y as sucesivamente.
Anlogamente examinamos si la forma es semidenida, pero para ello utilizamos
los menores principales primarios: para que la matriz sea semidenida positiva los
elementos en la diagonal y todos los menores primarios de la matriz deben ser
no negativos; para que sea semidenida negativa los elementos de la diagonal de
la matriz deben ser no positivos, los menores primarios de orden 2 deben ser no
negativos, los de orden 3 no positivos, y as sucesivamente.
Note que es posible determinar si la forma cuadrtica es denida positiva o
negativa simplemente chequeando el signo de los menores principales, pero para el
caso de las formas semidenidas debemos observar todos los menores principales
primarios.
Ejemplo 43. La matriz de q(x; y; z) = 16x2 8xy + y 2 + z 2 es
1
0
16
4 0
@ 4 1 0 A
0
0 1
sus menores principales son

16;
16
4
4
1
= 16
16 = 0 y
16
4
0
4
1
0
0
0
1
=0
Ntese por lo tanto que q no es denida positiva ni denida negativa. para examinar
si es semidenida deben considerarse los menores principales primarios. Los menores primarios de primer orden son:
16; 1 y 1
Los de segundo orden son
16
4
4
1
= 0; :::
16 0
0 1
= 16 y
1
0
0
1
=1
y el de tercer orden es
8
4 0
4 1 0 =0
0
0 1
como todos los menores primarios son no negativos, entonces la forma es semidenida positiva.
Ejercicio 44. Determinar si las siguientes formas cuadrticas son denidas
y en cso armativo clasicarlas como denida positiva (negativa) o semidenida
positiva (negativa):
a):
b):
c):
d):
q(x; y; z) = 4x2 + 4xy + 3y 2 + z 2

q(x; y; z) = x2 y 2 + xy
q(x; y; z) = (x 3y)2 (3x 2z)2
q(x; y; z) = zy + x2 + 3xz
(y
2z)2
70
e): q(x; y; z) =
x2 + 5yz + 3xy + z 2 :
Teorema 39. 16. La forma cuadrtica q(x) = xAx es:

Estrictamente convexa si y slo si es denida positiva
Convexa si y slo si es semidenida positiva.
Estrictamente cncava si y slo si es denida negativa
Cncava si y slo si es semidenida negativa.
Nota: se recomienda a los lectores revisar lo relativo a la matriz Hessiana y

Hessiana Orlada, para complementar el estudio de las formas cuadrticas en lo que
atae a su convexidad o concavidad.
0.4. Concavidad y Convexidad de Funciones.

0.4.1. Deniciones bsicas. Vista geomtricamente, una funcin es convexa sobre un conjunto convexo si la recta que une los puntos (z; f (x)) y (y; f (y))
est por encima de la grca de la funcin entre esos puntos, y es cncava si la recta
secante est por debajo de la grca de la funcin entre esos dos puntos, veamos
ahora una denicin formal.
Definicin 36. Sean A
Rn un subconjunto convexo y f : A
convexa si y slo si para todo x; y de A y 2 [0; 1],
f ( x + (1
) y)
f (x) + (1
y f es cncava si y slo si para todo x; y de A y

f ( x + (1
) y)
! R; f es
) f (y)
2 [0; 1],
f (x) + (1
) f (y)
Si en la denicin anterior las desigualdades se satisfacen en forma estricta para

0 < < 1 y valores de x y y distintos, se dice que la funcin es estrictamente
convexa o estrictamente cncava, dependiendo del caso.
Remark 11. Para determinar si una funcin es cncava o convexa se debe
encontrar el signo de f (x) + (1
) f (y) f x + (1
)y
71
Figura 2: funcin convexa
Figura 3: funcin cncava

Ejercicio 45. Determine si las siguientes funciones son cncavas, convexas o
ninguna de las dos
2
1. f (x) = 4 (1 x) :
2. f (x) = ax2 + bx + c:
Ejercicio 46. Demuestre lo siguiente.
1. Si f y g son convexas, entonces f + g es convexa.
2. La funcin f (x; y) = 4x2 3xy + 5y 2 es convexa
Proposicin 1. Sean A un subconjunto convexo de Rn y f : A
verica:
! R. Se
72
1. Si f es una funcin convexa (cncava) en A, entonces f es cncava

(convexa).(anlogamente para convexidad y concavidad estrictas).
2. Si f es convexa (cncava) en A y
0, entonces f es convexa (cncava).
3. Si f es convexa (cncava) en A y
0, entonces f es cncava (convexa).
4. Si ffi j i = 1; :::; mg es una familia de funciones convexas en A (cncavas),
m
P
0 i = 1; :::; m es una funcin
entonces la funcin f =
i fi con
i=1
convexa (cncava) en A:
Ejercicio 47. Demuestre la proposicin anterior

0.4.2.
Convexidad y concavidad de funciones diferenciables.
Proposicin 2. Sean A un conjunto abierto, no vacio y convexo de Rn , y f

una funcin diferenciable de A en R:La funcin f es convexa en A si y slo si para
cualesquiera x; y 2 A se verica que
f (y)
o, alternativamente,
f (x) + rf (x) (y
x)
[rf (y) rf (x)] (y x) 0;

Representando el smbolo r el gradiente de la funcin respectiva.
Para la convexidad estricta es requisito que x; y 2 A con x 6= y, adems
la desigualdad dbil cambia por desigualdad estricta. El resultado para funciones
cncavas se obtiene a partir de este invirtiendo el sentido de las desigualdades y
utilizando desigualdad dbil o estricta segn sea el caso.
Ejercicio 48. Aplicando la proposicin anterior, dena si las siguientes funciones
son cncavas o convexas
f (y1 ; y2 ) = ln (2y1 + ay2 )
f (x1 ; x2 ; x3 ) = ln (x1 ) + x2 x3
2
f (y1 ; y2 ) = y12 +
p3y2
f (x1 ; x2; x3 ) = ax1 + x2 + bx3
(y1 ; y2 ) 2 R2 ; a 2 R
(x1 ; x2 ; x3 ) 2 R3
(y1 ; y2 ) 2 R2
(x1 ; x2 ; x3 ) 2 R3 ; a; b 2 R
Proposicin 3. Sea A un subconjunto abierto no vaco y convexo de Rn y

f una funcin C 2 (dos veces diferenciable) denida de A en R. Entonces, la
funcin f es convexa (cncava) en A si para todo x 2 A la forma cuadrtica
con matriz asociada Hf (x) es semidenida positiva (semidenida negativa) o
denida positiva (denida negativa).Si para todo x 2 A, se verica que la forma
cuadrtica con matriz asociada Hf (x) es denida positiva (denida negativa),
la funcin f es estrictamente convexa (cncava) en A.
Ejemplo 44. Dada la funcin f (x; y; z) = ax2 + by 2 + z 2 + xy + 2xz tenemos
que para todo p 2 R3
2
3
2a 4 2
Hf (p) 4 4 2b 0 5
2 0 2
asumiendo que a > 0, b > 0 y ab > b + 4 tenemos que:
M1 : 2a > 0
M2 :
2a 4
4 2b
= 4 (ab
4) > 0
73
M3 : jHf (p)j = 8 (ab b 4) > 0

lo que nos indica entonces que la funcin es estrictamente convexa.
Ejercicio 49. A partir de la proposicin anterior estudiar la convexidad,
concavidad, as como la concavidad o convexidad estrictas de las siguientes funciones.
p
1. f (x; y; z) = x + y + z para x > 0; y > 0; z > 0.
2. f (x; y) = (x + y) ex+y para x > 0; y > 0.
2
3. f (x; y; z) = (x; y; z) para todo x; y; z.
2
4. f (x; y; z) = ax + by 2 + z 2 + 12xy + 3xz tal que (x; y; z) 2 R3
5. f (x1 ; x2; x3 ) = ex1 x2 +x3 (x1 ; x2; x3 ) 2 R3 .
0.4.3. Cuasiconcavidad, cuasiconvexidad y pseudoconcavidad de funciones. Adicionalmente a las funciones cncavas y convexas existen las funciones
cuasicncavas y cuasiconvexas, las cuales juegan un importante papel en optimizacin, pues
son menos restrictivas que las primeras, pero conservan algunas de sus propiedades.
En particular, una funcin cuasicncava (cuasiconvexa) tiene la carcaterstica de
tener a lo ms un peak (valle), por lo que cualquier mximo (mnimo) local de la
funcin ser tambin un mximo (mnimo) global. Esta propiedad es particularmente
til para problemas de maximizacin (minimizacin).
Definicin 37. Sean A Rn un conjunto convexo no vacio y f una funcin
f : A ! R; entonces decimos que f es cuasiconvexa en A si y slo si para todo
x; y de A y 2 [0; 1] ;
f ( x + (1
) y)
max ff (x) ; f (y)g
) y)
m{n ff (x) ; f (y)g
y f es cuasicncava si y slo si
f ( x + (1
n
Sean A R un conjunto convexo no vacio y f una funcin f : A ! R; entonces

decimos que f es estrictamente cuasiconvexa en A si para todo x; y de A; x 6= y y
2 (0; 1),
f ( x + (1
) y) < max ff (x) ; f (y)g
y f es estrictamente cuasicncava en A si
f ( x + (1
) y) > m{n ff (x) ; f (y)g
0.4.4. Cuasiconcavidad de funciones diferenciables. Sean A un subconjunto abierto, no vaco y convexo de Rn , y f una funcin f : A ! R y diferenciable
en A. Entonces se verica que.
1): La funcin f es cuasiconvexa en A si y slo si para cualquier x; y 2A
tales que f (y) f (x) se tiene que
rf (x) (x
y)
2): Si para cualquier x; y 2 A con x 6= y tales que f (y)

rf (x) (x
f (x) se tiene que
y) < 0
entonces f es estrictamente convexa.

Para el caso de funciones cncavas y estrictamente cncavas el resultado es
74
anlogo, lo nico que debemos cambiar es el signo de todas las desigualdades para cada caso.
Proposicin 4. Sean A un subconjunto abierto, no vaco y convexo de Rn ,
cf (x) la
y f una funcin C 2 (dos veces continuamente diferenciable) en A: Sea H
matriz cuadrada de orden n + 1 denominada Hessiana Orlada y denida por
3
2
0
f1
f2
fn
6 f1 f11 f12
f1n 7
7
6
6
f
f
f
f2n 7
cf (x1 ; x2; :::; xn ) = 6 2
21
22
H
7
6 ..
..
..
.. 7
4 .
.
.
. 5
fn
fn1
fn2
fnn
Se verica que.
1. Si la funcin f es cuasiconvexa en A, entonces para todo x 2 A y todo r =
2; 3; :::; n + 1 se cumple que
h
i
cf (x)
Mr H
0
2. Si la funcin f es cuasicncava en A entonces, para todo x 2 A y todo r =

2; 3; :::; n + 1 se cumple que1
h
i
r+1
cf (x)
( 1)
Mr H
0
3. Si para todo x 2 A y todo r = 2; 3; :::; n + 1 se tiene que
i
h
cf (x) < 0
Mr H
entonces la funcin f es estrictamente cuasiconvexa.

4. Si para todo x 2 A y todo r = 2; 3; :::; n + 1 se tiene que
h
i
r+1
cf (x) > 0
( 1)
Mr H
entonces la funcin f es estrictamente cuasicncava.
Ejercicio 50. Diga cuales de los siguientes conjuntos son convexos.

1.
2.
3.
4.
5.
A=
A=
A=
A=
A=
(x1 ; x2 ) 2 R2 j x2 = senx1
(x1 ; x2 ) 2 R2 j x2 + x1 < 4
(x1 ; x2 ) 2 R2 j x2 > x1
(x1 ; x2 ) 2 R2 j x2 x1
(x1 ; x2 ; x3 ) 2 R3 j x22 + x21 x3
Ejercicio 51. Determine cules de las siguietes funciones son convexas, cncavas, cuasicncavas o cuasiconvexas, adems en los casos en que el ejercicio contenga
parmetros decir que valores de los parmetros hacen la funcin cncava o convexa:2
1. f (x) = x3 2x:
2. f (x1 ; x2 ) = 4x1 8x2
3
3. f (x1 ; x2 ) = 3 (x1 + x2 ) , (x1; x2 ) 2 R2
1 Es preciso que el estudiante que se dirija a Chiang. Alpha, C. (1987), tenga en cuenta que
all se dene el menor principal como 1, a partir del segundo elemento de la diagonal principal, el
cual equivale a la segunda derivada del primer elemento del vector x, es decir obvian la orla de la
matriz Hessiana.
2 Nota: R = fx 2 R j x
0g y R++ = fx 2 R j x > 0g :
+
75
f (x; y; z) = 2x2 + 3y 2 az 2 + 3xy + 4yz:

f (x; y) = x + axy bx2 + y 2 ; (x; y) 2 R2 :
f (x; y) = x2 y 2 ; (x; y > 0)
f (x) = ax4 bx2 + 3; x 2 R
f (x; y; z) = ax2 + bz 2 + cy 2 en R3 con a; b; c 2 R:
n
P
9. f (x) = ln
xi con x 2 Rn++ :
4.
5.
6.
7.
8.
i=1
10.
11.
12.
13.
f (x1 ; x2 ) = ln (x1 :x2 ), (x1 ; x2; ) 2 R2++

f (x; y) = Ax y asuma que + > 0:
f (x; y; z) = ex ln
yz
p
4
xz
f (x; y; z) = y 2
Ejercicio 52. Muestre que:

a. La suma de funciones cuasiconvexas no necesariamente es cuasiconvexa.
b. Cualquier funcin montona es cuasiconvexa o cuasicncava.
c. Si f es creciente y g es cuasiconvexa, h (x) = f (g (x)) es cuasiconvexa.
0.4.5.
Pseudoconcavidad.
Definicin 38. Sea f : X ! < una funcin C 1 denida en el set convexo y

abierto X <n f es pseudo cncava si para todo x0 ; x00 2 X se verica que
0
rf (x)(x00
x)
0=)f (x0 )
f (x):
Las funciones pseudocncavas tienen algunas propiedades cuyas demostraciones

quedan planteadas como ejercicios.
Ejemplo 45. La funcin f (x) = +x
x3 es pseudocncava.
120
100
80
60
40
20
-5
-4
-3
-2
-1
1
-20
-40
-60
-80
-100
-120
Funcin x
x3
Ejercicio 53. Es f (x) = x3 pseudocncava? Es cuasicncava? Y cncava?
76
Ejercicio 54. Demuestre que si el gradiente de una funcin pseudocncava en

un punto es cero entonces la funcin alcanza un mximo en dicho punto. Pruebe
adicionalmente que esta propiedad no es vlida para una funcin cuasicncava.
Ejercicio 55. Demuestre que si una funcin es pseudo cncava entonces es
tambin cuasi cncava.
El siguiente cuadro provee una sntesis de las relaciones entre las deniciones
presentadas.
f es estrictamente
cncava
+
f es
cncava
=)
=)
f es pseudo
cncava
=)
f es estrictamente
cuasicncava
+
f es
cuasicncava
Ejercicio 56. Demuestre mediante contraejemplos que las causalidades opuestas

a las presentadas en el cuadro anterior no son vlidas.

Notas de Economia Matemática

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Notas de Economia Matemática

Hochgeladen von

Copyright:

Verfügbare Formate

Notas Docentes de Economa Matemtica - Parte

Captulo 3. Optimizacin Esttica

Formas Cuadrticas y Concavidad y convexidad de funciones

Conceptos Bsicos de Lgica Proposicional y

1.1. Proposiciones Simples y Compuestas. La lgica clsica (bi-valente)

1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

donde usamos la letra F para denotar falso y la letra V para verdadero.1

Disjuncin. Si p y q son proposiciones, entonces la propocision p _ q (se lee p

Dado que el si y solo si es la abreviacin de formulas proposicionales que

1 Esta notacin se conserva a lo largo de la unidad.

Ejemplo 2. [: (p ^ q)] es logicamente equivalente a [(:p _ :q)]

Cuando dos proposiciones compuestas p y q son lgicamente equivalente, su

Ejercicio 2. Escriba la negacin de las siguientes proposiciones

Si K es cerrado y acotado, entonces K es compacto

1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

p (x) denota una proposicin funcional, p es la oracin y x la variable. Asi que

2. TCNICAS DE DEM OSTRACIN

1. x es impar si y slo si x2 es impar

Ejercicio 7. Verique las siguientes tautologias.

(p () q) () [(p =) q)] ^ [(q =) p)]

1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

Una forma alternativa de demostrar esta proposicin es por el mtodo de

2. TCNICAS DE DEM OSTRACIN

2.0.4. Prueba por Contradiccin. Suponga que deseamos probar que p =) q.

Ejemplo 5. Utilicemos el mtodo de contradiccin para demostrar que si

Demostracin. Suponga que m es impar, y m es par, entonces m se puede

1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

Axioma de buena ordenacin (B.O) Si S Z+ ; S 6= ;;entonces existe un m 2 S

Demostracin. Sabemos que 1 2 Z+ :Sea

3. CONCEPTOS BSICOS SOBRE TEORA DE CONJUNTOS

Realizar la demostracin por el mtodo directo para los ejercicios del 1 al

Ejercicio 12. En los siguientes ejercicios, encontrar un contraejemplo que

Si a y b son nmeros enteros(a + b) 6= a3 + b3

Ejercicio 13. Demostrar que:

1. Para todo n 2 Z+ ; es valda la formula 1 + 3 + 5 + ::: + (2n

Conceptos bsicos sobre teora de conjuntos

10 1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

Existen dos maneras de nombrar un conjunto:

Observe que: un conjunto no cambia al reordenar sus elementos, ni al repetirlos,

Los elementos de este conjunto son a su vez conjuntos.

4. OPERACIONES SOBRE CONJUNTOS

2. Si A = f3; ;; f2gg ; los elementos de A son 3; ;; y f2g ;2 no es elemento de

Operaciones sobre conjuntos

Ambas deniciones pueden ser extendidas a una coleccin nita o innita de

j x 2 Ai para algun i = 1; :::; ng

j x 2 Ai para todo i = 1; :::; ng

Usando un argumento similar denimos la interseccion de n subconjuntos de

Teorema 4. Sean A1 ; A2; :::; An subconjuntos de

12 1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

A partir de la denicin decimos que un nmero es racional si posee un periodo

5. CONJUNTOS NUM RICOS

Otros subconjuntos de los reales son:

Definicin 5. Si x 2 R, entonces el valor absoluto de x; denotado por jxj ; es

El valor absoluto de un nmero puede considerarse como su distancia (sin tener

En la recta numrica real, ja bj unidades puede interpretarse como la distancia

En consecuencia de la proposicin 1 (jxj < a ()

a < x < a) con

14 1. CONCEPTOS BSICOS DE LGICA PROPOSICIONAL Y TEORA DE CONJUNTOS

Demostracin. 1. ja bj = ja + ( b)j jaj + j( b)j = jaj + jbj. En

Conceptos de Topologa Mtrica

Definicin 6. Un conjunto X, cuyos elementos llamaremos puntos, se dice

Dada la denicin anterior podemos decir que un espacio mtrico es un par

Se puede vericar que d es una mtrica en X, sta es llamada la mtrica la mtrica

2. La bola cerrada con centro en a y radio r es el conjunto