Beruflich Dokumente
Kultur Dokumente
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
25
25
26
27
28
35
49
55
Apndice A.
67
iii
CAPTULO 1
Lgica Proposicional
:p
F
V
1
q
V
F
V
F
p^q
V
F
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
:p
F
V
: (:p)
V
F
1. LGICA PROPOSICIONAL
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
[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)]
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.
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
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
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
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
1.
2.
3.
4.
5.
1) = n2
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.
R=S
Ag
11
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
\ni=1 Ai = A1 \ A2 \ ::: \ An = fx 2
:Entonces.
[[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
cerrados.
abiertos.
cerrado a izquierda y abierto a derecha.
abierto a izquierda y cerrado a derecha.
13
= fx 2 R j x 0g
= fx 2 R j x > 0g
si x 0
x si x < 0
bj =
a
b
b
a
si a b
si a < b
a+b
jaj + jbj
en lugar de
CAPTULO 2
Espacios mtricos
yj, es un mtrica.
q
2
Ejemplo 11. Distancia euclidiana en R2 d (x; y) = (x1 y1 ) + (x2
y2 ) .
7 !
(x; y) 7 !
R
d(x; y) =
0 si x = y
1 si x 6= y:
rg:
Para estos conjuntos se tiene Sr (a) \ Br (a) = ; y Sr (a) [ Br (a) = Br0 (a)
15
16
y1 j + jx2
y2 j), tenemos
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)
;; y x 2 X =)
1. ESPACIOS M TRICOS
17
Ac
intA
A es
A es
A es
18
[0; 2]
[0; 2]
fxg) \ A 6= ;
[ M; M ]
1. ESPACIOS M TRICOS
19
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
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.
; :::;
1
nk ; 1
1
N;1
!1
xn = x: Una sucesin
1
!1 n
=0
2.l mn
1
!1 pn
=0
3. l mn
n2 +2
!1 3n2 +4
1
3
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
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 ;; :
1. ESPACIOS M TRICOS
21
!Y y
(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
1 1
n; n
converge a
22
Convexidad de conjuntos
2. CONVEXIDAD DE CONJUNTOS
23
CAPTULO 3
Optimizacin Esttica
1.
Introduccin
25
26
2.
Existencia
y
40
30
20
10
0
1
-10
3. UNICIDAD
27
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
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
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.
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
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)
h!0
0; Por lo tanto,
f 0 (c) = l m
f (c + h)
h
0 y f 0 (c)
h!0
f (c)
l m0 = 0
h!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
@f
@f
@f
(x) ;
(x) ; :::;
(x) :
@x1
@x2
@xn
31
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
=0
= 0:
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
=
=
=
3x
2x 3 3z = 0
2y = 0
3x + 6z = 0:
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
@ ( ) X @f (x ( ) ; ) @xi ( ) @f (x ( ) ; )
=
+
;
@ j
@xi
@ j
@ j
i=1
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;
rK (p;r; w)
wL (p;r; w) :
35
@
@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.
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
$ (x; y; ) = 8 + 3x
5)
3+ =0
4y + 3 = 0
x + 3y 5 = 0:
= 47=4
=
9=4
=
3:
-4
-3
10
20
25
-5
-1
00 0
5
-50
x
15
-2
y
1
2
3
4
5
37
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:
(x )
:::
@gm
@xn
(x )
38
x2
sujeto a
g (x) = x32
x21 = 0:
-2.0
-1.5
-1.0
-0.5
0.5
1.0
1.5
2.0
-1
-2
:
:
:
2x1 = 0
1 + 3x22 = 0
x32
x21 = 0
39
AK L
wL =
q;
q
L =
A
r
w
1
+
40
-5
-4
-2
0
0
0
5
-50
2
4
10
15
20
25
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
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 :
$ (x; y; z; w; ; ) = x2 + y 2 +
x2
z2
w2 +
y2
2z 2
3w2
42
= 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
= 2+2
= 2+2
= 2 +4
= 4z
= 6w
;$x
;$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
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
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
44
9
>
>
>
=
>
>
>
;
(P 00 )
45
9
opt xy + yz =
s.a x2 + y 2 = 2
;
y+z =2
46
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
n
X
i=1
@gj @xi
+
@xi @ k
se tiene
@gj
= 0 ; j = 1; :::; m: (*)
@ k
( ) =
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
@ ( )
=f
@ k
m
X
j=1
@gj
:
@ k
49
6.1. Caracterizacin.
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
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
(x ) = 0:
@gi
@xj
i2I n
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
1;
2; 3
= 2y
x2 +
x2
y2 +
2x
3 y:
51
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
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:
q:
6.2.
53
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
x2 2y 2
3; x 0; y
0:
54
1;
2;
3)
x2
2y 2 +
(x + 3y
3) +
2x
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
+
+
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
x + 3y
1:
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.
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
(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
B
B
B
B
Ay = B
B
B
@
a11
..
.
..
.
..
.
am1
:::
:::
..
a1n
..
.
y1
..
.
..
.
..
.
amn
ym
:::
1
C
C
C
C
C
C
C
A
57
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.
= 0;
B ;
58
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
(0) = fx 2 X; f (x) = 0g
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( ); )
n Dx(
59
! Rm ; diferenciando el sistema
)nxp + D (x; )n
= 0n
p:
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
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
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
I(i) + X0
S(y; i)
M (Y )
MS0
L(Y ; 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
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
65
APNDICE A
n X
n
X
aik xi xk
i=1 k=1
4
0
0
3
x
y
68
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 =
son:
aii
aji
..
.
aij
ajj
..
.
aik
ajk
..
.
aki
akj
akk
r r
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
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):
(y
2z)2
70
e): q(x; y; z) =
x2 + 5yz + 3xy + z 2 :
) y)
f (x) + (1
) y)
! R; f es
) f (y)
2 [0; 1],
f (x) + (1
) f (y)
71
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
convexa (cncava) en A:
o, alternativamente,
f (x) + rf (x) (y
x)
(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
2a 4
4 2b
= 4 (ab
4) > 0
73
) y)
) y)
y f es cuasicncava si y slo si
f ( x + (1
n
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)
y) < 0
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
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
i=1
10.
11.
12.
13.
Pseudoconcavidad.
rf (x)(x00
x)
0=)f (x0 )
f (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
76
=)
=)
f es pseudo
cncava
=)
f es estrictamente
cuasicncava
+
f es
cuasicncava