Economia Matematica Diego Escobar Uribe 2ed

ara aT) 24 re ere kere AY emer oe net eny rend Peis!a DIEGO ESCOBAR URIBE atema _2a. Edicion _ Se EDICIONES UNIANDES Facultad de Ciencias Departamento de Matematicas PAVONNG EScRinia als {0S UbADS 4 ee WSIS : nth BaD FEE, SENERAL UNANDES A AlfaomegaEscobar Uribe, Diego Economfa matemitica / Diego Escobar Unibe. — 2. edicién - Bogot4 : Universidad de los Andes, Facultad de Ciencias, Departamento de Matemdticas, Ediciones Uniandes : Alfaomega Colombiana, 2005. 3\l p.; 17x 23.cm." ISBN 958-682-603-1 1. Economfa matemitica I. Universidad de los Andes (Colombia). Facultad de Ciencias. Departamento de Matematica IL Tit. CDD 330.1543 Primera edici6n: julio de 2001 Segunda edicién: diciembre de 2005 © Alfaomega Colombiana S.A. J Calle 106 A No. 22-56 1 Teléfono: 6 197677 Bogot4 D.C., Colombia hetp://alfaomega.com.co editorial@alfaomega.com.co © Universidad de Los Andes, Facultad de Ciencias, Departamento de Matematicas. Calle 19 A No. 1-37 Este Teléfono: 3 394949 — 3 394999, Ext: 2786 Bogoté D.C., Colombia http://matematicas.uniandes.edu.co . Matema@uniandes.edu.co Ediciones Uniandes Carrera 18, No 19-27. Edificio AU 6 Bogoté D.C., Colombia Teléfono: 3394949- 3394999. Ext: 2133. Fax: Ext. 2158 http://ediciones.uniandes.edu.co infeduni@uniandes.edu.co ISBN: 958-682-603-1 Diagramaci6n: Juana Vall-Serra Disefio de carétula: Teresa Mariiio Garcfa Edicién e impresién: Alfaomega S.A. Calle 106 A N® 22-56 - Bogoté, Colombia Teléfonos: (571)619 7677 + Fax: (571) 602 0633 Correo electrénico: aeditorial@ alfaomega.com.co Impreso en Colombia ~ Printed in Colombia Todos los derechos reservados. Esta publicacién no puede ser reproducida ni en su todo ni en sus partes, ni registrada en o trasmitida por un sistema de recuperacidn de informacién, en ninguna forma ni por ningin medio sea mecénico, fotoquimico, electrénico, magnético, electro-éptico, por fotocopia o cualquier otro, sin el permiso previo por escrito de ta editorial. NN). Contenido Cn Prefacio iii Introduccién / Vv 1. Analisis convexo 1.1. Conjuntos convexos....- ++ ee eee bee ee 1 1.2. Funciones céncavas y convexaS 2. ee ee 4 1.3. Méximos de funciones céncavas .. 6.6 ee ee es 21 1.4. Optimizacién restringida-igualdad ....--- eee teers 25 1.5. Optimizacién restringida-Kuhn-Tucker .. 2.6. - +++ +e: 36 1.6. Hjercicios 2... es ee 57 1.7. Apéndice . 6... ee 61 1.8. Sugerencias y soluciones ©... - ee ee ee es 67. 2. Aplicaciones econémicas 71 91. Teorema de laenvolvente 2... 0.6 ee eee eee val 9.2. Teoria dela producci6n .. 1... eee ets 81 93. Teoria del consumidor ......--00 22 ee eee Dee 94 2.4. Hjercicios . 6. ee 108 2.5. Sugerencias y soluciones .......- Le eee 113 JRPRRPRERERHRRE Pe eee PP ee Pe e|e|ECONOM[A MATEMATICA 3. Ecuaciones diferenciales 3.1. Introduccién. .. 2... ee eee 3.2. Solucién de casos sencillos ..........02.. 3.3. Ecuaciones de orden superior ............ 3.4, Sistemas de ecuaciones diferenciales 3.5. Diagramas de fase ..........2..000... 3.6. Hjercicios .. 2... el 3.7. Sugerencias y soluciones ............... 4. Ecuaciones en diferencia 4.1. Introduccion... 2... ll, La 4.2, Ecuaciones lineales ...........2.,202..., 4.3. Ecuaciones deordenn>2.............. 44. Sistemas de ecuaciones............20,.. 4.5. Estabilidad .. 2.2... 4.6. Ecuaciones no lineales ........,.., Dee 4.7, Hjercicios ........0., ee eee ee 4.8. Sugerencias y soluciones ..'°......... Moe. 5. Optimizacién dindmica 5.1. Introducci6n. . 2... eee, 5.2, Principio de Pontryagin ...........2... 5.3. Generalizaciones ... 2.2.0... 5.4. Calculo de variaciones .......... lee 5.5. Horizonte infinito.. 2... 0... alle. 5.6. Elementos de programacién dindmica 5.7. Hjercicios . 2... le 5.8. Apéndice 22... el 5.9. Sugerencias y soluciones ..........202,.., Bibliografia Indice alfabético , Prefacio ee ! Este libro es el fruto de muchos ajios de dedicacién de Diego Escobar a la investigaciOn y a la docencia. Desde hace mucho tiempo era evidente la necesidad dé una elevada forma- cin matematica por parte de los economistas, dado el estado de desarrollo de la ciencia econdémica. Este libro llena un vacio claro. La formacién basica en matematicas, que han tenido los economistas, consiste en cursos de célculo diferencial e integral y de Algebra Lineal. El presente libro va més all4 de estos conocimientos y esté disehado para un ultimo curso de matematicas para economistas. Los temas que trata son los necesarios para una buena comprensién de la microeconomia y la macroeconomia. Empieza con los temas indispensables para las teorfas del consumidor y el productor, como son el andlisis convexo y las técnicas de optimizacién estdtica bajo restricciones de igualdad o desigualdad; sigue con las herramientas matematicas utilizadas en modelos dindmicos, micro 0 macroeconémicos; es decir, con ecuaciones diferenciales y en dife rencias finitas, y concluye con los temas de optimizacién dindmica, con los formalismos alternativos de teorfa del control 6ptimo, cdlculo de variaciones y Programacién Dindmica. No es facil organizar un curso con estos temas; antes de los bros del profesor Escobar, era necesario tomar capitulos de diferentes textos de mateméaticas orientados a los ingenieros o a los matematicos puros, pues no existia una pu- blicacién que presentara estos indispensables temas desde el punto de vista del economista. iiiECONOMIA MATEMATICA E] contenido del libro ha sido probado en numerosos cursos, por el pro-- fesor Escobar y sus colegas y disc{pulos en varias facultades colombianas de economia, y ha sido refinado con esa experiencia. Felicito al profesor Escobar por este nuevo trabajo y le agradezco, en nom- bre de los economistas colombianos, su dedicacién a la docencia en estos temas, la cual ha permitido elevar la formacién mateméatica de los estudiantes y, por tanto, facilitar su asimilacién de la teorfa econdémica moderna. Manuel Ramirez Gomez . Coordinador del Grupo de Investigacién . Facultad de Economia, Universidad del Rosario iv eee , Introduccién J. Marschak decia: “el hecho de que una teorfa internamente coherente y determinada se formule o no en términos ‘matematicos, no cambia su esencia ldgica; pero es mas facil verificar su coherencia y su determinacién si se evuncia en términos matematicos”. Este principio me ha servido como leitmotiv al escribir este libro. La coherencia, la belleza, el rigor y la simpleza matenatica dejan ver un tema como la economfa desde otra perspectiva. Hoy en dia, y para no entrar en un didlogo de sordos, cualquier economista debe poder leer y comprender el lenguaje matemdtico para poder opinar sobre lo que muchos colegas intentan decir. : Desde la aparicién de mi primer libro, Introduccién a la economia ma- temdtica, se han presentado avances y han surgido con mucha més fuerza algunos temas matematicos que, aunque no eran desconocidos, si se han vuelto indispensables. La primera edicién del presente trabajo introdujo ciertas modificaciones, sobre todo al incluir un desarrollo mayor del Teorema de la Envolvente y algunos cambios en la seccién sobre Programacién Dindmica. : ‘La presente edicién, recogiendo los avances que mencioné, de nuevo, introduce cambios en el tema de la optimizacién dindmica para casos discretos ampliando el principio de solucién de Bellman. Ello se debe a sugerencias de colegas y lectores que necesitan del instrumento de la Programacién Dindmica y, en particular, las aplicaciones a la macroeconomfa. Esta edicién también tiene cambios sustanciales en cuanto al formato y la presentacién. En particular, para hacer més facil su lectura, se dejaron espacios suficientes entre los desarrollos de las ecuaciones que facilitan su lectura y Vv TwWTt JPPRRETYE= Te ONOMIA MATEMATICA , Séguimiento. Quiero agradecer en forma especial a Juana Vall-Serra por su . dedicacién, minuciosidad Y sugerencias para el nuevo formato. La esperanza es que todos estos esfuerzos se traduzcan en una mayor com- preusién por parte de log lectores, y que este libro no sélo sirva su Propésito de ser un texto bdsico de Economia Matematica, sino, a su vez, un manual de referencia en estos temas. Esguerra y Eliana Medina en Ediciones Uniandes y Teresa Marifio por parte de Alfaomega, 8racias por su paciencia y colaboracién. : \ ‘ Diego Escobar Uribe Bogota, diciembre de 2005 vi Capitulo I a Analisis convexo 1.1. Conjuntos convexos globales y tnicos 0 sdlo locales. En lo general interesan y se buscan log prime- TOs, pero no es posible tener puntos de “buen comportamiento” sin éxigirles a Definicién 1.1. Un conjunto x C R” se llama convexo, si para cualquier "ut €X yA € (0,1), Any +t — Alay eX Geométricamente, la convexidad significa, por lo tanto, que un Conjunto €s convexo siempre y cuando el Segmento de recta que une cualquier par de puntos 21 y x9 esté contenido enteramente en el conjunto.ECONOMIA MATEMATICA Ax, 41-A] x, Figura 1.1. . . Podemos agrupar algunas de las mds importantes y elementales propiedades de los conjuntos convexos en el siguiente teorema: Teorema 1.1. Si_X ¥ Y son dos conjuntos convexos, entonces \ i XY es un conjunto convexo. i, X+Y=a{z+y|ze X, 4 © Y} es un conjunto convéxo. iii, KX ={kzl|xe X}, donde k € R, es un conjunte convexo. Demostramos formalmente la segunda parte del teorema anterior. En los ejercicios al final del capitulo se | e pedird al lector la demostracién de los restantes enunciados. : Demostracién. Sean 21 y z2 dos elementos cualesquiera de X+Y, Existen entonces £1, 4% € X Y v1.42 €Y tal que z, = T1 +N Y 22=22+4y9. Témese # = Az + [1 Alen = Mor + yn) + [1 — Allg yp) ~ = (Az + [1 _ A] 22) + Oy + fl - A]ye). Pero como X,Y son conjuntos convexos, se tiene que Ar, + [1 — Aas € X y M1 +[1-AlyweY y, Por lo tanto, ze X+Y, _I ANALISIS CONVEXO Ejemplo 1.1. (i) Eldisco M, = {(x,y) € R? |2?+y? < 4} es un conjunto convexo mientras la circunferencia My = {(z,y) € R? |a2 + y? = 4} no loes. (ii) Los conjuntos Mz = {(z,y) €R?|y> 22} y My = {(z,y) € R?|y > |x}} son también conjuntos convexos. Verifiquemos lo anterior para Mo. Para ello supanga que (x1, y1) y (Za, y2) son dos puntos cualesquiera de M2 y, por lo tanto, tenemos que . Wea y Yd? Para 4’€ [0, 1] vale entonces que Ay > Az? y también [1 ~ A]ye > [1 — A]arg?, por lo que! Aon + [L = Alya & Aey? + [1 — Along? > (Aay + [1 — Alera)? que implica A(z1, 1) + [1 — A] (x2, ye) = (Avi + [1 — Aare, Ay + [1 — A]ye) € Mo. (iii) El conjunto My = {x € R”|Az < b}, donde A es una matriz m x n yb un vector m x 1, es un conjunto convexo. Este conjunto, que representa un poliedro, aparece como conjunto de puntos factibles en un problema de programacién lineal. Para verificar que realmente es convexo basta de nuevo tomar dos puntos cualesquiera X1,22 € Mg. Para ellos, se tiene que Az) A221? +2X(1 — A)a122 + (1 — A)P29?. PPFFRECCRR ete er eee ere ee ccECONOMIA MATEMATICA 1.2. Funciones céncavas y convexas my Estudiamos a continuacién las funciones convexas y las funciones céncavas. Estos conceptos, como dijimos, estardn ligados a la caracterizacién de minimos y méximos de una funcién. Definicién 1.2. Sea f : X —+R con X C R™ convexo. i. f se llama una funcién conveza si para cualquier par de puntos 1, wgEX yA€ [0,1], f(Aay + [1 — A]za) < Af(e1) + [F- A] f(z2). ii. f se llama estrictamente conveza si en (i) cambiamos “< por “<% y € (0,1). : iii, f se llama céncava si —f es convexa 0, lo que es lo mismo, si en (i) se sustituye “<” por “>”. De nuevo podemos dar para una funcién convexa y para el caso’ 0 de ser X CR una interpretacién geométrica: 4 +f) . 4 f(%2) A(x) + [1-2] f(a) f(x, + [1-2]x,) 6 F(%) ee x Axjt[l-A]x, 2X, x. . Figura 1.2. La convexidad dice, entonces, que la imagen del punto Az; + [1 — Alxg debe estar por debajo de la combinacién \f (x1) + [1 —A]f (22). En forma similar se define una funcién estrictamente céncava. 4 \ ANALISIS CONVEXO ‘Nota 1.1. (a) Por la anterior definicién queda claro que muchas propiedades de las funciones convexas se prueban en forma idéntica para funciones céncavas. Por ello, en las demostraciones y ejemplos que siguen nos limitaremos, en lo general, a tratar el caso de funciones céncavas. (b) Naturalmente se desprende que estrictamente convexo o céncavo implica convexo 0 céncavo. : _ En varios textos se definen funciones convexas y céncavas por otro camino que en algunos casos es mds conveniente. Para ello se introduce el concepto de hipégrafo y epigrafo de una funcidén, y simplemente se define una funcidén céncava como aquella cuyo hipégrafo es un conjunto convexo. Similarmente, una funcién convexa es aquella cuyo epigrafo es convexo. Sin embargo, el teorema que sigue mostraré que las definiciones son, respectivamente, equivalentes. Para ello veamos primero qué se entiende por hipdgrafo y epigrafo: Definicién 1.3. Sea f : X —+ R con X C R” convexo i. Hy = {(z,k)|x € Xk ER,k < f(x)} se llama el hipdgrafo de f. ii, By = {(2,k)|c © X,KER,k > f(z)} se lama el epigrafo de f. Nétese que tanto i ¢ como Js son subconjuntos de R*+1, La figura 1.3 nos ilustra para f(x) = x? estos dos conceptos.JPET eee ee eeeee eee erage? ECONOMIA MATEMATICA Teorema 1.2. Sea f:X—+RconX cR® convexo. Entonces, i, f es convexa <> Ey es un subconjunto convexo de R"+, ii, f es cOncava <=> Hy es un subconjunto convexo de R*+1, Demostracién. Mostraremos (ii): “=” Sea Hy convexo y sean 21,29 € X. Como (x1, f(#1)); (wa, f(ae)) € Hy y Hy es un conjunto convexo, : Mei, f(21)) +[1—A] (a2, f(g) = (Aa +[1~Alwo, Af(e1)+[1—-A]f (a2) iy. Pero esto significa que , f (Ati +[1—A}ze) > Af(a1) + [1 Alf (22), es decir, f es céncava. a “=>” Suponga, al contrario, que f . es una funcién céncava y sean (2,1), (a2, ko) € H;. Entonces, ky < flti)y ko < f (xa). ° 7 Como 4 € [0,1] ‘ ". Aki < Xf (21). . [1—A}ke < [1 — Al f(x2) que implica . Aki + [1 —Alko < Af(ay) +1 Alf (x2) | S fn + [1 ~A]zg), ya que f es céncava. Por Jo tanto, (Av, + [1 — Ajera), Mey + [1 — A]ke) € Hy, lo que significa que Hy es un conjunto convexo. a] Exigirle a una funcién que sea céncava o convexa puede resultar en varias aplicaciones una condicién demasiado fuerte. Por ello es suficiente, en algunos casos de interés, pedirle una condicién més suave, pero que en virtud del las funciones cuasiconvexas y cuasicéncavas, y estableceremos la relacién con la concavidad y convexidad. Definimos primero el concepto de contorno que nos facilita esta tiltima tarea, : : 6 . : ANALISIS CONVEXO Definicién 1.4. Sea f : X —+ R con X C R" convexo. Sea y un elemento del rango de f. Entonces los conjuntos se llaman: i Cry) = {2 © X| f(x) = y} el contorno de f en y. ii, CSp(y) = {2 € X| f(x) > y} el contorno superior de f en y. ili, Cl¢(y) = {a € X|f(x) < y} el contorno inferior de f en y. Teorema 1.3. Sea f: X —+R con X CR" convexo. Entonces, i.Si f es céncava => Para todo y del rango de f, C'S;(y) es un conjunto convexo. | ii. Si f e& convexa > Para todo y del rango de f, CI;(y) es un conjunto - convexo. Demostracién. Demostramos (i): Sean 21,29 € CS f(y). Entonces, f (a1) > y y f(x2) > y. Como f es céncava F(Avi + [1 —A}e) > Af (a1) + [1 — A] f(22) 2Ay+[l-Aly=y- lo cual significa que el contorno superior es un conjunto convexo, ya que Any + (L— A)xo € CS;(y). a) Nota 1.2. (a) Témese en cuenta que Cs,C'S; y CI; son subconjuntos de R”. (b) No es vélido el teorema 1.3 en el sentido contrario, como puede apreciarse | en el siguiente contraejemplo: Sea f(r) = x3, entonces CS;(y) = {2|2® > y} = {le > yi} = [p3, 00) que es. un conjunto convexo. Pero f (x) no es una funcién céncava. Definicién 1.5. Sea X. © R* convexo. Se dice que f : X —+ R es una ' funcién cuasicéncava (convexa) <> C'S;(y) (CI ‘7(y)) es un conjunto convexo para cualquier y del rango de f. 7ECONOMIA MATEMATICA Una forma diferente de ver la cuasiconcavidad o cuasiconvexidad, y mds acorde con la definicién 1.2, nos la proporciona el siguiente teorema: Teorema 1.4. Sea X Cc R® convexo. Entonces f£:X Res i cuasicéncava + Para cualquier x1, 22 € X con f(z1) > f(22) > f(Azy + [2 — A]z2) > f (22), siendo € [0,1] cualquiera?, il, cuasiconvexa o — f €8 cuasicéncava = Para cualquier 21,22 € X con F(t1) $ f(x2) > ; fAx1 + [1 —A]z2) < f(a), siendo 4 € [0,1] cualquiera, Demostracién. “s” Supongamos que 71,22 € CS;(y), de tal manera que F (zi) 2yy- f (22) > y. Sin pérdida de generalidad, suponga que | Mes) 2 F(e2) > f(Aer + [1 — rox) > flog) > y, Por lo tanto, At, + fl— Alze €E CSs(y), es decir, C'S's(y) es convexo ¥; Por consiguiente, la funcién f es cuasicéncava, “=>” Sea ahora CS 's(y) convexo para cualquier y del rango de f. Definimos y° = min{ f(), f (a2)}. Como C'Ss(y°) es convexo, Ary +(1—A)aq € C'S(y°) para cualquier \ € (0, 1] Y, por lo tanto, : : F(A + [1 — Alara) > y2, Suponiendo que F(z) 2 f (x2), esto quiere decir que f(Ax, + {1 - A]x2) > f (22). _! Una formulacién equivalente que se utiliza en al : icd 1 ‘unos textos es: f es cuasicéncava ° F(Aai + [1 — Ajz2) > min{f(z1), f(2)} para todo 21,226 X, . . . 8 \ ANALISIS CONVEXO Nota 1.3. Lo anterior nos indica que para funciones cuasicéncavas su contorno superior debe ser convexo y viceversa. No es asi para funciones céncavas, La diferencia radica en el hipdgrafo. Puede haber funciones con hipégrafo no convexo que de tener contorno superior convexo serfan sélo Ccuasiconcavas. Es decir, se tiene: (a) f céncawva (convexa) => f cuasicéncava (cuasiconvexa). (b) f céncava > H; convexo y CS convexo. ‘(c) f cuasicéncava + C'S; convexo. i Antes de Proseguir, veamos un ejemplo, por cierto muy importante en econom{a pues, muestra las curvas de indiferencia para dos bienes, en el cual tenemos una funcidn que es cuasicéncava pero no céncava. Ejemplo 1.2. Sea f : X — R definida por f (21, £2) = 21 22, donde X= {(21,%2) | 71> 0, x2 > 0}. CS s(y) = {(a1,") | 21 >0, 29 > 0, z122 > y} = { (21,22) | z1>0, t2> 0, 22> a que, como se aprecia en la figura 1.4, es un conjunto convexo, Tenemos, por lo tanto, que f es cuasicéncava. Sin embargo, Hy = {(21, 22, k) | Z1>0, 22> 0, 2129 > k} t . no es convexo. Do Témese por ejemplo (21,29, ky) = (1,1,1) ¥ (yt, ya, ke) = (2, 2,4). Tenemos M111) + [1 ~ AI(2, 2,4) = (2-2-4 — 32), pero (2~A)? =4-4\4+? <4-3), ya que 4? < } para cualquier € [0,1]. Es decir, H f 00 es convexo y, por lo tanto, segiin el teorema 1.2 (ii), la funcién f no es céncava.ECONOMIA MATEMATICA Figura 1.4. Vamos ahora a estudiar un teorema que nos muestra las propiedades de composicién de las funciones céncavas y cuasicéncavas. , Composiciones Teorema 1.5. Sea X C R® convexo, fi: X GR g:X 4R i, Sea f(z) = k g(x). Si g es céncava, entonces f es céncava sik >Oy convexasik 0; FAt1 + [1 ~ dJoa) = kg (Any + [1 — A]z2) 2 RAg(a1) + [1 — Alg(a)) = Af (04) + [1 - A]f(z2), ya que g es céncava y f = kg. 10 \ ANALISIS CONVEXO (i) | | f(Qa1 + [L ~ Ara) > AF(2) + [LA] Fen) g(Aa + [1 —A]aa) > Ag(z1) + [1 — A] g(a), lo que implica ; A(Aay + [1 — A]zze) = f (Aer + [1 — Ale) + g(Azr + [1 — A]z9) 2 Af(a1) + [1 — A] (a2) + Ag(z1) + [1 — d] 9(22) _ ya que f, g son céncavas. Por lo tanto, . Airy + [1 — A]xe) > Ah(21) + [1 — A] h(x). Es decir,.h es céncava. (iii) . g(Aty + [L~ Nora) > Ag(xr) + [1 — A] g(arg) por ser g céncava y como fh, es mondtona creciente, A(gQ21 + [1 — Axa) > A(Ag(e1) + [1 — A} 9(a2)) f(Azi + [1 — Alaa) > M(ofe) + [1 — A] A(g(x2)) = Af (zi) + [1 — A] f(a) por ser h también céncava, e.d. f es céncava. Para el caso de la cuasiconcavidad, supongamos que ‘ 9(@1) 2 9(22) => g(Any + [1 — A}ae) > g(ax9) por ser g cuasicéncava. Como h es monétona creciente, entonces A(g(21)) > h(g(x2)), es decir, f (x1) > f (z2). : Pero también - 4 ; A(g(Aei + [1 —A]x2)) > h(g(22)). Por lo tanto, F(Aaz + [1 — Alara) > f (22), . lo que significa que f es cuasicéncava. tt: 11 APT VTVVVANV eee ee eee ccaECONOMIA MATEMATICA Notm Ld, (a) No es villido que la suma de dos funciones cuasicéncavas sea cuasicéncava ©omo lo muestra el siguiente Contraejemplo: Sea f(x) = 23 + 2, 9(x) = ~2y. F(x) es una funcién monétona creciente (f! = 322 4. 1) y, como veremos enseguida, éstas son Cuasicéncayas, g(x) a 8u vez es lineal Y; Por lo tanto, céncava y por ello Cuasicéncava, - Pero h(x) = f (2) +9(2) =23 > NO es cuasicéncava, porque CS;(0) = {re X23 ~ > 0} = {2 € X]e(e ~1)(24 1) > 0}. =[-1,0]u {1, 00) , f NO es un Conjunto convexo, Tenemos, por lo tanto, que (ii) sélo és aplicable para funciones céncayag Y convexas, . : \ (b) En contraste con lo anterior, en (iii) es indispensable exigir la coucavidad de la funcién h. Es d ecir, la composicién de una funcién monctona creciente con una funcién céncava no necesariamente eg Céncava, Veamog este punto con un ejemplo para el caso similar de funciones cOnvexas: Por ejemplo, si g(a) = a2 y A(z) = log(z), g es convexa y h es monétona creciente, pero f(z) = h(g(z)) = 2 log(x) es céncava.. Es decir, la composicién de una convexa con una monétona creciente nd necesariamente 8 convexa. Esta Propiedad tiene especial importancia, Por ejemplo en Ja teoria neoclésica del consumidor donde se introducen funciones de utilidad que deben.re- flejar las preferencias de un consumidor entre dos conjuntos de bienes. La Teorema 1.6. Toda funcién fi:xX-—3 R,X CR convexo, que sea monétona creciente eg cuasicéncava JY Cuasiconvexa, ‘ : - 12 . ANALISIS CONVEXO Demostracidn. Sea w>m>f (11) >f (x2) por ser f mondtona, creciente. Entonces, At 2 Az. => Xaxy -%)>0 3 ®a+X(21—a2) >a => Az, +[1—A]azg > ap. Como f es monétona creciente, F(Az + [1 — Ajza) > f(z2), -lo que significa que f es cuasicéncava, La demostracién de la cuasiconvexidad se deja como ejercicio. | débiles como vimos, garantizan también que un méximo © minimo local sea global? Y més atin, jserdn éstos tinicos? Desarrollamos para esto el concepto de cuasiconcavidad y cuasiconvexidad estricta, Definicién 1.6. Sea [:xX— R, X Cc R* convexo: Entonces se dice que i. f es estrictamente Cuasicéncava si para 21,09 © X con f(x1) > f(x), f(t, + [1 ~ A]t2) > f(a) siendo d € (0, 1). ii. f es fuertemente cuasicéncava si para 71,02 € X con 2, % tay Fle) > Ff (x2), fe + [1 ~ Alt2) > f(w2) siendo 2 € (0,1). Nota 1.5. . a . Las definiciones 1.2 y 1.6 dejan ver claramente la relacién entre los diferentes conceptos. En efecto se tiene: estrictamente fuertemente estrictamente céncava cuasicéncava cuastcéncava cuasicéncava Tomese en cuenta, sin embargo, que estrictamente cuasicéncaya no implica cuasiconcavidad como lo muestra el ejemplo siguiente. 13_ Ladefinicién 1.2 deja ver claro que una funcién e: ECONOMIA MATEMATICA Ejemplo 1.3. strictamente céncava es cénca- va. {Vale ésto también, para las cuasicéncavas? : Véamos el siguiente caso: Sea. Osiz=0 - fa)={sese Entonces fes estrictamente Cuasicéncava. Sin Porque si tj = 1 y z= —1, entoncegs f(x) = f (v2) = 1, pero f ($2, + 322) = F(0) =0< f (xq) contradiciendo Ja definicién anterior. . . R, X c R convexo. Se define una funcién @:R — R por medio de $(t) = f(te + [1 - tly). Entonces, f eg concava (cuasicéncava) @ es céncava (cuasicéncava).” Demostracién, En el caso de las céncavas, tenemos: “es” Sean z,y © X y sea $(t) = f(ta4 [1 —t]y) que es una fancién de variable . real con dominio [0,1], céncava, Entonces, Hee + [1 ~ dy) = b(4) = (et +. (1 — yo) =O + F600) =4F(@) + [apy por lo cual f es concava, “=>” al contrario, sea ahora f céncava. Tomando 31, s9 fijos en R O(ts, + (1 t]sq) = f (fis; + {1 — t]sg]a + {1 — (ts; + fl- t]s2)]y), que sumando y restando q_- t)y puede escribirse como fliiae+(~s)yj+f— t(sox + (1—sp)y) > (lie + (1 siy] + [Lt] f([sge + (1 ~ sa)y] = : tO(s1) + [1 —t4(s2) 14 embargo, f no es cuasicéncava ANALISIS CONVEXO Nota 1.6. (a) Funciones f:X —5RXcR que tengan derivadas Pparciales continuas de orden se llaman funciones C™, (b) Del célculo en una variable recordamos el criterio segiin el cual @:I—R, ICR es céncava en los siguientes casos: . (b1) Si es C1) $ es céncava © ¢(x) es decreciente para todo re J. “(y) ~ (2) S (y —2)¢"(c) para todo Zaye, (b2) Si ¢ es C2.¢ es céncava <= $" (x) < 0 para todo x el. (b3) En el caso ‘en: que ¢ sea cuasicéncava en (b1), se tiene la siguiente ‘ equivalencia cuya demostracién ge deja como éjercicio: @ es cuasicéncava ° . - Para a,y € I con Oy) > d(x) > (y — x)¢'(x) 20. tilizando el teorerha anterior y la nota 1.6 (a) podemos formular ahora la U . Caracterizacién de’ las funciones concavas y cuasicéncavas Para funciones C!. _ Esta forma de corroborar si una funcién es céncava es en muchos casos mds facil de.desarrollar que la definicidn. ‘Sea Vf (2) = (Lem, she), wees me) el gtadiente de f. Entonces, Teorema 1.8. Sea f:X RR X¥cCR convexo y abiertoS ¥ suponga que fesc}, — if céncava [convexa] f(y) S/>] f(a) + (y- x)V f(z). Ii, f cuasi¢éncava [cuasiconvexa] © Paraz,yeXx 20 £0) 2 [<] fle) = y~2)Vf(a) oo. 1 5Se dice que un conjunto X CR es abierto si para todo z € X existe un entorno U.(2) que esté totalmente contenido en X. Para el caso n = 1, los intervalos abiertos (a, 6) son abiertos en este sentido. . 15 SET TUAW yy.PCONOMIA MATEMATICA Demostracién. Mostramos (i). Sea #(t) = F(ty+fl~ tz) = f(a+ ty — 2). Entonces, f es céncava +> ¢ es céncava = #(s) ~ A(t) < (s ~ t)¢'(t) para todo s,t € (0,1). Ahora bien, : , n a _ . $= Dy) = y 20 H(0 + Hy ~2), i=i ° Por lo tanto, si f es céncava (con Jo cual des céncava) = (1 0)4'(0) = (y~a)V f(x) > 9(1) — $(0) = f(y) — F(x) Y, por lo tanto, , FY) S F(a) + (y~2)VF(2). Al contrario, suponga ahora que FY) - fle) < (ya) V F(x) para todo z,y 6 X. En particular, se tiene que ty+(l-taex y syt+(1~s)n ex para todo z,y € X y todo t, 3 € [0,1] por ser xX un convexo, Entonces, F(sy+(1—s)a)— F(ty+ (102) < : | [sy+(— s)z—ty—(1— da]VF (ty + (l-t)z) 9(8) — Ot) < (s-tHy- 2) VF (ty +(1—d)e) = (s— Dv. c Para verificar (ii), suponga que f es cuasicéncava y que f(y) > f(z). Entonces, - Para cualquier t € (0, 1] F(ty + [1 ~tlz) = f(x +t(y — 2)) > f(z). Pero entonces, f(a + ty ~ 2) — f(a) +0 rT ee 2 0. 16 \ " ANALISIS CONVEXO Tomando limite t > 0 se obtiene (y—2)V f(z) > 0. Al contrario, suponga que para f(y) > f (z) se tiene que (y — x) Vf (z) > 0. Introducimos de nuevo la funcién 1) = F(tyt [L-t]x) = fa + ty — z)) y sea s € [0, 1] tal que . 9(8) 2 (0) & F(e+s(y~2)) > @ + uly ~a)) que implica , fe +9(y—2)~2+0y—2)VF(ty + (1—2)x) = (s—tH)(y—2)VF(ty+ (1-12) >06 (s —t)#'(t) >0 con lo cual ¢ es cuasicéncava segun la anterior nota (b3): Finalmente, segiin el teorema 1.7, se tiene entonces que f es cuasicéncava. Para el caso n = 1, la parte (i) del teorema anterior en el caso de la convexidad nos dice que . : : FM 2 0) +0 -2)¢(e) » Wl. Hy | La figura 1.5 muestra la desigualdad anterior para funciones convexas: la pendiente entre cualesquiera dos puntos (pendiente de la recta secante) x y y {a@ R, X C R® convexo y abierto y sea f una funcién C2, Vamos a establecer criterios necesarios y suficientes para la (cuasi-)convexidad Y concavidad en este caso que se asemeja al caso unidimensional en el cual la concavidad se caracteriza por ~” <0. Definimos primero: Definicién 1.7. Sea A una matriz (n x n) simétrica. Entonces se dice que: i. A es negativa definida [n.d] siztAr <0 para todo z € R" x ¥ 0. 17ECONOMIA MATEMATICA, ii, A es negativa semidefinida [n.8.d.] si xtAx <0 para todo x € R*. ili. A es positiva (semi-)definida [p.d. (p.s.d.)} si se invierten en (i) y (ii) las - desigualdades. iv. Definimos las siguientes submatrices: 2) Quy Me= . k=1,...,n Gk we. we. Oke || se Daman menores principales de A: f Qe wee one Ask i, = Aji. tt jk , Ue Og donde {i,j,... ,k} es cualquier permutacién de & enteros tomados -del conjunto {1,...,n}. : || se laman menores de A, F(x) f(r)- fF) yrx ! Figura 1.5. 18 regen eerne st risen FS ‘ ANALISIS CONVEXO Ahora bien un conocido teorema del Algebra Lineal (véase [40] 0 [23]) nos dice que : Teorema 1.9. ° i Aepd oe [Ei] > 0,|Ho] > 0,...,/Hn| > 0 ii, Aesnd. & |Hy| <0, |Ha| > 0,...,(—1)"|4,| > 0 ii, Aes psd. 4 |H,|>0, [Ho] >0,...,1Aal>0 iv. Aes ns. [Fi] <0,|He|>0,..., (-1)"|Aa| > 0 Notese que no se puede reemplazar en el siguiente ejemplo: * 00 SeaA= (} ): Entonces [Ay | = 0, |H2| = 0 pera (7, Se reemplaza Hy por Hy. Pero xt Ar p.s.d. y no n.s.d: (iif) y (iv) A; por H; como lo muestra |=001. Por lo tanto, A cumple (iv) si = 2° > 0, lo que quiere decir que A es Definicién 1.8. Sea ahora f:X—R, una funcién C?..Entonces definimos: 0 fi... tn B= fi fu tee fin X C R* convexo y abierto y sea tf fe fat fim donde f; = of Y fin = of |B] se Hama el hessiano orlado . 2; tk Ox; Oxy . . Of... ft B= ft fir... he fe fer «sfc |B se aman menores principales hessianos orlados. Por medio de las tiltimas dos definiciones podemos ahora establecer crite Tios necesarios y suficientes para. la (cuasi-) convexidad y concavidad. 19 SPRUE TRT Titre eer eure: oeECONOMIA MATEMATICA ‘Teorema 1.10, Sea f : X — R 1X C R® convexo y abierto y sea f,C?. intonees: : i. f es céncava (convexa) <= H (2), la matriz hessiana de f esns.d. (p.s.d. ) para todoz € X. ii. Si f es cuasicéncava = |Bo| > 0, [Bs] < 0,...,(-1)"|B,,| = 0 para todo TEX, 2.> 0. . a iil. Si f es cuasiconvexa => [Bo] < 0, |Bs] <0,.. -)|Bal <0 para todo x € X; z>0. iv. Si |Bi| <0, |Bo| >0,... mente cuasicdncava, v. Si |By| <0,.. vexa. Nota 1.7, En (i) f resulta ser estrictamente céncava finida (positiva definida). Nétese que, en plicacién, pues, por ejemplo, f(z) = ~( f"(1) =O. Vamos a mostrar la parte ( consultarse [2]. »(+1)"|Bal > 0 para todo x EX = f es fuerte ’ ‘ -)|Brl <0 para todo x €X = f es fuertemente cuasicon- t (convexa) si H (a) es negativa de- este caso, no es valida la doble im- z—1)4 es estrictamente céncava, pero i). Para las demostraciones de (ii)~(v) puede Demostracién. Sea A(t) = f(ty+[1 ~t|x) = f (x+é(y—2)). Entonces, segtin el teorema 1.7 y la nota a ese teorema, f es é6ncava si "(t) <0. Pero, : , n n # f(c + tly ~ 2)) : a” o'(t) = >» ~~ Ba; day ~ 23) (yz ~ 2) tl j=l . = (y—2)'H (ax +t(y — ))\(y— 2) <0 por ser H n.s.d. en cualquier Al contrario, suponga que convexo, todo y € X puede Como f es céncava, 02 #0) = (y—2)'H(e)(y — 2) = vty (z)v, con lo cual A es negativa semidefinida para cualquier vector de X, ra punto de X. f es, por lo tanto, céncava. ; f es céncava. Como * es un conjunto abierto y escribirse como yY=Z+ tov con tg > 0 yrex, 5 20 : : ANALISIS CONVEXO 1.3. Maximos de funciones céncavas En esta seccién vamos a relacionar lo que hemos visto hasta este Punto con la caracterizacioén de méximos y minimos. Definicidn 1.9. Sea f : X — R, X CR”. Se dice entonces que i. f tiene un mézimo global en x* si f(x") > f(x) para cualquier € X. ii. f tiene un minimo global en 2* € X » Si f(a*) < f(x) para cualquier x € X. iii- f tiene un mdaimo local en 2 € X, si existe un entorno U.(2*) tal que f(x*) > f(x) para todo z € Ua") 0X. iv. Sustituyendo “>” anterior por “<” hablamos de un mtnimo local. Registramos sin demostracién una condicién necesaria, mas no suficiente, para la existencia de éptimos locales (no es suficiente como lo muestra el clasico contraejemplo f(z) = z* que no tiene ni méximo ni minimo en 2* = 0): Teorema 1.11 (condicién necesaria). Sea f: X —+ R, X CR” abierto. H (a) Ja matriz hessiana. i. Si f es C' y2* es un maximo (minimo) local de f => Vi (x*) =0. i, Si f es C? y 2* es un maximo (minimo) local de f > H(a*) es ns.d. (p.s.d.). . El siguiente teorema que representa el objetivo principal de esta seccién, ~ os relaciona, c6mo habifamos dicho, los é6ptimos con lo estudiado anterior- " mente. ~ : Teorema 1.12 (condicién suficiente). Sea f : X —+R, X C RB" abierto f,C?. Entonces si Vf(a*)=0y i H(z) es ns.d. para todo x € U,(x*) 0X alguna vecindad de x* => 2* eg un maximo local de f. i. H(2*) es n.d. > 2* es un maximo local de f. iti, H{(x*) es indefinida (ni p.s.d. ni n.8.d.) => x* no es ni méximo ni minimo local. , iv. f es una funcidn céncava => x* es un méximo global de f. 21Economia MATEMATICA v. Sisobre X convexo, f es estrictamente cuasicéncava > todo méaximo local de f es un maximo global, vi. Si sobre X convexo, fes fuertemente cuasicéncava => todo mdximo local de f es un médximo global tinico. vii. Un maximo global de una funcidn estrictamente céncava sobre un conjuato convexo X, es tinico, N aturalmente, el anterior teorema se puede formular Sustituyendo mdximo por minimo, céncava Por convexo y cuasiconcava Por cuasiconvexa, Demostracién, (i) Supongamos que x* no es mm maximo local. Existe entonces: un entorno Vi(a2") C U.(z*) con 2 € Vs(x*), a A 2* tal que f(z) > f(a*), Sea T= 2* + yz, donde0 < ll f(a"), tenemos, por lo tanto, que : 2H (a* + Ayz)z >0 Siendo x* + \yz € V5(2*), contradiciendo que H es ned. para todo zEU (2) OX, : a : (ii) De nuevo utilizando el teorema de Taylor, si Vf (z*) =Oy fes C2, existe un entorno U.(2*) tal que Parah=2~2* 20 re U(2"*),0€ (0; 1) WH (2* + Oh)h <0, , Pero como f(z) = f (2*) + EhtH (et + Bh)h, He) < fle" para todos los x € U.(z*). Es decir, tenemos un maximo local. ‘llel| es la norma o longitud del vector z ER’, 22 EE Pan tee ee ne En . ANALISIS CONVEXO (ili) Si H(2*) es indefinida, esto quiere decir que existen vectores Uuwex Para los cuales . wHU>O y witty < 0. Sea g:R > R dada Por g(t) = f(2* + tu). Entonces, g(t) = oV f(x" + tv) (0) = vVf(2*) = 0, ya que Vf(x*) = 0. Asf mismo, 9 (t) =v H(2* 4 tu)u 9" (0) = v'H(2*)u > 0, g'(t) es creciente en ¢ = 0, pero como 9'(0) = 0, g(t) > 0 para algtin t € (0,6), > 0. Esto significa que ot) = flat + tv) es una funcién creciente de ¢ en el intervalo (0, 6) y, en consecuencia, z* no puede ser un max local de f. En forma similar se Puede mostrar que si w' Hy F(%), donde se asume que Z representa al mdximo local. Como X es yn conjunto convexo Az* +[1~Neex para todo A € (0,4) siendo 6 € (0,1). Ahora bien, como f es estrictamente cuasicéncava y f (x*) > f(2), se tiene que para € (0,1), f(Aa* + fl- A]é) > f (2). Esto es una contradiccién y Por ello no existe un x* con la propiedad descrita. . 23 SPP tree erry eee eeePEONOMIA MATEMATICA (vi) ‘Tomando a @ como maximo local se tiene una vecindad U,(Z) tal que J(@) > f(x) para todo x € U.(@) 0 X. Suponga que existe un z* € X tal que 2* # @ y f(#*) > f(#). Por la cuasiconcavidad fuerte se tiene que f(Ag* + [1 — Ajz) > f(@) para todo X € (0,1). Pero para un suficientemente pequeno Az* + [1~ Ngee UB) NX, de tal manera que no seria maximo local. (vii) Como una funcién estrictamente céncava es fuertemente cuasicéncava, el maximo es, segtin (vi), tinico. a] Ejemplo 1.4. Sea f(x,y) = 560z + 520y — 20? — Qry — 2y”. Calculamos la matriz hessiana: s)= (= =f) Y, por lo tanto, |A,| = -4 <9 y |H2| =12>0, lo que significa que la funcién f es estrictamente céncava, Ademas, Vf(z, y) = 0 significa aqui que 960 —4drz~2y=0 y 520 — 4y — 27 = 0 que implica z* = 100 y* = 80. Por lo tanto, (2*,y*) es un maximo global unico, Nota 1.8. Tenemos en especial para f:X GR, Xc R?, el siguiente resultado: Sea (2*,y*) un punto en X con Vf (z*,y*) =O y sea "flo v') Pfary) #2 F(a,y") f(a", y*) Og ay Oxy Oydr o |H(2*,y*)| = el determinante deJa-matriz, hessiana de segundas derivadas parciales, entonces (a) Si |\H(a*,y*)1 <0, f tiene un punto de silla en (x*,y*), es decir, f tiene un méximo en una direccién y un minimo’en otra. : 2 * Oe . : . (b) Si |H(x*,y*)| > Oy ew) > 0, f tiene un minimo local en (z*,y*). 24 ANALISIS CONVEXQ . 2 * ok . : (c) Si H(z", y*)| > Oy fe) < 0,.f tiene un maximo local en (x*,y*). y / (d) Si |H (z*,y*)| = 0, el teorema anterior no decide nada. Ejemplo 1.5. Sea f(x,y) = (y— a’)? +25 | Calculando VF (z,y) = 0 obtenemos como unico candidato a maximo o minimo el punto (2*, y*) = (0, 0). Como Of (x,y) i 3 4, # f(x, y) _ . 2 3 op Taty + 4a + 52"; Fin = Ay + 122 + 202 xX Of (a, y) = Ay — x”): f(a, y) = m Oy. - ay Pf(c,y) _ PF(x,y) Ozdy * Ayadr el determinante de la matriz hessiana evaluada en (0,0) es |H(o, 0)| = Oy, Por consiguiente, no se puede determinar con el criterio si hay en (0,0) un extremio. , . En realidad, no hay extremo, ya que f(0,0) =0, f(z,y) > 0 para todo 7 > Oy f(x,y) <0 parar <0 Yy=s" y, porlo tanto, en cualquier entorno alrededor de (0,0) f toma tanto valores positivos como negativos = 42 1.4. Optimizacién restringida-igualdad La mayoria de problemas de optimizacién no son problemas en los que se buscan éptimos simples de funciones de varias variables, sino donde, por lo general, hay limitaciones 0 restricciones sobre Jas variables. Asi, por ejemplo, en un problema de asignacién de recursos para maximizar los ingresos de un grupo de personas sélo se cuenta con una determinada suma (presupuesto limitado) 9 en un problema de produccién para minimizar los costos de produccién sobre todo el dominio de la funcién, sino sobre un dominio limitado por las ’ restricciones que el mismo problema impone. 25| ECONomia MATEMATICA En su forma més general, el problema de Optimizacién restringida (Pro- blema de Programacién No Lineal) se plantea de la siguiente forma: Sea fs XR, X CRT PNL: max f (2) sujeto a g;(x) > 9,7 =1,...,m, Se busca, por lo tanto, encontrar <* que maximice la funcién f(z) (funcién objetivo) pero sobre el conjunto : M= {x € X|g;(z) > 0, J=1,...,m} llamado el Conjunto de puntos factibles. Vamos a tratar el anterior problema viendo primero UNOS casos en los cuales se simplifica un poco la biisqueda de la solucién suponiendo las restricciones en forma de igualdad. Ejemplo 1.6. Suponga que queremos encontrar el maximo de la funcién F(z,y, z) = Slog r+ 2y +82 sa, TH+HY+2z=8 y gttz=] Lo més natural es utilizar las dos €cuaciones que nog Testringen las variables y tratar de eliminar algunas de ellas: z=]- dz Y; por lo tanto, tHy+2(1-de)ag sa T+Y-2=6 & y=6. Por consiguiente, tenemos ahora: F(t,y,2) =3log2+1248 (1~ 32) = 3loge — de 4.29 que sélo tiene una variable y donde, utilizando los métodos tradicionales, en- contramos que z* =-$ maximiza a Slog ar — 4a + 20 y sustituyendo hallamos y=6yz= 3. Si en cambio tuviésemos la misma funcién ob jetivo, pero con las restricciones to? tyte=g Ygv¢e= 1, el problema se torna még ¥ sustituir en la otra no nos proporciona una ecuacién sencilla o simplemente | RO se puede efectuar dicha sustitucién. 26 , - . . ANAUSIS CONVEX El método Para solucionar este tipo de problemas es el de los “moultiplica- L(x, A) = f(a) + D2 Ay 95() j=l se llama la funcién lagrangiana. Antes de enunciar el teorema que os va a resolver el problema planteado, se justifica dar una interpretacién seométrica del asunto en cuestion, Suponga que, simplificando las cosas, fig; : X — R, X c R? ¥ que sdlo tenemos una restriccién. Entonces 9(2,y) =0 describe una Curva en una regién G. Por f(z,y) ="z se describe un Conjunto de curvas como se indica en. la figura. 1.6. Figura 1.6. Podemos analizar que lo éptimo se da para el valor f(z, Y) = 22 (pendientes : iguales), ya que para z; la restriccién Se cumple para dos puntos pero el valor de la funcién objetivo puede atin crecer Y €n 23 no se cumple la restriccién. 27 FETT Rr ee veer ewei..PCONOMIA MATEMATICA ‘Tinenow, pnes, que dr ~ OF para f(x,y) = 22 de dg Pata o(z,y)=0. Por Io tanto, af af" _ dx _ Oy Ey © og ag => @ Oy Oy Oz Oy Og Of | \ a9 a+) Ox az CY oy dy 9 * Vif(2,y) + Ag(x,y)] =0 Lo anterior indica, como condicién necesaria, exigir que el gradiente de la funcién lagrangiana debe ser igual a 0. Esto Junto con que la derivada parcial con respecto a sea también 0 (lo cual significa que se debe cumplir la restric- cién) nos da una idea de cual es el camino que ha de seguirse. Otra manera de ver lo mismo es expresar Ja condicién en la forma V f(z,y) = —AVg(z,y). Esta relacién dice que el gradiente de f es una combinacién lineal del gradiente de 9, y esto se da porque los gradientes son vectores perpendiculares a las curvas en un punto dado. condiciones necesarias para la solucién del problema PNL con restricciones de igualdad. - Enunciamos a continuacién formalmente un teorema que nos proporciona 23 L . ANALISIS CONVEX Teorema de Lagrange Teorema 1.13 (Condiciones necesarias de 1.° orden), Sean f,9;:X —+RB,X CR abierto, j =1,...,m funciones C1. Supongamos que z* es un maximo (minimo) local de Ff que cumple ademés 93(z*) = 0, j= l,...,m y que la matriz 91 (2*) Ogi (z*) Ox, On Jy = ee Lee 00m (x*) .., 99m(z*) \ Ox, Ory tenga rango m vy Om, Br, » Aj 8a, 0, i m+1,...," ft Sustrayendo esta iiltima ecuacién de («x), obtenemos parat=m+1,...,n: ' pero, s.a. qe + aya 5. eee x ofc) 5°) | hale Ox, #25 F Ox; + Oz; Lk BF(a*) Ps 894(2") SE ST yt 912") _ » j Ox; Pero la expresién {...} = 0 en virtud de (x) Oz; ’ Y, por consiguiente, t=m+1,... n. Of (x*) +30 “2(6") _ OL(z*,A*) =1 ut Oz; Nv En total, se tiene entonces que los 4* cumplen las ecuaciones para t=1,....m,m+],...,n. _! Ejemplo 1.7. Suponga que se esté buscando el 6ptimo de la funcién F(@,y) = 0? + 2y? + 5a + By, 4 Calculamos V f(x,y) = 0 obteniendo i 2e+5=0 y dy+8=0 > ot =~, yta_o Este punto es, por lo tanto, nuestro candidato a dptimo. 30 al ANALISIS CONVEXO Supéngase ahora que el problema es | max(min) f(z, y) t? + 2y? + 52 + 8y \ “ J Tenemos ahora tres ecuaciones en tres variables: 2e+5—A=9, 4y+8-A=0 A= 42 +10 = 12y+ 24 ¥ que junto con. _arrojan * _. 97 * _ 39 * _ 498 “Sm Y= y Mx 8 iCémo decidimos de qué se trata? 0 global? Es éste tinico? Para ahora, sin demostracion (consiil suficientes. . iEs un maximo o un minimo? jEs éste local contestar estas preguntas vamos a enunciar tese [4]) un teorema que nos da condiciones Teorema 1.14. Supongamos que (2*, \*) ‘cumplen las condiciones de primer orden: : 9;(z*) = 0, J=1,...,.m VL(a") = Vf (2*) + M*V9(2*) = 0 " ¥ Suponga que siendo J, la matriz Jacobiana de g evaluada en (x*, d*) : 2 * \x Hy - (PLM) Ox,0z; nxn se tiene z2?Hz < (>)0 para todo z # 0 que satisface Jgz = 0. Enitonces, x* es un méximo (minimo) local para max(min) f(z) s.a. g(x) = 0. La condicién suficiente que acabamo una matriz es p.d. o n.d. sujeto a Jyz = (véase [17] 0 [14]): s de enunciar involucra determinar si 0. Para esto existe el siguiente criterio TUTITT CEP cree e eee SFTTAVA4LCONOMIA MATEMATICA Orlhartor l ‘oa A uni matris nxn simétrica, B una matriz m xn, (m 0, k=m+1,...,n. (ii) A es p.d. tal que Bz = 0 para todo z #0 & (-1)"|Ck] > 0, k= m+i,...,n. Aqui B 0 mk = k=m+ 1,...,n. Cs ( Braz Abk ) Nota 1.9. , En nuestro caso especifico se trata de comprobar si para k = m-+ 1,....ny 091 (2*) ; 0 oo 0 Og (x* . Saye") . . bax ) 0 to 0 ir . a C= 891 (x*) Ogm(2*) OL zr" *) OL (a*, A* Zp 4 O°ay st £1 OF, ; sO ‘ * . 12 * * O91 (2*) OGm(z*) PL(x*,r } OL (z*, dr Teo an oROL, Zk vale que (-1)*|C| > 0. 1 OGm{(x*) Ejemplo 1.8. (i) En nuestro ejemplo anterior (1.7) 0 1/2 1/3 ul I|=]1/2 2 0 |=-—. 1/3 0 4 Se tiene quem=1, k=m+1=2 > (-1)|Q:| >0y He es pd, es decir, tenemos un minimo local. 32 Soe rrnanesecrr creer Ene . ANALISIS CONVEXO (ii) Como otro ejemplo, Suponga que se desean clasificar los extremos de J (x1,22,23) = 221 29 25 8.0. 9(%1, 22,23) = 3~ 2,2 — a2" — 23? = 0, (n=3,m=1k= 2,3) L(21,29, £3) = 2212923 + AB - zy" _ x9" _ 23°) of = 2n9%3 — 2Ar) =0 Ox, 0 ‘ AT = 22123 — 2An2 = 0 Ox / 0. OE = 22122 — 2Ar3 = 0 x3 OL Oy = 3-2 — a9? — 24? =0 Algunos de los puntos criticos (xt, 23, £3, A*) son, entre otros, AL L1,1); Pa(-L, -1,-1,-1); Pa(1,1,—1,-1); P,(0, V3,0,0). La matriz He es -2\ 223 2a Ag= 223-2 Qn 222 2x, —~2 Para P; miramos, por lo tanto: 0°-2 -2 Cy= | -2 -2 9 con |C2| = 32 >0, --2 2 -2 0 -2 -2 -2 —2 -2 2 2 , C3 = 2 229 9 con |C3|= —192 < 0, —2 2 2 -2 Como (~1)"|C3| = 32 > Oy (-1)7|C3| = 192 > 0, Hg es n.d. y, por lo tanto, utilizando la parte (i) del criterio, P; es maximo local. Similar- mente para P3, [Cy] = —32 y |C3| = -192. Utilizando la parte (ii) del criterio (—1)|C2| = 32 > 0, (-1)|C3| = 192 y He es p.d., lo que implica un minimo local. Nétese que para P4 el criterio no dice nada, ya que [C2] = 0 y |Cs| = 14a, 33ECONOMIA MATEMATICA Es posible, al igual que en la optimizacién sin restricciones, formular otro criterio suficiente que tiene relacién con la concavidad © convexidad, en este caso de la funcién lagrangiana. Teorema 1.15. Suponga que (2*, A*) es una soluci6n del sistema de ecuaciones . aj() =0, f=1,...,m VL(x,X) = 0 Si L(x, d*) es céncava (convexa), entonces x* es un méximo (minimo) global para max(min) f(x) s.a. 9j(z) =0, 7 =1,...,m. Demostracién. La concavidad de £(x,d*) junto con VL(x*, A*) = 0 impli- can que x* es un mdximo global no restringido de L(x, A*). Por lo tanto, £(e*,d*) > £(2,*) para todo x € X CR". Esto significa que F(a") + M*g(x*) > f(x) + A*9(z). Como 9(x*) = 0, se tiene que f(x") > f(x) + 9(z) > fle") > f(e) para todos los x que cumplen g(x) = 0. | E] inconveniente con este teorema es tener que solucionar primero el pro- : blema para obtener \* y luego corroborar si L(x, *) es concava. La cuestién se simplifica un tanto con un supuesto adicional: Corolario. Si f(a) es céncava (convexa) y g;(x), j = 1,...,m son lineales, entonces una solucién (z*, \*) del sistema 93(2) =0, j=1,...,m° VL(z, A) =0 es un maximo (minimo) global para el problema max(min) f(z) s.a. 9;(x) = 0, j=1,...,m. 34 EE EE . ANALISIS CONVEXO —_—-waS, > ANALISIS CONVEX Demostracién. Si 9;(x) son lineales, L(x, d*) = f(z) + A*g(x) es céncava (convexa) en x, dependiendo esto sélo de la funcién f y no importando el signo de A*, ya que A*g(x) es siempre céncava y convexa a la vez. | Ejemplo 1.9. Suponga el siguiente problema: min(xy — 11)? + 4(a2 — 6)? s.a. 21,22 >0 22, +22 < 18 (a) 21 +529 < 35 (b) 21 +229 < 16 (e) a1 <8 (d) Si se conoce que las restricciones (a) y (c) estén activas, jcémo se encuentra 2*? Se tiene que 22,+22=18 y xy + 2x9 = 16, de lo cual se deduce que a” = (ay, 23) = (2, 4), Como la funcién objetivo es estrictamente convexa y las restricciones son todas - lineales, se comprueba con x* que se verifiquen las restricciones (b) y (d). Como ~ éstas se cumplen, 2* es un minimo global tinico. Con esto hemos concluido bdsicamente lo que se refiere al problema de maximizacién 0 minimizacién con restricciones de igualdad. Para el caso general, problema PNL arriba formulado, el teorema que lo resuelve es el famoso teorema de Kuhn-Tucker. Este teorema, en cualquiera de sus variantes, es bastante complicado en su forraulacién, pero sus conclusiones' son muy fuertes y practicas. Requiere para su demostracién hacer uso de otros instrumentos, tales como el lema de Farkas 0 el Teorema de Separacién para conjuntos con- - vexos. Se remite al lector interesado al apéndice del presente capitulo donde podra estudiar este tema con mayor profundidad. CSFETIVIVVULERE Reece eee eresTCONBMIA MATEMATICA = —,_ 1.5, Optimizacién restringida-Kuhn-Tucker In Ib que sigue vamos a desarrollar un conjunto de condiciones necesarias y mulicientes para atacar el problema PNL. Esto requiere en algunos casos dehnir nuevos conceptos como el de punto de silla por el cual empezamos la discusién de nuestro problema PNL: ‘PNL: max f(z) sujeto a gj(z) >0, fj =1,...,m. Definicién 1.11. En el problema PNL (max f(z) s.a. g(x) > 0)) un pun- to (2*,A*) € R™™ con r* € R®, \* > 0 se llama un punto de silla de L£(z,r) = f(z) + Ag(x) si para todo s EX CR, X > 0, se tiene que L(z, r*) < L(2*, A") < L(a*,d). Nota 1.10. Si el problema fuese min f (x) s.a. g(x) < 0, se caracteriza el punto de silla por: 1 L£(z*,d) S L(a*, M) < L(a, A*) es decir, con x* fijo, A* es un mdximo de £ y con 4* fijo, z* es un minimo de . £. En lo que sigue se utilizaré la caracterizacion dada en la definicién 1.11. Teorema 1.16 (condicién suficiente). Suponga que f,g: X — R. Si existe un (z*,\*) conz eX yr>0 tal que . (z*, \*) es un punto de silla de L(x, 2) para todo x eX yr = 0, entonces i g* maximiza f(z) s.a. g(x) > 0. i. Mg(x*) = 0. Demostracién. L£(2*, \*) < £(a*, A) para todo A 20 = Ag(z*) < Ag(x*) para todo \ > 0. Esto quiere decir que Ag(z*) es acotada por debajo y como R™ es un cono convexo con vértice en el origen®, se tiene que Ag(z*) > 0 para todo \ > 0, y Por ello g;(z*) >-O.para j =1,....m. Si \= 0, entonces \*g(z*) < 0 que muestra (ii), ya que A*g(x*) > 0. 5K se dice que es un cono convexo con vértice en el origen si paaa>QczeKs>arek. Naturalmente R” es un cono convexo. Aqu{ estamos utilizando un teorema que dice que si es un cono convexo con vértice en el origen y pz con p € R® estd acotado por debajo para todo s €.K => px > O para todo x € K. 36 \ ANALISIS CONVEXO Para ver (i) tome en cuenta que L(x, \*) <-L(a*,*) para todo « € X e f(z) + A*9(z). < f(2*), lo cual quiere decir que f(2*) — f(z) > A*g(z) > 0 para todo x € X con g(z) > 0. | Condiciones de Kuhn-Tucker Teorema 1.17. i Si L(z,A) tiene un punto de silla => existe un (x*,\*) con zt € X y “A* > 0 tal que VaL(x*, \*) = Vi (at) + MVo(z") =O y g(a*) > 0 con A*9(x*) = 0 (CKT). i, Vale en (i) la direccién contraria siempre y cuando, adicionalmente, f, g sean cOncavas. : Demostracién. Gi) La, M*) < Lz, *) para todo z € X. x* és, por lo tanto, un maximo de L sobre X y, por ello, ViL(2*, M) = 0. Por el teorema anterior (1.16) se tiene que A*g(2*) = 0. Finalmente, como L(x*, \*) < L(x*,A) para todo 2 0 se obtiene que Ag(z*) >0 para A> 0 y, en consecuencia, g(x*) > 0. Gi) L(x, *) = f(a) + A*9(z) es una funcién céncava en x € X por ser f yg céncavas. Por el teorema 1.8 se tiene entonces que L(a,d*) < L(a*,d*), por ser Vg£(a*, \*) = 0. A su vez, L(x", \*) < L(x", ), ya que M9(n*) = 0 y g(a*) >0,4>0, a Nota 1.11. ‘ La conclusién de la parte (i) de este teorema se conoce como las condiciones de Kubn-Tucker (CKT). 37Economia MATEMATICA Suponga que se cumple la Hamada condicién de Slater: 9; (z),f=1,...,m Son céncavas y existe un % con 9(%) 50,7 = 1,...,m. En este Caso, se tiene que para el éptimo vale: : Teorema 1.18 (condicién necesaria). Sean fg: X — R, X C R® abierto y convero, f,g = (91,..., 9m) céncavas. Si x* es solucién al problema PNL y vale la condicién, de Slater, entonces existen AT,...,\*, > 0 para los cuales (2*,*) es un punto de silla de L(a,d) = f(x) + Ag(z). Demostracién. Sea z* solucién a PNL, M = {t € X|9;(z) > Oj =1,...,m} el conjunto de puntos factibles y sea y = (yo, y1,... Ym) © R™1 y defing B. = {y | yo < f(z), 45 S 9; (2) para re M, J=1,...,m} Ba = {y | yo > f(a"), ¥ > 0,.7=1,...,m}. ? By y Bo son convexos. Ademés By es abierto y BiNB, = @. Existe, por lo tanto, por el Teorema de Separacién (ver Apéndice), un vector y = (vo, %1,... Um) tal que u'y < utz para ¥y € Biz € Bo. Como las componentes de Bo son Positivas, v > 0. Se escoge entonces z= (f(a*),e,...,2) 9 =(F(2),91(2),...,.9m(z)). Entonces para todo z € My tomando ¢ — 0, m. v'y w>0, (Si vu = 0 => DoF % 9)(2) <0 para todo x € M. Pero al menos un v, > 0, con lo cual, segin Ja condicién de Slater, Dyin 05 9;(Z) > 0, jque es una contradiccién!). Tomese 1 , M= —(uv, tee »°m); * >0. 2) 38 ‘ , ANALISIS CONVEXO Se tiene entonces que para todo ze F(t) + G(x) < flat), Sit=a* > A* g(x") <0, pero como x* es factible, Mg(2*) <0 = A*g(x*) = 0. Por iltimo, se tiene que A9(x*) > 0 para todo >0. En resumen, se obtuvo: f(z) + M*9(2) < f(a"), Vee A" 9(x*) = 0 Ag(x*) > 0, VA>0 Por lo tanto,’ f(x*) + Ag(z*) > f(z*) + A*9g(x*) > f(z) + A"g(z), VA> JcreMa L£(2",A) SL(2*,\*) < L(z,A*), VA>O,neM Es decir, (2*, A*) es un punto de silla de £(z, 2). a alguna funcién Sujeta a restricciones es comtin hallar que las variables re Xx también tienen restricciones de signo. Es decir, el problema ahora es max f(z) 8.a. 9(z) > 0,2 2 0. Una forma de tratar estas n nuevas restricciones es hacer de cuenta que simplemente se tienen ahora m +n restricciones en contraste con las m que se tenfan anteriormente, Esto implica que las conclusiones en los teoremas anteriores deben cambiarse un poco. Asf, por ejemplo, ViL(z*, A*) = VF (2") + MV Q(x") =0 A* g(x") = 0, 92") >0, at > 0, A*>0 se deben cambiar, Tespectivamente, por . VeL(a*,A*) = Vfl") + A*V9(2*) 4 pt = 9 y (CKT) *9(2*) =0, pita" =0, 92") > 0, a* > 0, A* >0, BX >0 39PC ONOMIA MATEMATICA Por otro lado, en la biisqueda de los Optithos restringidos, no es senci- llo comprobar la existencia de puntos de silla para hallar dichos puntos. Es mis, como es usual en la mayorfa de casos de la optimizacién, las condiciones necesarias © condiciones de primer orden son las que nos facilitan el trabajo. Nota 1.12. Es trivial comprobar que la formulacién de las condiciones de Kuhn-Tucker (CKT) son equivalentes en el problema max f(z) sa. (x) > 0,2 >0al siguiente sistema de desigualdades e igualdades: OL(a*, A*) OL(2*, A*) . te NL =l1,... on Oy aj an, 0, 7=1,...,0 . (CKT*) OL (x*, \*) OL(x*, A*) . ———* = 9; (r*, \*) > + =],... Dj g(a", *) 20 y MF Dh, 0, j=1,...,m Por ello en lo sucesivo, cuando se trabaje con restricciones de signo, se ha- blaré de (CKT) en el sentido de (CKT*). Resumiendo en forma esquematica tenemos pues, hasta ahora, que: « Punto de silla > / Val(a*, A*) = VF (2*) + M*V9(2") =0 y A*9(z*) =0 = Punto de silla > z* maximiza f(x) s.a. g(x) >0 y *g(x*) =0 « Funcién objetivo f y restricciones g cOncavas + Slater > dptimo z* es punto de silla & (CKT) En el apéndiee-de este capitulo formulamos el teorema de Kuhn-Tucker que nos da condiciones necesarias para que x* sea un méximo local de max f (x) 8.a. g(x) > 0. Sin embargo, cabe resaltar en este lugar que en dicho teorema es fundamental contar con lo.que se conoce como “Cualificacién de Restricciones” (CR), que impiden que se presenten casos deformados donde las condiciones de Kuhn-Tucker fallan. El siguiente ejemplo muestra uno de estos casos. 40 ' .en el teorema de Kuhn-Tucker es dificil de comprobar. Después de la for- ANALISIS CONVEXO Ejemplo 1.10. El problema consiste en maximizar T1 +29 s.a. 1+ Vi 22 >0 1,3 1,..2 . — qtr" + 721 —jm-T+m>0, 21,29 >0 El punto (1,2) es éptimo porque la funcién objetivo es creciente en sus argu- mentos. Como. x; > 0,.22 > 0, se tiene por la segunda parte en (CKT) que parai=1,2 : - 35,1 4 1+ 5 +A9{ ~ 0 J=1,...,m (condicién de Slater). (4) M={2eXx l9(2) >0, 7 = 1,...,m} es convexo y tiene un punto interior§ y Va;(2*) £ 0 para todo JET={j | 9;(2*) =O} c {1,...,m}. (e) si se reordenan las restricciones tal que las Primeras m’, m/ 0 tal que 9;(%) > 0 y ademas vale alguna de las siguientes condiciones: (a) 9;(z),7=1,... »™ son céncavas. (b) Va;(x*) 4 0 Para aquellos j para los cuales 9;(2*) = 0 entonces, Si 2* es un mdximo local de PNL son validas las condiciones de . . . ‘ . . . . ®Se dice que z € 3 es un punto interior si 9 contiene un conjunto abierto que contenga a 7, f es cuasicéncava y la restriccién es lineal, por Jo tanto céncava y, Sig=ly)\= 0, estas condici : \ ANALISIS CONVEXO "Gi, Al contrario, si fig; :X — R,Xc Rt abierto y convexo J=1,...,m son funciones C*cuasicéncavas ¥ (2*,A*) cumplen las condiciones (CKT) y ademés vale alguna de las siguientes condiciones: (a) f es céncava, Of(x* (b) ie ) <0 para al menos una 2; tal que existe t FEM={2EX | o(2)>0, §=1,...:m)} con £; > 0, Of (x*y (c) fs ) > 0 para al menos una 2; tal que existe . zt FEM={2EX | g(x) >0, J=1,...,m} con & > 0, entonces f tiene un méaximo global de PNL en 2*, Bjemplo 1.11. Suponga que se desea maximizar f(z) = (2-1) 5.4, 9(2)=2-2>0, z>0. Por consi- Buiente, cuasicéncava. Las condiciones de Kuhn-Tucker serfan aqui: 3(e - 1)? <9 2 [3(z—1)?~\] =9 2-2>0 A[2—2] =0 A>0,2>0 ones se cumplen, pero el 6ptimo estd es en * : z= 2. 43~~ Tt ae ee =F SF eeSeselUeelC”™ Te ONOMIA MATEMATICA Njomplo 1.12. Una aplicacion muy utilizada para resolver problemas es el modelo de Opti- mivacion Lineal (0 Programacién Lineal). Suponga el siguiente problema: minwz s.a. Az >b,2>0, donde A es una matriz m x n, b un vector mx1,2€ Ry w= (wi,.+-; Wn)» No6tese que tanto la funcién objetivo como las restricciones son lineales. Trans- formamos el problema a nuestra notacién de la siguiente forma: MAX —W1L] — ++ — Wan 8.2 Q1121 + GyQ%q ++++ + Aint, — 5, <0 2121 + G2g%0 +--+ + GanTn — by <0 Ami 21 + Om2%2 + +++ + Omntn — bm <0 21,%2,..-,%n 20 Las condiciones de K-T son ahora con / L(a,d) = —-wyty — ++ — Watat A1 (01421 + Qyg%2 + +++ + Gintn — b1)-+ A2 (Gai 21 + ag9%q +--+ + dontn — b2)+ ate Am(@m1 21 + Omatg + +++ + amn Lp, — bm) (a) —wi t+ Arai + Ava +--+ + Am@mi $0, 1=1,...,7 (b) ai(—wi + Araiz + Azag4 +... + Am@mi) =0,i=1,...,n (c) ajia1 + ajate ++ +++ Gjn2n — 6; >0, 7=1,...,m (d) Aj(ajizi + ajoarg +--+ + ain ty — bj) =0, j=1,...,m 44 . . ANALISIS CONVEXO Se ANNALISIS CONVEXO que se pueden escribir mds conveniente en forma matricial como: (i) -w+AtA <0 (ii) -we+MNdéAr=0 6 oA =we (iii) Arx~b>0 & bb 0 & tN < at Aty Suponga ahora que existe un vector y € RP tal que | Aty Sut. (x) Entonces vale-por (iv), Gil) y @) by — 8) = b'y — atAty b, z>0 ° (PL1) ‘ tiene solucién, entonces max by s.a. Aty < wt (PL2) ‘tiene también solucién y, los valores minimo y maximo de las funciones objetivo coinciden. Lo que hemos desarrollado en este ejemplo se conoce como el Teorema Débil de la Dualidad. (PL2) se llama un problema dual a (PL1) Por ejemplo, si se trata de min 3z; + 529 s.a. 261-229 >1 m+42>1 £1,%2 20 45ECONoMiA MATEMATICA Se encuentra que x* = @, 4) y se tiene que wz* = 33454 = a E] problema dual seria entonces : max yi + yo s.a. 241 +42 <3 — 2y + 4yo <5 Ys ¥2 > 0 que tiene solucién y= (b 8) que arroja un valor mé&ximo de & + g = 2. . Finalmente, se puede formular una versién para problemas PNL con restric ciones mixtas de desigualdad ¢ igualdad. La demostracién no presenta mayores problemas, ya que las restricciones de igualdad se transforman en A(z) =0 4 A(z) >0, y— ale) > 0, Suponga pues que el problema es max f(z,y) s.a. 9;(@,y) > 0, 7=1,...,m ha(z,y) = 0, t=1,...,1 %20,i=1,....n Sea m I L(t,y,A,u) = f(x,y) + DAs g95(0,y) + domi he(c,y). : j=l t=1 Entonces vale: Teorema 1.20. Sean f,Ojhi : X R, (2,y) € X c Rrte abierto y convexo, j = 1,... »m, i = 1,...,1 funciones Cly Suponga que se cumple la condicién de rango para h; y aquellas 93 Para las cuales 93(2*,y*) = 0. Entonces existen A* € R, AP 2O9=1,... 1m, Wi, t=1,...,1 tal que * * * * . i. SEY NH) i=1,...,k By; ak * + * “pe ae * * ii, at >0 OEY MH) 9 at [OL 9" Nu") =0, i ia. On; ‘ Ox; =1,...,n t 46 oh ae RE STS, a ' $02 condiciones necesariag para que \ ANALISIS CONVEXO . OL (a y*, A*, ut) . OL(a* y* A* *) . 26 eg [A AT ui AF > 0. Dy = 0. Ay y 0, j7=1 m IL (2*,y*, Mu) SEY Aw) OM Wy, =0,1=1,...,1 (2*,y*) sea solucién Sptima local al problema arriba Planteado. Ejemplo 1.13. Suponga que se desea maximizar G(a,y) = (5 ed ae (10 ~ y)y — (c+y)? s.a. YS2% ot+y>5, zy>0_ La funcién lagrangiana es £(z,y,A1, Az) = Om 28+ 10—wy (e+ y)* + 2—y) +22 (ety J) con . OL OL Op 7 AE 2y + Ay y By ~ 10 ~ 2a Ay — dy + Ay. Las condiciones (CKT) tienen en este caso la siguiente forma: () , 5-42 ~2y +9 <0, 2>0 (1) 10 ~ 20 4y— dr +2 <0, yd (2) 2(5 — dar — 2y + do) =0 (3) y(10 — 2x — dy — 1 +9) = 0 (4) 47 SET TUVVVVVV ara.ECONOMIA MATEMATICA (II). -2-y20, 20 (5) aty-$20, 220. (6) d(2-y) =0 (7 do (2’+y - $) =0 (8) Para, la solucién analizamos los siguientes casos: de (7) y (8) M1 =0, Ag=0. (a) y= 2, A= 0 (b) M=0, +y=$ {c) y=2,a4+y=5 (d) (a) (3) queda @(5 — 4a — 2y) =0 , . (4) queda y(10 — 22 — 4y) =05>2=005-4¢-%4=0 Siz=0= y(10-4y) =0=y=00y =. Por lo tanto, tenemos c=0,y=0, 1=Oy2=0 (i) que no cumple la restriccién (6) y jo=0, y= 8, =0, 2 =0 | (ii) 48 que no cumple la restriccién (5) ~ Si5—4a—-2y=05 . (4) queda y(10 — 2x — 4y) = 0 => y=0 0 10 - 2a — dy = 0. Si y =0 > a = 5. En cambio, si 10 — 22 — 4y = 0 > x = 0. Este caso . implica pues dos candidatos, a saber a= 5, y=0, My = 0, Ag = 0 (iti) ° que no cumple (6) y es (220, y=h, A1 = 0, A2 = 0 (iv) Se que no cumple (5). Con esto se agota el caso (a). ANALISIS CONVEXO OO z=i, y=0, 1 =0, 2 =9 (b) (3) queda ahora a(1—4z) =0 (4) queda (2-22 —\1)=0>2=00r=} Siz =0=> A, = 2 que arroja la solucién z=0,y=2, 4 =2, 2 =0 (v) que no cumple (6). Siz= i? A= 3 que produce i ,y=2 4 =3, 2 =0 vi) py y = % (4) queda y(10 — 2x sy + A2) = 0 2 =005— 4a —2y +2 =0 ale que no cumple (6). (c) (3) queda 2(5 — 4x — Qy +) =0 . rt ae . Ag atk Siz=O0>y=$ > .=4y se tiene como candidato |W) ‘4 ff ee c=0, y=%, 1 =0, 9 =4 (vii) que no cumple (5). S15 — 4 — 2y +g = 0S (4) queda y(10 — 22 ~ 4y + dg) =0 > y =0 0 10-2 — 4y +. 2 =0, Siy=0Sc=f, Xo = 9 y se tiene ahora que no cumple (2). 16 - Gx eth Yn: O- 4K = ANTS Si 10 — 2% — 4y+ Az = 0 = se tiene un sistema de tres ecuacionés en tres incégnitas: D- +. TO 10 — 2x — 4y + dy =0 FOL ° 5 — 4a — 2y + \o =0 oty= 5-14 £¥V=O que tiene como solucién AS Xo OF \o=5 y=3, y=3 49ECONOM[A MATEMATICA es decir, t= 5,y=3, 1=0, y=3 (ix) que no cumple (5). (d) « = 3, (3) implica que A2 = 5 y (4) implica que \, = 4, Por lo tanto, se tiene t=} yt =2, AT = 4, AS =5 (x) que cumple (CKT) y es la solucién buscada. No fue casualidad que dejdramos en el desarrollo anterior Ia solucién ver- dadera de tiltima. Se trataba de desarrollar en toda su extensién todos los Posibles casos que quedan cubiertos por (a) - (d). Si hubiésemos iniciado el Proceso por el caso (d), encontrando la solucién, jes esto suficiente para abor- tar el proceso y decir que éste es el 6ptimo? No, sin més andlisis. Si en cambio nos fijamos que la funcién ob jetivo es estrictamente céncava porque su matriz Minimizacién de indices de pobreza Ejemplo 1.14. Suponga que se tienen n individuos 0 familias con una distribucién de ingresos mensuales Y e ingresos individuales Yi t=1,...,n, que cumplen WSUS Sug < 2S yg <2. < yp, El valor z denota lo que se conoce como “Linea de Pobreza”, e indica un valor en $, tal que todos aquellos que devengan un ingreso menor a z se consideran como pobres. Para medir la pobreza se utilizan “Indices de Pobreza” y enten- demos bajo ellos una funcién P : R™+! — R, donde la imagen P(y, z) € [0,1] nos indica el grado de pobreza asociado con la distribucion de los ingresos Y y la linea z dada. Una familia de indices especialmente importante es la clase Pay, z) dada por 50 . : ANALISIS CONVEXO introducida por Foster, Greer y Thorbecke [20]. Entre los casos Particulares tenemos para a = 0,1 los siguientes indices: a= 0: Poly, z) =Hy2)=2 “Proporcién de pobres” y 3 es la “Diferencia agregada”. El problema que queremos tratar es el siguiente: Suponga que se tiene un Presupuesto de $T' para repartir (por ejemplo, el gobierno asigna unos subsidios directos). El objetivo es reducir la pobreza lo maximo posible, tepresentada esta reduccién en la minimizacién del indice que se utilice para medir. Se puede ' entonces formular el problema en los siguientes términos: tain G(t) = a _ ty)* 8.a, i=1 Me i£=T a . (1) i=l #20%=1.jg (2) GSM .A=1,...,q° , - (3) ti tiga $9 ~ Git) VE=1,..,g—1 ‘ (4), ' donde 9; = z~ yi. Notese que la variables de interés son t1,.. -, 9, mientras que y,..., Yq ¥ Z se convierten en pardmetros. CSPEPTTEV eee eee eee ee receEeOnOmiA MATEMATICA Ln primera restricci6n (1) admite la siguiente interpretacién: El presupuesto T se va a repartir en cantidades t; hasta que se agote y sdlo recibirdn de éste los pobres. La segunda restriccién (2) nos dice que las cantidades entregadas a cada uno de los pobres son positivas. Es decir, no hay ningtin tipo de transferencia intrapobre. En el peor de los casos, algunos quedarén con el mismo ingreso que tenfan antes de la reparticién. La tercera restriccién (3) se puede escribir en la forma y; + tj < z, y nos dice que nadie recibird una suma superior tal que su ingreso supere el valor de la linea de pobreza z. Por lo tanto, a lo més al recibir ¢;, se tendr4 un ingreso equivalente al valor prefijado z, es decir, el nivel de la linea de pobreza. Finalmente, la utima restriccién (4) se puede rescribir y; + ¢; < yizi + tigi, Y la podemos entender de la siguiente forma: El individuo 7, que es mds pobre que el individuo 7 + 1, no puede recibir una suma tal que a posteriori 7 sea estrictamente mds rico que i+1. Dicho de otra forma, el orden ascendente que se tiene en los ingresos antes de la reparticién no se altera por ésta. Analizaremos a continuacién cémo se presenta la solucién para los casos en que a=0,0l. (a) a=0 Para este caso, Po(y,z) = H(y,z) = 2 y esta medida de pobreza se minimiza déndole T (el presupuesto) a yg, yg-1,-.- —los més ricos de los pobres~ en cantidades t; = g, = z-—y;, 1 = 9,q —1,... hasta que se agote T. Si al repartir de esta manera llegase a sobrar una suma que no logra levar al i-ésimo elemento hasta la linea z, pero si al i+ 1-ésimo, esta suma se le puede asignar a cualquiera, naturalmente sin violar las restricciones © impuestas, pues el indice no se altera ya mds. Sucede lo mismo en el caso en que la suma que ha de repartirse T sea menor que z — yg. Esto re- fleja precisamente una de las fallas de este indice pues es lo mismo darle a cualquiera de los pobres, sin que éstos crucen la linea; es decir, H es completamerite insensible con respecto a qué tan pobres son los pobres. (b) a=1 Para este caso, )>/_, (gi — t;)* se minimiza de cualquier forma, es decir, no tiene importancia a quiénes de los individuos 1,2,... ,q se les asigna T', | 52 ANALISIS CONVEXO ya que ' q q Gt) = Yi —ti)=q2- Sou -T =1 i=1 y, por lo tanto, es irrelevante que valores toman los t;. (c) a<1 Es algo complicado y largo mostrar que en este caso la asignacion éptima es la misma que en el caso (a), por lo cual omitiremos esta deduccién’. El resultado aqui es, entonces, que la asignacién déptima para el caso a < 1 viene dada por : t= 9 parai=Q+l,...,9 q tg=T- Ss t _i=Q41 4 =0 parat=1,...,Q-1 Es decir, se trata efectivamente de una asignacién en la cual son los més ricos de los pobres los que reciben algo de T. Nota 1.13. (i) Al asignarle a los individuos i = q,q—1,...,Q +1, t; = 9, éstos tienen un ingreso final de z. (ii) El Q anterior se determina como aquella unidad para la cual, después de haberle dado a los mds ricos de los pobres, comenzando con la unidad g, una suma que los sittia exactamente en la linea de pobreza z, lo que resta por repartir no es suficiente para que su ingreso sea también z, pero donde atin q T-~ S* 420. 7=Q41 {De donde proviene la dificultad en el presente caso? El problema consiste en que estamos minimizando una funcidn que es céncava. Para ver lo anterior, es necesario observar que: (i) gq Sgq-1 S.-. Sq. Esto se deduce simplemente de la definicién de los g’s. (ii) (gi: —t: -—€)* + (93 —t; +€)* > (gi —ts)* + (95 —t;)* iP g g 95 45 g 93 bj - sobre la base que 0 < € < (gi: — te) — (gj —t,) para é,j =1,...,¢, 7 1. Este ultimo caso es el que mds nos interesa, ya que entonces la funcién objetivo es convexa y tenemos por consiguiente un minimo global. Ademds, permite apreciar el teorema de Kuhn-Tucker en plena accién. En contraste con los casos anteriores, vamos a poder aprovechar la convexidad y el teorema 1.20. En efecto, vamos a mostrar que la solucién se deriva de las condiciones de Kuhn-Tucker y viene dada por _ T- Qu +> u Q@ t,=0 parat=Q+1,.:.,¢ t; parai=1,...,Q donde @ se determina a partir de la ecuacién (max. que cumpla) Q T-Quit doy 20. t=1 Se puede en efecto aplicar el teorema de Kuhn-Tucker (maximizacién), que debido a que G(¢) es convexa permite utilizar el teorema 1.20. Para ello, sea Lit, A, Hy p) = q wee q q q-l —SV(Gi-ti)*+2 (2 -S s) +30 s(t) +> pi(i-g:41 te Hts) i=1 i=l =1 i=1 Entonces las condiciones de Khun-Tucker se escriben de Ja siguiente forma: : ANALISIS CONVEXO Oo o—— Eee OL ‘ -1 . Bn = 9 )* ~A-m~ 91 50 (i) aL at . . ap = 9 — 4) —An= pit pi-1—p SO parati=2,...,¢ (ii) 7 tla(gr _— t1)°~" -A- 1 _ pil =0 (iii) tila(ge — ti)? — A— ws + px-1 - p;] = 0, 1= 2-665 (iv) q | . ot = T (v) i=l K-20; pi(gi-t) =0, i=1,...,¢ (vi) Got S%- gi41,1=1,...,¢-1 (vii) Pi(9i — G41 — ti F441) =0, $= 1,...,g-1 (viii) Debido a las propiedades de convexidad mencionadas, podemos buscar la solucién con un conjunto de t;,A, 44 y p; que satisfagan (i)-(viii). Para ello, tomamos: . #4 =0,7=1,...,¢ / en (vi) p,=0, 7=1,...,¢~1 en (viii) &%=0,i=Q+1,...,4¢ en (iv) a(g -t)°"'~A=0, 7=1,...,Q en (iii) y (iv) (#) Nétese que para (*) se esté utilizando i = 0 paral,...,g y pj =0 para i=1,...,qg-1. De (+) obtenemos: §=9-ath=(2-y%)-(-wth=n-ytth para j = 2,...,Q. Por lo tanto, utilizando que Q \ou=T, (t= 0 parai=Q+1,...,4), i=l 55 PEPVVVNVVVNVVLL LeerTCONOMIA MATEMATICA : se deduce que, Q at Sin -— wt ty) =T > ind Q O41 +(Q-Im-Sy=T = , i=2 Q T- Qn + doy: t= =1 Q Como tj = yt — yj + ty, entonces se tiene que Q T- Qy; ty ty 5 = 5=2,....9 que es la solucién propuesta. La convexidad de G(¢) nos asegura que tenemos un minimo global. Deja- mos como ejercicio probar que éste es Unico. Para ello es suficiente-probar que para los ¢; encontrados, 9; ~ t; > 0, por cuanto entonces la funcién objetivo es estrictamente cuasiconvexa. : , La interpretacién final que se desprende de los resultados es en el fondo Sencilla: asignese al mds pobre y; una suma tal que quede con el ingreso de yo. A continuacién, asignese a ¥i Y @ yo una suma tal que queden con el ingreso de y3 y siga este proceso hasta que se agote T’. Por tiltimo, queremos anotar, y los dos ejemplos anteriores lo dejan ver claramente, que la complejidad del problema se vuelve prdcticamente inma- nejable si hay mds de dos o tres restricciones, y peor atin si la funciones que intervienen tienen mds de dos variables y no se conocen Propiedades sobre las restricciones y/o futicién ob jetivo. Por ello, en la préctica, habré que recurrir al computador con paquetes o programas de Programacién No Lineal, Algunos de los conocidos son SAS, GAMS y MAPLE. - : 56 f ‘ i # ' a my _ANALISIS CONVEXO 1.6. Ejercicios 1. (i) Mediante una grafica en R? indique los siguientes conjuntos: C’y( ~8), CS;(—8) y CI;(-8) correspondientes a la funcién f:R?—R definida por f(t) = ~22,2 — 2x0”. (ii) Caleule V f(a) y la matrig hessiana H(z) correspondientes. ; Qué : puede decirse acerca de la concavidad (cuasiconcavidad) de la fun- cién f? bt . Demuestre las partes (i) e (iii) del teorema 1.1. 3. Muestre que Mi y Mg del ejemplo 1.1 son conjuntos convexos, 4. Con las condiciones del teorema 1.5 muestre que: . (i) f(@)=k (x) es cuasiconvexa si 9(Z) es cuasiconvexa yk>o. (ii) f(z) = ho 9(2) es convexa si 9 Y h son convexas y A monétona creciente. (ili) C'S,(y) = CS,(h(y)); Cly(y) = CIy(h(y)); Coly) = Cy(h(y)). 5., Sea f (x1, x9) = 21 + x2. {Qué representa en este caso Ty, ei hipégra- fo? Indique en una grdfica el Contorno Superior CS5(1). Qué Puede afirmarse acerca de la cuasiconcavidad(-convexidad)? 8. Sea f(21,2) = (21? + a92)5, Analice f con respecto a convexidad y cuasiconvexidad, ‘ 7. Clasifique las siguientes funciones con respecto a (cuasi-)concavidad, convexidad: : (a) F (1,22) = log(x1:22) (b) f (21,22) = 2+ 2log zy (c) F(@i,m2) = 3ay? + dao? — Tey 8. Sea f : Rt — R dada por f(z) = a donde A(z), 9(z) > 0 para todo zr é Ri y sea h céncava ¥ 9 convexa. Muestre que entonces f es Cuasicéncava. 9. Muestre que toda funcién f:X— R,XcCR Cconvexo, que sea monéto- na creciente es cuasiconvexa, ‘ 57 e F4es ee epee edna dean aoe2. 13. 14. 15. 16. 58 10. 11. ECONOMIA MATEMATICA Demuestre (b3) de la nota 1.6. Utilice la caracterizacién mediante las derivadas de segundo orden para determinar si las, siguientes funciones f:R" — R son (estrictamente) céncavas 0 convexas: (a) f(z) =-2 D2, 2? (b) f(x) = 2) + 32129 + 62)? + 29? (c) f(x) =e +e —2,— LQ (d) f(x) = —ay? ~ 29? — 22125 Halle los puntos criticos de las anteriores funciones y diga si éstos son méximos-minimos, globales-locales. Bajo las condiciones del teorema 1.11, muestre que si H(x*) es p.d., entonces z* es un minimo local. Muestre también que si f es convexa entonces z* es un minimo global de f. Sea f(2,,22) = Az;%r2/ donde A > 0 es constante, a, 6 € (0,1) y £1,22 2 0 (funcién de produccién tipo Cobb-Douglas). Muestre que si a+ 8 <1, f es céncava pero que si a +> 1, f no es céncava pero si cuasicéncava. (i) Supongamos que la funcién f: Ri — R sea C! y linealmente ho- mogénea que toma valores positivos y que es cuasicéncava. Muestre que bajo el supuesto adicional de la homogeneidad, f es céncava. (ii) Muestre que el resultado anterior se puede generalizar si suponemos que f es homogénea de grado 00, p>-1, p¥0. [Ayuda: considere g(x) = log f(z) y sea A(x) = wh G24] IT. Analice los puntos criticos de f(xj,29) = 2,2 — 297 + axyx9 para a=1,2,3. 18. 19. 20. (i) Sea f(ay, a9) = 234 20129 + 29°. Encuentre los puntos erfticos de (ii) Sea g(21,22) = 21 +29. Solucione ahora: max f(a) s.a. g(x) = 0. Analice la siguiente funcién con Tespecto a puntos criticos y justifique de qué se trata: f (21,29) = 2129 — 29 — 222 —18.a. 921,22) = 21 — 229 =0. Derive las condiciones de Kuhn-Tucker para los siguientes problemas y halle la solucion: ‘ (i) max —82 2 _ 1025? + 122,29 - 5021 + 80x s.a. 2,929 Titre S1 8ay* +a" < Z para 21,22 >0 (ii) maxz + 29 — 2424 32129 — 329? s.a, Qa ta9<52 -2 +2. <-1 para £1,229 >0 (iii) max 100 + log x, + log x» s.a. 98 — a? ~ 29? > 9 418 — 21" ~ 629? > 0 (iv) Para el punto (ii) haga una grafica indicando la solucién. 59 AFTTTIVUVITUT er erereeceLCONOMIA MATEMATICA #1, (i) Demuestre que la funcién Gt) = DLi(gi — ti)® del ejemplo 1.14 t=1 e# ¢Oncava sia <1 y convexa sia > 1. (il) Demuestre que la solucién en el ejemplo 1.14 es tinica para el caso en que a> 1. fa 4 \ 22. Considere el problema “yy max 62, ~ 24)? + 22129 — Qa” s.a. Tj +229 <2 1L+a)-— 2? 20 24,22>0 (i) Verifique que se trata de un problema de programacién céncava. (ii) Sea 2* = (2, 2) un punto critico. Verifique las condiciones de Kuhn-Tucker en este punto, / (iii) {Es este mdximo tinico? iPor qué? 23. Resuelva los siguiente problemas, 21,22 > 0: (i) max 2y1/4q93/4 _ 21 ~ 22 (ii) maxc® — 52, 2 >0 (iii) max ay 1/42038/4 5.4, 21+ 2x9 <1 (iv) max2, “4209/4 sa. ay +22<4 (v) mina, + 2» s.a. 2y1/4y53/4 > 16 24. Suponga el siguiente problema max rq — 2? s.a, (10 - 24? —2)* > 0 - gay? + 3x1 —%220 2,22>0- Analice la solucién efectuando una grafica y explique su conclusién. 25. Resuelva el siguiente problema max212%2 +21 + zo S.a. woe 2ay+t2S5 2 <1 1,22 >0 26. Verifique que las soluciones encontradas en el ejemplo 1.12 son los opti- mos que se indican. Represente tanto el problema de minimizacién como su dual en una grdfica. : 60 . ANALISIS CONVEXO 1.7. Apéndice 1.7.1. En este apéndice vamos a dar una version del lema de Farkas utilizado en la demostracién del teorema de Kuhn-Tucker. Tenemos dos caminos a disposicién, ambos tomando como dados otros teoremas més profundos y que arrojan como consecuencia el resultado esperado. Uno de ellos se basa en log teoremas de separacién, camino utilizado Por ejemplo en [5] 0 [54], pero donde se requiere una serie de conceptos topolégicos que van més alla del alcance de este libro. El otro también requiere establecer un par de resultados del Algebra Lineal; pero consideramos més viable esta ruta, simplemente porque Suponemos que nuestros lectores estén més familiarizados con estos tépicos, aunque vayan mas allé de lo que normalmente se ve en un curso estandar de Algebra Lineal. Partimos, por lo tanto, del siguiente teorema que no vamos a demostrar: Teorema 1. Para cualquier matriz A (k x n), los sistemas Ax >0 | y A‘y=0 cony >0 poseen soluciones que cumplen , Az+y>0. Corolario. Sean A y D matrices (k, x n) y (ko x n), respectivamente. A sea no nula. Entonces los sistemas: Az >0 Dz=0 y . A‘y, + D'z = 6 con y; >0 Poseen soluciones que cumplen Ag + yy > 0. Demostracién. Sea A Ba D -D 61ECONOMIA MATEMATICA Aplicando el teorema anterior, tenemos entonces que los sistemas: Br>0 WY (A'D'— D1 yp | = 0 con Vis ¥2,¥3 > 0 . ¥3 poseen soluciones que cumplen Az + yy >0, Dr+y> 0, —Drtys >0. Defina z = ¥y2 — y3. Tenemos, por lo tanto, que At+y>0, con Az>0 Dz=0 Aty + Dtz = Ocony,>0. _J Teorema 2. Sean A,B,C,D matrices dadas donde Ay B son no nulas. Entonces, de los dos sistemas siguientes sdlo uno tiene solucion: () Az >0, Br >0, Cx>0, Dz =0 (Il) A’, + BYyo + Ctyg + D'y4 = 0 con y, > 0, yp, ¥3 20, yo £0 Demostracién. Si se cumple (I), entonces .. BAY + t'Byy + atCtys 4 2'D'y, > 0, ya que a'A‘y > 0, a*Btys > 0, Ye #0, 2'C%ys > 0 con y1,y0, 45 > 0 tpt : 2 D'y, =0 62 ANALISIS CONVEXO Pero esto significa que A’y, + Bly + Cys + Dtyg o£ 0. Al contrario, si no se cumple (II) se cumple entonces (I). Tomamos en el corolario anterior A yi A=|.B Y n=] y C ¥3 entonces, los sistemas (I) y (II) poseen soluciones zr, Y1, Y2, 43, Y4 que cumplen Ar+y,> 0, Br+y> 0, . Crty3> 0. Como (II) no tiene solucién necesariamente yo — 0, de donde se deduce que Br >0y por lo tanto se cumple (I). _! Si en el teorema anterior A = 0, obtenemos el Teorema:de Motzkin Sean B, C, D matrices dadas donde B €s no nula. Entonces sdlo uno de los dos Siguientes sistemas tiene solucién: (I) Bz > 0, Cz>0, Dr=0 (TI) BYyy + Cty, + D'y4 =0 con yp 2 0,43 > 0,42 0 Finalmente, eligiendo en el teorema de Motzkin B = $C = -AyD=90 se tiene el Lema de Farkas Sea A una Matriz dada sistemas tiene solucion: (I) Az <0, be > 9 (II) Aty = 8, y>0 63 FEET TV yyry rari.LE CONOMIA MATEMATICA ‘Teorema de Kubn-Tucker Soan fg) :X — R, X CR” abierto y convexo, funciones C1, j = 1,...,m. Sea #* un mdximo local del problema PNL y suponga que definimos M= {z € X | 9;(z) = 0,9 =1,... mh, J= th] 9j(z) = 0} Cc {l,..- sm}. Fintonces si se cumple que para todo s € R” sV9j(2") 20, je J y si existe una trayectoria y(t) = (yi(t),.-- ;yn(t)) € M, ys: (0,6) — R, Cc}, i=1,...,n, 0) =2" y 98) =(Znlt),-.-, Zamlé)) con (0) = 9 #0, (CR) entonces existen \* € R, A; > 0, j =1,...,™, que cumplen las condiciones de Kuhn-Tucker: V2L(2*, A*) = Vf (a*) + A*Vo9(z*) = 0 y . . (CKT) g{x*) 20, M*g(x*) = 0, AY 20 Antes de pasar a la demostracién es conveniente aclarar los supuestos efec- tuados: (CR) se refiere a lo que se conoce como Cualificacién de Restricciones. Es necesario exigir que ésta se cumpla, pues de lo contrario, como se vio en el ejemplo 1.10, el teorema no es vilido. Geométricamente, la (CR), significa que _ la trayectoria y(t) € M llega en forma tangencial al vector s en x*. 64 . _ ANALISIS CONVEXO se ANALISIS CONVEXO Figura 1.8. Demostracién. Tenemos que probar que bajo las condiciones dadas existen AF > 0 tal que Vi (at) + V9;(2") = 0, j=l ™m D4 g(a") = 0. jel Como 2* es solucién del problema se cumple naturalmente que g;(z*) > Oy como los \3 > 0, la segunda condicién nos dice que A; = 0 para todos los .J € J. Por ello la primera condicién puede ser reformulada y escrita de la siguiente forma: Vi (2*) + S> AFVgj(2*) = 0. jeJ Supongamos ahora que la afirmacién no es cierta, es decir, suponga que el anterior sistema lineal no tiene una solucién {Aj > O|7 € J}. El lema de Farkas nos dice que esto sucede exactamente si existe un v € R® tal que oVg;(z") > Oy u(-Vf(2")) <0 & vVgj(z*) > Oy wV f(z") > 0. ' Tomamos simplemente A como la transpuesta de la matriz jacobiana Jy y b como el vector —V f(z*). La condicién de regularidad (CR) nos dice que existe 65| ECONOMia MATEMATICA una trayectoria {s(t)]9(t) eM, te (0,6), 9(0) =a, 4(0) =v}. 0<0VF(0") = 4(0)Vy(2") = lim LE0)— 100), de tal inanera que para todo t > Q suficientemente Pequeno s(t) €M y f(s(t)) > F(s(0)) = f(x"), coniradiciendo que x* es un maximo. Por Jo tanto, el sistema Vila") +" MV9(0) <0 Jes sf tiene solucién {A} 20/5 eV}. 1.7.2. Teorema de separacién Si By y Bs son dos subconjuntos de R™ convexos con L Bun By = 6, i, By abierto, entonces existe un hiperplano aty = 8 que separa By, de Bo, es decir, existe una#zQyun numero real B tal que aly SB gy ¥ 2 se dejan escribir en la forma kr, Haga la combinacién Az, + (l- Ajo. wo . Tomando (x1, %), (x2, 42) € Myre [0, 1] cualesquiera, utilice la desigualdad de Schwartz (21,%) + (22, yo) = ajay + mye < Ios.) (x2, yo)|]. Tomando (21,41), (22,4) € M3 y € jo, yj cualesquiera, utilice la desigualdad triangular : Am + (1 — A)xo| < Alaa] + (1 — A)|zo}. i 4. (i) Utilice e} teorema 1.4 (i) para caracterizar la cuasiconcavidad. (ii) Utilice e] teorema 1.4 (i) para Caracterizar lg Cuasiconcavidad y el hecho de que A es monétona creciente (sia — ti} y este Conjunto es convexo. Tanto CSs como CI f para cualquier y que sea imagen de f son conjuntos convexos. 6. No es Convexa, pues témese Por ejemplo 7 = (1,1), y= 8,2) yA= Para la cuasiconvexidad analice el contorno in radio y3/2, 1 3. ferior que es un circulo de 7. (a) Suma de céncavas es céncava, 67ECONOMIA MATEMATICA : (c) Tome, por ejemplo, por un lado (21,22) = (2,0), (y1,y2) = (0,1) yrA= ay por el otro (21,22) = (2,0), (41,42) = (0,-2) y A= 2, Calcule F(A(@1, a2) + [1 — A] (yn, y2))-— AF ((e1, 22) + [LAF (1,92), mostrando que para el primer caso la primera expresion es menor que la segunda, mientras que en el segundo caso sucede lo contrario. Analice los contornos CS;(y) = {(21, 29) eR | 8a? + dary? ~ 72129 > y} . Sea y = 1, entonces se puede escribir'el contorno superior como CS4(1) = {(2},24) €R? avi? + bai? > 1} donde a = Tye yb= re son los valores propios de la matriz | (Fi 7). Como a > Oy b <0 el contorno C;(1) representa una hipérbola. 8. Estime ‘ A(Aa + [1 — Aly) g(Aw + [1 — Aly) utilizando las propiedades de las funciones h y g. Utilice que h(x) = f(z) g(x) y tome dos puntos z, y€X con f(x) > f(y). fx + [1 -Aly) = 9. De modo similar al teorema 1.6. 11. (a) estrictamente céncava (b) estrictamente convexa, (c) estrictamente convexa (d) céncava 68 L ANALISIS CONVEXO 12. (a) 2* = 0 max. global (b) z* = (—2, 2) min. global (c) 2* =0 min. global (d) 2} = —ad max. globales 13. Utilice el desarrollo de Taylor para f (x) alrededor del punto x* y las - condiciones del problema: H(x*) p.d. y Vf(a*) = 0. Conociendo la convexidad utilice la caracterizacién dada en el teorema 1.7. 14. Calcule el hessiano y los menores. Para la cuasiconcavidad examine el contorno superior. 15. (i) Defina t = Fey => f(z.) =tf(z2) = f (ta). Utilice el teorema 1.7 y el hecho de que si una funcidn es homogénea de grado 1, entonces sus derivadas son homogéneas de grado 0. Finalmente, utilice el teorema de Euler que nos dice que 22V f (£2) = f(a). (ii) Para la generalizacién utilice el teorema de composicién (1.5) a partir de escribir f(x) = [f(x)¥"]". 16. (i) Defina p(x) = log(f(z)) = Dip G% log z;. Analice la concavidad de p(z) y utilice de nuevo el teorema de composicién. (ii) Defina ahora p(z) = log(f(z)) = ~The (Sa a, ‘| = — log( (2). w=1 Analice la concavidad de la funcién A(z) = ici 6:2,” y tome en cuenta si p(o + 1) > 0 (<). Finalmente, utilice el teorema de composicién. 17.. Para a = 1 tenemos un max. global; para @ = 2 un max. local y para a = 3 un punto de silla. 18. Los puntos criticos son (0,0) y (3, ~2). El primero es un punto de silla mientras que el segundo es un min. local. 19. x* = (2,1) es min. local. 69| ECONOMIA MATEMATICA 20. 21. 22. 23. 24, 25. 26. 70 (i) Con KT ge obtiene que z* = (0,1) es max. global tinico. A* = (60,0). f, oy 92 80n céncavas, (ii) 2* = (1,0) max. global unico. f, 9 Y 92 son céncavas. (iii) 2* = (7,7) max. global. f, 91 ¥ 99 son céncavas. Para (i) calcule la matriz hessiana y para (ii) calcule el hessiano orlado. Notese que en (ii) todo depende del signo de 9; — t; =2Z-yw~-t>Oy que és igual a cero sdlo en el caso trivial en que T es tan grande que no queda nadie pobre. f es estrictamente céncava y las restricciones son céncavas. Por ello el Punto es un méx. global tinico. : (i) 2* = k(1, 1); todos max. locales (ii) z* =1 min. local iti) 2* = (4, 3) max. global iv) 2* = (1,3) max. global (v) o* = 16(3-3/4 31/4) max global t= (3, fog)» a* = (0,1), lo que significa que la restriccién ~42,? + $21 —22>0 esté activa, mientras que la otra no lo esté, x* = (1,3) max. global tinico. Indique en la grdfica e] conjunto de puntos factibles. Trace la recta que Tepresenta la funcién objetivo en el origen y desplicela paralelamente sobre la regién factible. Note que los éptimos estén en las esquinas. Capitulo 2 Aplicaciones econémicas 2.1. Teorema de la envolvente Vamos a iniciar este capitulo introduciendo un teorema de mucha utilidad para las aplicaciones en la versién neocldsica de la Teoria del Consumidor y la Teorfa de la Produccidén. Cabe destacar de antemano que esta escuela de Pensamiento es la que mds ha explotado el potencial de la teorfa de la arsenal del rigor de las exposiciones matemAticas. TUVRVVA Waa kel. /fTtECONOMIA MATEMATICA duccién es Cobb-Douglas que sdlo depende de K, el capital, y Z, el trabajo, sin entrar a establecer si realmente es de ese tipo y sin establecer ningtin tipo de | relacién entre las dos variables (por ejemplo, que la una domina la otra), puede llevar a muy diferentes conclusiones, por ejemplo, con respecto a la busqueda de trayectorias estables en la Teoria del Crecimiento. Independientemente de creer o no en los postulados de tal o cual escuela de pensamiento econdémico, es importante conocer la aplicacién de la teorfa de la optimizacién a la Teoria del Consumidor y la Teoria de la Produccién neocldsica. Compartimos plena- mente lo que expresara J. Marschak, “el hecho de que una teoria internamente coherente y determinada se formule 0 no en términos matematicos, no cambia su esencia légica; pero es mas facil verificar su coherencia y su determinacién si se enuncia en términos matematicos” (citado en [21]). Ahora bien, entrando en materia, vamos a iniciar la discusién con un ejemplo que nos ilustra cual es ahora la problematica. Ejemplo 2.1. Suponga que una empresa utiliza n insumos.para producir: un bien, que el precio de venta de dicho bien esta dado, que los precios de los insumos también estan dados (de nuevo dos supuestos clave) y que se utiliza una determinada tecnologia representada por una funcidén de produccién F(21,29,.-.,2n). El beneficio viene dado pues por . n Th(21,.--)2n) = pF(#1,...,2n) — SO wise, donde p es el precio del bien y wu; los precios de los insumos. Las condiciones de primer orden nos dicen entonces que om OF Ox; ~ On, . y asumiendo que tenemos condiciones de segundo orden suficientes para la maximizacién, estas ecuaciones producen unas soluciones -—w,=0,7i=1,...,n, xj(wi,...,Wn,p), t=1,...,n. El beneficio maximo viene dado por Tl* = pF(z},...,2%) - So wist. i=1 72 APLICACIONES ECONOMICAS La pregunta ahora es: jCémo cambia este maximo beneficio si varia, por ejera- plo, el precio de wy, el primer insumo? n OIl* "OF (ai,...,2%) Oat Ont = Seen * vt pt Bun Pu aa om “Sp i=1 wh ya que por la condicién de primer orden n OF (at, ..., 2%) Oxj > (> Ox; u) ow; 0. i=1 Lo anterior permite dar la siguiente interpretacién: $i aumenta el precio del primer insumo en una unidad, el beneficio disminuye en una proporcién igual ax}. Aqui p y w,...,Wp, inicialmente constantes pues estaban dadas, juegan el papel de pardmetros que pueden variar posteriormente. Para el caso de la optimizacién restringida, vamos a reformular el problema de la siguiente forma: max f(a) sa. g(2,a) >0, 220° y suponemos que 2*(a) (a es el pardmetro) es la solucién a dicho problema. Definimos, : Definicién 2.1. V(a) = f(x*(a),a) se llama la Funcién de Méximo Valor. Nota 2.1. (a) En forma similar, para problemas de minimizacién, podriamos hablar de un Funcién de Minimo Valor. En algunos textos ésta se conoce como la Funcién Valor. => oo a El pardmetro a puede ser aqui un vector como en el caso del ejemplo anterior donde a = (w,..-,Wn,p). Igualmente g(z,a) puede denotar varias restricciones. El teorema que sigue, conocido como el Teorema de la Envolvente, nos responde la pregunta sobre los cambios en V(a) si hay cambios en el pardmetro a. 73ECONOM[a MATEMATICA Teorema de la Envolvente Teorema 2.1. Supongamos que f Y 9 son funciones C* y que x*(a), A*(a) > 0 (solucién interior), donde 4 es el multiplicador de Lagrange, son solucién al Problema de optimizacion (i) max f(x, a) (méx. sin restriccién) ’ (ii) max f(z,a) s.a. g(a, a) > 0 (max..con restricciones) Entonces la funcién de maximo valor V(a) = f(x*(a),a) cumple: OV(a) _ Of (x*(a),a) 0a; 0a; en el caso (i) y : OV (a) OL(z*(a), A*(a), a) O(a) 0a; 0a; , 0a; en el caso (ii) donde L£(x(a), \(a),a) = f(x, a) + d9(z, a) (a) = L(a*(a), \*(a), a). E] teorema nos muestra que la variacién de la funcién de méximo valor por cambios acaecidos en los pardmetros, se obtiene mediante el cambio de f (£ en el caso (ii)) dejando fijos los éptimos en zy. Demostraciédn. Gi) V(a) = H(a"(a) a) = A) ANe%(0).0) B40) | A4(2"(@) a) a; On; 0a; 0a; 3, i=l Pero como f que *(a),a Fhe" (a) 9) = 0 por la condicién de primer orden, se concluye zi OV(a) _ Af(e"(a),a) 0a; 0a; 74 APLICACIONES ECONOMICAS (ii) Las condiciones de Kuhn-Tucker nos dicen que siendo £ el lagrangiano, DL(x*(a); X*(a),a) _ Af (a*(a),a) | 4 Ag(w*(a), 0) Om Gag tM 0 Ox; i ‘parat=1,...,.ny g(z*(a),a) = 0. Por lo tanto, tomando en cuenta que, OL(a* (a), A*(a), a) _ - Ox; y se tiene. 0a) _ yr BC Bry aC OX, OC _ ac Oa; - Ox; Oa; — Or 0a; da; Oa; i=1 donde L se evalita en (x*(a),A*(a),a) y a y Xena. A su vez con f evaluado en (x*(a), a) se tiene, OV(a)_ 4 Of dst of __\. 99 Ost af da; ~ 2105; Bay * ay =~ Fn Bae te “. Og Ont : 8g 9(x*(a),a)=0 => on ae ta =0 f= I t=1 y, por lo tanto, OV(a) _ y/,)9(a*(a),a) | OF(2*(a),a) G£(x*(a), A*(a), a) 0a; =A"(a) 0a; 0a; ~ ba 4 Nota 2.2. (a) Tomar un punto interior, es decir, donde t*(a) > Oy A*(a) > 0 no es restrictivo porque de todas formas Ou(a) _ ac 0a; ~ 0a,;’ * * ya que de lo contrario Oxy =0o0 3 = 0 0 ambas. Oa; 0a; 75 TELL Tes VUVVUy PEETETTN| CONOMIA MATEMATICA OL(a*(a), A*(a), a) (by SEMA 0) 0a; evaluado en (x*(a), \*(a),a) con respecto a a;. Se trata, por lo tanto, de un cambio parcial (es decir, x y \ se toman constantes). dyp(a) 0a; denota la derivada parcial del lagrangiano L(a, A, a) En contraste, I] teorema nos muestra que la funcién lagrangiana juega, para un problema. con restricciones, el mismo papel que la funcién objetivo en un caso donde no hay restricciones. a a — (d) Como veremos en el corolario que sigue, en el caso particular de tener un problema restringido de la forma: max f(z) s.a. h(a) 0] = OV (a) = \*(b ab, A; (8) Lo anterior se puede interpretar de la siguiente forma: Un aumento de la cota bj produce un crecimiento de la funcién de maximo valor en la cantidad AF(b). Por lo tanto, el valor del multiplicador de Lagrange en el mdximo nos indica el crecimiento de la funcién objetivo cuando se relaja la cota bj. ‘Es, por lo tanto, el valor que estarfamos dispuestos a pagar (recibir) por una disminucién (aumento) de una unidad adicional en la cota b;. Por esta razén, en los modelos de optimizacién econdémica, las variables de Lagrange se llaman “precios sombra”. Si una restriccién tiene un precio sombra positivo, entonces - y esta restriccién estd activa en el sentido de que se cumple la igualdad. Esto significa que el maximo se puede mejorar si se varia un poco la respectiva cota 6;. Al contrario, un precio sombra igual a cero significa que no es posible mejorar el maximo al variar la respectiva cota bj. Corolario. ..... i Sia; sdlo aparece en la restriccién, entonces AV(@) _ yx, O9(2"(a), a) Da, = Mia) 76 es el cambio total, puesto que (a) = L(a*(a), \*{a), a). ‘ APLICACIONES ECONOMICAS a emeE ee EEUNUMICAS, i. Sia; sdlo aparece en la fimcién ob jetivo, entonces OV(a) _ Of (z*(a), a) Oa; 0a; iii. Para el caso particular mencionado en la parte (d) de la nota anterior, : efectivamente av (a) Via * = AF (0). i = NO) Demostracion. (i) e (ii) se deducen inmediatamente de el Teorema de la Envolvente. (iii) vale ya que dg(z*(a),a) _ Og(z*(a), a) da; Sté<“ HS Ejemplo 2.2. (i) Suponga el caso en que una empresa desea maximizar su ganancia pro- duciendo un bien con dos insumos ty y x: max pf (x1, 29) — wy2, — Wet, donde f representa la funcién de produccién y w = (wz, we) son los precios de los insumos. El vector de pardmetros es en este caso: (p, wy, we). La solucién éptima viene dada por 2; (p,w) i= 1,2 y la maxima ganancia esté dada por : TI*(, w) = pf(2}(p, w), ¢3(p,w)) ~ wi2}(p, w) — wae 3(p, w). St cambia digamos wo, el precio del segundo insumo, se tiene por el Teorema de la Envolvente que OU"(pw) Ow ~ ~«9(p, w), es decir, se obtiene el cambio en la funcién de maxima ganancia derivando ésta con respecto al pardmetro wo parcialmente (lo cual significa que las otras variables se asumen constantes). T7ECONOMIA MATEMATICA ™* 1*(p°,ul08) 0 W Figura 2.1. (i) En el mismo problema de maximizacién de ganancia, suponga que se mantienen fijos w2 y p en niveles wf y p°, respectivamente. La figura. 2.1 muestra la grafica de II*(p, w) donde sélo varia wy. En primer lugar, se observa que por el Teorema de la Envolvente OI* (p, w * —— = —2i(p, w) y, por ello, la pendiente es negativa. Econédmicamente, esto significa que la empresa tiene una menor ganancia si se incrementa el precio de cual- ° quiera de los insumos (en nuestro caso, wy). IT*(p°, wu, w9) es convexa * w LQ, 1 en Ww, pues sabemos que si sube el precio del primer insumo es decir, se demanda menos y, por lo tanto, wee PIT (p", wi, w) _ _ Oat 0. Pury du, Lo anterior quiere decir que de alguna fornia la variacién de la funcién de ganancia II* (recuérdese que es de maxima ganancia) estd ligada, por cambios del precio w;, a la curvatura de It (p°, wy, wy). ‘ 78 ‘ APLICACIONES ECONOMICAS En el punto w? que se muestra en la figura 2.1 se tiene especificamente que la demanda tiene valores Suponga ahora que sé varia w pero que se mantienen fijos x1 y t2 en x9 y 28, respectivamente. Como wy se mueve de w?, los 2; no son los que maximizan la ganancia. Esta es inferior que en al caso en que los x; se ajustaran al nuevo valor de wy. Definimos . 0 TEC? wr, W829, 29) = pf (29, 22) — u2° — w929, funcidén que es lineal en w, y tangente a II* (p° 11, w) en we, Por consiguiente, siempre se tiene que: fi Oy g(2,4)>0 = OS Ag(z,a) + [1 = Alg(2,@) < g(Az + [1 - d]2,A0+ [1 — da): por la concavidad de g(z, a). Por lo tanto, Az + [1 — A]Z es una solucién factiblé cuando se toma como parémetro a*. Por ello, V(a") = V(da + [1 = Na) = f(z", a") = F(z", rat [1 — Ala) > F(A(z, a) + [1 — Al(Z, 4) > AF(2,@) + [1 — A]F(2,4) = AV(a) + [1 — ALV(A), puesto que z* es dptimo y f céncava. Es decir, V es céncava. 80 ! ; APLICACIONES ECONOMICAS (ii) Por la linealidad de fena V(at) =V(\a+ [1 ~ Ala) = f(z",a") = F(2", Aa + [1 ~ Ala) = Af(e*,a) + [1-9] f(z", 4). Ahora bien, como z y 2 son 6ptimos, Af(z",a)+([1—-A] f(z", ay SAF (z, a)+[1—A] f (2,4) = AV (a)+[1—A] V(a) Y, por lo tanto, V es convexa. . | i Entramos ahora a estudiar las implicaciones de lo anterior a la Teoria del Productor y del Consumidor, 2.2. Teoria de la produccién La meta u objetivo de “toda” empresa es maximizar su beneficio con respecto a algtin tipo de “accién” que ella pueda tomar. Sea TI(a) = Beneficio = R(a) — C(a) = Ingreso — Costos. Las condiciones de primer orden para dicho problema toman la forma aM 4 . OR _ ac 8a, > Ba; Bax’ t=],...,n. Asi, por ejemplo Si, a; = escoger el nivel de produccién del producto 1, entonces la empresa debe escoger aquel nivel para el cual el costo marginal sea igual al ingreso marginal. Si, a; = nivel de fuerza laboral empleada, entonces la empresa debe enganchar una cantidad de trabajo tal que el ingreso marginal de emplear una persona mas sea igual al costo marginal de emplear dicha persona. La decisién de una empresa (0 lo que es lo mismo, el problema de optimizacién) queda resuelto si: - Se conoce cudnto producir (producto) y a qué precio vender, ~ Se conoce cudanto debe utilizarse de cada insumo y cuanto pagar por él. Usualmente se supone (jcon raz6n?) que tanto los precios de los insumos como los precios de venta son dados y fijos y, por lo tanto, sélo interesa saber cuanto (cantidades) debe producirse y emplearse como insumos, Dicho sea de paso, no 81ECONOMIA MATEMATICA _8e acostumbra decir que los precios estan dados, sino, lo que es lo mismo, que hay un mercado en el cual se encuentran productores (muchos) y consumidores (mds todavia) y que ninguno tiene el poder de influir los precios. Vamos a una funcién de produccié6n Ff: RY > R dada por g= f(24,...,2), donde 2,... »£n 2 0 son los insumos. A esta funcién ademas se le exige que tenga algunas Propiedades: if: R2 — Res continua sobre R} y C? sobre {re Rt|2; > 0} con F(0) =0 (es decir, si no se utilizan insumos no se produce nada). a: nln. Of(a) . . i. Para todo z € {x € RY la; > 0} > 0 (los insumos son productivos en el sentido de que un mayor empleo de ellos produce un incremento del ° producto). iii, f es céncava en {z ER" |x, > 0} (el producto marginal es decreciente). Ademés de las anteriores Propiedades, muchas veces se le impone a una | funcién de Produccién alguna de las siguientes caracterizaciones: Definicién 2.2. Se dice que una funcién de produccién tiene retorno a escala decreciente — f(éx) < tf(x) constante si para todo t > 1 f(tz) =tf (x) creciente (tx) > tf fx) Podemos enunciar el siguiente teorema que nos muestra claramente la rela- cién entre las propiedades (i)-(iii) y la caracterizacién de la definicién anterior. Teorema 2.3. Una funcién de Produccién que cumpla (i)-(iij i) descritas anteriormente, mostraré retorno constante o decreciente a escala, : Demostracién. Seat>I,ze Rt, 2 £0. Entonces, . 1 1 D F4(tz) + [ - i] H(0) = =f(ex) Por ser f céncava. Por Jo tanto, tft) < f(ta). 82 . APLICACIONES ECONOMICAS En el ejercicio 14 del capitulo 1 conocimos la funcién de Produccién tipo Cobb-Douglas f(@1,22) = 21% poh, Vimos ademds que ésta es céncava si a+B1. La definicién anterior aplicada a este tipo de funcién de Produccién deja ver también quesia+@ <1, la funcién exhibe retorno decreciente a escala, sia + 6 = 1, retorno constante a escala yYsia+@> 1, retorno creciente a escala. En algunos casos es perfectamente factible tener retornos crecientes a escala y por ello Testringir las funciones a Ser céncavas limita el espectro de las aplicaciones, max II(p, w) = pf (z) — wa Aqui en contraste con el caso anterior, p representa el precio de venta del producto producido, g = f(z), la cantidad producida con los insumos L= (21,-.., 2p) que, @ su vez, se compran a los precios w = (wy,-.., Up). (No es muy complicado suponer que p, el precio, es una funcién de Ja cantidad . % ¥ reformular el] problema para este caso). Se trata pues de un problema de maximizacién sin restricciones que aplicando los resultados del capitulo 1 nos produce como Condiciones de primer orden: ‘ ofa") T=Loone Oz; , Dp Valor del producto marginal = Precio del insumo, CPFEUERT rere ee..— — — 2 SS 8&8 838 8S SS SB F ECONOMIA MATEMATICA S(*) pendiente =w | p Figura 2.3, Definicién 2.3. Para cada (p,w) habré un éptimo x*. La funcién 2* (p,w) se llama funcién de Demanda de la empresa. A su vez, a(p,w) = f(x*(p, w)) se llama la funcidn de Oferta de la empresa. I(p,w) se llama la funcién de Ganancia de la empresa. ‘ Teorema 2.4, Sea I(p,w) la funcién de Ganancia. Entonces, i II(p,w) es no decreciente en p y no creciente en w, es decir, sip’ > py w! I(p',w’) > II(p, w). il, II(p,w) es una funcién homogénea de grado | en (p, w), es decir, para todo t > 0, (tp, tw) = tII(p, w). iii, TI(p,w) es convexa en (p,w) para cantidades Positivas. de insumos, producto y precios. \ iv. II(p,w) es continua en (p,w) para p >-0, w > 0. Demostracion. ~ (i) Sean x y 2’ las cantidades utilizadas por la empresa para maximizar la ganancia a los precios p,p’ y w,w’, respectivamente. Entonces, f(z) —w's > p' f(x) — we por ser w’ < w. 84 ‘ APLICACIONES ECONOMICAS I ~ P'f(2')—w'e! > p' f(x) —w's Por ser 2’ maximizante a precios p’ yu’. p'f (x) — wa > pf (x) ~ we - por ser p’ > p, por lo tanto, P'f(2')~w's' > pf(a) we #& H(p',w") > M(p,w) (ii) Sea a la cantidad de insumos utilizados que maximiza la ganancia a precios p, w. Entonces x también maximiza la ganancia a precios tp, tw. Por lo tanto, si se multiplican todos log costos por un factor positivo esto no altera la cantidad de insumos que se invierten para maximizar la ganancia y, por lo tanto, el beneficio se eleva en dicho factor. Es decir, (tp, tw) = tpf(x) — twa = t(pf (c) ~ we) = tT1(p, w). Lo anterior se desprende si miramos la condicién de primer orden: f(a") . p dn, Su, i=1l...jne df (a*) . ip— — = tu, i=1,...,n para todo t > 0 Oz; J f(z*) P Ox; = Wi, t= 1,...,n (iii), II(p, w).es lineal en (p,w) y p,w no aparecen en la restriccién del problema max p%y — wz s.a. ro < f(x), 2,2 >0 Aqui el lagrangiano es £(x9,2,) = pay — we + A(f (x) — 29). Las con diciones de Kuhn-Tucker nos dicen que a = P-AK<0, xo(p ~ A) =0 = oy, 4 OF (uw, 42) 9 5p Bn = wit rg <0, x;( mit Ap) =0,§= 1.040 A(f(z) — to) =0 85ECONOMIA MATEMATICA se acostumbra decir que los precios estén dados, sino, lo que es lo mismo, que hay un mercado en el cual se encuentran productores (muchos) y consumidores (mas todavia) y que ninguno tiene el poder de influir los precios. Vamos a suponer ademds una determinada tecnologia de produccién representada por una funcién de produccién f: Ri — R dada por 9= f(t1,...,2n), donde 2},...,2, > 0 son los insumos. A esta funcién ademas se le exige que tenga algunas propiedades: i. f : Rt — Res continua sobre R? y C? sobre {z € Relay > 0} con f(0) = 0 (es decir, si no se utilizan insumos no se produce nada). Of (z) an (los insumos son productivos se, ii. Para todo x € {x € Ri | 2; > 0}, t . . en el sentido de que un mayor empleo de ellos produce un incremento del producto). ili. f es concava en {x € Rt | 2; > 0} (el producto marginal es decreciente), Ademés de las anteriores propiedades, muchas veces se le impone a una funcién de produccién alguna de las siguientes caracterizaciones: : Definicién 2.2. Se dice que una funcién de produccién tiene retorno a escala decreciente f(tz) < tf(x) constante siparatodot>1 ff (ta) = tf (2) creciente f (tz) > tf (2) Podemos enunciar el siguiente teorema que nos muestra claramente la rela- cin entre las propiedades (i)-(iii) y la caracterizacién de Ja, definicién anterior. Teorema 2.3. Una funcién de Produccién que cumpla (i)-(iii) descritas anteriormente, mostraré retorno constante o decreciente a escala. Demostracién. Sea t > 1,ceRt, 240. Entonces, . 1 1 1< 7 fte)= 4 (7te9)+ [1-1] 0) > E70) 4 [p= 2] 10) = yt por ser f céncava. Por lo tanto, tf(z) < f(tr). 82 . APLICACIONES ECONOMICAS En el ejercicio 14 del ca; ftulo 1 conocimos la funcién de produccién tipo Cobb-Douglas f(21,22) = £1%t9, Vimos ademas que ésta es céncava si a@+8 <1y cuasicéncava gi +> 1. La definicion anterior aplicada a este tipo de funcién de produccién deja ver también que sia + 8 <1, la funcién exhibe retorno decreciente a escala, sia + 6 = 1, retorno constante a escala Ysia+B>1, retorno creciente a escala, En algunos casos es perfectamente factible tener retornos crecientes a escala Y por ello restringir las funciones a ser céncavas limita el espectro de las aplicaciones. _ Suponga aliora una empresa que tiene los. precios dados. Si z representa un vector den ‘+m componentes donde las primeras n representan las cantidades producidas y las restantes m las cantidades empleadas en producir log 7 productos, el problema de maximizar la ganancia se puede presentar de la siguiente forma: : : max pz s.a. z € Z, donde Z C R"+™ gs Jo que sé conoce como el conjunto de posibles (realizables) planes de produccién, Si ademés, para simplificar, suponemos que la empre- 8a produce un solo Producto, entonces e| problema puede reformularse de la Siguiente manera: max II(p, w) = pf (x) — wr Aqui en contraste con el caso anterior, p representa el precio de venta del producto producido, q = f(z), la cantidad producida con los insumos © = (01,...,2) que, a su vez, se compran a los precios w = (wi,..., Wp). (No es muy complicado suponer que p, el precio, es una funcién de la cantidad . 4, y reformular el problema Para este caso). Se trata pues de un problema de maximizacién sin restricciones que aplicando los resultados del capitulo 1 nos produce como condiciones de primer orden: , Of (z* . pe) wy, t=1lone Valor del producto marginal = Precio del insumo. La condicién de segundo orden, para que haya un maximo exige que H (z*), ‘la matriz hessiana, sea n.s.d. 0, lo que es lo mismo, que la funcién de produccién sea céncava. 83 FPRPERUU Err rerereeceuceeSa SS eo ee ee TL CONOMIA MATEMATICA pendiente =w / p i i ' * x , x Figura 2.3. Definicién 2.3. Para cada (p,w) habr4 un éptimo 2*. La funcién 2" (p,w) se llama funcién de Demanda de la empresa. A su vez, q(p,w) = f(2*(p, w)) se llama la funcién de Oferta de la empresa. T(p,w) se llama la funcién de Ganancia de la empresa. , Teorema 2.4, Sea II(p, w) Ia funcién de Ganancia. Entonces, i. I(p,w) es no decreciente en p y no creciente en w, es decir, sip’ > py w' < w (bien definido) > I (p’,w') > T(p, w). ii. II(p, w) es una funcién homogénea de grado 1 en (p, w), es decir, para-todo / t > 0, H(tp, tw) = t1(p,w). iii, II(p,w) es convexa en (p,w) para cantidades Positivas. de insumos, producto y precios. ' iv. II(p,w) es continua en (p, w) parap>0, w > 0. 7 Demostracién. * (i) Sean x y x’ las cantidades utilizadas por la empresa para maximizar la ganancia. a los precios p,p’ y w,w’, respectivamente. Entonces, pf (2) -w't>p' f(s) - wr por ser w’ < w. 84 : APLICACIONES ECONOMICAS p' f(z") -w's' > p' f(x) - w's por ser z’ maximizante a precios pyw'. p' f(x) ~ wa > pf(c) — we - por ser p’ > p, por lo tanto, p' f(z!) —w's! > pf (a) — we = I(p',w’) > Ip, w). 1 (ii) Sea x la cantidad de insumos utilizados que maximiza la ganancia a precios p,w. Entonces + también maximiza la ganancia a precios tp, tw. Por Jo tanto, si se multiplican todos los costos por un factor positivo esto no altera la cantidad de insumos que se invierten para maximizar la ganancia y, por lo tanto, el beneficio se eleva en dicho factor. Es decir, Il(tp, tw) = tpf(x) —twr = t(pf(z) -— wx) = tIN(p, w). Lo anterior se desprende si miramos la condicién de primer orden: Of (x*) 5, t=l.e.wn oe 7 pA) — su, i=1,...,n para todot > 0 Of (a*) P Oz; =u, i=1,...,n (iii) II(p, w).es lineal en (p, w) y p,w no aparecen en Ja restriccién del problema max pro — we s.a. zo < f(x), 29,2 >0 Aqui el lagrangiano es £(z9, 2, A) = pao - wat A(f(2) ~ 20). Las com diciones de Kuhn-Tucker nos dicen que aL —=p-A< — = Bap p-A<0, zo(p — A) =0 OL ; of / Of, _ Ba, Wit >Z 5% m(—w + Ap) =0, tahun OL aA =f) Zo > 0, A(f (x) — 29) = 0 85ECONOM[a MATEMATICA Como 2,2; > 0 se desprende de lo anterior que : a . A=p>0; f(z) = ao; Pye uy t=1,...,n. Es decir, la solucién se caracteriza de forma igual para el problema origi- nal (sin restricciones) que para el problema restringido introducido arriba. Lo que sucede ahora es que Il(p, w) es la funcién de Méximo Valor para el problema restringido, Aplicando el teorema 2.2 (ii) se tiene entonces que II(p, w) es convexa. (iv) Una funcién que sea convexa es continua. (Véase [5].) | Con lo anterior queda resuelto en esencia el caso de maximizacidn de beneficio. Hay, sin embargo, otro problema que se plantea con frecuencia. Este es e] de la minimizacién de costos. Para ello definimos: : Definicién 2.4. C(w,q) =minwe s.a. 2 E V(Z) donde V(Z) = {x ER™|(q,-2) € Z} , . representa lo que se conoce como conjunto de insumos requeridos, se llama la funcién de Costos. Nétese que la funcién de Costos no es simplemente el producto de los insumos por sus respectivos precios, sino que estamos hablando,en el fondo, de una funcidén de minimo coste. , Planteamos ahora el problema de minimizacién de costos: min wz s.a. f(z) ='q. ‘ Se trata pues de un problema de optimizacién pero con restriccién cuya solu- cién nos produce ahora: Si L(@,) = we + A(q ~ f(z)) es el lagrangiano, entonces las condiciones de 1. orden son: w= An te em % De aqui se producen las conocidas relaciones: me. of Wi Oz; — = > Wj of : On; Tasa econdémica de sustitucién = Tasa marginal de sustitucién técnica. 86 APLICACIONES ECONOMICAS Es decir, a cada factor J se le sustituye por el factor 7, manteniendo los costos constantes. La condicién de sekundo orden seria aqui que la funcién f sea CuasicOncava, que se puede comprobar por medio de los hessianos orlados. Para el caso de dos insumos, ilustramos la condicién anterior gréficamente de la siguiente forma: . w pendiente = Ww, Figura 2.4. Definicién 2.5. Para cada (w,q) habré un éptimo 2*. z*(w,q) se Hama fun- cién de Demanda de Factores condicional de la empresa, Ejemplo 2.3. Supéngase una tecnologia tipo Cobb-Douglas con una funcién de produccién dada por f(K,L) = AK°L siendo A > 0 una constante. Para. encontrar la funcién de costos en este caso tenemos que resolver el siguiente problema: minwL+rK s.a. f(K,L) = AL°K® = q donde w y r son los precios de los factores L y K , el trabajo y el capital. . 87 CPTPTUV VLD eer trae

Economia Matematica Diego Escobar Uribe 2ed

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Economia Matematica Diego Escobar Uribe 2ed

Caricato da

Copyright:

Formati disponibili

Potrebbero piacerti anche