Unidad II - Sesion 2 - Matematica de Optimizacion

TELECOMMUNICATIONS ECONOMICS
(TELECONOMIC)
Unidad II
Fundamentos Bsicos de Microeconoma
(Basado en el Libro de SAMUELSON-HORDHAUS y en el libro de WALTER NICHOLSON)
Marvin Snchez Garache, PhD.

Investigador Programa UNI/SAREC/FEC
e-mail: marvin.sanchez@uni.edu.ni
marvin.sanchez2@claro.com.ni
http:// mtic.uni.edu.ni/
Sesin 2
LA MATEMATICA DE
OPTIMIZACION
Copyright 2005 by South-Western, a division of Thomson Learning. All rights reserved.
La Matemtica de Optimizacin
Muchas teorias econmicas incian con la
presuncin que un agente econmico busca
encontrar el valor ptimo de alguna funcin
Consumidores buscan maximizar utilidad
Firmas buscan maximizar ganancias
Esta unidad introduce las matemticas

comunes para estos problemas
3
Maximizacin de una Funcin de una

Variable
Ejemplo Simple: El Manager de una firma
desea maximizar ganancias
f (q)
Maxima ganancia *
ocurre en q*
*
= f(q)
q*
Quantity
4
Maximizacin de una Funcin de una Variable

El manager probablemente tratar de variar q
para ver donde ocurre la mxima ganancia
Un incremento de q1 a q2 produce un incremento en
0
q
*
2
= f(q)
q1
q2
q*
Quantity
5
Maximizacin de una Funcin de una

Variable
Si la salida es incrementada mas aya de q*, la

ganancia decrecer
Un incremento desde q* a q3 produce una caida en
0
q
*
= f(q)
3
q*
q3
Quantity
6
Derivadas
La derivada de = f(q) es el lmite de
/q para muy pequeos cambios en q
d df
f (q1 h) f (q1 )
lim
dq dq h 0
h
El valor de esta razn depende del valor de

q1
7
Valor de una Derivada en un Punto

La evaluacin de la derivada en el punto q =
q1 puede denotarse
d
dq q q
En nuestro ejemplo previo

d
0
dq q q
1
d
0
dq q q
3
d
0
dq q q *
8
Condiciones de Primer Orden para un

Mximo
Para una funcin de una variable que tiene
su maximo valor en algun punto, la
derivada en ese punto debe ser cero
df
0
dq q q *
Condiciones de Segundo
Orden
La condicin de primer orden (d/dq) es
necesaria para un mximo, pero no es
condicin suficionte
Si la ganancia tuviese forma de u

la condicin de primer resultaria en
escoger q* y sera un mnimizado
q*
Quantity
10
Condiciones de Segundo
Orden
Esto significa que, para que q* sea el
ptimo,
d
0 para q q *
dq
d
0 para q q *
dq
Por tanto, en q*, d/dq debe ser decreciente
11
Segundas derivadas
La derivada de una derivada se denomina la
segunda derivada
La segunda derivada puede denotarse por
d 2
d 2f
or
or f " (q )
2
2
dq
dq
12
Condicin de Segundo Orden

La condicin de segundo orden representa
un (local) mximo
d
f " (q ) q q * 0
2
dq q q *
2
13
Reglas para encontrar Derivadas

db
1. Si b es una constante, entonces
0
dx
d [bf ( x)]
bf ' ( x)
dx
dx b
bx b 1
dx
d ln x 1
4.
dx
x
14

da x
5.
a x ln a para cualquier constante a
dx
un caso especial de esta regla es dex/dx = ex
15
Reglas para Encontrar Derivadas

Suponga que f(x) y g(x) son dos funciones
de x y f(x), g(x) existen
Entonces
d [f ( x ) g ( x )]
6.
f '(x) g'(x)
dx
d [f ( x ) g ( x )]
7.
f ( x )g ' ( x ) f ' ( x )g ( x )
dx
16

f ( x)
d
g ( x)
f ' ( x) g ( x) f ( x) g ' ( x)
8.
dx
[ g ( x)]2
dado que g ( x) 0
17
Reglas para encontrar derivadas

Si y = f(x) y x = g(z) y existen f(x) y g(x),
entonces:
dy dy dx df dg
9.
dz dx dz dx dz
Esta es llamada la regla de la cadena. La

regla de la cadena nos permite estudiar
como una variable (z) afecta a otra variable
(y) a traves de su influencia sobre alguna
variable intermedia (x)
18
Reglas para Encontrar Derivadas

Algunos ejemplos de la regla de la cadena
de ax
de ax d (ax )
10.
e ax a ae ax
dx
d (ax ) dx
d [ln(ax )] d [ln(ax )] d (ax )

11.
ln(ax ) a a ln(ax )
dx
d (ax )
dx
2
d [ln( x )] d [ln( x )] d ( x ) 1
2
12.
2 2x
2
dx
d(x )
dx
x
x
19
Ejemplo de Maximizacin de
Ganancia
Suponga que la relacin entre la ganancia y la

salida esta dada por
= 1,000q - 5q2
La condicin de primer orden para un mximo

es
d/dq = 1,000 - 10q = 0
q* = 100
Ya que la segunda derivada es siempre -10, q =

100 es un mximo global
20
Funciones de Varias Variables

La mayora de objetivos de los agentes
econmicos dependen de varias variables
La dependencia de una variable (y) de una
serie de variables (x1,x2,,xn) se denota por
y f ( x1, x 2 ,..., xn )
21
Derivadas Parciales
La derivada parcial de y con respecto a x1 es
denotada por
y f
f x1 f1
x1 x1
Se sobreentiende que para el clculo de la

derivada parcial, todas las demas xs se
mantienen constantes
22
Derivadas parciales
Una definicin formal de la derivada parcial
es
f
x1
x 2 ,..., x n
f ( x1 h, x 2 ,..., x n ) f ( x1, x 2 ,..., x n )

lim
h 0
h
23
Calculando Derivadas Parciales

1. Si y f ( x1 , x2 ) ax bx1 x2 cx , entonces
2
1
f
f1 2ax1 bx2
x1
2
2
f
f 2 bx1 2cx2
x2
2. Si y f ( x1 , x2 ) e ax1 bx2 , entonces
f
f
ax1 bx2
f1 ae
y
f 2 be ax1 bx2
x1
x2
24
Calculando Derivadas Parciales

3. Si y f ( x1 , x2 ) a ln x1 b ln x2 , entonces
f
a
f
b
f1
y
f2
x1
x1
x2
x2
25
Derivadas Parciales
Las Derivadas Parciales son expresiones
matemticas de la presuncin ceteris
paribus
Muestran como cambios en una variable
afectan algun evento cuando las demas
influencias se mantienen constantes
26
Derivadas Parciales
Debemos considerar siempre las unidades
de medicin de las variables
si q representa la cantidad de gasolina
demandada (medida en billones de galonespor
ao) y p representa el precio en dlares por
galn, entonces q/p medir el cambio en la
demanda (in billones de galones por ao) para
un cambio en precio de un dlar por galn.
27
Elasticidad
La elasticidad mide el efecto proporcional
de un cambio en una variable sobre otra
No tiene unidades
La elasticidad de y con respecto a x es
ey , x
y
y x y x
y
x x y x y
x
28
Elasticidad y la Forma Funcional

Suponga que
y = a + bx + otros trminos
En este caso,
ey , x
y x
x
x
b b
x y
y
a bx
ey,x no es constante
Es importante notar el punto en el cual la
elasticidad ser calculada
29
Elasticidad y Forma Funcional

Suponga que
y = axb
En este caso,
ey , x
y x
x
b 1
abx b b
x y
ax
30
Elasticidad y Forma Funcional

Suponga que
ln y = ln a + b ln x
En este caso,
ey , x
y x
ln y
b
x y
ln x
La elasticidad puede calcularse mediante la

diferenciacin logaritmica
31
Derivadas Parciales de Segundo Orden

La derivada parcial de una derivada parcial
se denomina derivada parcial de segundo
orden
(f / x i )
2f
fij
x j
x j x i
32
Teorema de Young
Bajo condiciones generales, el orden en el
cual se realiza la diferenciacin parcial para
evaluar derivadas de segundo orden no
importa
fij f ji
33
Uso de Derivadas Parciales de

Segundo Orden
Juegan un rol importante en muchas teorias

econmicas
Una de las ms importantes es la propia
derivada parcial de segundo orden, fii
Muestra como la influencia marginal de xi sobre

y (y/xi) cambia conforme xi se incrementa
Un valor de fii < 0 indica decreciente
efectividad marginal
34
Diferenciacin Total
Suponga quey = f(x1,x2,,xn)
Si todas las xs son variadas por una
pequea cantidad, el efecto total sobre y
ser
f
f
f
dy
dx1
dx 2 ...
dx n
x1
x 2
xn
dy f1dx1 f2dx 2 ... fn dx n
35
Condiciones de Primer Orden para un

Mximo (o Mnimo)
Una condicin necesaria para un mximo (o
mnimo) ode la funcin f(x1,x2,,xn) es que dy
= 0 para cualquier combinacin de pequeos
cambios en las xs
La nica manera de que esto resulte es que:
f1 f2 ... fn 0
Un punto donde esta condicin es vlida se

denomina called a punto crtico
36
Encontrando un Mximo
Suponga que y es una funcin de x1 y x2
y = - (x1 - 1)2 - (x2 - 2)2 + 10
y = - x12 + 2x1 - x22 + 4x2 + 5
Las condiciones de primer orden implican

que
y
2 x1 2 0
x1
y
2 x 2 4 0
x 2
x1* 1
x 2* 2
37
Fronteras de Posibilidades de
Produccin
Ejemplo anterior: 2x2 + y2 = 225
Puede escribirse: f(x,y) = 2x2 + y2 - 225 = 0
Debido a que fx = 4x y fy = 2y, el costo de
oportunidad entre x e y es
f x dx f y dy 0
dy f x 4 x 2 x
dx
fy
2y
y
38
Teorema de Funcin
Implicita
No simepre es posible resolver funciones
implicitas de la forma g(x,y)=0 para funciones
explicitas unicas de la forma y = f(x)
Los matemticos han derivado las condiciones
necesarias
En muchas aplicaciones econmicas, estas
condiciones son las mismas que las condiciones de
segundo orden para un mximo ( o mnimo)
39
El teorema de la Envolvente
El teorema de la envolvente tiene que ver con
cmo el valor ptimo de una funcin particular
cambia cuando un parmetro de la funcin
cambia.
Veamos un ejemplo
40
Suponga que y es una funcin de x
y = -x2 + ax
Para diferentes valores de a, esta funcin

representa una familia de parbolas invertidas
Si a le asignamos valores especficos, entonces
y se vuelve una funcin de x solamente y el
valor de x que maxiza y puede calcularse
41
Valores ptimos de x e y para valores alternativos de a
42
Conforme a se increm
el valor mximo de
y (y*) se incrementa
La relacin entre a
e y es cuadrtica
43
Suponga que estamos interesados en mostrar
el cambio de y* conforme cambia a
Hay dos formas de hacerlo
Calcular la pendiente de y directamente
Mantener x constante en su valor ptimo y
calcular y/a directamente
44
Para calcular la pendiente de la funcin,
debemos resolver para el valor ptimo de x
para cualquier valor de a
dy/dx = -2x + a = 0
x* = a/2
Sustituyendo, obtenemos
y* = -(x*)2 + a(x*) = -(a/2)2 + a(a/2)
y* = -a2/4 + a2/2 = a2/4
45
Por lo tanto,
dy*/da = 2a/4 = a/2 = x*
Pero, podemos ahorrar tiempo utilizando el

teorema de la envolvente
Para pequeos cambios en a, dy*/da puede
calcularse manteniendo x en x* y calculando y/ a
directamente de y
46
y/ a = x
manteniendo x = x*
y/ a = x* = a/2
Este es el mismo resultado encontrado

anteriormente
47
El teorema de la envolvente establece que el
cambio en el valor ptimo de una funcin con
respecto a un parmetro de dicha funcin puede
encontrarse derivando parcialmente la funcin
objetivo mientras se mantiene x ( o varias xs) en
su valor ptimo
dy * y
{x x * (a)}
da
a
48
El teorema de la envolvente puede extenderse al
caso en que y es The envelope theorem can be
extended to the case whuna funcin de varias
variables
y = f(x1,xn,a)
Encontrar el valor ptimo para y consiste en

resolver n ecuaciones de primer orden
y/xi = 0 (i = 1,,n)
49
Los valores ptimos para las xs seran funciones
de a
x1* = x1*(a)
x2* = x2*(a)
.
.
.
xn*= xn*(a)
50
Sustituyendo en la funcion objetivo original
conduce a la expresin para el valor ptimo de y
(y*)
y* = f [x1*(a), x2*(a),,xn*(a),a]
Diferenciando se obtiene
dy *
f dx1
f dx 2
f dx n f
...
da
x1 da x 2 da
xn da a
51
Debido a que las condiciones de primer orden,
todos los trminos excepto f/a son cero si las
xs toman su valor ptimo
Por tanto,
dy * f
{x x * (a)}
da
a
52
Constrained Maximization
Que pasa si no todos los valores de x son
viables?
Los valores de x pueden requerir ser positivos
Una escogencia del consumidor por ej. Esta
limitada por la cantidad de dinero disponible
Un mtodo utilizado para resolver

constrained maximization problems es el
mtodo del multiplicador de Langrange
53
Mtodo del Multiplicador de

Lagrange
Suponga que deseamos encontrar los

valores de x1, x2,, xn que maximizan
y = f(x1, x2,, xn)
sujeto a las condiciones (constraint) que

permiten solamente tomar ciertos valores de
xs si
g(x1, x2,, xn) = 0
54
Mtodo Multiplicador de Lagrange

El mtodo inicia modificando la funcin
objeto escribiendo la expresin
L = f(x1, x2,, xn ) + g(x1, x2,, xn)
donde es una variable adicional llamada
Multiplicador de Lagrange
Cuando se cumplen las condiciones, L = f
debido a que g(x1, x2,, xn) = 0
55

Condiciones de Primer orden
L/x1 = f1 + g1 = 0
L/x2 = f2 + g2 = 0
.
.
.
L/xn = fn + gn = 0
L/ = g(x1, x2,, xn) = 0
56

Las condiciones de primer orden pueden
resolverse para x1, x2,, xn y
La solucin tendr dos propiedades:
las xs cumpliran las condiciones
Estas xs haran el valor de L (y por tanto f) tan
grande como sea posible
57

El multiplicador de Lagrange () tiene una
interpretacin econmica importante
Las condiciones de primer orden implican
que
f1/-g1 = f2/-g2 == fn/-gn =
Los numeradores miden el beneficio marginal
que una unidad adicional de xi tendr para la
funcin f
Los denominadores reflejan el peso agregado del
58
limite de usar ms xi

En la escogencia mxima para las xs, la
razn del beneficio marginal de incrementar
xi al costo marginal de incrementar xi debe
ser el mismo para cada x
es la razn costo-beneficio comn para
todas las xs
marginal benefit of xi
marginal cost of xi
59

Si las condiciones fuesen relajadas
ligeramente, no importaria cual x es
cambiada
El multiplicador de Lagrange provee una
medida de como una relajacin en las
condiciones afecta el valor de y
provee un shadow price para las
condiciones
60

Un valor alto de indica que y puede ser
incrementado sustancialmente mediante la
relajacin de las condiciones
Cada x tiene una razn costo-beneficio alta
Un valor bajo de indica que no hay mucho

que ganar mediante el relajamiento de las
condiciones
=0 implica que las condiciones no influyen
61
Dualidad
Cualquier problema de maximizaxin
condicionada (constrained maximization
problem) tiene asociado su problema dual
de minimizacin condiconada que enfoca su
atencin en las condiciones del problema
original (denominado primal)
62
Ejemplos de Dualidad
Individuos maximizan la utilidad sujetos a el
limite de presupuesto (budget constraint)
Problema dual: individuos minimizan el gasto
necesario para alcanzar un nivel dado de utilidad
Firmass minimizan el costo de las entradas

para producir nivel dado de salida
Problema dual: firmas maximizan la salida para
un costo dado de la entrada
63
Maximizacin Condicionada
Suponga que un grangero tiene cierta longitud
de cerca (P) y desea cerrar el mayor area
posible con forma rectangular
Sea x la longitud de un lado
Sea y la longitud del otro lado
Problema: escoger x e y tal que se maximice el
rea (A = xy) sujeto a las condiciones de que
el permetro es fijo
P = 2x + 2y
64
Estableciendo el multiplicador de Lanagrange
L = xy + (P - 2x - 2y)
Las condiciones de primer orden para un

mximo son
L/x = y - 2 = 0
L/y = x - 2 = 0
L/ = P - 2x - 2y = 0
65
Ya que y/2 = x/2 = , x debe ser igual a y
El campo debe ser cuadrado
x e y deben escogerse tal que la razn del beneficio
marginal al costo marginal sea el mismo
Ya que x = y e y = 2, podemos usr las

condiciones para mostrar que
x = y = P/4
= P/8
66
Interpretacin del multiplicador de Lagrange
Si el grangero estubiera interesado en saber cuanto
campo adicional puede cercar agregando una yarda
de cerca, sugiere que puede encontrarlo
dividiendo el permetro (P) entre 8
As, el multiplicador de Lagrange proporciona
informacin sobre los valores implicitos de las
condiciones
67
Problema Dual: escoger x e y para minimizar
la cantidad de cerca requerida para cubrir el
campo
min P = 2x + 2y sujeto a A = xy
Utilizando Multiplicador de Lagrange:

LD = 2x + 2y + D(A - xy)
68
Condiciones de Primer Orden:
LD/x = 2 - Dy = 0
LD/y = 2 - Dx = 0
LD/D = A - xy = 0
Resolviendo obtenemos
x = y = A1/2
El Multiplicador de Lagrange (D) = 2A-1/2

69
Teorema de Envolvente &

Maaximizacin Condicionada
Suponga que deseamos maximizar
y = f(x1,,xn;a)
sujeto a
g(x1,,xn;a) = 0
Una forma de resolverlo es usando

multiplicador de Langrangey usar las
condiciones de primer orden
70
Teorema de Envolvente &

Maaximizacin Condicionada
Alternativamente, puede demostrarse que
dy*/da = L/a(x1*,,xn*;a)
El cambio en el valor mximo de y que resulta

cuando a cambia puede encontrarse
diferenciando parcialmente L y evaluando la
derivada parcialen el punto ptimo
71
Condiciones de Desigualda
En algunos problemas econmicos las
condiciones no son igualdades
Por ejemplo, suponga que buscamos
maximizar y = f(x1,x2) sujecto a
g(x1,x2) 0,
x1 0, and
x2 0
72
Una forma de resolver este problema es
introducir tres nuevas variables (a, b, and c)
que conviertan las desigualdades en
igualdades
Para asegurar que las desigualdades se
cumplan (>0),se elevan al cuadrado las
nuevas variables de forma que sus valores
aseguren ser positivos
73
g(x1,x2) - a2 = 0;
x1 - b2 = 0; and
x2 - c2 = 0
Cualquier solucin que cumpla estas tres

igualdades tambien cumplir las
condiciones de desigualdad
74
Inequality Constraints
Setemos Lagrangian
L = f(x1,x2) + 1[g(x1,x2) - a2] + 2[x1 - b2] + 3[x2 c2]
Esto conduce a ocho condiciones de primer

orden
75
L/x1 = f1 + 1g1 + 2 = 0
L/x2 = f1 + 1g2 + 3 = 0
L/a = -2a1 = 0
L/b = -2b2 = 0
L/c = -2c3 = 0
L/1 = g(x1,x2) - a2 = 0
L/2 = x1 - b2 = 0
L/3 = x2 - c2 = 0
76
Acorde con la tercer condicin, ya sea a
1 = 0
si a = 0, la condicin g(x1,x2) se cumple
exactamente
si 1 = 0, la disponibilidad de cierta flojedad en
las condiciones implica que su valor para la
funcin objetivo es 0
Mediante analisis similar esto tambien

resulta para x1 y x2
77
Estos resultados son conocidos por
condiciones Kuhn-Tucker
Muestran que las soluciones de problemas de
optimizacin que involucran condiciones de
desigualdad difieren de problemas con
condiciones de igualdad en forma simple
we cannot go wrong by working primarily with
constraints involving equalities
78
Condiciones de segundo orden Funcin de

una variable
Sea y = f(x)
Una condicin necesaria para un mximo es
que
dy/dx = f (x) = 0
Para asegurar que el punto es un mximo, y

debe ser decreciente para movimientos que se
alejan del punto
79
Condiciones de segundo orden Funcin de

una variable
La diferencial total mide el cambio en y
dy = f (x) dx
Para ser un mximo, dy debe dercrecer para

pequeos incrementos en x
Para ver los cambios en dy debemos usar la
segunda derivada de y
80
Condiciones de segundo orden

Funcin de una variable
d [f ' ( x )dx ]
d y
dx f " ( x )dx dx f " ( x )dx 2
dx
2
Note que d 2y < 0 implica que f (x)dx2 < 0

Ya que dx2 debe ser positivo, f (x) < 0
Ello significa que la funcin f debe tener una
forma concava en el punto crtico
81

Funcin de dos variable
Suponga que y = f(x1, x2)
mximo son
y/x1 = f1 = 0
y/x2 = f2 = 0
Para asegurar que el punto sea un mximo, y

debe decrecer para movimientos en cualquier
direccin que se aleje del punto crtico
82

La pendiente en la direccin de x1 (f1) debe
decrecer en el punto crtico
La pendiente en la direccin de x2 (f2) debe
decrecer en el punto crtico
Pero, tambien deben colocarse condiciones en
las derivadas parciales cruzadas (f12 = f21) para
asegurar que dy es decreciente para todos los
movimientos a travs del punto crtico
83

La diferencial total de y esta dada por
dy = f1 dx1 + f2 dx2
La diferencial de esta funcin es

d 2y = (f11dx1 + f12dx2)dx1 + (f21dx1 + f22dx2)dx2
d 2y = f11dx12 + f12dx2dx1 + f21dx1 dx2 + f22dx22
Por el teorema de Young, f12 = f21, entonces

d 2y = f11dx12 + 2f12dx1dx2 + f22dx22
84

d 2y = f11dx12 + 2f12dx1dx2 + f22dx22
Para que esta funcin sea negativa para

cualquier cambio de las xs, f11 y f22,deben ser
negativas
Si dx2 = 0, entonces d 2y = f11 dx12
para d 2y < 0, f11 < 0
Si dx1 = 0, entonces d 2y = f22 dx22

for d 2y < 0, f22 < 0
85

d 2y = f11dx12 + 2f12dx1dx2 + f22dx22
Si dx1 y dx2 son diferentes de cero, entonces d

2
y sera estrictamente negativa solamente si
f11 f22 - f122 > 0
Las segundas derivadas parciales (f11 y f22) deben ser
suficientemente negativas para superar cualquier
efecto producto de las derivadas parciales cruzadas
(f12 = f21)
86
Maximizacin condicionada
Suponga que deseamos escoger x1 y x2 para
maximizar
y = f(x1, x2)
Sujeto a la condicin lineal

c - b1x1 - b2x2 = 0
Usando el Multiplicador de Lagrange

L = f(x1, x2) + (c - b1x1 - b2x2)
87
Las condiciones de primer orden son
f1 - b1 = 0
f2 - b2 = 0
c - b1x1 - b2x2 = 0
Para asegurar que tenemos un mximo

debemos usar la segunda diferencial total
d 2y = f11dx12 + 2f12dx1dx2 + f22dx22
88
Solamente los valores de x1 y x2 que
satisfacen la condicin pueden ser
consideradas altervas validas para el punto
crtico
As, debemos calcular la diferencial total de
las condiciones
-b1 dx1 - b2 dx2 = 0
dx2 = -(b1/b2)dx1
Estos son los cambios relativos permitidos

en
89
Debido a que las condiciones de primer
orden implican que f1/f2 = b1/b2, podemos
sustituri y obtener
dx2 = -(f1/f2) dx1
Ya que
d 2y = f11dx12 + 2f12dx1dx2 + f22dx22
Podemos sustituir para dx2

d 2y = f11dx12 - 2f12(f1/f2)dx12 + f22(f12/f22)dx12
90
Combinando trminos y rearreglando
d 2y = f11 f22 - 2f12f1f2 + f22f12 [dx12/ f22]
Por tanto, para que d 2y < 0, debe cumplirse que

f11 f22 - 2f12f1f2 + f22f12 < 0
Esta ecuacin Caracteriza un conjunto de

ecuaciones denominadas funciones quasi-concavas
Cualquiera dos puntos dentro del conjunto puede unirse
mediante una line contenida totalmente en el conjunto
91
Funciones Concavas y QuasiConcavas

La diferencia entre las funciones concavas y
quasi-concavas puede ilustrarse con la
funcin
y = f(x1,x2) = (x1x2)k
donde las xs toman nicamente valores

positivos y k puede tomar una variedad de
valores positivos.
92
Funciones Concavas y QuasiConcavas

Sin importar que valores tome k, esta
funcin es quasi-concava
Dependiendo del valor de k, esta funcin
puede ser concava
Si k < 0.5, la funcin es concava
Si k > 0.5, la funcin es convexa
93
Funciones Homogeneas
Una funcin f(x1,x2,xn) es homogenea de
grado k si
f(tx1,tx2,txn) = tk f(x1,x2,xn)
Cuando la funcin es homogenea de grado uno,
al duplicar todos sus argumentos duplica el valor
de la funcin
Cuando la funcin es homogenea de grado cero,
duplicar sus argumentos deja el valor de la
funcin sin cambio
94
Funciones Homogneas
Si una funcin es homognea de grado k, las
derivadas parciales de la funcin seran
homogneas de grado k-1
f
k 1
t f xi (tx1 , tx2 , )
xi
95
Teorema de Euler
Si difernciamos la definicin para
homogeneidad con respecto al factor de
proporcionalidad t, obtenemos
ktk-1f(x1,,xn) = x1f1(tx1,,txn) + + xnfn(x1,,xn)
Esta relacin se denomina el teorema de Euler
96
Teorema de Euler
El teorema de Euler muestra que, para
funciones homogeneas, existe una relacin
definida entre los valores de la funcin y
los valores de sus derivadas parciales
97
Funciones Homotticas
Una funcin homottica se forma
realizando una transformacin monotnica
de una funcin homognea
No posee la propiedad de homogeneidad de la
funcin subyacente
98
Tanto para las funciones homotticas como
para las homogeneas el trade-off entre las
variables en la funcin dependen solamente
de las razones de tales variables, no de sus
valores absolutos
99
Suponga que examinamos la funcion
implicita de dos variables f(x,y) = 0
El trade-off entre x e y para una funcin de
dos variables es
dy/dx = -fx/fy
Si asumimos que f es homogenea de grado

k, sus derivadas parciales sern
homogeneas de orden k-1
100
El trade-off implcito entre x e y es
t k 1 f x (tx, ty )
f x (tx, ty )
dy
k 1
dx
t f y (tx, ty )
f y (tx, ty )
Si t = 1/y,
x
f x ,1
y
dy
dx
x
f y ,1
y
101
Funciones Homtticas
El trade-off no se ve afectado por la
transformacin monotnica y permance
siendo una funcin solamente de la razn x
a y.
x
f x ,1
y
dy
dx
x
f y ,1
y
102
Notas importantes:
Las matematicas proveen a los
economistas una forma conveniente para
desarrollar modelos
Implicaciones d evarias presunciones
econmicas pueden estudiarse a traves del uso
de herramientas matemticas
103
Notas importantes:
Se utilizan Derivadas en economia debido
aol interes en determinar como cambios
marginales en una variable afectan otra
Las derivadas parciales incorporan la
presuncin ceteris paribus utilizada en la
mayora de modelos econmicos
104
Notas importantes:
La matemtica de optimizacin es una
herramienta importante para el desarrollo
de modelos que asumen agentes
econmico racionales que busca cierta
meta
La condicin de primer orden para un
mximo requiere que todas las derivadas
parciales sean iguales a cero
105
Notas importantes:
Muchos problemas econmicos
involucran condiciones sobre las
escogencias que los agentes pueden
hacer
mximo sugieren que cada actividad sea
operada a un nivel igual a la razn del
beneficio marginal de la actividad a su
costo marginal
106
Notas importantes:
EL multiplicador de Lagrange es utilizado
para ayuda a resolver problemas de
maximizacin condicionada
El multiplicador de Lagrange puede ser
interpretado como el valor implicito de las
condiciones (shadow price)
107
Notas importantes:
El teorema de la funcin implicita ilustra
la dependencia de las escogencias que
resultan de un problema de optimizacin
sobre los parmetros del problema
108
Notas importantes:
El teorema de la envolvente examina
como las escogencias optimas
cambiarn conforme cambian los
parmetros del problema
Algunos problemas de optimizacin
pueden incluir condiciones de
desigualdad en lugar de igualdades
109
Notas importantes:
Las condiciones de primer orden son
necesarias pero no suficientes para
asegurar un mximo o mnimo
Las condiciones de segundo orden que
describen la curvatura de la funcin deben
verificarse
110
Notas importantes:
Ciertos tipos de funciones son fecuentes
en muchos probloemas econmicos
Las funciones quasi-concave obedecen las
condiciones de segundo orden de los
problemas de maximizacin o minimizacin
condicionada cuando las
condiciones/restricciones son lineales
Funciones homtticas tienen la propiedad
que el trade-off implicito entre variables
depende solamente de las razones de tales
variables
111
Asignacin
1. Demuestre que y = f(x1,x2) = (x1x2)k
Es una funcin quasi-concava
2. Usando Matlab, grafque el
comportamiento de esta funcin para k=0.1,
0.3, 0.5, 0.7, 0.8 y 1
112
M . S. Garache
113

Unidad II - Sesion 2 - Matematica de Optimizacion

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Unidad II - Sesion 2 - Matematica de Optimizacion

Uploaded by

Copyright:

Available Formats

TELECOMMUNICATIONS ECONOMICS

Marvin Snchez Garache, PhD.

Copyright 2005 by South-Western, a division of Thomson Learning. All rights reserved.

Esta unidad introduce las matemticas

Maximizacin de una Funcin de una

Maximizacin de una Funcin de una Variable

Maximizacin de una Funcin de una

Si la salida es incrementada mas aya de q*, la

Un incremento desde q* a q3 produce una caida en

El valor de esta razn depende del valor de

Valor de una Derivada en un Punto

En nuestro ejemplo previo

Condiciones de Primer Orden para un

Si la ganancia tuviese forma de u

Por tanto, en q*, d/dq debe ser decreciente

Condicin de Segundo Orden

Reglas para encontrar Derivadas

Reglas para encontrar Derivadas

Reglas para Encontrar Derivadas

Reglas para encontrar Derivadas

Reglas para encontrar derivadas

Esta es llamada la regla de la cadena. La

Reglas para Encontrar Derivadas

d [ln(ax )] d [ln(ax )] d (ax )

Suponga que la relacin entre la ganancia y la

La condicin de primer orden para un mximo

Ya que la segunda derivada es siempre -10, q =

Funciones de Varias Variables

Se sobreentiende que para el clculo de la

f ( x1 h, x 2 ,..., x n ) f ( x1, x 2 ,..., x n )

Calculando Derivadas Parciales

Calculando Derivadas Parciales

La elasticidad de y con respecto a x es

Elasticidad y la Forma Funcional

Elasticidad y Forma Funcional

Elasticidad y Forma Funcional

La elasticidad puede calcularse mediante la

Derivadas Parciales de Segundo Orden

Uso de Derivadas Parciales de

Juegan un rol importante en muchas teorias

Muestra como la influencia marginal de xi sobre

Condiciones de Primer Orden para un

Un punto donde esta condicin es vlida se

Las condiciones de primer orden implican

Para diferentes valores de a, esta funcin

Pero, podemos ahorrar tiempo utilizando el

Este es el mismo resultado encontrado

Encontrar el valor ptimo para y consiste en

Un mtodo utilizado para resolver

Mtodo del Multiplicador de

Suponga que deseamos encontrar los

sujeto a las condiciones (constraint) que

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Mtodo Multiplicador de Lagrange

Un valor bajo de indica que no hay mucho

Firmass minimizan el costo de las entradas

Las condiciones de primer orden para un

Ya que x = y e y = 2, podemos usr las

Utilizando Multiplicador de Lagrange: