OptimizaciÃ N y Sistemas DinÃ¡micos-parte 1 PDF

UNIVERSIDAD CATLICA
SANTO TORIBIO DE MOGROVEJO

FACULTAD DE CIENCIAS EMPRESARIALES
ESCUELA DE ECONOMA

MATEMTICAS PARA EL
ANLISIS ECONMICO

DR. (C) CIRO EDUARDO BAZN NAVARRO

AGOSTO 2011

e-mail: cbnavarro@usat.edu.pe
Url: http://www.wix.com/ciroeduardo1972/ciro-bazan-navarro-web-page

*
2
X

*
1
X

*
3
X

B 2 A K
C
y , x g
y , x g
y , x g
y , x f
y , x f
PROGRAMA

UNIDAD I: ECONOM A MATEMTI CA Y MODELOS ECONMI COS

1.1.- ECONOMA MATEMTICA
1.2.- MODELOS ECONMICOS

BIBLIOGRAFA ESPECFICA:

UNIDAD II: ANLI SI S ESTTI CO O ANLI SI S DE EQUI LI BRI O

2.1.- EL CONCEPTO DE EQUILIBRIO EN LA ECONOMA
2.2.- HERRAMIENTAS DEL ANLISIS ESTTICO
2.3.- EQUILIBRIO PARCIAL DE MERCADO
2.4.- EQUILIBRIO GENERAL DE MERCADO
2.5.- LIMITACIONES DEL ANLISIS ESTTICO
2.6.- EJERCICIOS DE EQUILIBRIO ESTTICO

UNIDAD III: ANLI SI S ESTTI CO COMPARATI VO

3.1.- ESTTICA COMPARATIVA
3.2.- ANLISIS ESTTICO COMPARATIVO DE MODELOS DE FUNCIONES GENERALES
3.3.- FUNCIONES IMPLCITAS
3.4.- ESTTICA COMPARATIVA DE MODELOS DE ECUACIONES SIMULTNEAS
3.5.- LIMITACIONES DE LA ESTTICA COMPARATIVA

UNIDAD IV: OPTI MI ZACI N EN ECONOM A

4.1.- ANLISIS CONVEXO
4.2.- CONJUNTOS CONVEXOS
4.3.- FUNCIONES CNCAVAS Y CONVEXAS
4.4.- FUNCIONES SEUDOCONVEXAS Y SEUDO CNCAVAS
4.5.- FUNCIONES CUASICONVEXAS Y CUASICNCAVAS
4.6.- FORMULACIN DE PROGRAMAS MATEMTICOS

UNIDAD V: OPTI MI ZACI N DI NMI CA

5.1.- ECUACIONES DIFERENCIAALES
5.2.- CLASIFICACIN Y RESULTADOS ELEMENTALES
5.3.- EXISTENCIA Y UNICIDAD DE UNA SOLUCIN
5.4.- ORDEN Y GRADO DE UNA ECUACIN DIFERENCIAL
5.5.- EDOs LINEALES
5.6.- EDOs NO LINEALES DE PRIMER ORDEN

UNIDAD VI: ECUACI ONES EN DI FERENCI AS

6.1.- INTRODUCCIN
6.2.- ECUACIONES EN DIFERENCIAS ORDINARIAS
6.3.- ECUACIONES EN DIFERENCIAS DE PRIMER ORDEN
6.4.- ECUACIONES EN DIFERENCIAS LINEALES DE ORDEN SUPERIOR

UNIDAD VII: OPTI MI ZACI N DI NMI CA

7.1.- INTRODUCCIN
7.2.- EL CLCULO DE VARIACIONES
7.3.- TEORA DEL CONTROL PTIMO
7.4.- PROGRAMACIN DINMICA
Captulo I

INTRODUCCIN

I.1 Economa matemtica

Es una parte de la teora econmica que se formula y desarrolla a travs del uso
de los smbolos y mtodos de la matemtica, es decir, la economa matemtica
es la expresin matemtica de la teora econmica.

La economa matemtica se basa en ltima instancia en hechos observados, los
cuales estn siempre sujetos a interpretaciones variables, de acuerdo al
investigador y al objeto de su investigacin. De estas observaciones se extraen,
de algn modo, proposiciones generales (hiptesis, teoras, leyes, etc.) las cuales
tienen dos propiedades importantes:

a) Son siempre provisionales, sujetas a revisin y rechazo tanto en el campo
lgico como emprico.
b) Usualmente tienen muchas implicaciones que no son inmediatamente
visibles para el investigador.

La economa matemtica usualmente se reserva para describir aquellos casos en
los que se emplean tcnicas matemticas que van ms all de la simple geometra,
tales como lgebra matricial, clculo diferencial e integral, ecuaciones
diferenciales, ecuaciones en diferencias, programacin matemtica, etc.

Las tcnicas de las matemticas pueden, en consecuencia, ser usadas por el
investigador al menos por tres razones generales:

1. Como ayuda para expresar las definiciones, postulados y conclusiones de una
teora en una forma clara y consistente.
2. Para guiar y facilitar la obtencin de conclusiones valiosas en s mismas.

3. Para obtener conclusiones que puedan ser usadas para probar el realismo de
la teora.
CIRO BAZN ECONOMA MATEMTICA
2
Por otro lado podemos decir que la economa matemtica es una aproximacin
al anlisis econmico en donde el economista emplea smbolos matemticos
para deducir un conjunto de conclusiones o teoremas a partir de un conjunto
dado de hiptesis de razonamiento.

En este punto debemos diferenciar economa matemtica de economa
literaria o economa discursiva. La mayor diferencia radica en el hecho de que
en la economa matemtica las hiptesis y conclusiones se determinan haciendo
uso de smbolos matemticos en lugar de palabras y utilizando ecuaciones en
lugar de frases; adems, emplea teoremas matemticos en el proceso de
razonamiento en vez de utilizar la lgica literaria. Asimismo, el lenguaje
matemtico, es ms preciso y conciso que el literario: contribuye a un mayor
rigor lgico, ayuda al razonamiento, a sintetizar y ha realizar desarrollos
generales. El lenguaje literario, en cambio, puede omitir algunos pasos en el
razonamiento y puede dar lugar a diferentes interpretaciones, mientras que el
lenguaje matemtico previene contra estas imperfecciones y contra el peligro de
adoptar hiptesis implcitas no deseadas.

Por otro lado, mediante el uso del lenguaje matemtico nicamente se puede
representar una gama restringida de circunstancias y relaciones econmicas. El
comportamiento de los agentes econmicos, los rasgos histricos, culturales o
psicolgicos, y las relaciones humanas no pueden reducirse a razonamientos
matemticos.

Es necesario recalcar que, lo importante es no tener que decidir entre una
preferencia matemtica y otra no matemtica para la economa. La eleccin no
es pues entre utilizar o no las matemticas en economa, sino entre hacerlo o no
con las suficientes precauciones y en las cantidades apropiadas. Un gran nmero
de economistas coinciden en la idea de que la economa necesita las
matemticas, las tcnicas cuantitativas, pero no puede reducirse slo a
matemticas. Por tanto, lo que se debe buscar es el no tener que elegir, ms bien
hay que saber integrar las matemticas con la lgica literaria.

Tambin es importante diferenciar los trminos de economa matemtica y
econometra. La econometra se interesa principalmente por la medicin de
los datos econmicos, de ah que trate del estudio de las observaciones empricas
utilizando mtodos estadsticos de estimacin y contraste de hiptesis. Mientras
que la economa matemtica se refiere a la aplicacin de las matemticas a los
aspectos puramente tericos del anlisis econmico, con poco o ningn inters
por problemas estadsticos tales como los errores de medicin de las variables en
estudio. Adems, la economa matemtica hace uso de relaciones exactas o
determinsticas, mientras que la econometra utiliza relaciones estocsticas.
MATEMTICAS PARA EL ANLISIS ECONMICO
3

I.2 Modelos econmicos

1. Metodologa cientfica en la economa

La economa desarrolla sus teoras y modelos a partir de observaciones
empricas y no experimentales de los agentes econmicos. En la actualidad,
la economa se considera como una ciencia emprica. Toda ciencia emprica
emplea una metodologa (lgico-emprica) en la elaboracin de modelos, que
incluye la observacin, la modelizacin y la verificacin, y que se puede
resumir en los siguientes pasos:

1. Observaciones cualitativas y cuantitativas de los fenmenos,
directamente o a travs de experimentacin cuidadosamente diseada.
2. Procesamiento numrico y estadstico de los datos observados.
3. Elaboracin de un modelo terico que describa los fenmenos
observados y que explique las relaciones entre ellos.
4. Utilizacin del modelo terico para deducir predicciones.
5. Correccin y mejora del modelo de modo que permita realizar mejores
predicciones.

2. La modelizacin

Todo fenmeno econmico se presenta en un entorno complejo sobre el que
influyen muchos factores de diversa ndole: econmicos, tecnolgicos,
polticos, psicolgicos, etc. El anlisis de un fenmeno econmico se puede
realizar en dos pasos. En primer lugar, debido a la imposibilidad de tener en
consideracin todos los factores que influyen en un fenmeno tan complejo,
se seleccionan aquellos que se consideran relevantes prescindiendo del resto
de factores. Es decir, en las explicaciones del fenmeno, nicamente se tiene
en consideracin ciertos factores y todo lo dems se mantiene constante
(ceteris paribus). A continuacin se establecen relaciones entre los factores
seleccionados. El conjunto de relaciones entre los factores relevantes
constituyen lo que se conoce como modelo econmico. Al proceso de
seleccionar los factores relevantes y establecer relaciones entre ellos se le
denomina modelizacin.

3. Definiciones de modelo econmico

1. Un modelo econmico es una representacin esquemtica y aproximada
de la economa real y que proporciona una imagen simplificada e
idealizada de ciertos aspectos de la actividad econmica.
2. Es una representacin simplificada de la forma en que ciertos fenmenos
estn constituidos y/o de la manera en que se desenvuelven. Este
concepto incluye, en forma explcita, el anlisis estructural (la forma en
que ciertos fenmenos estn constituidos) y el anlisis dinmico (la
manera en que ciertos fenmenos se desarrollan en el tiempo).
4

3. Es un conjunto de relaciones matemticas que expresan en forma
simplificada e idealizada, las caractersticas bsicas y esenciales de: un
orden institucional y legal vigente, una tecnologa incorporada a la
actividad econmica objeto de anlisis, la regularidad observada en el
comportamiento real de los sujetos de la actividad econmica.
4. Es una representacin formal de los rasgos bsicos de un sistema
complejo (la economa real) por medio de unas cuantas relaciones
fundamentales.
5. Es una representacin de ciertos aspectos de la realidad econmica (el
mundo de las relaciones entre agentes que poseen bienes y que tienen
ciertas preferencias, buscan un mejor bienestar y estn dispuestos al
intercambio), manteniendo todo lo dems igual (ceteris paribus).

4. Elementos constitutivos de un modelo

Un modelo econmico de naturaleza matemtica resulta especificado por un
conjunto de ecuaciones o funciones entre las variables ms relevantes que
ayudan a explicar una tecnologa incorporada, un orden institucional o legal
y/o el comportamiento de los sujetos de la actividad econmica en un
sistema, sub-sistema, sector o sub-sector.

Las ecuaciones con que se especifica un modelo se llaman estructurales o
primarias y por lo tanto se dice que el modelo es estructural o primario.
Se debe indicar que un modelo no es una estructura sino que es una familia
de estructuras y que una estructura es un conjunto de ecuaciones cuyos
parmetros previamente han sido estimados.

As:

( )
( )
( ) ( ) equilibrio q S D 3
0 , 0 P S 2
0 , P D 1
t t t
2 2 t 2 1 t 2 2 t
1 1 t 1 t 1 1 t
= =
> | < o + | + o =
> | o + | o =

Donde " P "
t
es el precio, " D "
t
la demanda, " S "
t
la oferta, " "
t 1
y " "
t 2

son variables aleatorias. Todos ellos en el periodo " t " , define un modelo en
su forma primaria que, en economa, se le conoce como el modelo de la
telaraa.
5

En cambio,

( )
( )
( )
t t t
t 2 1 t t
t 1 t t
q S D 6
P 9 , 0 5 S 5
P 2 , 1 80 D 4
= =
+ + =
+ =

define una estructura. Ella es un elemento, de entre los infinitos elementos
posibles, pertenecientes al modelo de la telaraa, en efecto, para cada
combinacin de valores factibles de
1
,
2
,
1
y
2
, sin tener en
consideracin por el momento los parmetros correspondientes a la
especificacin que se realice sobre
t 1
y
t 2
, se tiene una estructura distinta.
Simbolizando con " S " al conjunto de estructuras o modelo y con " s " una
estructura perteneciente a " S " , o sea , S s e resulta, para la especificacin del
modelo de la telaraa, de acuerdo con la notacin de la lgica formal que es
comn en teora de conjuntos:

{ } 0 , 0 , 0 , 0 / s S
2 1 2 1
< | > | < o > o =

En palabras, el modelo " S " se define como el conjunto (familia o clase) de
estructuras " s " tal que sus parmetros
1
o ,
1
y
2
son positivos y
2
es
negativo.

En la concepcin expuesta sobre los modelos en economa se han
introducido las categoras de ecuaciones, variables y parmetros como
elementos integrantes de los modelos. A continuacin trataremos en detalle
los mismos.

4.1 Ecuaciones: En primer lugar, un modelo se especifica mediante una
ecuacin (modelos uniecuacionales) o varias ecuaciones (modelos
multiecuacionales). Cada ecuacin explica un sector (agricultura,
manufactura, gobierno, etc.) o una categora (consumidores, productores,
inversionistas, instituciones financieras, etc.) de la actividad econmica
objeto de investigacin.

Segn sea su contenido emprico, las ecuaciones de un modelo se clasifican
en:

4.1.1 Ecuaciones de comportamiento.
4.1.2 Ecuaciones institucionales o legales.
4.1.3 Ecuaciones tecnolgicas.
4.1.4 Ecuaciones de definicin o identidad.
4.1.5 Ecuaciones de equilibrio mvil.
6

Esta clasificacin es de vital importancia para determinar si el modelo puede
o no ser sometido a las pruebas de comprobacin con la experiencia. Slo las
tres primeras clases de ecuaciones son el resultado de axiomas o hiptesis
empricamente comprobables. Para su construccin, el investigador parte de
las observaciones empricas sobre el modo de actuar de los sujetos de la
actividad econmica. De la observacin emprica se obtendr:

a) Las variables relevantes que intervienen en la explicacin del sector o
actividad sometida a anlisis.
b) Las caractersticas de permanencia o regularidad que determinan el
comportamiento de dichas variables.
c) Sus relaciones de causalidad.

Para conseguir esta informacin, el economista hace ciertos supuestos
simplificadores de la realidad mediante un proceso de abstraccin.
Elaboradas las ecuaciones de origen emprico que integrarn un modelo,
ellas deben ser contrastadas con nueva experiencia en trminos
probabilsticos, para determinar la medida de realidad de las mismas.
Obsrvese que hemos dicho nueva experiencia, es decir, nuevas
observaciones, ya que las viejas observaciones en que se basa la ecuacin
nunca darn resultados diferentes a los obtenidos. Slo las nuevas
observaciones son las que podrn decidir a favor o en contra de la hiptesis y
del modelo en general.

Las restantes clases de ecuaciones, a saber, por definicin y de equilibrio
mvil, son axiomas por convencin o por definicin implcita y por
tanto no pueden ser sometidas a las pruebas de comprobacin emprica.

A continuacin damos el significado de cada uno de los tipos de ecuaciones
que pueden integrar un modelo:

4.1.1 Ecuaciones de comportamiento: Explican el modo de
actuar de los sujetos de la actividad econmica pertenecientes a una
categora determinada (consumidores, productores, importadores,
asalariados, etc.).

Ejemplos:

La funcin consumo,

( ) 1 0 t T Y C
1 t 2 1 t 1 t 1 0 t
< o < + o + o + o =

7

representa el comportamiento de los consumidores; segn la cual el
consumo " C "
t
es funcin del ingreso disponible del periodo precedente
medido por ( )
1 t 1 t
T Y

, esto es, el ingreso nacional menos los
impuestos, y de los hbitos de consumo y gastos de los consumidores
reflejados en la componente tendencial que se expresa por medio de la
variable tiempo " t " .

La funcin inversin inducida,

( ) 0 r Y Y I
2 , 1 t t 2 2 t 1 t 1 0 t
> + + =

es tambin de comportamiento, pero ahora del conjunto de los
inversionistas y nos dice que la inversin inducida " I "
t
es funcin
creciente del incremento de ingreso del periodo precedente, medido por
( )
2 t 1 t
Y Y

y funcin decreciente de la tasa de inters bancaria " r "
t
.

4.1.2 Ecuaciones institucionales o legales: Reflejan los efectos
que producen en un modelo econmico, la existencia de leyes o un orden
institucional dado, al condicionar la actividad econmica.

Ejemplos:

La ecuacin del impuesto,

1 0 Y T
t t t
< < + + =

ella indica que el total de impuestos " T "
t
que se pueda recaudar es
funcin del ingreso nacional " Y "
t
pero sus parmetros " " y " " estn
condicionados por las leyes impositivas.

La ecuacin,

0 Y M
t t t
> + + =

es tambin una ecuacin institucional o legal, ahora en relacin con la
oferta monetaria " M "
t
como funcin del ingreso " Y "
t
y donde " " y " "
son parmetros determinados por disposiciones legales que rigen el
tamao de la base monetaria.

4.1.3 Ecuaciones tecnolgicas: Explican los modos de
produccin incorporados a la actividad econmica. En general ellas
reflejan la tecnologa que utiliza una economa.

8
Ejemplos:

La ecuacin de produccin CobbDouglas, homognea de grado
uno | | L) F(K, L) K, F( = .

( )
1
L AK L , K F Q
= =

Esta ecuacin tecnolgica considera que la produccin es funcin de dos
factores productivos, el capital " K " y el trabajo " L " , y supone
rendimientos globales constantes a escala.

Cuando la funcin de produccin CobbDouglas es homognea de grado
r, su ecuacin resulta,

( ) r L AK L , K F Q

+ = = =

4.1.4 Ecuaciones de definicin o identidades: Son relaciones
que se verifican siempre, ya sea por su construccin lgica o por la
definicin contable que ellas satisfacen.

Ejemplos:

t t t
I C Y + =

Que particiona funcionalmente la demanda final total o producto nacional
" Y "
t
en la demanda de bienes de consumo " C "
t
y la demanda de bienes
de inversin " I "
t
, es una identidad por definicin de las variables que
intervienen.

t 1 t t
I K K + =

Define una identidad por la construccin lgica a que responde. En
efecto, el capital acumulado hasta el periodo " t " , " k "
t
se ha
particionado temporalmente en dos: una parte es el capital acumulado
hasta el periodo " 1 t " y la otra recoge la inversin neta " I "
t
realizada
en el periodo " t " .

Cuando una identidad es el resultado de la particin de una variable
(construccin lgica), sus componentes son conjuntos disjuntos, o sea, su
interseccin es el conjunto nulo y su unin reproduce la variable
particionada.

=
t t
I C
t t t
Y I C =
9

Es decir, que cada bien demandado en el periodo " t " es un bien de
consumo o uno de inversin y que ningn bien pertenece a ambas
categoras.

Anlogamente:

=
t 1 t
I K
t t 1 t
Y I K =

Una identidad por definicin contable es una relacin que ex post se
verifica siempre, como las identidades ex post que resultan de la
contabilidad del ingreso nacional. Por ejemplo, la identidad (contable)
ex post ahorro = inversin.

4.1.5 Ecuaciones de equilibrio mvil: Son aquellas igualdades
que resultan de una condicin impuesta o de un postulado introducido.

As la ecuacin de equilibrio en el modelo de la telaraa,

t t t
q S D = =

es una ecuacin de equilibrio mvil. Se postula la igualdad entre la oferta
y la demanda como condicin de equilibrio.

4.2 Variables, constantes y parmetros: Hemos visto que toda
ecuacin es una relacin matemtica entre un conjunto de variables, que se
verifica para determinados valores numricos de ellas. De este conjunto de
valores slo nos interesan aquellos que tienen significado econmico, es
decir, los valores factibles que definen su correspondiente dominio o
recorrido.

As, para las variables precio, produccin, consumo, ingreso, ahorro, etc.,
slo son factibles los valores no negativos. Adems en toda ecuacin
interviene otra categora matemtica que son las constantes y los parmetros.

4.2.1 Variable: Una variable es algo cuya magnitud puede cambiar;
es decir, algo que puede tomar diferentes valores. Debido a que una
variable puede asumir valores distintos no puede ser representada por un
nmero sino que debe ser representada por un smbolo.

Por ejemplo, podemos representar el precio por la letra " P " , el costo por
la letra " C " , la renta nacional por la letra " Y " , etc.
10

4.2.1.1 Clasificacin de las variables: La clasificacin de las
variables que intervienen en un modelo es indispensable para
determinar si el mismo cumple o no, como sistema axiomtico, con
las propiedades de consistencia y de independencia de todo modelo.
Por consistencia se entiende la no contradiccin entre las diferentes
hiptesis o ecuaciones que integran el modelo y por independencia se
entiende que cada hiptesis no puede ser deducida como proposicin
final de las restantes. Si el sistema de ecuaciones es consistente,
entonces el modelo puede tener una nica solucin o infinitas
soluciones. En caso contrario, el modelo no admite solucin alguna.

Otra razn primordial es la necesidad de conocer los tipos de
variables que intervienen en el modelo, las cuales nos permitirn
seleccionar de manera ptima los mtodos de estimacin de los
parmetros presentes en el modelo.

Clasificacin de las variables en los modelos estructurales:

I. Variables endgenas.
II. Variables predeterminadas:
II.1 Exgenas.
II.2 Endgenas con retardo.
III. Variables aleatorias o estocsticas.
IV. Variables expectativas.

I. Variables endgenas: Son aquellas cuyos valores estimados
van a ser determinadas por las soluciones particulares del sistema de
ecuaciones que integran el modelo. Ellas son las variables
dependientes en el anlisis matemtico.

Ejemplos:

En el modelo de la telaraa, son variables endgenas la demanda
" D "
t
, la oferta " S "
t
y el precio " P "
t
.

En la funcin consumo, es variable endgena el consumo " C "
t
.

II. Variables predeterminadas: Son aquellas cuyos valores no
se obtienen por la solucin del modelo sino que provienen fuera del
mismo y que contribuyen a explicar el comportamiento de las
variables endgenas de un modelo sin ser explicadas por el modelo
mismo.
11

II.1 Variables exgenas: Este tipo de variables incluyen
variables econmicas propiamente dichas y variables no
econmicas. Ambas son explicativas en un modelo dado pero no
constituyen objeto de anlisis y de explicacin en dicho modelo.

As por ejemplo en la ecuacin de demanda de un bien industrial,
si el modelo estuviera constituido por esa nica ecuacin, el precio
del bien " P "
t
, el precio de un bien sustituto " P "
st
, el ingreso
nacional " Y "
t
, y los gastos publicitarios " Z "
t
se consideraran
variables exgenas, todas ellas con significado estrictamente
econmico. Este hecho limitara severamente la validez del
modelo, ya que algunas de esas variables necesitan ser explicadas
en el modelo, particularmente el precio del bien en cuestin, y no
consideradas como explicativas.

En casos no extremos como ste, el carcter de exgena o
endgena respecto a una variable depende fundamentalmente del
papel que va a desempear en el modelo, es decir, si va a ser
explicativa o explicada, respectivamente. La inclusin de variables
exgenas con significado econmico se justifica por el dominio de
la investigacin (sector, sub - sector, actividad, etc.) y el periodo
que se considera. As, la inversin pblica puede tratarse como
variable exgena en un modelo macroeconmico a corto plazo,
pero si el modelo es de largo plazo difcilmente podr tratarse
como exgena y, en cambio, requerir ser explicada por el
modelo.

Las variables exgenas sin significado estrictamente econmico
no tienen la limitacin anterior. Ejemplos de dichas variables nos
lo brinda la precipitacin pluvial en una ecuacin de oferta de
productos agrcolas, la poblacin, el tiempo, etc.

II.2 Variables endgenas con retardo: Por sus
caractersticas especficas, intervienen como variables
explicativas. En efecto, recurriendo nuevamente al modelo de la
telaraa, el precio " P "
t
, es una variable endgena, su
comportamiento resulta explicado por el modelo [ecuaciones (1),
(2) y (3)], pero " P "
1 t
, o sea el precio en el periodo anterior, es
endgena con retardo de una unidad de tiempo, y se considera
explicativa. En el periodo " t " , " P "
1 t
es un dato y, por
consiguiente, es irreversible. Su valor influye sobre " S "
t
y no es
explicada por el modelo. Las variables endgenas con retardo
intervienen intensamente en el anlisis econmico y su
introduccin caracteriza la forma ms importante que se sigue en
la construccin de los modelos dinmicos, de los cuales nos
ocuparemos ms adelante.
12
Lo importante de su introduccin en el anlisis econmico se debe
al efecto producido en los niveles actuales de las variables
endgenas por los valores asumidos en el pasado inmediato por
muchas de ellas.

III. Variables aleatorias o estocsticas: Son variables no
observables que cumplen con la misin de recoger el conjunto de
causas que no se encuentran explcitamente incorporadas en un
modelo, como son: omisin de variables explicativas, errores de
especificacin y errores de medida sobre las variables endgenas.

III.1 Omisin de variables explicativas:

En la especificacin de una ecuacin se incluyen aquellas
variables que se consideran ms relevantes, as, para el modelo de
la telaraa, en la funcin de demanda se incluye nicamente el
precio del bien considerado, se omiten variables explicativas de la
demanda, tales como el ingreso, los precios de los bienes
sustitutivos y de los complementarios, etc. Un principio general
que debe observarse en la seleccin de variables, es que la
contribucin explicativa de las que se excluyen deber ser
proporcionalmente inferior a la debida al conjunto de variables
incluidas.

III.2 Errores de especificacin:

La variable aleatoria recoge los efectos de una especificacin
incorrecta sobre la ley matemtica de correspondencia entre las
variables que se incluyen en la ecuacin. As, por ejemplo cuando
se especifica que la relacin de correspondencia entre las variables
es lineal pero la observacin indica que no es lineal (cuadrtica,
logartmica, logstica, exponenciales, etc.).

III.3 Errores de medida sobre las variables
endgenas: Se considera que dichos errores son aleatorios y se
los incorpora en la variable estocstica de cada ecuacin de un
modelo. Se supone que las variables exgenas estn medidas sin
error.

IV. Variables expectativas: Es aquella que refleja una
situacin de ocurrencia en el futuro. Son variables expectativas, entre
otras, las variables: precio normal esperado, ingreso normal esperado,
inversin normal esperada, etc. Esta clase de variables interviene en
los modelos con retardos distribuidos.
13

4.2.2 Constante: Es un valor numrico que no cambia.

4.2.3 Parmetro o constante paramtrica: Es un factor de
ponderacin correspondiente a cada variable explicativa y mide el efecto
de las fluctuaciones de estas variables sobre la variable explicada.

Ejemplo:

En la ecuacin (2) del modelo de la telaraa, que relaciona el precio en el
periodo " 1 t " con la oferta en el periodo " t " , o sea:

( ) 0 , 0 u P S 2
2 2 t 2 1 t 2 2 t
> < + + =

el parmetro " "
2
mide el impacto de los niveles de " P " en un periodo,
sobre el nivel de la oferta en el periodo siguiente. De acuerdo con la
restriccin impuesta a " "
2
(positiva), dicho impacto mide una relacin
directa, o sea, a valores crecientes de " P " en un periodo inducen valores
crecientes de " S " en el periodo siguiente.

Matemticamente podemos definir un parmetro como una constante que
es variable.

En una ecuacin normalmente las variables aparecen multiplicadas por
constantes tal como R 5 , 0 P 7 , pero sin embargo para dar un mayor
grado de generalidad podemos reemplazar el valor de la constante por un
smbolo R b aP y debido a que no les hemos asignado valores
especficos a " b " y " a " , stas pueden virtualmente tomar cualquier
valor.

5. Anlisis de un modelo

En la seccin anterior se ha mostrado en forma resumida los elementos
constitutivos de un modelo econmico de naturaleza matemtica. Ahora vamos a
sealar que tipo de anlisis se puede llevar a cabo con un modelo de esta clase.

Existen dos posibles tipos de anlisis de un modelo. En primer lugar, se puede
realizar un anlisis esttico, que se centra en el estudio de eventos que se supone
ocurren en un punto del tiempo. Es decir, el anlisis esttico estudia los valores
alternativos de equilibrio instantneo para un determinado grupo de variables
endgenas relacionadas con diversas estructuras para las variables exgenas del
modelo en un punto particular del tiempo. En segundo lugar, se puede efectuar
un anlisis dinmico, que estudia las sendas temporales de las variables
endgenas asociadas a las diversas sendas temporales de las variables exgenas
del modelo. Es decir, el anlisis dinmico permite el estudio de eventos a lo
largo del tiempo.
14

6. Propiedades de un modelo

Un modelo debe presentar propiedades lgicas y empricas.

6.1 Lgicas:

6.1.1 Consistencia: No debe existir contradiccin entre las diferentes
hiptesis que integran el modelo. Si el sistema de ecuaciones es
consistente, entonces puede tener una o infinitas soluciones.

6.1.2 Independencia: Ninguna hiptesis del modelo debe tener
carcter redundante, es decir, ninguna hiptesis puede ser deducida de
otra. Ninguna proposicin puede ser obtenida como consecuencia de las
otras proposiciones del modelo.

6.2 Empricas:

6.2.1 Validez: Hace referencia al grado de precisin con que las
conclusiones o proposiciones finales obtenidas explican la realidad.

6.2.2 Generalidad: La generalidad supone reducir las restricciones
de las hiptesis o su grado de especificacin respecto a la conducta real
de los sujetos de la actividad econmica, analizada en la dimensin
espacio- temporal, con esto el modelo cubre una gran cantidad de casos.

Cuanto ms generalizante sea el modelo, ms probabilidades tiene de
aplicacin emprica, pero pierde validez en cuanto a sus conclusiones.
Por el contrario, cuanto ms especializado sea un modelo, esto es, cuanto
ms sustancia y rigor o especificacin agregamos a las hiptesis,
perdemos generalidad y ganamos en validez.

7. Tipos de modelos: Existen tres tipos de modelos.

7.1 Descriptivos: Representan los fenmenos reales sin prejuzgar sobre
su explicacin, su prediccin o alguna accin fundada en su evolucin. Se
apoyan en la utilizacin de datos y de las distribuciones estadsticas.

7.2 Analticos: Explican la realidad (modelos descriptivos) y las
relaciones de causa-efecto que se comprueban en los fenmenos.

7.3 Pronstico: Se encargan de prever los hechos. Recurren al pasado y
al presente para tratar de conocer el futuro apoyndose en la idea que existe
una permanencia estructural de los fenmenos. Utilizan el anlisis
descriptivo y explicativo de los hechos.
Captulo II

ANLISIS DE EQUILIBRIO ESTTICO

II.1 El concepto de equilibrio en la economa
1. Equilibrio

Es un conjunto de variables escogidas e interrelacionadas, ajustadas de tal
modo entre s que no prevalezca ninguna tendencia inherente al cambio en el
modelo que constituyen.

Palabras aclaratorias acerca de la definicin de equilibrio:

1.1. Escogidas: Subraya el hecho de que existen variables que por
decisin del analista no han sido incluidas en el modelo.

1.2. Interrelacionadas: Esta palabra sugiere que para alcanzar el
equilibrio todas las variables del modelo deben hallarse simultneamente en
estado de reposo. Adems, el estado de reposo de cada variable debe ser
compatible con el de todas las dems, de otra forma, podra cambiar una o
ms variables y hacer con ello que cambien las otras en una reaccin en
cadena, y no cabra decir que existe equilibrio.

1.3. Inherente: Cuando se define el equilibrio, el estado de reposo se
basa nicamente en el balance de las fuerzas internas del modelo, mientras
que los factores externos se suponen fijos. Operacionalmente, esto significa
que los parmetros y las variables exgenas se tratan como constantes.
Cuando realmente cambian los factores externos resulta un nuevo equilibrio
definido sobre la base de los nuevos valores paramtricos, pero al definirlo
volveremos a suponer que stos permanecen invariables.
CIRO BAZN ANLISIS DE EQUILIBRIO ESTTICO
16

El equilibrio para un modelo especfico es en esencia una situacin que se
caracteriza por una falta de tendencia al cambio, es por esta razn que al
estudio de cuando puede aparecer el equilibrio se le llama anlisis
esttico.

Un equilibrio es una situacin que una vez alcanzada, tiende a perpetuarse a
menos que cambien las fuerzas externas. Un equilibrio no siempre es un
punto deseable, slo es el resultado de un proceso impersonal de ajuste de
fuerzas econmicas. Lo llamaremos equilibrio no finalista.

II.2 Herramienta del anlisis esttico

1. Herramienta

La herramienta a utilizar para el estudio del anlisis esttico es el lgebra
matricial.

2. Utilidad

1. Proporciona una forma compacta de escribir un sistema de ecuaciones.
2. Prueba la existencia de una solucin (mediante la evaluacin del
determinante).
3. Proporciona un mtodo para hallar una solucin (si es que existe).

3. Restriccin

- Slo se puede aplicar a los sistemas de ecuaciones lineales.

El grado en que las ecuaciones lineales puedan describir de manera realista
las relaciones econmicas depende de la naturaleza de las mismas.

En muchos casos, aun sacrificando cierto realismo al tomar la hiptesis de
linealidad, sta puede darnos una buena aproximacin.

Por ltimo, aun conservando la no linealidad del modelo, podemos efectuar
una transformacin de variables para obtener una relacin lineal con la que
trabajar.

Ejemplo:

La funcin no lineal
b
ax y = puede transformarse fcilmente en una funcin
lineal haciendo uso de los logaritmos. Si sacamos logaritmos a cada
miembro del signo de igualdad de la funcin no lineal, entonces:

( ) x log b a log x log a log ax log y log
b b
+ = + = =
17

La cual representa una funcin lineal respecto de las variables
". x log " y " y log "

En resumen, la hiptesis de linealidad frecuentemente adoptada en economa
puede resultar en ciertos casos muy razonable y justificada.

II.3 Equilibrio parcial de mercado

1. Modelo lineal

En un modelo de equilibrio esttico el problema radica en hallar el conjunto
de valores de las variables endgenas que satisfacen la condicin de
equilibrio del sistema. Ilustraremos esto con un modelo de equilibrio
parcial de mercado, es decir, un modelo de determinacin del precio de un
bien en un mercado aislado.

2. Construccin del Modelo

Se considera un solo bien, por lo tanto el modelo slo incluir tres
variables: .
P
Q
Q
s
d
Donde:

: Q
d
cantidad demandada del bien (kg/semana).
: Q
s
cantidad ofrecida del bien (kg/semana).
: P precio del bien ($, S/., etc.)

2.1 Hiptesis: Acerca del comportamiento del mercado.

1. Especificamos una condicin de equilibrio (indispensable), se
alcanza el equilibrio la demanda excedente es nula:
= = 0 Q Q E
s d
en este caso esto significa que el mercado est
vaco.

2. ( ) = P f Q
d
funcin lineal decreciente.
( ) = P g Q
s
funcin lineal creciente.

3. No se oferta ninguna cantidad a menos que el precio exceda un
determinado nivel positivo.

2.2 Modelo expresado en trminos matemticos: El modelo
contendr una condicin de equilibrio ms dos ecuaciones de
comportamiento que rigen, respectivamente los lados del mercado de la
demanda y de la oferta.
18

( )
( ) ( )
( ) ( ) 0 d , 0 c dP c Q 3
0 b , 0 a bP a Q 2
Q Q Q 1
s
d
s d
> > + =
> > =
= =

2.3 Solucin del modelo: Hallar las soluciones particulares de las
variables endgenas (valores de equilibrio de las variables endgenas).

(
(
(
=
(
(
(
(
(
(
= +
= + +
= +
c
a
0
P
s
Q
d
Q
d 1 0
b 0 1
0 1 1
c dP
s
1Q
d
0Q
a bP
s
0Q
d
1Q
0 0P
s
1Q
d
1Q
Endgenas Variables

Resolviendo la ecuacin matricial por el mtodo de Cramer:

d b
bc ad
d b
ad bc
d) 1)( ( b) 1(
bc) ad 1)( (
d 1 0
b 0 1
0 1 1
d 1 c
b 0 a
0 1 0
d
Q
+
=

+
=
=

d b
bc ad
d b
ad bc
d) 1)( ( b) 1(
bc) ad (1)(
d 1 0
b 0 1
0 1 1
d c 0
b a 1
0 0 1
s
Q
+
=

+
=

=

bc ad 0 bc ad 0
d b
bc ad
Q Q Q
s d
> > >
+
= = =

d b
c a
d b
c a
d) 1)( ( b) 1(
c) 1)( ( a) (1)(
d 1 0
b 0 1
0 1 1
c 1 0
a 0 1
0 1 1
P
+
+
=

=

=
=

0
d b
c a
P >
+
+
= ya que: ( ) 0 d , c , b , a >
19

A continuacin mostraremos la solucin grfica.

En el grfico podemos notar que el punto ) Q , P ( E = representa el punto de
equilibrio, el cul es nico, es decir, el modelo presenta una nica solucin.

Figura 1

II.4 Equilibrio general de mercado

En la seccin anterior se ha estudiado un modelo de un mercado aislado, en
donde
d
Q y
s
Q de un bien son funciones del precio de ese bien
exclusivamente. Sin embargo, en el mundo real no hay ningn bien que goce
(o sufra) de una existencia tan solitaria; comnmente para cada bien existen
muchos bienes sustitutos y complementarios. Por eso un cuadro ms realista
tanto de la funcin de demanda as como la de oferta de un bien debe tomar en
cuenta el efecto no solo de ese bien, sino tambin el precio de todos los
artculos relacionados con l.

Una vez que los precios de los otros bienes son incorporados en el modelo,
debe ampliarse su estructura de forma que ste nos permita determinar los
valores de equilibrio de esos otros precios, esto implica que las variables
cantidad y precio de las mltiples mercancas deben intervenir endgena y
globalmente en el mercado.
( ) equilibrio de punto nico Q , P
P
1
=c/d
Q
d
Q
Q
s
a
P
a/b
P
Q
c
20

El considerar simultneamente varios artculos interdependientes implica que
el equilibrio requerir la ausencia de exceso de demanda para todos y cada uno
de los bienes incluidos en el modelo. Por tanto, la condicin de equilibrio de
un modelo de mercado con n bienes comprender n ecuaciones, una para
cada bien, del siguiente tipo:

( ) n ,.., 1 i nulo demanda de exceso 0 Q Q E
0 Q Q E
0 Q Q E
0 Q Q E
0 Q Q E
si di i
sn dn n
3 s 3 d 3
2 s 2 d 2
1 s 1 d 1
= = =
= =
= =
= =
= =

Si se presentara un 0 E
i
= , el ajuste del precio de dicho bien afectara
necesariamente a las cantidades ofrecidas y demandadas de los bienes restantes
causando, por tanto, cambios generales de precios.

1. Modelo de mercado con dos bienes

En este modelo slo consideraremos dos bienes relacionados entre s. Por
sencillez, supondremos que las funciones de demanda y oferta de ambas
mercancas son lineales.

BIEN 1

( )
( )
( )
+ + =
+ + =
=
3 p b p b b
1 s
Q
2 p a p a a
1 d
Q
1 0
1 s
Q
1 d
Q
2 2 1 1 0
2 2 1 1 0

BIEN 2

( )
( )
( )
| + | + | =
o + o + o =
=
6 p p
2 s
Q
5 p p
2 d
Q
4 0
2 s
Q
2 d
Q
2 2 1 1 0
2 2 1 1 0

No nos hemos preocupado por los signos de los coeficientes, pero a lo largo
del anlisis aparecern ciertas restricciones como prerrequisitos para que los
resultados sean aceptables desde el punto de vista econmico:

BIEN 1: Reemplazando (2) y (3) en (1):

( ) 0 p b p b b p a p a a
2 2 1 1 0 2 2 1 1 0
= + + + +
21

( ) ( ) ( ) ( ) I 0 p b a p b a b a
2 2 2 1 1 1 0 0
= + +

BIEN 2: Reemplazando (5) y (6) en (4):

( ) 0 p p p p
2 2 1 1 0 2 2 1 1 0
= + + + +

( ) ( ) ( ) ( ) II 0 p p
2 2 2 1 1 1 0 0
= + +

Hacemos:

( ) 2 , 1 , 0 i

b a c
i i i
i i i
=
=
=

Donde " " y " c "
i i
reciben el nombre de parmetros derivados o tambin
llamados parmetros de la forma reducida del modelo. Son funciones de los
parmetros estructurales y se les conoce habitualmente con el nombre de
multiplicadores.

( ) ( ) V c P c P c III 0 P c P c c
0 2 2 1 1 2 2 1 1 0
= + = + +

( ) ( ) VI P P IV 0 P P
0 2 2 1 1 2 2 1 1 0
= + = + +

(
=
(
0
0
2
1
2 1
2 1
c
P
P

c c

) c (c 0
c c
c c

c c

c c
1
P
1 2 2 1
1 2 2 1
0 2 2 0
2 1
2 1
2 0
2 0
= >
+
=
=

) c (c 0
c c
c c

c c

c c
2
P
1 2 2 1
1 2 2 1
1 0 0 1
2 1
2 1
0 1
0 1
= >
+
=
=

Ejemplo:

( ) ( ) 3 P P 15 Q 1 P P 2 10 Q
2 1 2 d 2 1 1 d
+ = + =

( ) ( ) 4 P 2 1 Q 2 P 3 2 Q
2 2 s 1 1 s
+ = + =
22

Podemos notar que en cada bien la " Q "
si
depende nicamente de su propio
precio " P "
i
, mientras que " Q "
di
depende de ambos precios. Debido a que en
" Q "
1 d
el signo del coeficiente que precede a " P "
1
es negativo y el del
coeficiente que precede a " P "
2
es positivo, podemos suponer que los dos
artculos son bienes sustitutos ya que si aumentamos el precio del bien 2
( )
2
P entonces es lgico pensar que " Q "
1 d
aumente y que " Q "
2 d
disminuya.
El papel de " P "
1
en la funcin " Q "
2 d
tiene una interpretacin similar.

( ) ( ) ( ) 1 bien : equilibrio 2 1 =

( ) 5 12 P P 5 P 3 2 P P 2 10
2 1 1 2 1
= + = +

( ) ( ) ( ) 2 bien : equilibrio 4 3 =

( ) 6 16 P 3 P P 2 1 P P 15
2 1 2 2 1
= + = +

(
=
(
=
=
16
12
P
P
3 1
1 5
16 P 3 P
12 P P 5
2
1
2 1
2 1

7
5
3
14
52
1 15
16 36
3 1
1 5
3 16
1 12
P
1
=
=
+

=
=

7
4
6
14
92
14
12 80
3 1
1 5
16 1
12 5
P
2
=
=

7
64
Q
7
46
7
26
2 10 Q
1 1
=
|
|
.
|
\
|
+
|
|
.
|
\
|
=

7
85
2
Q
7
46
2 1 Q
2
=
|
|
.
|
\
|
+ =
23

2. Modelo de mercado con n bienes

Hemos estudiado un modelo de mercado con mltiples bienes pero solo para
dos bienes. La tendencia es desplazarnos hacia el estudio de equilibrio
general a partir del anlisis de equilibrio parcial.

Conforme intervengan ms bienes en un modelo, habr ms variables y ms
ecuaciones y las ecuaciones sern ms grandes y ms complicadas.

Si incluimos todos los bienes de una economa en un modelo de mercado de
gran alcance, como resultado obtendremos un modelo de equilibrio general
del tipo Walrasiano, en el que el exceso de la demanda de cada bien se
considera como una funcin de los precios de todos los bienes de la
economa.

( )
( )
( )
( ) n ,..., 2 , 1 i
3 0 Q Q
2 ) P ..., ,......... P , P ( Q Q
1 ) P .., ,......... P , P ( Q Q
ecuaciones "3n"
si di
n 2 1 si si
n 2 1 di di
=
=
=
=

Reemplazando (1) y (2) en (3):

( ) n ,..., 2 , 1 i 0 ) P ...., ,......... P , P ( Q ) P ...., ,......... P , P ( Q
n 2 1 si n 1 di
= =

Por otro lado: 0 Q Q E
si di i
= =

( ) n ,..., 2 , 1 i 0 ) P ...., ,......... P , P ( E
n 2 1 i
= =

Resolviendo las n ecuaciones se determinarn los n precios de equilibrio
P
i
y las n cantidades de equilibrio . Q
i

3. Equilibrio en el anlisis de la renta nacional

Modelo Keynesiano de la renta nacional.

1) b 0 0, (a
(2) bY a C
(1) G I C Y
0 0
< < >
+ =
+ + =

Donde:
24

Y: Renta Nacional (V. endgena)
C: Gastos de Consumo (V. endgena)
I
0
: Inversin determinada exgenamente.
G
0
: Gastos Pblicos. (V. exgena)

La ecuacin (1) es una condicin de equilibrio en donde la renta nacional es
igual al gasto total.

La ecuacin (2) funcin de consumo es una ecuacin de comportamiento en
donde:

- a consumo autnomo, indica el nivel de C que no es explicado por
Y.
- b propensin marginal al consumo, representa el aumento que
experimenta los gastos de consumo cuando Y aumenta en una
unidad monetaria.

Solucin: Escribiremos el sistema de ecuaciones lineales en su forma
matricial.

a
G I
C
Y

1 b
1 1
a C bY
G I C Y
0 0 0 0
(
+
=
(
=
+ =

b 1
G I a
b 1
a ) G (I
1 b
1 1
1 a
1 G I
Y
0 0 0 0
0 0
+

=
+
+
=

+
=

1) (b
b 1
G I a
Y
0 0
=
+ +
=

1) (b
b 1
) G (I b a
b 1
) G (I b a
1 b
1 1
a b
G I 1
C
0 0 0 0
0 0
=
+
+
=
+
+
=
+
=

Se debe imponer que 1 b = para evitar la divisin entre cero, pero como
inicialmente se supuso > > 0 b 1 est restriccin se satisface
automticamente.
25

4. Modelo de renta nacional que considera impuestos totales

( ) ( ) ( )
( ) ( )
( )
+ + =
< < > + =
< < > + =
3 G I C Y
1 0 0 2 Y T
1 0 0 1 T Y C
0 0
t t t t
1 0 t 1 0 t
1 0 t t 1 0 t

Donde:

: C
t
Consumo Nacional: (V. endgena).
: T
t
Impuestos Totales: (V. endgena).
: Y
t
Ingreso Nacional: (V. endgena).
: I
0
t
Inversin Neta: (V. exgena).
: G
0
t
Gasto Pblico en bienes y servicios: (V. exgena).

La ecuacin (1) nos indica que los consumidores compran en funcin de sus
ingresos disponibles ( )
t t
T Y . La ecuacin (1) es una ecuacin de
comportamiento.

La ecuacin (2) representa el volumen total recaudado de impuestos el cul
est en funcin del ingreso nacional. La ecuacin (2) es una ecuacin legal o
institucional.

La ecuacin (3) es una ecuacin de definicin del ingreso nacional como el
total del consumo ms la inversin neta ms los gatos pblicos.

+ =
=
= +
) G (I Y C
Y T
Y T C
0 0
t t t t
0 t 1 t
0 t 1 t 1 t

(
(
(
+
=
(
(
(
(
(
(
) G I (
Y
T
C

A
1 0 1
1 0
1
0 0
t t
0
0
t
t
t
1
1 1

) 1 )( ( ) ( ) 1 ( 1 A
1 1 1
+ =

0 1 ) 1 ( A
1 1
= =

Como el 0 A = , el sistema de ecuaciones es consistente y presenta una
nica solucin.
26

1 ) 1 (
1 0 ) G I (
1

C
1 1
t t
1 0
1 1 0
t
0 0

+
=

( ) | |
1 ) 1 (
) G I ( ) G I ( 1
C
1 1
t t 1 t t 1 0 1 0
t
0 0 0 0

+ +
=

1 ) 1 (
1 ) G I ( 1
0
1
T
1 1
t t
1 0
1 0
t
0 0

+
=

( ) | | ( ) ( )( )
1 ) 1 (
) G I ( 1
T
1 1
0 1 1 0 t t 1 0
t
0 0

+ +
=

1 ) 1 (
) G I ( 0 1
1 0
1
t
Y
1 1
t t
0
0 1
0 0

+
=

( ) ( ) ( )
( ) 1 1
1 G I 1
Y
1 1
0 0 1 t t
t
0 0
o
o + o
=

II.5 Limitaciones del anlisis esttico

En el anlisis del equilibrio esttico del mercado o de la renta nacional nos
hemos centrado nicamente en hallar los valores de equilibrio de las variables
endgenas del modelo, ignorndose en el anlisis el proceso real de ajustes y
reajustes de las variables que finalmente conducen al estado de equilibrio, es
decir, slo nos hemos preguntado dnde llegara, pero no cuando o qu puede
ocurrir en el camino.

Por tanto, el anlisis esttico falla por dos razones fundamentales:
27

1. Debido a que el proceso de ajuste puede requerir mucho tiempo hasta
completarse, un estado de equilibrio como el determinado en el anlisis
esttico puede perder su importancia incluso antes de alcanzarse, si mientras
tanto las fuerzas exgenas del modelo experimentan ciertos cambios. Este es el
problema de cambios en el estado de equilibrio.

2. An cuando el proceso de ajuste contine su curso sin ser perturbado, podra
darse el caso de no alcanzar en su conjunto el estado de equilibrio concebido
en un anlisis esttico. Este sera el caso del denominado equilibrio
inestable, que se caracteriza por el hecho de que el proceso de ajuste alejar
las variables del estado de equilibrio concebido en un anlisis esttico.

Los cambios del estado de equilibrio (como respuesta a cambios exgenas,
pertenecen al tipo de anlisis denominado esttica comparativa y la cuestin
de la accesibilidad y la estabilidad del equilibrio cae dentro del terreno del
anlisis dinmico).

II.6 Ejercicios de equilibrio esttico:

1.- Resolver el siguiente sistema encontrando los valores de equilibrio.

( ) ( )
( ) ( )
( )
( )
+ + =
< < + =
> | | + | =
< o < o + o =

4 G I C Y
1 0 3 Y T
0 2 Y Y I
1 0 1 T Y C
t t t t
1 t 1 0 t
1 2 t 1 t 1 0 t
1 1 t 1 t 1 0 t

Donde:

: C
t
Consumo Nacional en el periodo actual: (V. endgena).
: Y
t
Ingreso Nacional en el periodo actual: (V. endgena).
: Y
1 t
Ingreso Nacional: (V. endgena con un periodo de retardo).
: Y
2 t
Ingreso Nacional: (V. endgena con dos periodos de retardo).
: T
t
Impuestos Totales en el periodo actual: (V. endgena).
: T
1 t
Impuestos Totales: (V. endgena con un periodo de retardo).
: I
t
Inversin Neta en el periodo actual: (V. endgena).
: G
t
Gasto Pblico en bienes y servicios en el periodo actual: (V. exgena).
: , , , , ,
1 0 1 0 1 0
Parmetros.

La ecuacin (1) es una ecuacin de comportamiento, y nos indica que los
consumidores compran en funcin de sus ingresos disponibles ( )
1 t 1 t
T Y

en el
periodo anterior.
28

individuos invierten en funcin de la diferencia entre el ingreso nacional en el
periodo anterior y el ingreso nacional con dos periodos de rezago ( )
2 t 1 t
Y Y

.

La ecuacin (3) es una ecuacin legal o institucional, y representa el volumen total
recaudado de impuestos el cul est en funcin del ingreso nacional.

La ecuacin (4) es una ecuacin de definicin del ingreso nacional como el total
del consumo nacional ms la inversin neta ms los gatos pblicos.

Matricialmente, tenemos que:

( )
( )
(
(
(
(
(
=
(
(
(
(
(
| + |
o + o
=
(
(
(
(
(
(
(
(
(
(

4
3
2
1
t
0
2 t 1 t 1 0
1 t 1 t 1 0
t
t
t
t
1
b
b
b
b
G
Y Y
T Y
Y
T
I
C
1 0 1 1
1 0 0
0 0 1 0
0 0 0 1

( )
( )( )
1
1
A
1
4
1 3
2
1
t
b
1 1 1
1 b
1 0 1 1
1 0 0
0 0 1 0
0 0 0 1
1 0 1 b
1 0 b
0 0 1 b
0 0 0 b
C = =

=

trivial. solucin la incluye no que nica solucin singular no matriz 0 A =

( )
1 t 1 t 1 0
___
t
T Y C

o + o =

( )
2
2
4
1 3
2
1
t
b
1
1 b 1
1
1 0 b 1
1 b 0
0 0 b 0
0 0 b 1
I = =

=

( )
2 t 1 t 1 0 t
Y Y I

| + | =
29

( )( ) ( )( )
( )
3 4 2 1 1
1 1 1 2 4 1 3 4
1 3
2
1
t
b b b b
1
1 b b b b 1 1
1
1 b 1 1
b 0 0
0 b 1 0
0 b 0 1
T + + + =
+ + +
=

=

( ) ( ) | |
0 t 2 t 1 t 1 0 1 t 1 t 1 0 1 t
G Y Y T Y T + + | + | + o + o =

( ) ( )( )
1 2 4
1 2 4 4
3
2
1
t
b b b
1
1 1 b b b 1 1
1
b 0 1 1
b 1 0 0
b 0 1 0
b 0 0 1
Y + + =
+
=

=

( ) ( )
1 t 1 t 1 0 2 t 1 t 1 0 t t
T Y Y Y G Y

o + o + | + | + =

2.- Resolver el siguiente sistema encontrando los valores de equilibrio:

( ) ( )
( )
( ) ( )
( )
+ + + =
+ =
| + | =
o + o =
4 M X G I C Y
3 T Y M
2 Y T
1 T Y C
t 0 0 0 t t
t t 1 0 t
t 1 0 t
t t 1 0 t

Donde:

: C
t
Consumo Nacional en el periodo actual: (V. endgena).
: Y
t
Ingreso Nacional en el periodo actual: (V. endgena).
: T
t
Impuestos Totales en el periodo actual: (V. endgena).
: M
t
Nivel de importaciones del periodo actual: (V. endgena).
: I
0
Inversin Neta: (V. exgena).
: G
0
Gasto Pblico en bienes y servicios: (V. exgena).
: X
0
Nivel de exportaciones: (V. exgena).
: , , , , ,
1 0 1 0 1 0
Parmetros.

consumidores compran en funcin de sus ingresos disponibles ( )
t t
T Y .
30

La ecuacin (2) es una ecuacin legal o institucional, y representa el volumen total
recaudado de impuestos el cul est en funcin del ingreso nacional
t
Y .

La ecuacin (3) es una ecuacin de comportamiento, y nos indica que las
importaciones se hallan en funcin los ingresos disponibles ( )
t t
T Y .

La ecuacin (4) es una ecuacin de definicin del ingreso nacional en una
economa abierta, donde el ingreso nacional es igual al consumo nacional, mas la
inversin neta, mas los gatos pblicos, mas las exportaciones, menos las
importaciones.

Matricialmente, tenemos que:

(
(
(
(
(
+ +
|
o
=
(
(
(
(
(
(
(
(
(
(

|
o o
0 0 0
0
0
0
t
t
t
t
1 1
1
1 1
X G I Y
M
T
C
1 1 0 1
1 0
0 1 0
0 1

Donde:

A
1 1
1
1 1
0 0 0
1 1 0
1 0
1 1 0
t
1 1 0 1
1 0
0 1 0
0 1
1 1 0 X G I
1
0 1
0
C

|
o o
+ +

| |
o o o
=

( ) ( ) | |
( ) 1 1
X G I X G I 1
C
1 1 1 1 1
0 0 0 0 0 0 0 0 0 1 1 1 1 1 0
t
+ + | | o
| + + + | o + + + | o
=

. trivial solucin la incluye no que nica solucin singular no matriz 0 A =
31
( ) ( )
( ) 1 1
X G I 1
1 1 0 1
1 0
0 1 0
0 1
1 1 X G I 1
1 0
0 0
0 1
T
1 1 1 1 1
1 0 1 0 0 0 0 0 1 1 0
A
1 1
1
1 1
0 0 0
1 0
1 0
1 0
t
+ + | | o
o | + | o + | + |
=

|
o o
+ +

| |
o o
=

A
1 1
1
1 1
0 0 0
1 0 1
1 0
1 0 1
t
1 1 0 1
1 0
0 1 0
0 1
1 X G I 0 1
0
1 0
1
M

|
o o
+ +

| |
o o o
=

( ) | | ( )( ) | |
( ) 1 1
X G I 1 1 1
M
1 1 1 1 1
0 0 0 0 0 1 1 1 1 0
t
+ + | | o
| o + + + | + | o
=
32

Captulo III

ANLISIS ESTTICO COMPARATIVO

III.1 Esttica-comparativa

1. Definicin

Trata acerca de la comparacin de los diferentes estados de equilibrio los
cuales estn asociados con ciertos valores de las variables exgenas y de los
parmetros.

En el anlisis esttico comparativo se supone un estado de equilibrio inicial
dado, luego se introduce un cambio en alguna variable exgena o en algn
parmetro que desequilibre el modelo. Como resultado, las distintas variables
endgenas debern experimentar ciertos ajustes para poder definir y alcanzar
un nuevo estado de equilibrio relacionado con los nuevos valores de los
parmetros.

La cuestin que se plantea en el anlisis esttico comparativo es: cmo
compararamos el nuevo equilibrio con el anterior?

La esttica comparativa no estudia el proceso de ajuste de las variables,
simplemente compara el estado de equilibrio inicial con el estado de
equilibrio final. Adems, excluimos la posibilidad de que el equilibrio sea
inestable, porque suponemos que el nuevo equilibrio es alcanzable.

El anlisis esttico comparativo puede ser:

1.1 Cualitativo: slo considera la direccin del cambio, es decir si la
variable endgena aumenta o disminuye, cuando se incrementa una de las
variables exgenas o uno de los parmetros.

1.2 Cuantitativo: considera la magnitud del cambio producido en la
variable endgena al haber producido un incremento en una de las variables
exgenas o en uno de los parmetros.
CIRO BAZN ANLISIS ESTTICO-COMPARATIVO
34
El anlisis esttico comparativo consiste en hallar la tasa de cambio del valor
de equilibrio de una variable endgena con respecto al cambio en una
variable exgena particular o en un parmetro particular.

2. Aplicaciones al anlisis esttico comparativo:

2.1 Modelo de mercado aislado

( )
( ) ( )
( ) ( )
> + =
> =
=
0 d , c 3 dp c Q
0 b , a 2 bp a Q
1 Q Q
s
d
s d

=
+
+
=
d) (b
bc) (ad
Q
d) (b
c) (a
P

Estos son valores de equilibrio tambin conocidos como formas
reducidas debido a que las variables endgenas han sido reducidas a
expresiones explcitas de los parmetros a, b, c, y d.

Podemos observar que P y Q dependen de 4 parmetros que son
independientes entre s, es decir, si cambia uno el resto de parmetros
permanece constante.

En caso de que en el modelo intervengan variables exgenas, entonces
consideramos que todas ellas son independientes entre s.

La pregunta es: qu ocurre con el valor de equilibrio de la variable
endgena ante el cambio de cualquier variable exgena o de cualquier
parmetro?

Para responder a esto tendramos que calcular la derivada parcial del
valor de equilibrio de la variable endgena respecto de la variable
exgena o respecto al parmetro cambiante.

Anlisis Esttico Comparativo:

1.- Qu pasa con P y Q cuando incrementamos a?

a
d b
1
P 0
d) (b
1

a
P
A
|
|
.
|
\
|
+
~ A >
+
=
c
c

. P a Si 0 P 0 a como | | > A > A
35

A
|
|
.
|
\
|
+
~ A >
+
=
c
c
a
d b
d
Q 0
d) (b
d

a
Q

| | > A > A Q a Si 0 Q 0 a como

d s
Q , Q
0
E
a
1
E 1
Q
0
Q
0
P
1
P
b
a

P
d c

Figura 1

En la figura 1 se aprecia que si a| b, c y d = constantes la funcin
de demanda se trasladar hacia arriba definindose un nuevo punto de
equilibrio
1
E en donde observamos que tanto P y Q han aumentado
de
0
P a
1
P y de
0
Q a
1
Q .

2.- Qu pasa con P y Q cuando incrementamos b?

0
d) (b
c) (a

b
P
2
<
+
+
=
c
c

. p b Si 0 P 0 b como b
b) (d
c) (a
P
2
+ | < A > A A
(
(
+
+
~ A

0
) d b (
ad) (cd

d) (b
bc)(1) (ad d) (b c

b
Q
2 2
<
+
+
=
+
+
=
c
c

36

. Q b Si 0 Q 0 b como b
) d b (
ad) (cd
Q
2
+ | < A > A A
(
(
+
+
~ A

1
Q
0
Q
1
E
0
E
1
P
0
P
1
b
a

b
a

s d
Q , Q
1

0

a
d c
P

Figura 2

En la figura 2 se aprecia que si | b a, c y d = constantes la
pendiente de la funcin de demanda se hace ms negativa definindose
un nuevo punto de equilibrio
1
E en donde observamos que tanto P y
Q han disminuido de
0
P a
1
P y de
0
Q a
1
Q .

1 0 1 0
1 1
0 0
m m tg tg
0 tg m
0 tg m
> o > o
)
`
< o =
< o =

3.- Qu pasa con P y Q cuando incrementamos c?

0
d) (b
1

c
P
>
+
=
c
c

. P c Si 0 P 0 c como c
d b
1
P | | > A > A A
|
|
.
|
\
|
+
~ A

0
d) (b
b

c
Q
<
+
=
c
c

37

. Q c Si 0 Q 0 c como c
d b
b
Q + | < A > A A
|
|
.
|
\
|
+
~ A

a
1
E
0
Q
1
Q
0
E
c
0
P
1
P
b
a

P
s d
Q , Q
+ Q

Figura 3

En la figura 3 se aprecia que si | c a, b y d = constantes la curva
de oferta se trasladar paralelamente as misma hacia abajo
definindose un nuevo punto de equilibrio
1
E en donde observamos
que P ha aumentado de
0
P a
1
P y que Q ha disminuido de
0
Q a
1
Q .

4.- Qu sucede con P y Q cuando aumenta d?

<
+
+
=
c
c
0
d) (b
c) (a

d
P
2

0 P 0 d como d
d) (b
c) (a
P
2
< A > A A
(
(
+
+
~ A

. P d Si + |
38

>
+
+
=
+
+
=
c
c
0
) d b (
bc) (ab

d) (b
bc)(1) (ad d) (b a

d
Q
2 2

. Q d Si 0 Q 0 d como d
) d b (
bc) (ab
Q
2
| | > A > A A
(
(
+
+
~ A

c
1
Q

0
Q
1
E
0
E
1
P
0
P
b
a

P
s d
Q , Q
a

Figura 4

En la figura 4 se aprecia que si | d a, b y c = constantes la
pendiente de la curva de oferta se hace ms positiva definindose un
nuevo punto de equilibrio
1
E en donde observamos que P ha
disminuido de
0
P a
1
P y que Q ha aumentado de
0
Q a
1
Q .

El mtodo de diferenciacin nos ofrece dos ventajas respecto al mtodo
grfico. En primer lugar, la tcnica grfica est sometida a limitaciones
dimensionales, pero la diferenciacin no lo est. En segundo lugar, el
mtodo de diferenciacin puede dar resultados que tienen un mayor
nivel de generalidad.
39

2.2 Modelo de renta nacional tomando en cuenta el
impuesto total

1) 0 0, ( (1) ) T (Y
t
C
1 0 t t 1 0
< < > + =

1) 0 0, ( (2) Y T
1 0 t 1 0 t
< < > + =

) A D (OA (3) G I C Y
0 0
t t t t
= + + =

Las restricciones sobre los valores de los parmetros
0
,
1
,
0
,
1

pueden explicarse como:
0
es positivo porque el consumo es positivo,
an cuando la renta disponible ( )
t t
T Y sea cero;
1
es una fraccin
positiva porque representa la propensin marginal al consumo;
0
es
positivo porque aunque
t
Y sea cero habr recaudacin de impuestos
positiva (de base imponible diferente a la de la renta), y, por ltimo,
1

es una fraccin positiva porque representa una tasa de impuesto sobre la
renta y como tal no puede exceder el 100%. Las variables exgenas
0
t
I
y
0
t
G , son por supuesto, no negativas.

Supongamos que todos los parmetros y variables exgenas son
independientes entre s.

Hemos encontrado del equilibrio esttico:

| |
) 1 ( 1
) G I ( ) G I (
C
1 1
t t 1 0 t t 1 0 1
t
0 0 0 0
o
+ o + o + + + o
=

) 1 ( 1
) G I (
T
1 1
0 1 1 0 t t 1 0
t
0 0
o
o o + + +
=

) 1 ( 1
G I
Y
1 1
0 0 1 t t
t
0 0

+ +
=

A continuacin vamos a ver que sucede con
t
Y cuando producimos un
cambio en una de sus variables exgenas o en uno de sus parmetros.

De
t
Y podemos extraer seis derivadas esttico comparativas. De
estas seis, las tres siguientes tienen especial trascendencia poltica:

40

Qu sucede cuando
0
t
G aumenta?

| |
. Y G Si 0
) 1 ( 1
1
) 1 (
1
G
Y
t t
1 1 1 1 1 t
t
0
0
| | >
o +
=
o + o
=
c
c

=
c
c
0
t
t
G
Y
Multiplicador de gastos gubernamentales.

Qu sucede con
t
Y cuando
0
cambia?

| |
. Y Si 0
) 1 ( 1
Y
t 0
1 1
1
0
t
+ | <
o
o
=
c
c

=
c
c
0
t
Y
Multiplicador de impuestos indirectos, porque muestra cmo un
cambio en
0
afectar la renta de equilibrio.

0
: Ingreso gubernamental de otras fuentes que excluyen el impuesto
sobre la renta.

Qu sucede con
t
Y cuando
1
cambia?

. Y Si 0
) 1 (
) G I ( Y
t 1
2
1 1 1
0 0 1 t t 1
1
t
0 0
+ | <
o + o
o + o + o
=
c
c

=
c
c
1
t
Y
Multiplicador de tasa de impuesto sobre la renta.

:
0
o Consumo autnomo, no depende del ingreso.
1
: Propensin marginal al consumo. Por cada sol adicional que gana el
gasto de consumo se incrementa en
1
soles.
( )
1
1 : Propensin marginal a ahorrar.
t
C : Consumo nacional.
41

t
T : Impuestos totales.
t
Y : Ingreso o Renta nacional.
0
t
I : Inversin neta.
0
t
G : Gasto pblico en bienes y servicios.
( )
t t
T Y : Ingresos disponibles de los consumidores.
( )
0 0
t t t
G T C + + : Demanda agregada. Suma de los gastos de las
unidades familiares, empresa y gobierno.
1
: Tasa de impuesto sobre la renta. Todos los sujetos de esta
economa tributan una tasa fija por cada unidad monetaria percibida
como ingreso.
0
: Ingresos distintos a lo que se percibe por impuesto a la renta =
ingreso gubernamental de otras fuentes que excluyen el impuesto sobre
la renta. Nivel del monto total de tributacin recaudado por el gobierno
que no depende del nivel de ingreso nacional.

III.2 Anlisis esttico comparativo de modelos de funciones
generales

Hasta este punto hemos estudiando modelos en donde sus ecuaciones estn
expresadas en forma explcita y no estn conformadas por funciones generales.

Ahora vamos a estudiar modelos que pueden presentar funciones generales en su
estructura.

El hecho de que en una o ms de las ecuaciones que conforman un modelo que
aparezca una o ms funciones generales impide que podamos obtener una
solucin en el equilibrio en forma explcita y por tanto no podremos calcular las
derivadas parciales de dicha solucin respecto de uno de sus parmetros o
respecto de una de sus variables exgenas debido a que no sern independientes
entre s.

Por lo tanto deberemos recurrir a la diferenciacin total que nos permitir
calcular derivadas de funciones implcitas en lugar de recurrir a la diferenciacin
parcial para calcular las derivadas esttico comparativas.

42

Ejemplo:

) equilibrio de (ec. G I ) T C(Y, Y
) T C(Y; C
G I C Y
0 0 0
0
0 0
+ + =
)
`
=
+ + =

Debido a la forma general de la funcin C, no se dispone de una solucin
explcita, por tanto, debemos obtener las derivadas esttico comparativas
directamente a partir de la ecuaciones de equilibrio. Para poder conseguir esto
vamos a suponer que existe una solucin de equilibrio Y como funcin de
0
I ,
0
G y
0
T . De donde podemos escribir la ecuacin:

) T , G , I ( Y Y
0 0 0
=

An cuando seamos incapaces de determinar explcitamente la forma que adopta
la funcin. Adems, en algn entorno del valor de equilibrio Y , se verificar la
siguiente identidad:

). equilibrio de (Identidad G I ) T , Y C( Y
0 0 0
+ +

Debido a que Y depende directamente de
0
T , los dos argumentos de C no son
independientes, entre s, por lo tanto no podramos calcular por ejemplo
0
T
Y
c
c
,
por lo que necesitaremos de la derivacin total para calcular las derivadas
esttico comparativas de funciones cuyos argumentos no sean todos
independientes entre s.

Ejemplo:

Calcular
0
T
Y
c
c
.

0 G I ) T , Y ( C Y ) G , I , T , Y F( F 0 G I ) T , Y ( C Y
0 0 0 0 0 0 0 0 0
= = = =

) T , G , I ( Y Y
0 0 0
=

Variables independientes: { }. T , G , I
0 0 0

F
0
T
Y
0
I
0
G
0
I

0
G

0
T

43
Diferencial total: 0 dG
G
F
dI
I
F
dT
T
F
Y d
Y
F
F d
0
0
0
0
0
0
=
c
c
+
c
c
+
c
c
+
c
c
=

Derivada total parcial:

0
dT
dG
G
F
dT
dI
I
F
dT
dT
T
F
dT
Y d
Y
F
T
F
0
0
0
0
0
0
0
0
1
0
0
0 0 0
=
c
c
+
c
c
+
c
c
+
c
c
=
o
o

0
T
F
dT
Y d
Y
F
T
F
0 0 0
=
c
c
+
c
c
=
o
o

Y
C
1
T
C
Y
C
1
T
C
Y
F
T
F
T
Y
0 0 0
0
c
c
c
c
=
c
c
c
c
=
c
c
c
c
=
c
c

III.3 Funciones implcitas

Una funcin dada en la forma: ( ), x f y = digamos, ( ) ( ) 1 : 5 x 4 x f y
5
+ = = se
denomina una funcin explcita, porque la variable y est explcitamente
expresada como una funcin de x. Sin embargo, si esta funcin se escribe
alternativamente en la forma equivalente: ( ) ( ) 2 : 0 x f y 5 x 4 y
5
= = ya no
tenemos una funcin explcita. Entonces la funcin (1) queda definida
implcitamente por la ecuacin (2). Por tanto, cuando (slo) damos una ecuacin
de la forma (2), la funcin ( ) x f y = implicada, y cuya forma explcita no
siempre conoceremos, se dice que es una funcin implcita. Una ecuacin de la
forma (2) puede denotarse en general por ( ) 0 y , x F = ya que su primer miembro
est formado por las dos variables y y x: ( ) ( ) . 0 x f y y , x F = =

Tambin podemos encontrar una ecuacin ( ) 0 x ,..., x , x , y F
m 2 1
= la cual puede
definir una funcin implcita ( )
m 2 1
x ,..., x , x f y = . La palabra ambigua puede de
la frase anterior se ha usado deliberadamente, porque, mientras que una funcin
explcita, por ejemplo, ( )
m 2 1
x ,..., x , x f y = siempre puede transformarse en una
ecuacin ( ) 0 x ,..., x , x , y F
m 2 1
= simplemente trasladando la expresin
( )
m 2 1
x ,..., x , x f a la izquierda del signo igual, la transformacin recproca no
siempre es posible.

Ejemplo:

( ) 0 9 y x y , x F
2 2
= + =
44

No implica una funcin, sino una relacin debido a que a cada valor de x no le
corresponde un nico valor de y.

2 2 2 2 2 2
x 9 y y x 9 y x 9 y = = = =

2
x 9 y =

De esta ltima expresin podemos observar que para un valor de x le
corresponden dos valores de y es una relacin y no una funcin.

Podemos decir lo siguiente acerca de una ecuacin de la forma
( ) 0 x ,..., x , x , y F
m 2 1
= :

1. No siempre a partir de ella podremos despejar ( )
m 2 1
x ,..., x , x f y = aunque
( )
m 2 1
x ,..., x , x f sea una funcin y est implcitamente definida por
( ) 0 x ,..., x , x , y F
m 2 1
= .

Ejemplos:

( ) ( ) 1 0 3 xy y x y , x F
5 3
= + =

( ) ( ) 2 0 5 y ln 3 yx x y , x F
2 2
= + =

( ) ( ) 3 0 x cos e xy y , x F
y
= + =

2. En caso de que podamos obtener a partir de ella ( )
m 2 1
x ,..., x , x f y = , esta
ltima puede no ser una funcin sino una relacin.

Ejemplos:

( ) ( ) ( ) 1 x f x 9 y 0 9 x y y , x F
2 2
= = = + =

( ) ( ) ( ) 2 x f x 5 y 0 5 y x y , x F
2 2 2
= = = + =

En el ecuacin (1) tenemos una funcin y en la ecuacin (2) una relacin.

A nosotros nos va a interesar que la ecuacin ( ) 0 x ,..., x , x , y F
m 2 1
= , nos defina
implcitamente una funcin, independientemente del hecho de que se pueda o
no a partir de ella obtener ( )
m 2 1
x ,..., x , x f y = .
45

En vista de que no toda ecuacin ( ) 0 x ,..., x , x , y F
m 2 1
= puede definir siempre
una funcin implcita ( )
m 2 1
x ,..., x , x f y = , entonces vamos a estudiar bajo que
condiciones generales podemos asegurar que una ecuacin dada en la forma
( ) 0 x ,..., x , x , y F
m 2 1
= , define realmente una funcin implcita
( ). x ,..., x , x f y
m 2 1
=

1. Teorema de la funcin implcita

Dada:

( ) ( ) I 0 x ,..., x , x , y F
m 2 1
=

Si:

1.- Todas las derivadas parciales
xm 2 x 1 x y
F ,.., F , F , F son continuas.
2.- En un punto ( )
0 m 20 10 0
x ,..., x , x , y que pertenece a (I), es decir tal que
( ) 0 x ,..., x , x , y F
0 m 20 10 0
= , se tiene que:

( )
( ) 0 x ,..., x , x , y F 0
y
x ,..., x , x , y F
0 m 20 10 0 y
0 m 20 10 0
= =
c
c

Entonces:
a.- Existe un entorno m-dimensional de ( ), x ,..., x , x
0 m 20 10
E, en el que y est
definida como funcin implcita de las variables
m 2 1
x ,..., x , x donde:
( ). x ,..., x , x f y
0 m 20 10 0
= Adems, para cualquier ( ) E x ,..., x , x
m 2 1
e se
verifica que: ( ) ( ) . 0 x ,..., x , x , x ,..., x , x f F
m 2 1 m 2 1

b.- Se puede asegurar que la funcin implcita ( )
m 2 1
x ,... x , x f y = es continua y
que todas sus derivadas parciales
xm 2 x 1 x
f ,.., f , f son continuas en
( ). x ,..., x , x
0 m 20 10
.

Ejemplo:

( ) 0 9 y x y , x F
2 2
= + =

( )
=
c
c
=
=
c
c
=
. continua polinomial funcin x 2
x
F
F
. continua polinomial funcin y 2
y
F
F
1
x
y

( ) = = = 0 y de valor cualquier para 0 y 0 F 2
y

( ) ( ). 0 , 3 y 0 , 3 en excepto , 0 F
y
=
46

De este modo, exceptuando ( ) ( ) 0 , 3 y 0 , 3 , alrededor de cualquier otro punto
del crculo, podemos construir un entorno en el cual ( ) 0 y , x F = defina una
funcin implcita ( ) x f y = .

Esto lo podemos verificar en la figura 5, donde se ha trazado la grfica de
( ) 0 y , x F = :

Figura 5

Podemos tomar un entorno (por ejemplo: un rectngulo) alrededor de
cualquier punto del crculo excepto en ( ) ( ) 0 , 3 y 0 , 3 tal que la porcin del
crculo encerrada en el rectngulo constituye el grfico de una funcin de
modo que a un nico valor de y le corresponde a cada valor de x en
dicho rectngulo.

El teorema de la funcin implcita tiene tres limitaciones:

1.- An cuando est asegurada la existencia de una funcin implcita f, el
teorema no da ningn indicio sobre que forma especfica toma la funcin
f.
2.- No dice la medida exacta del entorno en el que est definida la funcin
implcita.
3.- El hecho de que 0 F
y
= en un punto que pertenezca a F no es una
condicin necesaria para negar la existencia de una funcin implcita f.

Sin embargo a pesar de las limitaciones anteriormente citadas, este teorema
es de gran importancia porque siempre que se cumplan las condiciones del
teorema, tendr sentido hablar y hacer uso de una funcin tal como
( )
m 2 1
x ,..., x , x f y = , an cuando nuestro modelo contenga una ecuacin
( ) 0 x ,..., x , x , y F
m 2 1
= que sea difcil de resolver explcitamente para y en
trminos de
m 2 1
x ,..., x , x . Adems, puesto que el teorema tambin garantiza
la existencia de las derivadas parciales
xm 2 x 1 x
f ,..., f , f , tambin ser importante
el estudio de estas derivadas de la funcin implcita.
47

2. Derivadas de funciones implcitas

Si una ecuacin ( ) 0 x ,..., x , x , y F
m 2 1
= no se puede resolver explcitamente para
y, en este caso, si bajo las condiciones del teorema de la funcin implcita
sabemos que existe una funcin implcita, podemos obtener las derivadas
buscadas sin tener que resolver primero para y. Para esto, utilizaremos la
denominada regla de la funcin implcita.

Esta regla depende de los siguientes datos:

1. Si dos expresiones son idnticamente iguales, sus respectivos
diferenciales totales tienen que ser iguales.

Ejemplo:

( )( ) y x y x y x
2 2
+

( ) ydy 2 xdx 2 y x d
2 2
=

( )( ) | | ( ) | |( ) ( ) ( ) | | y x d y x y x y x d y x y x d + + + = +

( )( ) | | ( )( ) ( )( ) dy dx y x y x dy dx y x y x d + + + = +

( )( ) | | ydy 2 xdx 2 y x y x d = +

2. La diferenciacin de una expresin que incluye ( )
m 2 1
x ,..., x , x , y dar
lugar a otra que incurra los diferenciales
m 2 1
dx ,..., dx , dx , dy .

3. Si dividimos dy por
1
dx y hacemos todos los otros diferenciales
m 3 2
dx ,..., dx , dx iguales a cero, el cociente puede interpretarse como la
derivada parcial
1
x
y
c
c
, pueden obtenerse derivadas similares si
dividimos dy por
2
dx , etc. Aplicando esto a la ecuacin
( )
m 2 1
x ,..., x , x , y F , entonces podemos escribir ( ) 0 0 d dF = = .

0 dx F dx F dx F dy F
m x 2 x 1 x y
m 2 1
= + + + +

Supongamos que slo a y y a
1
x les est permitido variar (slo
dy y
1
dx no son iguales a cero). Entonces la ecuacin anterior se
reduce a:

y
x
y
x
. ctes x ,..., x , x
1
x y
F
F
x
y
F
F
dx
dy
0 dx F dy F
1
1
1
m 3 2
1 1
=
c
c
= = =
=

48

De forma similar, podemos deducir todas las otras derivadas parciales de
la funcin implcita f. Esto puede resumirse de la siguiente manera:

Dada ( ) 0 x ,..., x , x , y F
m 2 1
= , si existe una funcin implcita
( )
m 2 1
x ,..., x , x f y = , entonces las derivadas parciales de f son:

( ) m ,..., 2 , 1 i
F
F
x
y
y
x
i
i
= =
c
c

Lo que esta regla dice es que, incluso si no conocemos la forma
especfica de la funcin implcita, siempre podremos hallar sus derivadas
tomando el valor negativo del cociente de un par de derivadas parciales
de la funcin F que aparezcan en la ecuacin dada que define la
funcin implcita.

Podemos observar que
y
F siempre aparece en el denominador del
cociente, por tanto, en este caso no es admisible 0 F
y
= . Puesto que el
teorema de la funcin implcita especfica que 0 F
y
= en el entorno del
punto en el que est definida la funcin implcita, el problema de un cero
en el denominador queda automticamente resuelto.

Ejemplo:

1. Hallar
X
y
c
c
para cualquier funcin implcita que pueda definirse por la
ecuacin 0 3 yxw w x y ) w , x , y ( F
3 2 3
= + + = (*)

Est ecuacin no se puede resolver fcilmente para y.

+ = xw x y 3 F
2 2
y
funcin polinomial continua.

+ = yw x y 2 F
3
x

+ = xy w 3 F
2
w

Debido a que
w x y
F y F , F son continuas, y puesto que 0 F
y
= en un
punto tal como el ( ) 1 , 1 , 1 que satisface (*), est asegurada la existencia de
una funcin implcita ( ) w , x f y = al menos alrededor de ese punto. Por
tanto tiene sentido hablar de
x
y
c
c
.

xw x y 3
yw x y 2
F
F
x
y
2 2
3
y
x
+
+
= =
c
c
( )
4
3
x
1 , 1 , 1 y
=
c
c

49

3. Extensin al caso de ecuaciones simultneas

El teorema de la funcin implcita tambin viene en una versin ms general
y potente que trata de las condiciones bajo las cuales un conjunto de
ecuaciones simultneas:

( )
( )
( )
( ) I
0 x ,..., x ; y ,..., y F
0 x ,..., x ; y ,..., y F
0 x ,..., x ; y ,..., y F
m 1 n 1
n
m 1 n 1
2
m 1 n 1
1
=
=
=
.

Definirn ciertamente un conjunto de funciones implcitas:

( )
( )
( )
( ) II
x ,..., x f y
x ,..., x f y
x ,..., x f y
m 1 n n
m 1 2 2
m 1 1 1
=
=
=
.

Por decirlo de otra forma, estas condiciones sirven para asegurarnos que las
n ecuaciones de (I) pueden en principio resolverse para las n variables
( )
n 2 1
y ,..., y , y incluso aunque no seamos capaces de obtener la solucin (II)
en forma explcita.

La versin generalizada del teorema dice:

Dado el sistema de ecuaciones (I), si:

a. Las funciones
n 3 2 1
F ,..., F , F , F tienen todas las derivadas parciales
continuas con respecto a todas las variables y y x, y si

b. En el punto ( )
0 m 10 0 n 10
x ,..., x ; y ,..., y que satisface (I), el siguiente
determinante jacobiano es no nulo.

0
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
) y ,..., y , y (
) F ,..., F , F (
J
n
n
2
n
1
n
n
2
2
2 2
n
1
2
1
1
1
n 2 1
n 2 1
=
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
=
c
c
=

50
Entonces:

a. Podemos afirmar que existe un entorno m-dimensional ( ), x ,..., x , x
m 20 10
E,
en el cual las variables
n 2 1
y ,..., y , y son funciones de las variables
m 2 1
x ,..., x , x en la forma de (II) donde:
( ) ( ). n , , 2 , 1 i x ,..., x , x f y
0 m 20 10 i 0 i
. = = Adems, para cualquier
( ) E x ,..., x , x
m 2 1
e se verifica que:
( ) ( ) ( ). n , , 2 , 1 i 0 x ,..., x , x , x ,..., x , x f F
m 2 1 m 2 1 i
i
. =

b. Se puede asegurar que las funciones implcitas
n 2 1
f ,... f , f son continuas y
tienen derivadas parciales continuas con respecto a todas las variables x.

Como en el caso de una nica ecuacin, es posible hallar las derivadas
parciales de las funciones implcitas directamente a partir de las n
ecuaciones (I), sin tener que resolverlas para las variables y.

Vamos a calcular la diferencial total de cada una de las ecuaciones (I) y
escribir ( ). n ,..., 2 , 1 i 0 dF
i
= =

0 dx
x
F
dx
x
F
dx
x
F
dy
y
F
... dy
y
F
dy
y
F
dF
m
m
1
2
2
1
1
1
1
n
n
1
2
2
1
1
1
1
1
=
c
c
+ +
c
c
+
c
c
+
+
c
c
+ +
c
c
+
c
c
=

.
.
0 dx
x
F
dx
x
F
dx
x
F
dy
y
F
dy
y
F
dy
y
F
dF
m
m
2
2
2
2
1
1
2
n
n
2
2
2
2
1
1
2
2
=
c
c
+ +
c
c
+
c
c
+
+
c
c
+ +
c
c
+
c
c
=

0 dx
x
F
dx
x
F
dx
x
F
dy
y
F
dy
y
F
dy
y
F
dF
m
m
n
2
2
n
1
1
n
n
n
n
2
2
n
1
1
n
n
=
c
c
+ +
c
c
+
c
c
+
+
c
c
+ +
c
c
+
c
c
=

Pasando los trminos " d "
i
x
a la derecha de los signos de igualdad:
51
( )
|
|
.
|
c
c
+ +
c
c
+
\
|
c
c
=
c
c
+ +
c
c
+
c
c
|
|
.
|
c
c
+ +
c
c
+
\
|
c
c
=
c
c
+ +
c
c
+
c
c
|
|
.
|
c
c
+ +
c
c
\
|
+
c
c
=
c
c
+ +
c
c
+
c
c
m
m
n
2
2
n
1
1
n
n
n
n
2
2
n
1
1
n
m
m
2
2
2
2
1
1
2
n
n
2
2
2
2
1
1
2
m
m
1
2
2
1
1
1
1
n
n
1
2
2
1
1
1
1
dx
x
F
dx
x
F
dx
x
F
dy
y
F
dy
y
F
dy
y
F
dx
x
F
dx
x
F
x d
x
F
dy
y
F
dy
y
F
dy
y
F
dx
x
F
dx
x
F
dx
x
F
dy
y
F
... dy
y
F
dy
y
F
* *
.
.

Puesto que todas las derivadas parciales que aparecen en (**) tomarn
valores concretos (constantes) cuando las evaluemos en el punto
( )
0 m 10 0 n 10
x ,..., x ; y ,..., y [punto alrededor del cual estn definidas las
funciones implcitas] tenemos aqu un sistema de n ecuaciones lineales, en
el cual los diferenciales " d "
yi
(considerados como endgenos) estn
expresadas en trminos de los diferenciales " d "
xi
(considerados como
exgenos).

Ahora, suponiendo que slo se permite variar a
1
x y
ctes x , , x , x
n 3 2
= , entonces 0 d d d
m 3 2
x x x
= = = = ; si adems
dividimos cada uno de los trminos restantes por " d "
1 x
entonces surgirn las
expresiones
1
n
1
1
dx
dy
, ,
dx
dy
. . Estas sin embargo, deben interpretarse como
derivadas parciales de (II) porque todas las variables x han permanecido
constantes excepto x
1
. As, siguiendo los pasos descritos, llegaremos a las
derivadas parciales buscadas de las funciones implcitas.
52
|
|
.
|
\
|
c
c
=
|
|
.
|
\
|
c
c
+ +
|
|
.
|
\
|
c
c
+
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
=
|
|
.
|
\
|
c
c
+ +
|
|
.
|
\
|
c
c
+
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
=
|
|
.
|
\
|
c
c
+ +
|
|
.
|
\
|
c
c
+
|
|
.
|
\
|
c
c
1
n
1
n
n
n
1
2
2
n
1
1
1
n
1
2
1
n
n
2
1
2
2
2
1
1
1
2
1
1
1
n
n
1
1
2
2
1
1
1
1
1
x
F
dx
dy
y
F
dx
dy
y
F
dx
dy
y
F
x
F
dx
dy
y
F
dx
dy
y
F
dx
dy
y
F
x
F
dx
dy
y
F
dx
dy
y
F
dx
dy
y
F
.
.

En este sistema las derivadas que estamos buscando aparecen entre
parntesis:

c
c
=
|
|
.
|
\
|
c
c
c
c
+ +
|
|
.
|
\
|
c
c
c
c
+
|
|
.
|
\
|
c
c
c
c
c
c
=
|
|
.
|
\
|
c
c
c
c
+ +
|
|
.
|
\
|
c
c
c
c
+
|
|
.
|
\
|
c
c
c
c
c
c
=
|
|
.
|
\
|
c
c
c
c
+ +
|
|
.
|
\
|
c
c
c
c
+
|
|
.
|
\
|
c
c
c
c
1
n
1
n
n
n
1
2
2
n
1
1
1
n
1
2
1
n
n
2
1
2
2
2
1
1
1
2
1
1
1
n
n
1
1
2
2
1
1
1
1
1
x
F
x
y
y
F
x
y
y
F
x
y
y
F
x
F
x
y
y
F
x
y
y
F
x
y
y
F
x
F
x
y
y
F
...
x
y
y
F
x
y
y
F

Notacin matricial:

| |
| |
| |
_
.
.
_
.
.
_
.
.
d
1
n
1
2
1
1
D
1
n
1
2
1
1
J
n
n
2
n
1
n
n
2
2
2
1
2
n
1
2
1
1
1
x
F
x
F
x
F
x
y
x
y
x
y
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
=
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c

53
Sabemos que | | 0 J = bajo las condiciones del teorema de la funcin
implcita, y ya que el sistema tiene que ser no homogneo (porque de no ser
as se estara derivando respecto a una variable exgena que no perteneciese
al modelo), tendr solucin nica.

Podemos generalizar el sistema de ecuaciones anterior para obtener las
derivadas parciales de las funciones implcitas con respecto a todas las
variables
m 3 2 1
x ,... x , x , x .

( ) m ,..., 3 , 2 , 1 i
x
F
x
F
x
F
x
y
x
y
x
y
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
y
F
i
n
i
2
i
1
i
n
i
2
i
1
n
n
2
n
1
n
n
2
2
2
1
2
n
1
2
1
1
1
=
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
=
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
.
.
.
.
.
.

Para encontrar el vector columna [D] que contienen todas las derivadas
parciales de las funciones implcitas con respecto a todas las variables
m 3 2 1
x ,... x , x , x podemos utilizar el mtodo de la matriz inversa o el de
Cramer.

| | | | | | d * J D
1
= (matriz inversa)
54
Aplicaciones:

Modelo de renta nacional que toma en cuenta los impuestos totales

( )
0 Y T
0 ) T Y ( C
0 G I C Y

Y T
) T Y ( C
G I C Y
1
1 0
1 0
0 0
1 0
1 0
0 0
=
= o o
=
+ =
o + o =
+ + =

( )
( )
( )
=
=
=
=
+ + + + + +
=
+ + +
0 , , , , G , I ; T , C , Y F
0 , , , , G , I ; T , C , Y F
0 , , , , G , I ; T , C , Y F
x x x x x x y y y
1 0 1 0 0 0
3
1 0 1 0 0 0
2
1 0 1 0 0 0
1
6 m
6 5 4 3 2 1
3 n
3 2 1

1 1 1
1
1 1
3 3 3
2 2 2
1 1 1
1
1 0
1
0 1 1
T
F
C
F
Y
F
T
F
C
F
Y
F
T
F
C
F
Y
F
J o + o =
o

=
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
=

0 ) 1 ( 1 J
1 1
> + =

Puesto que J es no nulo y
3 2 1
F y F , F tienen derivadas parciales continuas
(todas son constantes). Podemos tomar T y C , Y como funciones implcitas
de ( )
1 0 1 0 0 0
, , , , G , I alrededor de cualquier punto que cumpla con (1).
Pero un punto que cumpla (1) sera una solucin de equilibrio, conduciendo a
T y C , Y . Por lo que de acuerdo al teorema de la funcin implcita est
justificado escribir:

( )
1 0 1 0 0 0 1
, , , , G , I f Y =

( )
1 0 1 0 0 0 2
, , , , G , I f C =

( )
1 0 1 0 0 0 3
, , , , G , I f T =
55

Las derivadas parciales de las funciones implcitas, tales como
o
I
Y
c
c
y
o
G
Y
c
c
, tienen la naturaleza de derivadas esttico comparativas. Para
hallarlas, necesitamos slo las derivadas parciales de las funciones F,
evaluadas en el estado de equilibrio del modelo.

Supongamos ahora que todas las variables exgenas y los parmetros
permanecen fijos excepto G
0
.

| |
(
(
(
(
(
(
c
c
c
c
c
c
=
(
(
(
=
(
(
(
(
(
(
c
c
c
c
c
c
(
(
(
0
3
0
2
0
1
0
0
0
J
1
1 1
G
F
G
F
G
F
0
0
1
G
T
G
C
G
Y
1 0
1
0 1 1
_

) 1 ( 1
1
) 1 ( 1
1 0 0
1 0
0 1 1
G
Y
1 1 1 1
1
0
+
=
+
=
c
c
: Multiplicador del gasto pblico.

El resultado es el mismo que se obtuvo antes, pero ahora no hemos resuelto
explcitamente el sistema para T y C , Y . Es esta caracterstica particular del
mtodo la que nos permite abordar la esttica comparativa de los modelos
con funciones generales, los cuales, por su propia naturaleza, pueden no
tener solucin explcita.

56

III.4 Esttica comparativa de modelos de ecuaciones simultneas
Cuando un modelo contiene funciones expresadas en forma general, las
tcnicas de diferenciacin parcial simple resultan inaplicables por la no
disponibilidad de soluciones explcitas, en su lugar emplearemos conceptos
tales como las diferenciales totales, derivadas totales as como el teorema y la
regla de la funcin implcita extendido al caso de ecuaciones simultneas.

1. Modelo de mercado
Consideremos un mercado de un nico bien, donde la cantidad demandada
d
Q es una funcin no slo del precio p sino tambin de una renta
determinada exgenamente
0
Y . En cambio la cantidad ofertada
s
Q es
nicamente una funcin del precio.

Si esas funciones no estn dadas en forma especfica, nuestro modelo puede
escribirse en general como:

( )
> =
>
c
c
<
c
c
=
=
) 0
dP
dS
( ) P ( S Q
) 0
Y
D
; 0
P
D
( ) Y , P ( D Q
Q Q
I
s
0
0 d
s d

Suponemos que tanto D como S son funciones que poseen derivadas
continuas, o en otras palabras, tienen grficas suaves. Adems, en orden a
asegurar su importancia econmica, hemos impuesto restricciones definidas
sobre los signos de estas derivadas.

0
dP
dS
> La funcin de oferta ser creciente con el precio.

0
P
D
<
c
c
La funcin de demanda ser decreciente con el precio.

>
c
c
0
Y
D
0
La funcin de demanda ser creciente con la renta.

Al dibujar la usual funcin de demanda bidimensional suponemos que el nivel
de renta es constante, pero cuando cambie la renta, se ajustar el equilibrio
dado provocando una desviacin de la funcin de demanda. Del mismo modo,
en (I),
0
Y puede causar un desequilibrio a travs de la funcin de demanda.
57

Aqu
0
Y es la nica variable exgena; as el anlisis esttico comparativo
de este modelo se centrar exclusivamente en cmo afectar un cambio en
0
Y a la posicin de equilibrio del modelo.

La posicin de equilibrio del mercado est definida por la condicin de
equilibrio
s d
Q Q = , la cual, sustituyendo y agrupando, puede expresarse por:

( ) ( ) ( ) ( ) 0 Y , P F P S Y , P D II
0 0
= =

Aunque esta ecuacin no tiene solucin explcita para el precio de equilibrio
P , supondremos que existe un equilibrio esttico ya que de otro modo no
habra un punto en que plantear la cuestin de la esttica comparativa.

Si ( ) 0 Y , P F
0
= satisface las condiciones del teorema de la funcin implcita,
entonces se garantizar que cada valor de
0
Y produzca un nico valor de P
para un entorno que cumpla (II), esto es, en el entorno de una inicial solucin
de equilibrio. En este caso, podemos escribir la funcin implcita ) Y ( P P
0
= y
estudiar la derivada esttico comparativa
0
dY
P d
que sabemos que existe.

1.1. Comprobacin del teorema:

1. Por hiptesis hemos asumido que ( )
0
Y , P D y ( ) P S tienen derivadas
continuas, por tanto ( ) ( ) ( ) 0 P S Y , P D Y , P F
0 0
= = poseer derivadas
continuas.

2.
dP
dS
P
D
F
P
c
c
= , es negativa y por tanto no nula.

. definidas estn
) ' A ( 0 ) P ( S ) Y , P ( D F
) A ( ) Y ( P P
: tanto Por
0
0
= =
=

Para calcular
0
dY
P d
podemos aplicar la regla de la funcin implcita para la
obtencin de la derivada esttico comparativa.

0
P d
dS
P
D
Y
D
P
F
Y
F
F
F
dY
P d
) (
) (
0 0
P
Y
0
0
>
c
c
c
c
=
c
c
c
c
= =
+
_

58

Un incremento en el nivel de la renta producir un incremento en el precio de
equilibrio.

Puesto que en el estado de equilibrio tenemos ) P ( S Q = , y puesto que
), Y ( P P
0
= podemos aplicar la regla de la cadena para obtener la derivada:

( )
( )
0
dY
P d
P d
dS
dY
Q d
0 0
>
|
|
|
.
|
\
|
=
+
+
_

2. Aproximacin a las ecuaciones simultneas
El anlisis del modelo anterior (I), se realiz sobre la base de una nica
ecuacin (II). Debido a que en una ecuacin slo puede incorporarse
provechosamente una variable endgena, la inclusin de P significa la
exclusin de Q simultneamente. Como son dos variables endgenas, habr
que construir un sistema con dos ecuaciones.

Hacemos:
s d
Q Q Q = =

0 Q ) Y , P ( D ) Y ; Q , P ( F
0 0
1
= =

0 Q ) P ( S ) Y ; Q , P ( F
0
2
= =

Donde:

2 n = (nmero de ecuaciones).

1 m = (nmero de variables exgenas).

2.1. Comprobacin del teorema de la funcin implcita:

1. Puesto que ( )
0
Y , P D y ( ) P S , tienen derivadas continuas (por hiptesis),
entonces
1
F

y
2
F tambin tendrn derivadas continuas.

2. Podemos comprobar que el jacobiano de las variables endgenas ( ) Q , P es
distinto de cero, independientemente de donde se evale.

0
P
D
dP
dS
1
dP
dS
1
P
D
Q
F
P
F
Q
F
P
F
J
) ( ) (
2 2
1 1
>
|
|
|
|
.
|
\
|
c
c
=
c
c
=
c
c
c
c
c
c
c
c
=
+

59

Entonces si estn definidas:

) B (
) Y ( Q Q
) Y ( P P
0
0
=
=
y ) ' B (
0 Q ) P ( S F
0 Q ) Y , P ( D F
2
0
1
= =
= =

Aunque no podamos resolverlas explcitamente para Q y P . Adems poseern
derivadas continuas.

| |
(
(
(
(
(
(
(
c
c
=
(
(
(
(
(
(
(
c
c
c
c
=
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
0
Y
D
Y
F
Y
F
dY
Q d
dY
P d
1
P d
dS
1
P
D
0
0
2
0
1
0
0
J
_

0
P
D
P d
dS
Y
D

P
D
P d
dS
1 0
1
Y
D

dY
P d
0
0
0
>
c
c
c
c
=
c
c
c
c
=

0
P
D
P d
dS
Y
D
P d
dS

P
D
P d
dS
0
P d
dS
Y
D
P
D

dY
Q d
0
0
0
>
c
c
c
c
=
c
c
c
c
c
c
=

Todas las derivadas de las funciones de demanda y oferta incluidas las que
aparecen en el jacobiano estn evaluadas en el equilibrio inicial.

3. Uso de derivadas totales
Tanto el enfoque de la ecuacin nica como el de las ecuaciones simultneas
visto anteriormente tienen un rasgo en comn: tomamos las diferenciales
totales de ambos miembros de una ecuacin de equilibrio y luego igualamos
los dos resultados. Sin embargo, en vez de tomar las diferenciales totales, es
posible tomar, e igualar, las derivadas totales de los dos miembros de la
ecuacin de equilibrio con respecto a una variable exgena o parmetro
particular.

60

En la aproximacin de la ecuacin nica, la ecuacin de equilibrio es:

) ' A ( de 0 ) P ( S ) Y , P ( D F
0
= =

Donde ) A ( de ) Y ( P P
0
=

Tomando la derivada total de la ecuacin de equilibrio con respecto a
|
|
.
|
\
|
0
0
dY
F d
: Y .

Variable independiente:
0
Y

Diferencial total:

0 P d
P
F
dY
Y
F
F d
0
0
=
c
c
+
c
c
=

La derivada total de F respecto a Y
0
es:

0
dY
P d
P
F
Y
F
dY
F d
0 0 0
=
c
c
+
c
c
=

0
dY
P d
P
S
P
D
Y
D
dY
F d
0 0 0
=
|
|
.
|
\
|
c
c
c
c
+
c
c
=

Despejando
0
dY
P d
tenemos:

P
S
P
D
Y
D
dY
P d
0
0
c
c
c
c
c
c
=

P

0
Y

F

61
En cambio, en la aproximacin de las ecuaciones simultneas, hay un par de
ecuaciones de equilibrio:

( )
( )
( )
'
0
2 2
0 0
1 1
B de
0 Q ) P ( S Y ; Q , P F F
0 Q ) Y , P ( D Y ; Q , P F F
= = =
= = =

Donde ) Y ( Q Q y ) Y ( P P
0 0
= = de (B).

Variable independiente: } { . Y
0

Diferencial total:

0 Q d
Q
F
dY
Y
F
P d
P
F
F d
1
0
0
1 1
1
=
c
c
+
c
c
+
c
c
=

La derivada total es:

0
dY
Q d
Q
F
dY
dY
Y
F
dY
P d
P
F
dY
F d
0
1
0
0
0
1
0
1
0
1
=
c
c
+
c
c
+
c
c
=

0
dY
Q d
) 1 (
Y
D
dY
P d
P
D
dY
F d
0 0 0 0
1
= +
c
c
+
c
c
=

0
dY
Q d
Y
D
dY
P d
P
D
0 0 0
=
c
c
+
c
c

Operando:

) 1 (
Y
D
dY
Q d
dY
P d
P
D
0 0 0
c
c
=
c
c

Por otro lado:

P

0
Y

Q
2
F 0
Y
P

0
Y

Q
1
F 0
Y
62
Variable independiente: } { . Y
0

Diferencial total:

0 Q d
Q
F
dY
Y
F
P d
P
F
F d
2
0
0
2 2
2
=
c
c
+
c
c
+
c
c
=

Derivada total:

0
dY
Q d
Q
F
Y
F
dY
P d
P
F
dY
F d
0
2
0
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
=

0
dY
Q d
) 1 (
dY
P d
P
S
dY
F d
0 0 0
2
= +
c
c
=

) 2 ( 0
dY
Q d
dY
P d
P
S
0 0
=
c
c

De ( ) ( ) : 2 y 1

(
(
(
(
(
(
(
c
c
=
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
0
Y
D
dY
Q d
dY
P d
1
P
S
1
P
D
0
0
0

Resolviendo, los resultados son idnticos a los obtenidos por los mtodos
anteriores.

4. Modelo de renta nacional
Esta vez haremos abstraccin de los gastos pblicos y de los impuestos y, en
su lugar, aadiremos en el modelo las relaciones comerciales con el
extranjero. Adems, incluiremos el mercado monetario junto con el mercado
de bienes.

4.1. El mercado de bienes: se caracteriza por las siguientes funciones:

1. La inversin I es una funcin decreciente de la tasa de inters i.
( ) i I I = ( ) 0 I
'
< .
63
2. El ahorro S es una funcin creciente de la renta nacional Y; as
como, de la tasa de inters i, siendo la propensin marginal al ahorro
S
Y
una fraccin positiva.

( ) ( ) 0 S ; 1 S 0 i , Y S S
i Y
> < < =

3. Las importaciones M son una funcin de la renta nacional, siendo la
propensin marginal a importar M otra fraccin positiva.

( ) ( ) 1 M 0 Y M M
'
< < =

4. El nivel de exportaciones X se determina exgenamente.

0
X X =

4.2. Mercado de dinero:

se caracteriza por las siguientes funciones:

1. La cantidad de demanda de dinero " M "
d
es una funcin creciente de la
renta nacional (demanda de transacciones) pero una funcin decreciente
de la tasa de inters (demanda especulativa).

( ) ( ) 0 L ; 0 L i , Y L M
i Y d
< > =

El smbolo L se emplea aqu porque la funcin de demanda de dinero
suele denominarse funcin de liquidez.

2. La oferta de dinero se determina exgenamente como una cuestin de
poltica monetaria.

0 s s
M M =

Observaciones:

1. I, S, M y X representan conceptos de flujo ya que todos estn
medidos por perodo de tiempo, como ocurre con Y.

2.
d
M y
s
M son conceptos stocks e indican las cantidades existentes
en algn punto especfico del tiempo.

Hiptesis:

1. Supondremos que todas las funciones, independientemente de si son
existencias o flujos, tienen derivadas continuas.
64
2. La consecucin del equilibrio en este modelo requiere la satisfaccin
simultnea de dos condiciones:

a. Condicin de equilibrio del mercado de bienes.

Entradas = Salidas
1

( ) I M S X I + = +

b. Condicin de equilibrio del mercado de dinero.

Demanda Monetaria = Oferta Monetaria

( ) II M M
s d
=

=
+ = +
) II ( M ) i , Y ( L
) I ( ) Y ( M ) i , Y ( S X ) i ( I
) A (
0 s
0

Variables endgenas: Y, i.

Variables exgenas:
) monetarias s autoridade las por da (determina M

) exteriores decisiones en (basadas X
s0
0

De (I) y (II):

= =
= + =
+ + + +
0 M ) i , Y ( L ) M , X ; i , Y ( F
0 ) Y ( M ) i , Y ( S X ) i ( I ) M , X ; i , Y ( F ) B (
0 s 0 s 0
2
0 0 s 0
1
x x y y
2 1 2 1

Debemos comprobar que el sistema de ecuaciones (B) satisfaga el
teorema de la funcin implcita.

4.3. Verificacin del teorema:

1. F
1
y F
2
tienen derivadas continuas puesto que por hiptesis todas las
funciones que las componen tiene derivadas continuas.

2.
( )
( ) ( ) | | 0 S ' I L ' M S L
L L
S I M S
i F Y F
i F Y F
J
i Y Y i
i Y
i
' '
Y
2 2
1 1
> + + =
+
=
c c c c
c c c c
=

El determinante jacobiano de las variables endgenas no se anula ni
cuando se evala en el equilibrio inicial (que suponemos existe) ni en
cualquier otro punto.

1
Ver apndice al final del captulo.
65
Al verificarse las dos condiciones del teorema, podemos afirmar la
existencia de:

=
=
) M , X ( i i
) M X ( Y Y
0 s 0
0 s , 0

Aunque no seamos capaces de resolverlas explcitamente para Y e i .

Tambin se verifica la identidad:

( ) ( )
( ) 0 M i , Y L F
0 Y M i , Y S X ) i ( I F
0 s
2
0
1
= =
= + =

Clculo de las derivadas totales de
1
F y
2
F respecto de las variables
exgenas:

Variables independientes: { }. M , X
0 s 0

Diferencial total:

0 dM
M
F
dX
X
F
i d
i
F
Y d
Y
F
F d
0 s
0 s
1
0
0
1 1 1
1
=
c
c
+
c
c
+
c
c
+
c
c
=

Derivadas totales de carcter parcial:

) c ( 0
dX
dM
M
F
X
F
X
i
i
F
X
Y
Y
F
X
F
0
0
0 s
0 s
1
0
1
0
1
0
1
0
1
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

) d ( 0
M
F
dM
dX
X
F
M
i
i
F
M
Y
Y
F
M
F
0 s
1
0
0 s
0
0
1
0 s
1
0 s
1
0 s
1
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Y
0
X
0
X

0 s
M

0
X

1
F
0 s
M
i
M
s0
66

Por otro lado:

Diferencial total:

0 dM
M
F
dX
X
F
i d
i
F
Y d
Y
F
F d
0 s
0 s
2
0
0
2 2 2
2
=
c
c
+
c
c
+
c
c
+
c
c
=


) e ( 0
X
M

M
F
X
F
X
i
i
F
X
Y
Y
F
X
F
0
0
0 s
0 s
2
0
2
0
2
0
2
0
2
=
c
c
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

) f ( 0
M
F
dM
dX
X
F
M
i
i
F
M
Y
Y
F
M
F
0 s
2
0
0 s
0
0
2
0 s
2
0 s
2
0 s
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (c):

0
X
F
X
i
i
F
X
Y
Y
F
0
1
0
1
0
1
=
c
c
+
|
|
|
.
|
\
|
c
c
(
(
c
c
+
|
|
|
.
|
\
|
c
c
(
(
c
c

| | | | ) g ( 1
X
i
S I
X
Y
M S
0
i
'
0
'
Y
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c
+

Trabajando con (e):

0
2
0
2
0
2
X
F
X
i
i
F
X
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
(
(
c
c
+
|
|
|
.
|
\
|
c
c
(
(
c
c

| | | | ) h ( 0
X
i
L
X
Y
L
0
i
0
Y
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

Y
0
X
0
X

0 s
M

0
X

0 s
M
i
M
s0
2
F
67

Colocando en forma matricial ( ) ( ) : h y g

( ) ( )
(
(
(
=
(
(
(
(
(
(
(
|
|
|
.
|
\
|
c
c
|
|
|
.
|
\
|
c
c
(
(
+
0
1
X
i
X
Y
L L
S I M S
0
0
i Y
i
' '
Y

Resolviendo por Cramer:

0
J
L
J
L 0
) S I ( 1
X
Y
i
i
i
'
0
>
=

=
c
c

( )
0
J
L
J
0 L
1 M S
X
i
Y
Y
'
Y
0
> =
+
=
c
c

Si trabajamos con (d) y (f) podremos obtener .
M
i
y
M
Y
0 s 0 s
c
c
c
c

Podemos observar que
0
X
Y
c
c
tiene la naturaleza de un multiplicador de la
exportacin. Puesto que el incremento de la exportacin inducida en la renta
de equilibrio causar por medio de la funcin de importacin ( ) Y M M = , una
subida de las importaciones, podremos aplicar la regla de la cadena para
hallar las derivadas esttico-comparativas auxiliares:

0
J
L M
X
Y
Y d
M d
X
M
i
'
0 0
>
=
c
c
=
c
c

0
J
L I
X
i
i d
I d
X
I
Y
'
0 0
< =
c
c
=
c
c

0
J
L S
X
i
i
S
X
S
Y i
0 0
> =
c
c
c
c
=
c
c

68
5. Modelo IS - LM
En el apartado anterior hemos visto el modelo de renta nacional y hemos
analizado el mercado de bienes y el mercado de dinero que son piezas del
Modelo IS - LM.

( ) ( ) ( ) ( ) { }
0 0 0 0
G r , Y I I r , Y T T Y C C Y / r , Y IS + + + + = =

( ) ( ) { }
0 0
M r , Y L L / r , Y LM = + =

IS: representa el equilibrio en el mercado de bienes.
LM: representa el equilibrio en el mercado de dinero.

Siendo:

Y : Ingreso nacional.
0
C Consumo autnomo.

( ) r , Y C C
d
= : Funcin de consumo.

( ) Y T T Y Y
0 d
= : Ingreso disponible.

0
T : Impuesto exgeno.

( ) Y T T = : Funcin de impuestos.
r : Tasa de inters.
0
I : Inversin autnoma.

( ) r , Y I I = : Funcin de inversin.
0
G : Gasto del gobierno.

0
L : Demanda exgena de dinero.

( ) r , Y L L = : Funcin de demanda monetaria.
0
M : Oferta monetaria (conocida).

5.1. Hiptesis:

1. Supondremos que las funciones tienen derivadas parciales continuas.
Donde: . 0 L ; 0 L ; 1 I C ; 0 I ; 0 I ; 0 C ; 0 T ; 1 C 0
r Y Y Y r Y r Y Y
d d
< > < + < > < > < <

2. A pesar de que la pendiente de la curva IS es negativa y la pendiente de la
curva LM es positiva
2
, no se puede garantizar que estas curvas se
intercepten, sin embargo supondremos que s se da la interseccin en el
punto ( ) r , Y . Este es el punto de equilibrio del modelo ya que satisface las
ecuaciones de ambas curvas.

2
69
Realizar el anlisis esttico comparativo de este modelo utilizando el mtodo
de las derivadas totales.

Figura 6

3. El sistema de ecuaciones puede ser escrito como:

( ) ( ) ( )
( )
= +
+ + + + =
) II ( M r , Y L L
) I ( G r , Y I I r , Y T T Y C C Y
) A (
0 0
0 0 0 0

Variables endgenas: Y, r.

Variables exgenas:
. 0 0 0 0 0 0
M , L , G , I , T , C

De (I) y (II):

+ + + + + + + +
) M , L , G , I , T , C ; r , Y ( F
) M , L , G , I , T , C ; r , Y ( F ) B (
0 0 0 0 0 0
2
0 0 0 0 0 0
1
x x x x x x y y
6 5 4 3 2 1 2 1

( )
( ) ( ) ( )
( )
= + =
= =
0 M r , Y L L F
0 G r , Y I I r , Y T T Y C C Y F
B
0 0
2
0 0 0 0
1

Debemos comprobar que el sistema de ecuaciones (B) satisfaga el
teorema de la funcin implcita.
Y
LM
IS
Y
r
r
70
5.2. Verificacin del teorema:

1. F
1
y F
2
tienen derivadas continuas puesto que por hiptesis todas las
funciones que las componen tienen derivadas continuas.

2.
( )
r Y
r r Y y Y
2 2
1 1
L L
I C I T 1 C 1
r
F
Y
F
r
F
Y
F
J
d

=
c
c
c
c
c
c
c
c
=

( ) | | ( ) 0 L I C L I T 1 C 1 J
Y r r r Y y Y
d
< + + =

El determinante jacobiano de las variables endgenas no se anula ni
cuando se evala en el equilibrio inicial (que suponemos existe) ni en
cualquier otro punto.

Al verificarse las dos condiciones del teorema, podemos afirmar la
existencia de:

=
=
) M , L , G , I , T , C ( r r
) M , L , G , I , T , C ( Y Y
0 0 0 0 0 0
0 0 0 0 0 0

Aunque no seamos capaces de resolverlas explcitamente para . r y Y

Tambin se verifica la identidad:

( ) ( ) ( )
( ) 0 M r , Y L L F
0 G r , Y I I r , Y T T Y C C Y F
0 0
2
0 0 0 0
1
= + =
= =

Clculo de las derivadas totales de
2 1
F y F respecto de las variables
exgenas:

Se hace notar que en las diferenciales totales de
2 1
F y F slo se ha tenido
en consideracin las variables de las cuales verdaderamente dependen. Es
decir, en la expresin de
1
F d no se han considerado las variables
0 0
M y L por no aparecer en la expresin de . F
1
Mientras que en la
expresin de
2
F d no se han considerado las variables
0 0 0 0
I e G , T , C por
no aparecer en la expresin de . F
2
La inclusin de las variables antes
mencionadas en las expresiones de
1
F d y de
2
F d no alterarn los
resultados (se deja al alumno la comprobacin de esto ltimo).
71

Variables independientes: { }. M , L , G , I , T , C
0 0 0 0 0 0

Diferencial total:

0 dG
G
F
dI
I
F
dT
T
F
dC
C
F
r d
r
F
Y d
Y
F
F d
0
0
1
0
0
1
0
0
1
0
0
1 1 1
1
=
c
c
+
c
c
+
c
c
+
c
c
+
c
c
+
c
c
=


) c ( 0
dC
dG
G
F
dC
dI
I
F
dC
dT
T
F
C
F
C
r
r
F
C
Y
Y
F
C
F
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
1
0
1
0
1
0
1
=
c
c
+
+
c
c
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (c):

0
1
0
1
0
1
C
F
C
r
r
F
C
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
0
r r
0
Y Y
Y
c 1
C
r
I C
C
Y
I T 1 C 1
d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

0
C

Y
0
C
0
T

1
F
0
M

r
0
T
0
I
0
G
0
I
0
G
0
L
0
C

0
T

0
M

0
I
0
G
0
L
72

( ) d 0
dT
dG
G
F
dT
dI
I
F
T
F
dT
dC
C
F
T
r
r
F
T
Y
Y
F
T
F
0
0
0
0
1
0
0
0
0
1
0
1
0
0
0
0
1
0
1
0
1
0
1
=
c
c
+
+
c
c
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (d):

0
1
0
1
0
1
T
F
T
r
r
F
T
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
Y
0
r r
0
Y Y
Y
d C
T
r
I C
T
Y
I T 1 C 1
d d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) e 0
dI
dG
G
F
I
F
dI
dT
T
F
dI
dC
C
F
I
r
r
F
I
Y
Y
F
I
F
0
0
0
0
1
0
1
0
0
0
0
1
0
0
0
0
1
0
1
0
1
0
1
=
c
c
+
+
c
c
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (e):

0
1
0
1
0
1
I
F
I
r
r
F
I
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
0
r r
0
Y Y
Y
e 1
I
r
I C
I
Y
I T 1 C 1
d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) f 0
G
F
dG
dI
I
F
dG
dT
T
F
dG
dC
C
F
G
r
r
F
G
Y
Y
F
G
F
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
1
0
1
0
1
=
c
c
+
+
c
c
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_ _ _

73
Trabajando con (f):

0
1
0
1
0
1
G
F
G
r
r
F
G
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
0
r r
0
Y Y
Y
f 1
G
r
I C
G
Y
I T 1 C 1
d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

) g ( 0
dL
dG
G
F
dL
dI
I
F
dL
dT
T
F
dL
dC
C
F
L
r
r
F
L
Y
Y
F
L
F
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
1
0
1
0
1
=
c
c
+
+
c
c
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (g):

0
L
r
r
F
L
Y
Y
F
0
1
0
1
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
0
r r
0
Y Y
Y
g 0
L
r
I C
L
Y
I T 1 C 1
d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

) h ( 0
dM
dG
G
F
dM
dI
I
F
dM
dT
T
F
dM
dC
C
F
M
r
r
F
M
Y
Y
F
M
F
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
1
0
1
0
1
=
c
c
+
c
c
+
+
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_ _
_ _

Trabajando con (h):

0
M
r
r
F
M
Y
Y
F
0
1
0
1
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( ) | | ( ) ( )
'
0
r r
0
Y Y
Y
h 0
M
r
I C
M
Y
I T 1 C 1
d
=
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

74

Variables independientes: { }. M , L , G , I , T , C
0 0 0 0 0 0

0 dL
L
F
dM
M
F
r d
r
F
Y d
Y
F
F d
0
0
2
0
0
2 2 2
2
=
c
c
+
c
c
+
c
c
+
c
c
=


( ) i 0
dC
dL
L
F
dC
dM
M
F
C
r
r
F
C
Y
Y
F
C
F
0
0
0
0
2
0
0
0
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (i):

0
C
r
r
F
C
Y
Y
F
0
2
0
2
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( )
'
0
r
0
Y
i 0
C
r
L
C
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) j 0
dT
dL
L
F
dT
dM
M
F
T
r
r
F
T
Y
Y
F
T
F
0
0
0
0
2
0
0
0
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (j):

0
T
r
r
F
T
Y
Y
F
0
2
0
2
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

Y
0
M
0
C

0
T

2
F
0
M

r
0
L
0
I
0
G
0
L
0
C

0
T

0
M

0
I
0
G
0
L
75
( )
'
0
r
0
Y
j 0
T
r
L
T
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) k 0
dI
dL
L
F
dI
dM
M
F
I
r
r
F
I
Y
Y
F
I
F
0
0
0
0
2
0
0
0
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (k):

0
I
r
r
F
I
Y
Y
F
0
2
0
2
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( )
'
0
r
0
Y
k 0
I
r
L
I
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) l 0
dG
dL
L
F
dG
dM
M
F
G
r
r
F
G
Y
Y
F
G
F
0
0
0
0
2
0
0
0
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_ _

Trabajando con (l):

0
G
r
r
F
G
Y
Y
F
0
2
0
2
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( )
'
0
r
0
Y
l 0
G
r
L
G
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

( ) m 0
L
F
dL
dM

M
F
L
r
r
F
L
Y
Y
F
L
F
0
2
0
0
0
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (m):

L
F
L
r
r
F
L
Y
Y
F
0
2
0
2
0
2
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( )
'
0
r
0
Y
m 1
L
r
L
L
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

76
) n ( 0
dM
dL
L
F
M
F
M
r
r
F
M
Y
Y
F
M
F
0
0
0
0
2
0
2
0
2
0
2
0
2
=
c
c
+
c
c
+
c
c
c
c
+
c
c
c
c
=
o
o
_

Trabajando con (n):

0
2
0
2
0
2
M
F
M
r
r
F
M
Y
Y
F
c
c
=
|
|
|
.
|
\
|
c
c
c
c
+
|
|
|
.
|
\
|
c
c
c
c

( )
'
0
r
0
Y
n 1
M
r
L
M
Y
L =
|
|
|
.
|
\
|
c
c
+
|
|
|
.
|
\
|
c
c

Se pueden calcular doce derivadas esttico-comparativas. Nosotros
vamos a calcular slo cuatro de ellas, dejando al alumno el clculo de las
restantes.

Colocando en forma matricial ( ) ( ): i y c
' '

( ) | | ( )
(
(
(
=
(
(
(
(
(
(
(
|
|
.
|
\
|
c
c
|
|
.
|
\
|
c
c
(
(
(
+
0
1
C
r
C
Y
L L
I C I T 1 C 1
0
0
r Y
r r
Y Y
Y
d

( )
0
J
L
J
L 0
I C 1
C
Y
r
r
r r
0
> =
+
=
c
c

( ) | |
0
J
L
J
0 L
1 I T 1 C 1
C
r
Y
Y
Y Y
Y
0
d
>
=

=
c
c

Colocando en forma matricial ( ) ( ): j y d
' '

( ) | | ( )
(
(
(
=
(
(
(
(
(
(
(
|
|
|
.
|
\
|
c
c
|
|
|
.
|
\
|
c
c
(
(
+
0
C
T
r
T
Y
L L
I C I T 1 C 1
d
d
Y
0
0
r Y
r r
Y Y
Y

77
( )
0
J
C L
J
L 0
I C C
T
Y
d
d
Y
r r
r r Y
0
<

=
+
=
c
c

( ) | |
0
J
L C
J
0 L
C I T 1 C 1
C
r
Y
Y
Y
Y
Y Y
Y
0
d
d d
<
=

=
c
c

III.5 Limitaciones de la esttica-comparativa

La esttica comparativa ignora el proceso de ajuste del viejo equilibrio al nuevo
y tambin prescinde del elemento temporal que implica ese proceso de ajuste.
No toma en cuenta que de repente el nuevo equilibrio no se alcance jams si es
que el modelo es inestable.
78
Apndice

Demostracin de la ecuacin de equilibrio en el mercado de bienes
del modelo de renta nacional:

Se sabe que:

G I C Y + + = ( ) 1

Y que:

( ) T Y C
1 0
o + o = ( ) 2

Reemplazando ( ) 2 en ( ) 1 se tiene:

( ) G I T Y Y
1 0
+ + o + o =

Sumando a ambos lados T se tiene:

( ) T G I T Y T Y
1 0
+ + + o + o = +

( ) ( ) ( ) I T 1 G T Y 1 T G I T Y T Y
1 0 1 1 1 0
= o o + o + + + o o + o = +

( )( ) ( ) ( ) cerrada Economa I S I G T T Y 1
pblico privado
S S
0 1
= = + o o
_ _

Por tanto, en una economa abierta se tendr:

( ) abierta Economa M I X S + = + ( ) 3

Donde:

X: Exportaciones.
M: Importaciones
S: Ahorro
I: Inversiones

La ecuacin ( ) 3 se puede escribir como sigue:

( ) ( ) ( ) ( )
_ _
_ _
Pblico Sector
pblico pblico
Privado Sector
privado privado
Externo Sector Comercial Balanza
S I S I M X S I M X + = =

Si: > M X supervit en la balanza comercial > S I dficit en el sector
pblico y/o en el sector privado.
79
Clculo de las pendientes de las curvas IS y LM:

( ) ( ) ( ) ( ) { }
0 0 0 0
G r , Y I I r , Y T T Y C C Y / r , Y IS + + + + = =

( ) ( ) { }
0 0
M r , Y L L / r , Y LM = + =

Escribiendo las ecuaciones en forma implcita tenemos que:

( ) ( ) ( ) 0 G r , Y I I r , Y T T Y C C Y F
0 0 0 0
IS
= + =

( ) 0 M r , Y L L F
0 0
LM
= + =

Por la regla de derivacin de la funcin implcita tenemos:

( )
( )
( )
( )
0
I C
T C I C 1
I C
I T 1 C 1
F
F
Y
r
r r
Y Y Y Y
r r
Y Y Y
IS
r
IS
Y
d d d
<
+
+ +
=

= =
c
c

0
L
L
F
F
Y
r
r
Y
LM
r
LM
Y
> = =
c
c

80

Captulo IV

OPTIMIZACIN EN ECONOMA

IV.1 Anlisis convexo

Las funciones cncavas y convexas juegan un rol importante en la teora
econmica. La mayor parte de los problemas que se presentan en economa
involucran a individuos racionales que resuelven algn tipo de problema de
optimizacin, los conceptos de conjuntos convexos, y de concavidad y
convexidad de funciones sern de gran utilidad para el desarrollo de estos
problemas de optimizacin.

IV.2 Conjuntos convexos

Sea un conjunto
n
9 c X , ser un conjunto convexo si para cualquier par de
puntos y , x
, ,
X e y para todo | | 1 , 0 e se cumple que:

( ) ( ) ( ) X e + = + = =
n 2 1 n 2 1 n 2 1
y , , y , y ) 1 ( x , , x , x y ) 1 ( x z , , z , z z
, ,
,
( ) A
1

Es decir que si trazamos un segmento entre los puntos y , x
, ,
; para que el conjunto
X sea un conjunto convexo, todo el segmento que los une deber estar
totalmente contenido en el conjunto X . En la figura 1 los tres primeros
conjuntos (a), (b) y (c) son convexos en cambio los conjuntos (d) y (e) no lo son.

(a) (b) (c)

1
A la ecuacin (A) se le denomina combinacin convexa de . y y x
, ,

y
x
x
y

x
y
CIRO BAZN OPTIMIZACIN EN ECONOMA
82

(d) (e)

Figura 1

Ejemplos:

Determinar si los siguientes son conjunto convexos.

a) { }
1 2
2
2 1
x x / ) x , x ( X > 9 e =
b) { }
2
1 2
2
2 1
x x / ) x , x ( X > 9 e =
c) { }
2
1 2
2
2 1
x x / ) x , x ( X > 9 e =
d) Dados dos conjuntos convexos X
1
y X
2
que pertenecen a , 9 determinar si la
unin de estos conjuntos es un conjunto convexo.

Solucin:

a) Sea ) x , x ( x
2 1
=
,
e ) y , y ( y
2 1
=
,
dos elementos de X, debemos probar que para
todo | | 1 , 0 e :

( ) ) y ) 1 ( x , y 1 x ( y ) 1 ( x ) z , z ( z
2 2 1 1 2 1
+ + = + = =
, , ,
debe pertenecer a X.

Debido a que y , x
, ,
X e se cumple que
1 2
x x > e
1 2
y y > y como 0 1 > >
y 0 1 1 > > se tiene que
1 2
x x > y ( )
1 2
y ) 1 ( y 1 > . Por lo tanto,
, z y ) 1 ( x y ) 1 ( x z
1 1 1 2 2 2
= + > + = lo que prueba que X es convexo ya
que X e z
,
.

x y
x
y
83
x
1
X
x
2

Figura 2

b) Siguiendo un procedimiento similar al del ejercicio anterior, dado que x
,
e y
,

son dos elementos de X, y que | | 1 , 0 e se tiene:

2
1 2
x x > , ( )
2
1 2
y ) 1 ( y 1 >

Ya que se verifica que:

( ) ( ) | | ( )( ) 0 y x 1 y 1 x y 1 x
2
1 1
2
1 1
2
1
2
1
> = + + ( ) *

Por tanto:

( ) ( ) | |
2
1 1
2
1
2
1
y 1 x y 1 x + > +

Por otro lado, tenemos que:

( ) ( ) ( ) | |
2
1
2
1 1
2
1
2
1 2 2 2
z y 1 x y 1 x y 1 x z = + > + > + =

2
1 2
z z >

Lo que prueba que X es convexo.

84

Figura 3

c) En este caso, probaremos que ste no es un conjunto convexo con un
ejemplo. Por ejemplo, para ) 4 , 2 ( y ), 4 , 2 ( x = = y | | 1 , 0
2
1
e = tales que:
( ) X ) 0 , 2 ( ) 4 , 2 (
2
1
4 , 2
2
1
y ) 1 ( x z e = + = + =
, , ,

Por tanto X no es un conjunto convexo.

Figura 4

d) Dado que en 9 todo intervalo es un conjunto convexo, los siguientes
intervalos son conjuntos convexos: ( ) 3 , 1 X
1
= y ( | 8 , 6 X
2
= . Podemos ver que
2 1 3
X X X = no es convexo ya que por ejemplo existen 2 x
1
= y
3 2
X 7 x e = y sin embargo podemos ver que para un
2
1
= :
. X 5 , 4 x ) 1 ( x
3 2 1
e = + Por tanto, por lo general la unin de dos conjuntos
convexos no es un conjunto convexo.
x
1
X
x
2
x
1
x
2
X
2
1 2
x x >

2
1 2
x x >
85

IV.3 Funciones cncavas y convexas

1. Introduccin

En esta seccin se introducen los conceptos de funcin convexa,
estrictamente convexa, cncava y estrictamente cncava en un conjunto
convexo. Estas caractersticas son fundamentales en la teora de la
optimizacin, ya que permiten garantizar la globalidad de las soluciones.

f(x)
x
f(x)
x
f(x)
x
a) b)
c)

Figura 5

La figura 5a) representa una funcin convexa, pero no estrictamente convexa
ya que hay pares de puntos de la funcin tales que la cuerda que los une est
sobre la funcin y no estrictamente encima de ella. La figura 5b) representa
una funcin estrictamente convexa ya que la cuerda que une cualquier par de
puntos de ella se encuentra estrictamente sobre dicha funcin. La figura 5c)
representa una funcin que no es ni cncava ni convexa ya que existen
cuerdas que unen pares de puntos que la cortan ubicndose en una regin por
encima y en otra por debajo de dicha funcin.
86

2. Definiciones

Dada una funcin f definida en un conjunto convexo
n
X 9 c :

- Ser convexa en X si y slo si para todo X y , x e
, ,
y para todo
| | 1 , 0 e se cumple:

( ) | | ( ) ( ) ( ) y f x f 1 y x 1 f
, , , ,
+ s +

- Ser cncava en X si y slo si para todo X y , x e
, ,
y para todo
| | 1 , 0 e se cumple:

( ) | | ( ) ( ) ( ) y f x f 1 y x 1 f
, , , ,
+ > +

n
X 9 c :

- Ser estrictamente convexa en X si y slo si para todo X y , x e
, ,
,
, y x
, ,
= y para todo ( ) 1 , 0 e se cumple:

( ) | | ( ) ( ) ( ) y f x f 1 y x 1 f
, , , ,
+ < +

- Ser estrictamente cncava en X si y slo si para todo X y , x e
, ,
,
, y x
, ,
= y para todo ( ) 1 , 0 e se cumple:

( ) | | ( ) ( ) ( ) y f x f 1 y x 1 f
, , , ,
+ > +

n
X 9 c . Se dice que
f es convexa en X si y slo si la funcin f es cncava en X.

n
X 9 c . Se dice que
f es estrictamente convexa en X si y slo si la funcin f es
estrictamente cncava en X.

x
z
y
X
x
,

y
,

1
x
1
y
z
,

1
z
2
x
2
y
2
z
( ) z f
,

( ) y f
,

( ) x f
,

( ) ( ) ( ) y f 1 x f
, ,
+
( ) y , x f
A
B

Figura 6
87

La figura 6 muestra una funcin cncava en
2
X 9 c ya que se verifica que
para todo par de puntos , X y , x e
, ,
la funcin evaluada en cualquier
combinacin convexa z
,
de , y y x
, ,
es mayor o igual que la correspondiente
combinacin convexa de ( ) ( ), y f y x f
, ,
es decir: ( ) ( ) ( ) ( ). y f 1 x f z f
, , ,
+ > Esto
implica que el arco que una los puntos A y B nunca estar debajo del
segmento de recta que une tales puntos. Para este caso, es importante sealar
que por lo general se verifica que ( ) ( ) ( ) ( ), y f 1 x f z f
, , ,
+ > pero en los puntos
A y B (cuando respectivamente 0 y 1 = = ) se cumple respectivamente
que: ( ) ( ) ( ) ( ). y f z f y x f z f
, , , ,
= =

Ejemplos:

1.- Determinar de acuerdo a las definiciones anteriores que tipo de funciones
son las siguientes:

a)
x
1
) x ( f = en
+
9 c X , X es convexo.
b) x ) x ( f = en
+
9 .

Solucin:

a) Sean | |, 1 , 0 , X y , x e e como X es convexo se cumple que
( ) . X y x 1 z e + = Para que f sea convexa se debe verificar que:

| |
( )
( ) ( ) ) y ( f x f 1
y
1
x
1
) 1 (
y x 1
1
y x ) 1 ( f + = + s
+
= +

Resolviendo:

( )
0
y x 1
1
y
1
x
1
) 1 ( >
+
+

( )
0
y x 1
1
xy
x y ) 1 (
>
+
+

Operando algebraicamente se llega a:

| |
0
y x ) 1 ( xy
) y x )( 1 (
2
>
+

88

Pero gracias a ( ) * , se cumple que ( )( ) 0 y x 1
2
> . Asimismo, dado
que , 0 y e 0 x X > > 9 c
+
ya que . X y , x e Por tanto, fcilmente se
puede ver que el denominador de esta expresin es positivo, por lo que
se prueba que f es convexa. Tambin, si y x = y ( ) 1 , 0 e se cumple
que ( )( ) , 0 y x 1
2
> por lo que f tambin es estrictamente convexa
en X.

b) Sean | |, 1 , 0 , y , x e 9 e
+
y ( ) . y x 1 z
+
9 e + = Para que f sea
cncava se debe verificar que:

( ) ( ) | | ( ) ( ) ( ) ) y ( f ) x ( f 1 y x 1 y x 1 y x 1 f z f + = + > + = + =

( ) ( ) y x 1 y x 1 + s +

Elevando al cuadrado ambos miembros de la desigualdad:

( ) ( )
2 2
y x 1 y x 1
(
+ s
(
+

( ) ( ) ( ) y x 1 y xy 1 2 x 1
2 2
+ s + +

Operando se tiene que:

0 y x ) 1 (
2
>
(

Podemos observar que la inecuacin anterior siempre se verifica para
| |, 1 , 0 , y , x e 9 e
+
por lo que f es cncava en
+
9 . Pero para
, y x , y , x = 9 e
+
y para ( ) 1 , 0 e se cumple que ( ) 0 y x 1
2
> |
.
|
\
|
.
Por tanto, f tambin es estrictamente cncava
+
9 .

f(x)
x
0 x z y
( ) y x 1
z
+

Figura 7
89
2.- En la teora de la empresa competitiva, dado un vector de precios
n
w
+
9 e
,
de n factores de produccin y el nivel q de produccin del
bien correspondiente, se define la funcin costo como aquella que al
vector ( )
1 n
q , w
+
+
9 e
,
le hace corresponder el menor valor de
( ), x w x w x w x w
n n 2 2 1 1
+ + + =
, ,
siendo ( )
n 2 1
x , , x , x x
,
= un vector de
cantidades de insumos que permite obtener el nivel de produccin q [lo
cual se resume expresando ( ) q V x e
,
]. Siendo ( ) q V el conjunto de insumos
requeridos para producir al menos q unidades del bien. Esto es:

( ) ( )
( ) ( ) { }
+ +
9 e > 9 e = e
= =
q x Q x q V x : a . s
x w min q , w , , w , w C q , w C
n
n 2 1
, , ,
, ,
,

Donde ( ) x Q
,
es la funcin de produccin. Se pide demostrar que la
funcin de costo es cncava respecto a . w
,

Solucin:

Primero que nada debemos resaltar que en este problema de
minimizacin restringida, las variables de eleccin son las componentes
de x
,
, mientras que los parmetros son las componentes de w
y q.
Asimismo, debemos tener en consideracin que las soluciones del
problema de minimizacin, denominadas demandas de factores
condicionadas al nivel de produccin q, sern funciones de los
parmetros, esto es:

( ) q , w x x
* * *
, ,
=

Ahora, para demostrar que ( ) q , w C
,
es cncava respecto a , w
,

demostraremos que dados dos vectores de precios de los factores,
, w y w
2 1
, ,
para todo vector de precios ( ) , w 1 w w
2 1
*
, ,
+ = con
| | 1 , 0 e se deber cumplir que:

( ) ( ) ( ) ( ) q , w C 1 q , w C q , w C
2 1
*
, ,
+ >

( ) ( ) ( ) ( ) ( ). q , w C 1 q , w C q , w 1 w C
2 1 2 1
, , , ,
+ > +

Para algn ( ) ( ) q V q , w x
* *
e
,
se debe verificar que:

( ) ( ) q , w x w q , w C
* * * *
,
=

( ) ( ) ( ) ( ) q , w x w 1 w q , w C
* *
2 1
*
, , ,
+ =

( ) ( ) ( ) ( ) q , w x w 1 q , w x w q , w C
* *
2
* *
1
*
, , , ,
+ =
90
De acuerdo a la definicin, ( ) q , w x
* *
,
minimiza el costo de producir el
nivel q con el vector de precios , w
*
pero no necesariamente minimiza

el costo de producir el mismo nivel q con los vectores de precios
1
w
,
o
. w
2
,
Por tanto, se debe verificar que:

( ) ( ) ( ) q , w x w q , w C q , w x w
1 1 1
* *
1
, , , , ,
= >

( ) ( ) ( ) q , w x w q , w C q , w x w
2 2 2
* *
2
, , , , ,
= >

En consecuencia es fcil comprobar:

( ) ( ) ( ) ( ) ( ) ( ) q , w C 1 q , w x w 1 q , w C q , w x w
2
* *
2 1
* *
1
, , , , , ,
> . >

Sumando miembro a miembro las dos ltimas inecuaciones tenemos que:

( ) ( ) ( ) ( ) ( ) ( ) q , w C 1 q , w C q , w x w 1 w
2 1
* *
2 1
, , , , ,
+ > +

( ) ( ) ( ) ( ) q , w C 1 q , w C q , w C
2 1
*
, ,
+ >

Por tanto, la funcin ( ) q , w C
,
es cncava respecto a . w
,

3.- Sea el problema de eleccin de la cesta de consumo que proporcione un
nivel de utilidad fijo al mnimo gasto:

x p Min
, ,

s.a: ( )
0
U p U >
,
(*)
0 x >
,

Para cualquier eleccin de p
,
y
0
U , denotaremos como ( )
0
U , p C
,
,
a la
cesta de consumo que resuelve el problema (*); ( )
0
U , p C
,
,
se le denomina
funcin de demanda compensada (Hicksiana) ya que, en su construccin,
los cambios en la renta son compensados por cambios en los precios para
mantener al consumidor en un nivel de utilidad fijo.

De manera anloga a la funcin utilidad indirecta, definimos la funcin
de gasto del consumidor ( )
0
U , p E
,
como el valor ptimo de la funcin
objetivo del problema (*):

( ) ( )
0 0
U , p C p U , p E
,
,
, ,
=

La funcin de gasto ( )
0
U , p E
,
es el costo mnimo (cantidad mnima de
renta necesaria) para que el consumidor consiga un nivel de utilidad
0
U cuando el precio del sistema es p
,
.

Demostrar que la funcin de gasto, como una funcin de p
,
para cada
0
U
fijo, es cncava.
91
Solucin:

Sean ( ) x , p
, ,
y ( )
' '
x , p
, ,
dos combinaciones precio consumo que minimizan
el gasto al nivel de utilidad
0
U . Su combinacin lineal es:

( ) ( ) ( ) ( )
' ' ' ' ' '
x 1 x , p 1 p x , p
, , , , , ,
+ + = 1 0 s s

Por tanto:

( ) ( ) ( )
' ' ' ' ' ' '
0
' '
x p 1 p x p U , p E
, , , , , ,
+ = =

Pero
' '
x
,
no es necesariamente la forma ms barata para alcanzar la
utilidad
0
U a los precios p
,
o
'
p
,
, por tanto:

( ) ( )
0
' ' ' '
0
' '
U , p E x p U , p E x p
, , , , , ,
> . >

En consecuencia, multiplicando las expresiones anteriores por ( ) 1 y
respectivamente, se tiene:

( ) ( ) ( ) ( )
0
' ' ' '
0
' '
U , p E 1 x p 1 U , p E x p
, , , , , ,
> . >

Sumando miembro a miembro las expresiones anteriores, tenemos:

( ) ( ) ( ) ( )
0
'
0
' ' ' ' '
U , p E 1 U , p E x p 1 x p
, , , , , ,
+ > +

( ) ( ) ( ) ( ) ( ) ( )
0
'
0 0
' ' ' ' ' ' ' ' '
U , p E 1 U , p E U , p E x p x p 1 p
, , , , , , , ,
+ > = = +

Por tanto, la funcin de gasto, como una funcin de p
,
para cada
0
U
fijo, es cncava.

4.- Sea la funcin de beneficio ptimo ( ) w , p
,
t que es el mximo beneficio
que se puede lograr cuando el precio del bien producido es p y el costo
de los factores de produccin es w
,
. Escribimos como:

( ) ( ) { } x Q q : x w q p max w , p
x , q
, , , ,
,
s = t

Donde
bien. del produccin de nivel el es " q "

. produccin de fucin a determinad una es " Q "

Demostrar que ( ) x , p
,
t es convexa.

Solucin:

( ) { } x w pq max x , p
x , q
, , ,
,
= t
s.a: ( ) q x Q >
,

Sean dos vectores: ( )
1 1
w , p A
,
,
= y ( )
2 2
w , p B
,
,
= y su combinacin lineal la
siguiente:
92
( ) ( ) ( ) ( )
2 1 2 1
w 1 w , p 1 p B 1 A Z
, ,
, , ,
+ + = + =

Para que la funcin de beneficio sea convexa deberemos verificar lo
siguiente:

( ) ( ) ( ) ( ) B 1 A Z
, , ,
t + t s t

Donde:

( ) x w q p A
1 1
, ,
,
= t ( ) x w q p B
2 2
, ,
,
= t

Para algn ( ) ( ) q x Q / x , q >
, ,
se debe cumplir:

( ) ( ) | | ( ) | | x w 1 w q p 1 p Z
2 1 2 1
, , ,
,
+ + = t

Por otro lado, ( ) x , q
,
maximiza el beneficio de producir el nivel q con el
vector Z
,
, pero no necesariamente maximiza el beneficio de producir el
mismo nivel q con los vectores A
,
y B
,
entonces se debe cumplir que:

( )
1 1 1 1
w , p x w q p
, , ,
t s

( )
2 2 2 2
w , p x w q p
, , ,
t s

( ) ( ) A w , p x w q p
1 1 1 1
,
, , ,
t = t s

( ) ( ) ( ) ( ) ( ) ( ) B 1 w , p 1 x w 1 q p 1
2 2 2 2
,
, , ,
t = t s

( ) | | ( ) | | ( ) ( ) ( ) B 1 A x w 1 x w q p 1 q p
2 1 2 1
, ,
, , , ,
t + t s + +

( ) ( ) | | ( ) | | ( ) ( ) ( ) B 1 A x w 1 w q p 1 p Z
2 1 2 1
, ,
, , ,
,
t + t s + + = t

Por tanto, la funcin ( ) x , p
,
t es convexa.

3. Condiciones para la convexidad/concavidad de funciones

Debido a que no es sencillo establecer la convexidad o concavidad de las
funciones simplemente a partir de la definicin antes vista, ser
indispensable establecer condiciones necesarias o necesarias y suficientes.
stas sern distintas dependiendo de si la funcin es diferenciable o no lo es
necesariamente.

3.1. Funciones no necesariamente diferenciables

Condiciones necesarias:

a) Una condicin necesaria pero no suficiente para que f sea convexa en
un conjunto convexo X de
n
9 es que para cada nmero real o el
conjunto:

{ }
n
) x ( f / X x 9 c o s e = A
o
, ,
sea convexo.
93

b) Una condicin necesaria pero no suficiente para que f sea cncava en
un conjunto convexo X de
n
9 es que para cada nmero real o el
conjunto:

{ }
n
) x ( f / X x 9 c o > e = O
o
, ,
sea convexo.

Estas condiciones slo nos permiten afirmar qu funciones no son ni
cncavas ni convexas, pero no nos permiten asegurar si son cncavas o
convexas.

Para mayor entendimiento de estas condiciones veamos los siguientes
grficos:

f(x)
x
o
o
A

Figura 8

o
x
f(x)
o
O

Figura 9

Tanto en la figura 8 como en la figura 9 podemos ver como las condiciones
a) y b) respectivamente se cumplen para las funciones convexas y cncavas,
pero debido a que tan solo son condiciones necesarias pero no suficientes
podemos ver en la figura 10 que a pesar de que cumple las condiciones no es
ni cncava ni convexa. Es decir en este caso la condicin no nos sirve para
descartar que sea una funcin convexa o que sea una funcin cncava.
94

x
o
o
O
o
A
f(x)
.. ..

Figura 10

Ejemplos:

De acuerdo a las definiciones anteriores, podemos asegurar que alguna de
las siguientes funciones no sea cncava ni convexa?

a)
x
e ) x ( f = con 9 e x ,
b) x ln ) x ( f = con x>0.

Solucin:

a) Debemos ver que tipo de conjunto ser
o
A y
o
O para todo o :

{ }
( |
> o o
s o |
= o s 9 e = A
o
0 si ln ,
0 si
e / x
x

{ } | ) 0 si , ln e / x
x
> o + o = o > 9 e = O
o

x
o
f(x)
o ln
o O
e
x
o
A

Figura 11
95

Como se puede ver, aunque los conjuntos resultantes
o
A y
o
O son
convexos para todo , o las condiciones a) y b) no nos permiten asegurar
si la funcin es cncava o convexa.

b) De manera similar, vemos que ambos conjuntos resultantes son
convexos, por lo que no podemos descartar que la funcin sea cncava o
que sea convexa.

{ } ( |
o
+ o
= o s 9 e = A e , 0 x ln / x

{ } | ) + = o > 9 e = O
o
+ o
, e x ln / x

o

e
f(x)
x
o
O
o
A

Figura 12

Condiciones necesarias y suficientes:

Para estudiar estas condiciones debemos analizar las siguientes definiciones:

Sea un conjunto convexo
n
X 9 c y una funcin f definida de X en 9 .

a) El epgrafo de f es el conjunto:

( ) ( ) { }
1 n 1 n
f
y x f , y , X x / y , x E
+ +
9 c s 9 e e 9 e =
, , ,

b) El hipgrafo de f es el conjunto:

( ) ( ) { }
1 n 1 n
f
y x f , y , X x / y , x H
+ +
9 c > 9 e e 9 e =
, , ,

La figura 13 ilustra estos conceptos para la siguiente funcin: . x ) x ( f
2
=
Donde: . 1 n =
96

Figura 13

Una funcin f: 9 X es convexa si y slo si
1 n
f
E
+
9 c es un conjunto
convexo.

Una funcin f: 9 X es cncava si y slo si
1 n
f
H
+
9 c es un conjunto
convexo.

Ejemplos:

De acuerdo a las definiciones anteriores, podemos asegurar que alguna de
las siguientes funciones no sea cncava o convexa?

a) senx ) x ( f = con | | t e 2 , 0 x ,
b)
x
e ) x ( f = con 9 e x ,
c) x ) x ( f = con
+
9 e x .

Solucin:

a) Utilizando las definiciones anteriores, podemos ver que el epgrafo y el
hipgrafo de la funcin no son conjuntos convexos, por tanto la funcin
no ser ni cncava ni convexa.

E
f
H
f

Figura 14
f(x)=x
2
E
f
H
f
97

b) Como podemos ver en este caso el epgrafo es un conjunto convexo, mas
el hipgrafo no lo es por lo tanto podemos afirmar que es una funcin
convexa.

E
f
H
f

Figura 15

c) A diferencia del caso anterior, en este caso el epgrafo no es un conjunto
convexo, mas el hipgrafo si lo es por lo tanto podemos afirmar que es
una funcin cncava.

H
f
E
f

Figura 16

3.2 Funciones diferenciables

Condiciones necesarias de primer orden:

Dado X un conjunto abierto
2
, no vaco y convexo en
n
9 y una funcin f
definida de X en 9 y diferenciable en X:

a) Una condicin necesaria pero no suficiente para que f sea convexa en
X es:

Para todo par X x , x
2 1
e
, ,
: ( ) ( ) ( ) ( )
1 2 1 1 2
x x x f x f x f
, , , , ,
V >

2
98

b) Una condicin necesaria pero no suficiente para que f sea cncava en
X es:

Para todo par X x , x
2 1
e
, ,
: ( ) ( ) ( ) ( )
1 2 1 1 2
x x x f x f x f
, , , , ,
V s

Donde f V indica el gradiente
3
de f: ( ) ( ) ( ) ( ) | |. x f x f x f x f
n 2 1
x x x
,
, , ,
= V

Las funciones sern respectivamente estrictamente cncavas y estrictamente
convexas si las desigualdades anteriores se cumplen de forma estricta.

Las condiciones anteriores estn representadas grficamente en la figura 17.
Tenga presente que para la figura 17b ( ) ( ) 0 x f x f
1 2
<
, ,
y
( ) ( ) 0 x x x f
1 2 1
< V
, , ,
ya que ( ) ( ) ( ) . 0 x x 0 x ' f x f
1 2 1 1
> . < = V
, , ,
Adems,
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ). x x x f x f x f x x x f x f x f
1 2 1 1 2 1 2 1 1 2
, , , , , , , , , ,
V < V >

x
1
x
2
x
1
x
2
( ) ( )
1 2
x f x f
, ,

( ) ( )
1 2 1
x x x f
, , ,
V

( ) ( )
1 2 1
x x x f
, ,
V
a) Convexa b) Cncava
( ) ( )
1 2
x f x f
, ,

Figura 17

Ejemplos:

Teniendo en cuenta las definiciones anteriores estudiar la convexidad o
concavidad de las siguientes funciones:

Funciones de 9 en 9 definidas en un conjunto X:

a) , x b ax ) x ( f 9 e + =
b) , 0 x x ) x ( f > =
c) , x x ) x ( f
3
9 e =

Funciones definidas de
2
9 en 9 en un conjunto X:

d) , b , a ) x , x ( bx ax ) x ( f
2
2 1
2
2
2
1
9 e 9 e + =
e) , b , a ) x , x ( e ) x ( f
2
2 1
bx ax
2 1
9 e 9 e =
+

3
99

Funciones de
3
9 en 9 definidas en un conjunto X:

f) , d , c , b , a ) x , x , x ( d cx bx ax ) x ( f
3
3 2 1
2
3
2
2
2
1
9 e 9 e + + + =
g) { }. 0 ) x , x , x ( x x x ) x ( f
3
3 2 1 3 2 1
,
9 e + + =
+

Solucin:

Todas las funciones a analizar son diferenciables en X (conjunto abierto, no
vaco y convexo). Por tanto podemos aplicar las condiciones necesarias de
primer orden anteriormente vistas.

a) ( ) ( ) ) x x ( ) x ( f ) x x ( a ) b ax ( b ax x f x f
1 2 1 1 2 1 2 1 2
V = = + + =

Por lo que segn las condiciones vistas anteriormente esta funcin es
cncava y convexa.

b) ( ) ( ) ) x x ( ) x ( f ) x x (
x 2
1
x x x f x f
1 2 1 1 2
1
1 2 1 2
V = < =

Debido a que:

= +
+
=
2
x
x 2
x
x x
x x
) x x (
x 2
1
x x
1
1
2
1 2
1 2
1 2
1
1 2

( )
0
x x x 2
x x x x
1 2 1
2 1 1 2
<
|
.
|
\
|
+
|
.
|
\
|

=

La funcin es estrictamente cncava en ). , 0 ( X + = Podemos ver que
en el punto 0 x
1
= la funcin no es derivable, por lo que no es posible
probar la concavidad de la funcin con las definiciones recin vistas.
Sin embargo, de acuerdo a lo visto anteriormente, para ( ) 1 , 0 y 0 y e >
se cumple que:

( ) | | ( ) ) y ( f ) 0 ( f 1 y y x 0 1 f
2
+ > = = +

Por tanto, la funcin tambin es cncava en este punto.

c) ( ) ( )
3
1
3
2 1 2
x x x f x f =

) x x ( x 3 ) x x ( ) x ( f
1 2
2
1 1 2 1
= V

En este caso es un poco difcil determinar el signo de la desigualdad,
pero operando se puede llegar a la siguiente expresin:

( ) ( ) ) x x ( x 3 ) x x ( ) x x ( ) x ( f x f x f
1 2
2
1
3
1
3
2
1 2 1 1 2
= V
100

( ) ( ) ( )
1 2
2
1 2 1 2 1 1 2
x 2 x ) x x ( ) x x ( ) x ( f x f x f + = V

El primer trmino de esta expresin es siempre positivo, pero el signo
del segundo depender de los valores que tomen x
2
y x
1
. Esta funcin
no es ni cncava ni convexa.

Figura 18

d) ( ) ) x y ( b ) x y ( a bx ax by ay x f ) y ( f
2
2
2
2
2
1
2
1
2
2
2
1
2
2
2
1
+ = + =
, ,

| | ) x y ( bx 2 ) x y ( ax 2
x y
x y
bx 2 ax 2 ) x y ( ) x ( f
2 2 2 1 1 1
2 2
1 1
2 1
+ =
(
= V
, , ,

( ) ( )
2
2 2
2
1 1
) x y ( b ) x y ( a ) x y ( ) x ( f x f y f + = V
, , , , ,

Para esta expresin se puede ver que el signo que tome depender del
signo de a y b.

Si a y b son positivos y y x
, ,
= la funcin ser estrictamente convexa.
Si a y b son negativos y y x
, ,
= la funcin ser estrictamente cncava.
Si a y b tienen signos distintos la funcin no ser ni cncava ni convexa
ya que existen y e x
, ,
tales que . 0 ) x y ( b ) x y ( a
2
2 2
2
1 1
s
>
+

e) ( )
2 1 2 1
bx ax by ay
e e x f ) y ( f
+ +
=
, ,

| | | | ) x y ( b ) x y ( a e
x y
x y
b a e ) x y ( ) x ( f
2 2 1 1
bx ax
2 2
1 1 bx ax
2 1 2 1
+ =
(
= V
+ +
, , ,

Se puede verificar que para todo y e x
, ,
con y x
, ,
= :
101

( ) x f ) y ( f ) x y ( ) x ( f
, , , , ,
> V

Ya que:

| | ) x y ( b ) x y ( a e e e
2 2 1 1
bx ax bx ax by ay
2 1 2 1 2 1
+ >
+ + +
( ) *

Dividiendo ambos trminos entre
2 1
bx ax
e
+
obtenemos:

) x y ( b ) x y ( a 1 e 1
e
e
2 2 1 1
) x y ( b ) x y ( a
bx ax
by ay
2 2 1 1
2 1
2 1
+ > =
+
+
+

Para entender el porque del sentido de la desigualdad, realizaremos un
cambio de variable:

z ) x y ( b ) x y ( a
2 2 1 1
= +

Por lo que tenemos que comparar ahora es:

1 e
z
con z, y gracias a la figura 19 comprobamos ( ) * . Por tanto, la
funcin es estrictamente convexa para cualquier valor de a y b.

1 e ) z ( f
z
=
f(z)=z

Figura 19

f) De manera similar al ejercicio d) se prueba que si
+
9 e d , c , b , a la
funcin es estrictamente convexa y si
9 e d , c , b , a es estrictamente
cncava. La demostracin queda para el alumno.

g) ( )
3 2 1 3 2 1
x x x y y y x f ) y ( f + + + + =
, ,

102

( ) ( ) ( ) | |
3 2 1
3 2 1 3 2 1
3 3
2 2
1 1
x x x
x x x 2
) x x x ( ) y y y (
x y
x y
x y
x f x f x f ) x y ( ) x ( f
3 2 1
+ +
+ + + +
=
(
(
(
= V
, , , , , ,

( ) ( ) = V ) x y ( ) x ( f x f y f
, , , , ,

3 2 1
3 2 1 3 2 1
3 2 1 3 2 1
x x x 2
) x x x ( ) y y y (
x x x y y y
+ +
+ + + +
+ + + + =

( ) ( ) 0 ) x x x y y y ( ) x y ( ) x ( f x f y f
2
3 2 1 3 2 1
< + + + + = V
, , , , ,

Lo que indica que la funcin es estrictamente cncava. Es importante
sealar que la concavidad de esta funcin no se puede estudiar en
( ) 0 , 0 , 0 0 x = =
,
,
empleando las condiciones que utilizan gradientes ya que
en este punto la funcin no es diferenciable.

Condiciones de segundo orden:

Sea X un conjunto abierto y convexo de
n
9 y f una funcin definida de X
en 9 dos veces diferenciable con continuidad en X, es decir, C
2
. Entonces se
verifica que:

1. Una condicin necesaria y suficiente para que f sea convexa en X es
que para cada X x e
,
se verifique que 0 y ) x ( Hf y
t
>
, , ,
para todo
n
y 9 e
,
, es
decir que ) x ( Hf
,
sea semidefinida positiva (SDP) o definida positiva
(DP)
4
.

2. Una condicin suficiente pero no necesaria para que f sea estrictamente
convexa sobre X es que ) x ( Hf
,
sea definida positiva para todo x
,
de X (es
decir, 0 y ) x ( Hf y
t
>
, , ,
para todo 0 y , y
n
,
, ,
= 9 e ).

3. Una condicin necesaria y suficiente para que f sea cncava en X es
que para cada X x e
,
se verifique que 0 y ) x ( Hf y
t
s
, , ,
para todo
n
y 9 e
,
, es
decir que ) x ( Hf
,
sea semidefinida negativa (SDN) o definida negativa
(DN).

4. Una condicin suficiente pero no necesaria para que f sea estrictamente
cncava sobre X es que ) x ( Hf
,
sea definida negativa para todo x
,
de X (es
decir 0 y ) x ( Hf y
t
<
, , ,
para todo 0 y , y
n
,
, ,
= 9 e ).

4
103

Ejemplos:

a)
2
2
2
1 2 1
bx ax ) x , x ( f + = (x
1
,x
2
)
2
9 e 9 e b , a
b)
2 1
4
2
2
2
2
1
4
1 2 1
x 8 x 3 x x x x ) x , x ( f + + = (x
1
,x
2
)
2
9 e
c)
2 1 2 1
x x ) x , x ( f = (x
1
,x
2
)
2
9 e
d)
b
2
a
1 2 1
x x ) x , x ( Q = (x
1
,x
2
)
2
+
9 e 9 e b , a
e) d cx bx ax ) x , x , x ( f
2
3
2
2
2
1 3 2 1
+ + + = (x
1
,x
2
,x
3
)
3
9 e

Solucin:

a) Para todo , x
2
9 e el hessiano de la funcin
2
2
2
1 2 1
bx ax ) x , x ( f + = es:

(
=
b 2 0
0 a 2
) x ( Hf
,

Los menores principales dominantes son:

a 2 H
1
=

ab 4 ) x ( Hf H
2
= =
,

Podremos obtener distintos resultados:

Si , 0 b y 0 a > > 0 H
1
> y 0 H
2
> entonces ) x ( Hf
,
es definida positiva
para todo x
,
. Por tanto, la funcin es estrictamente convexa.

Si , 0 b y 0 a < < 0 H
1
< y 0 H
2
> entonces ) x ( Hf
,
es definida negativa
para todo x
,
. Por tanto, la funcin es estrictamente cncava.

Si , 0 b y 0 a = > 0 H
1
> y 0 H
2
= entonces ) x ( Hf
,
es semidefinida
positiva para todo x
,
. Por tanto, la funcin es convexa.

Si , 0 b y 0 a = < 0 H
1
< y 0 H
2
= entonces ) x ( Hf
,
es semidefinida
negativa para todo x
,
. Por tanto, la funcin es cncava.

Si 0 b y 0 a < > , 0 b y 0 a > < 0 H
1
> y 0 H
2
< 0 H
1
< y
0 H
2
< entonces ) x ( Hf
,
es indefinida y la funcin no es ni convexa ni
cncava.

b) El hessiano de la funcin es:

(
(
+
+
=
2
2
2
1 2 1
2 1
2
2
2
1
x 12 x 2 x x 4
x x 4 x 2 x 12
) x ( Hf
,

104

Para 0 x
,
,
= , los menores principales dominantes de orden uno y dos,
2
2
2
1
1
x 2 x 12 H + = y , x 24 x x 132 x 24 H
4
2
2
2
2
1
4
1
2
+ + = son positivos, por
lo que ) x ( Hf
,
es definida positiva. Por tanto, f es una funcin
estrictamente convexa.

c) El hessiano de la funcin es:

(
=
0 1
1 0
) x ( Hf
,

Los menores principales dominantes de primer y segundo orden son
, 0 0 H
1
= = 0 1 ) x ( Hf H
2
< = =
,
. Dado que 0 H
2
< y por tanto
( ) par : 2 k = entonces ) x ( Hf
,
es indefinida y la funcin no es ni convexa
ni cncava.

d) Para este caso el hessiano ser:

(
(
=

2 b
2
a
1
1 b
2
1 a
1
1 b
2
1 a
1
b
2
2 a
1
2 1
x x ) 1 b ( b x abx
x abx x x ) 1 a ( a
) x , x ( HQ


b
2
2 a
1 1
x x ) 1 a ( a H
=

2 b 2
2
2 a 2
1 2
x x ) b a 1 ( ab ) x ( HQ H

= =
,

Entonces para que la que la funcin sea estrictamente cncava en
2
+
9 ,
necesitamos que ( ) 0 1 a a < y ( ) 0 b a 1 ab > es decir, necesitamos
que , 1 b a 0 y , 1 b 0 , 1 a 0 < + < < < < < de modo que 0 H
1
< y 0 H
2
> ,
y ) x ( HQ
,
sea definida negativa. Por tanto, para que una funcin de
produccin Cobb Douglas en
2
+
9 sea estrictamente cncava es
necesario que exhiba rendimientos decrecientes a escala.

e) El Hessiano ser en este caso:

(
(
(
=
c 2 0 0
0 b 2 0
0 0 a 2
) x ( Hf
,


a 2 H
1
=
105

ab 4 H
2
=

abc 8 H
3
=

Podremos obtener distintos resultados:

Si , 0 c y 0 b , 0 a > > > , 0 H
1
> 0 H
2
> y 0 H
3
> entonces ) x ( Hf
,
es
definida positiva para todo x
,
. Por tanto, la funcin es estrictamente
convexa.

Si , 0 c y 0 b , 0 a < < < , 0 H
1
< 0 H
2
> y 0 H
3
< entonces ) x ( Hf
,
es
definida negativa para todo x
,
. Por tanto, la funcin es estrictamente
cncava.

Si , 0 c y 0 b , 0 a > > > , 0 H
1
> 0 H
2
> y 0 H
3
> entonces ) x ( Hf
,
es
semidefinida positiva para todo x
,
. Por tanto, la funcin es convexa.

Si , 0 c y 0 b , 0 a s s s los menores principales de orden uno son:
, 0 H
1
s 0 b 2 b 2 s = y 0 c 2 c 2 s = ; los menores principales de orden
dos son: , 0 H
2
> 0 bc 4
c 2 0
0 b 2
> = y ; 0 ac 4
c 2 0
0 a 2
> = el menor
principal de orden tres es: , 0 H
3
s entonces ) x ( Hf
,
es semidefinida
negativa para todo x
,
. Por tanto, la funcin es cncava.

IV.4 Funciones seudoconvexas y seudocncavas

Sea X un conjunto convexo y abierto de
n
9 y una funcin f definida de X en
9 y diferenciable en X.

a) La funcin f es seudoconvexa en X si y slo si para todo X x , x
2 1
e
, ,
tales
que 0 ) x x )( x ( f
1 2 1
> V
, , ,
se verifica que ). x ( f ) x ( f
1 2
, ,
>

b) La funcin f es seudocncava en X si y slo si para todo X x , x
2 1
e tales
que 0 ) x x )( x ( f
1 2 1
s V
, , ,
se verifica que ). x ( f ) x ( f
1 2
, ,
s

La seudoconvexidad, a parte de ser una propiedad muy restrictiva al exigir
diferenciabilidad de f, no se verifica en los puntos de inflexin con derivada
nula.

Ejemplos:

a) ( )
3
x x f =
b) ( ) 1 x 2 x 2 x x f
2 3
+ =
106

Solucin:

a) Esta funcin es diferenciable en ( ) + 9 e , X , conjunto convexo y
abierto, y como veremos a continuacin, no es seudoconvexa ni
seudocncava.

No es seudoconvexa ya que existen 0 x
1
= y 1 x
2
= con:

0 0 ) 0 1 )( 0 ( f
'
> =

y se verifica que ) x ( f ) 0 ( f 0 1 ) 1 ( f ) x ( f
1 2
= = >/ = = .

No es seudocncava ya que existen 0 x
1
= y 1 x
2
= con:

0 0 ) 0 1 )( 0 ( f
'
s =

Y se verifica que ) x ( f 0 1 ) x ( f
1 2
= s/ = .

Se resalta que en ambos casos se ha tomado como punto inicial 0 x
1
= . Este
punto es un punto de inflexin de f con derivada nula.

Figura 20

b) Esta funcin es diferenciable en ( ) + 9 e , X , conjunto convexo y
abierto, y como veremos a continuacin, es seudoconvexa.

En primer lugar podemos ver que f es estrictamente creciente, pues:

0
9
2
3
2
x 3 2 x 4 x 3 ) x ( ' f
2
2
>
(
(
+
|
|
.
|
\
|
= + = para todo x

Para probar la seudoconvexidad tenemos que demostrar que para todo x
1
y x
2

de X con 0 ) x x )( x ( ' f
1 2 1
> se verifica que ). x ( f ) x ( f
1 2
>
107
Como 0 ) x ( f
'
> para todo x, si
2 1
x x = de verificarse que 0 ) x x )( x ( ' f
1 2 1
> se
deduce que 0 x x
1 2
> , es decir que x
2
>x
1
y por ser estrictamente creciente,
) x ( f ) x ( f
1 2
> como se quera probar.

Es importante resaltar que la funcin presenta un punto de inflexin en
, 6 4 x = en el que ( ) , 0 6 4 f
'
= Por tanto, se verifica la condicin de
seudoconvexidad para todo x.

Figura 21

IV.5 Funciones cuasiconvexas y cuasicncavas

Sea X un conjunto convexo de
n
9 y f una funcin de X en 9 .

- La funcin f es cuasiconvexa en X si y slo si para todo X x , x
2 1
e
, ,
con
) x ( f ) x ( f
2 1
, ,
> y todo | | 1 , 0 e se verifica que:

( ) | | { } ) x ( f ), x ( f max ) x ( f x x 1 f
2 1 1 2 1
, , , , ,
= s +

- La funcin es cuasicncava en X si y slo si para todo X x , x
2 1
e
, ,
con
) x ( f ) x ( f
2 1
, ,
> y todo | | 1 , 0 e se verifica que:

( ) | | { } ) x ( f ), x ( f min ) x ( f x x 1 f
2 1 2 2 1
, , , , ,
= > +
x
( ) x f
6 4
27 7
108

- La funcin es estrictamente cuasiconvexa en X si y slo si para todo
X x , x
2 1
e
, ,
con
2 1
x x
, ,
= , ) x ( f ) x ( f
2 1
, ,
> y todo ( ) 1 , 0 e se verifica que:

( ) | | { } ) x ( f ), x ( f max ) x ( f x x 1 f
2 1 1 2 1
, , , , ,
= < +

- La funcin es estrictamente cuasicncava en X si y slo si para todo
X x , x
2 1
e
, ,
con
2 1
x x
, ,
= , ) x ( f ) x ( f
2 1
, ,
> y todo ( ) 1 , 0 e se verifica que:

( ) | | { } ) x ( f ), x ( f min ) x ( f x x 1 f
2 1 2 2 1
, , , , ,
= > +

Es importante resaltar que la cuasiconvexidad estricta no implica la
cuasiconvexidad.

Proposicin: Sea X un conjunto convexo de
n
9 y f una funcin de X en
9 .

- Si f es convexa en X, f es cuasiconvexa en X.
- Si f es cncava en X, f es cuasicncava en X.
- Si f es estrictamente convexa en X, f es estrictamente cuasiconvexa en
X.
- Si f es estrictamente cncava en X, f es estrictamente cuasicncava en
X.

Es importante resaltar que los recprocos no son ciertos.

En la figura 22 se muestra una superficie en forma de campana que no es
cncava ya que cerca de su base presenta curvatura convexa. No obstante, esta
superficie tiene la propiedad de ser estrictamente cuasicncava, ya que todos los
arcos de su superficie, ejemplificados por AB y BC, satisfacen la condicin de
que todos los puntos de cada arco que estn situados entre los dos extremos son
mayores que el menor de los puntos extremos. Se puede apreciar que el
segmento lineal OD que une los puntos O y D, que pertenecen al dominio
de la funcin, es una combinacin convexa de O y D. Cualquier punto del
segmento OD da lugar al arco AB de la curva. Adems, se aprecia que A (OA)
es mayor que B (DB). Ya que todos los puntos del arco AB, excepto A y
B, son estrictamente mayores que B (DB), este arco en particular satisface la
condicin parta la cuasiconcavidad estricta. Asimismo, se puede apreciar que el
segmento lineal DC que une los puntos D y C, que pertenecen al dominio de
la funcin, es una combinacin convexa de D y C. Cualquier punto del
segmento DC da lugar al arco BC de la curva. Adems, se aprecia que B (DB)
es mayor que C (C=0). Ya que todos los puntos del arco BC, excepto B y
C, son estrictamente mayores que C (C=0), este arco tambin satisface la
condicin parta la cuasiconcavidad estricta.

109

Figura 22

Ejemplos:

1.- De acuerdo a las definiciones anteriores determinar a que tipo de funcin
pertenecen las siguientes grficas.

a)

( ) z f
( )
'
x f
( )
' '
x f
0
x ' '
x
'
x 1
x
z

Figura 23

La figura 23 corresponde a una funcin estrictamente cuasiconvexa, pues
para cualquier | | 9 c = e X x , x x , x
1 0
' ' '
con , x x
' ' '
= ( ) ( )
' ' '
x f x f > y
( ) 1 , 0 e se tiene que:

( ) ( ) ( ) ( ) ( ) { }. x f , x f max x f x ) 1 ( x f z f
' ' ' ' ' ' '
= < + =

Pero tambin se puede verificar que esta funcin es estrictamente
cuasicncava, ya que para cualquier | | 9 c = e X x , x x , x
1 0
' ' '
con , x x
' ' '
=
( ) ( )
' ' '
x f x f > y ( ) 1 , 0 e se tiene que:

( ) ( ) ( ) ( ) ( ) { }. x f , x f min x f x ) 1 ( x f z f
' ' ' ' ' ' ' '
= > + =
110

b)

2
x
a
1
x
z
( )
a
1
x f
( )
2
x f
( ) z f
( ) x f y =
b
1
x
( )
b
1
x f

Figura 24

La figura 24 corresponde a una funcin estrictamente cuasicncava, pues
para cualquier ( ) + = e , X x , x
2
a
1
con , x x
2
a
1
= ( ) ( )
2
a
1
x f x f > y

( ) ( ) ( ) ( ) ( ) { }. x f , x f min x f x ) 1 ( x f z f
2
a
1
2 2
a
1
= > + =

Se puede verificar que esta funcin es estrictamente cuasicnvexa, para
cualquier ( | 0 , X x , x
2
b
1
= e con , x x
2
b
1
= ( ) ( )
2
b
1
x f x f > y

( ) ( ) ( ) ( ) ( ) { }. x f , x f max x f x ) 1 ( x f z f
2
b
1
b
1
2
b
1
= < + =

2.- Sea ( ) . e x f
x
= Donde: 9 9 c X : f y 9 e X es un conjunto abierto y
convexo. Demuestre que esta funcin es estrictamente cuasicncava y
estrictamente cuasiconvexa.

1
x
2
x
z
( )
2
x f
( )
1
x f
( ) z f
x
e y =

Figura 25

Sea ( ) + =
2 1
x x 1 z como . x z x 1 0
2 1
< < < <

Adems, como ( ) ( ) ( ) ( ) . e x f e z f e x f 0 e x f
2 1
x
2
z x
1
x '
= < = < = > =
111
Por otro lado, tenemos que:

( ) ( ) | |
( ) ( )
2 1 2 1
x x 1 x x 1 z
2 1
e e e e x x 1 f z f
+
= = = + =

Asimismo, tenemos que:

( ) ( ) { } ( )
2
x
2 2 1
e x f x f , x f max = =

Entonces, dado que:

( ) ( ) ( ) { } ( )
2
x
2 2 1
z
e x f x f , x f max e z f = = < =

f es estrictamente cuasiconvexa.

Por otro lado, se tiene que:

( ) ( ) { } ( )
1
x
1 2 1
e x f x f , x f min = =

Entonces, dado que:

( ) ( ) ( ) { } ( )
1
x
1 2 1
z
e x f x f , x f min e z f = = > =

f tambin es estrictamente cuasiconvexa.

1. Condiciones necesarias y suficientes para la cuasiconcavidad
de funciones no necesariamente diferenciables

Sea X un conjunto convexo no vaco de
n
9 y f una funcin de X en 9 .
Se verifica que:

La funcin es cuasiconvexa si y slo si para todo 9 e o , el conjunto

( ) { } o s e = A
o
x f X x
, ,

Es convexo.

La funcin f es cuasicncava si y slo si para todo 9 e o , el conjunto

{ } o > e = O
o
) x ( f X x
, ,

Es convexo.

Ejemplos:

Determinar si las siguientes funciones son cuasicncavas o cuasiconvexas.

a)
x
e ) x ( f = con 9 e x ,
b) x ln ) x ( f = con x>0
112
Solucin:

Podemos ver que estas funciones ya fueron analizados anteriormente y se
llego a la solucin que para cualquier
o o
O A o y , son convexos, por
tanto, dichas funciones son cuasiconvexas y cuasicncavas.

2. Condiciones para la cuasiconcavidad de funciones
diferenciables

2.1. Condiciones de primer orden

Sea X un conjunto abierto, no vaco y convexo de
n
9 y f una funcin
definida de X en 9 diferenciable en X.

La funcin f es cuasiconvexa en X si y slo si para todo X x , x
2 1
e
, ,
con
) x ( f ) x ( f
1 2
, ,
s se verifica que . 0 ) x x )( x ( f
1 2 1
s V
, , ,

La funcin f es cuasicncava en X si y slo para todo X x , x
2 1
e con
) x ( f ) x ( f
1 2
, ,
> se verifica que . 0 ) x x )( x ( f
1 2 1
> V
, , ,

Para el caso de estrictamente cuasiconvexa y estrictamente cuasicncava las
condiciones sern similares solo que con las desigualdades, en las que
aparece el gradiente de f evaluado en , x
1
en sentido estricto.

Ejemplos:

Determinar si las siguientes funciones son cuasicncavas o cuasiconvexas.

a) ( ) , x x f
2
= con 9 e x
b) ( ) , c bx ax x , x f
2 1 2 1
+ + = con 9 e 9 e c , b , a ) x , x (
2
2 1

c) ( ) ( ), x x ln x , x f
2 1 2 1
+ = con (x
1
,x
2
)
2
+
9 e

Solucin:

a) La funcin ( )
2
x x f = es cuasiconvexa, ya que para todo x
1
y x
2
de 9 con
) x ( f x x ) x ( f
1
2
1
2
2 2
= s = se verifica que:

Si x
1
< 0 y x
2
<0, 0 ) x x ( x 2 ) x x )( x ( f
1 2 1 1 2 1
'
s =
Si x
1
< 0 y x
2
>0, 0 ) x x ( x 2 ) x x )( x ( f
1 2 1 1 2 1
'
s =
Si x
1
> 0 y x
2
<0, 0 ) x x ( x 2 ) x x )( x ( f
1 2 1 1 2 1
'
s =
Si x
1
> 0 y x
2
>0, 0 ) x x ( x 2 ) x x )( x ( f
1 2 1 1 2 1
'
s =
113

Para verificar que lo anterior es til tener en cuenta que a partir de
) x ( f x x ) x ( f
1
2
1
2
2 2
= s = se llega a:

0 ) x x )( x x ( 0 x x
2 1 2 1
2
2
2
1
> + >

b) Para cualquier a, b y c, la funcin ( ) c bx ax x , x f
2 1 2 1
+ + = es
cuasiconvexa y cuasicncava. En efecto, sean ) y , y ( y
2 1
=
,
y ) x , x ( x
2 1
=
,

dos elementos cualesquiera tales que:

), x ( f ) x , x ( f ) y , y ( f ) y ( f
2 1 2 1
, ,
= s =

Por tanto:

c bx ax c by ay
2 1 2 1
+ + s + +

Entonces:

) x y ( b ) y x ( b ) x y ( a ax ay
2 2 2 2 1 1 1 1
= s =

Como:

| | 0 ) x y ( b ) x y ( a
x y
y y
b , a ) x y )( x ( f
2 2 1 1
2 2
1 1
s + =
(
= V
, , ,

Podemos concluir que f es cuasiconvexa. Razonando de forma
anloga se prueba que f es cuasicncava.

c) La funcin ( ) ( )
2 1 2 1
x x ln x , x f + = con
2
2 1
) x , x ( x
+
9 e =
,
es cuasiconvexa
y cuasicncava. En efecto, sean ) y , y ( y
2 1
=
,
y ) x , x ( x
2 1
=
,
con
2 1 2 1
x x y y + s + , entonces se verifica que ), x ( f ) y ( f
, ,
s y que:

| | 0 ) x x ( ) y y (
x x
1
x y
x y
x x
1
x x
1
) x y )( x ( f
2 1 2 1
2 1
2 2
1 1
2 1 2 1
s + +
+
=
(
(
(
+ +
= V
, , ,

Por tanto, la funcin es cuasiconvexa. No podemos asegurar que es
estrictamente cuasiconvexa, puesto que con x y
, ,
= puede verificarse que
2 1 2 1
x x y y + = + , pero entonces ) x ( f ) x x ln( ) y y ln( ) y ( f
2 1 2 1
, ,
= + = + = y
0 ) x y )( x ( f = V
, , ,
.

Razonando de forma anloga se prueba que f es cuasicncava.
114

2.2. Condiciones de segundo orden

Sea f una funcin definida de
n
+
9 en 9 continua y dos veces
diferenciable. Sea ( )
n , 2 1
x , x , x f H . el hessiano orlado dado por:

( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) 1 n 1 n
n n 1 n n
n 1 1 1 1
n 1
x f x f x f
x f x f x f
x f x f 0
x , x , x f H
x x x x x
x x x x x
x x
n , 2 1
+ +
(
(
(
(
(
(
(
(
=
,
. .
, ,
. . .
,
. .
, ,
,
. .
,
.

Siendo ( )
n , 2 1 r
x , x , x f D . el menor principal dominante de ( ), x , x , x f H
n , 2 1
.
que viene dado por:

( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) 1 r 1 r
r r 1 r r
r 1 1 1 1
r 1
x f x f x f
x f x f x f
x f x f 0
x , x , x f D
x x x x x
x x x x x
x x
n , 2 1 r
+ +
=
,
. .
, ,
. . .
,
. .
, ,
,
. .
,
.

Se verifica que:

a) Si f es una funcin cuasiconvexa, n , , 2 , 1 r . = se tiene que
( ) . 0 x , x , x f D
n , 2 1 r
s . (condicin necesaria pero no suficiente).
b) Si n , , 2 , 1 r . = ( ) , 0 x , x , x f D
n , 2 1 r
< . la funcin f es cuasiconvexa.
(condicin suficiente pero no necesaria).
c) Si f es una funcin cuasicncava, n , , 2 , 1 r . = se tiene que
( ) .
par es r si , 0
impar es r si , 0
x , x , x f D
n , 2 1 r
>
s
= . Es decir, se verifica que:
( ) ( ) . 0 x , x , x f D 1
n , 2 1 r
r
> . (condicin necesaria pero no suficiente).
d) Si n , , 2 , 1 r . = se verifica que: ( ) .
par es r si , 0
impar es r si , 0
x , x , x f D
n , 2 1 r
>
<
= . Es
decir, ( ) ( ) , 0 x , x , x f D 1
n , 2 1 r
r
> . entonces f es una funcin
cuasicncava. (condicin suficiente pero no necesaria).
115

Ejemplos:

Teniendo en cuenta las definiciones anteriores estudiar la cuasiconvexidad o
cuasiconcavidad de las siguientes funciones:

a) ( )
b
2
a
1 2 1
x x x , x U = en
2
+
9 con , 1 b 0 , 1 a 0 < < < <
b) ( )
3 2 1 3 2 1
x x x x , x , x f = en .
3
+
9

Solucin:

a) El hessiano orlado de ( )
b
2
a
1 2 1
x x x , x U = es:

( ) ( )
( )
( ) ( ) 1 2 1 2
2 b
2
a
1
1 b
2
1 a
1
1 b
2
a
1
1 b
2
1 a
1
b
2
2 a
1
b
2
1 a
1
1 b
2
a
1
b
2
1 a
1
n , 2 1
x x 1 b b x abx x bx
x abx x x 1 a a x ax
x bx x ax 0
x , x , x U H
+ +
(
(
(
(
=

.

Los menores principales dominantes son los siguientes:

( )
( )
( ) 0 x ax
x x 1 a a x ax
x ax 0
x , x , x U D
2
b
2
1 a
1
b
2
2 a
1
b
2
1 a
1
b
2
1 a
1
n , 2 1 1
< =
.

( ) ( ) ( ) | | = =
2 b 3
2
2 a 3
1
2 2 2 2
n , 2 1 2
x x 1 b b a b 1 a a b a 2 x , x , x U D .

( ) ( ) 0 x x b a ab x , x , x U D
2 b 3
2
2 a 3
1 n , 2 1 2
> + =

.

Por tanto, la funcin U es cuasicncava en .
2
+
9

b) El hessiano orlado de ( )
3 2 1 3 2 1
x x x x , x , x f = es:

( )
( ) ( ) 1 3 1 3
0 x x x x
x 0 x x x
x x 0 x x
x x x x x x 0
x , x , x f H
1 2 2 1
1 3 3 1
2 3 3 2
2 1 3 1 3 2
n , 2 1
+ +
(
(
(
(
(
= .

Los menores principales dominantes son los siguientes:

( ) ( ) 0 x x
0 x x
x x 0
x , x , x f D
2
3 2
3 2
3 2
n , 2 1 1
< = = .
116

( ) 0 x x x 2
0 x x x
x 0 x x
x x x x 0
x , x , x f D
2
3 2 1
3 3 1
3 3 2
3 1 3 2
n , 2 1 2
> = = .

( ) 0 x x x
0 x x x x
x 0 x x x
x x 0 x x
x x x x x x 0
x , x , x f D
2
3
2
2
2
1
1 2 2 1
1 3 3 1
2 3 3 2
2 1 3 1 3 2
n , 2 1 3
< = = .

Por tanto, la funcin f es cuasicncava en .
3
+
9

IV.6 Formulacin de programas matemticos

Los problemas de programacin matemtica que vamos a tratar tienen por
objetivo determinar el ptimo de una funcin (mximo o mnimo), que
denominaremos funcin objetivo, sobre un determinado conjunto de soluciones
factibles. De manera formal, tenemos que:

( ) ( ) ( )
( ) CF x , , x , x x : a . s
x , , x , x f x f min o max
n 2 1
n 2 1
e =
=
.
,
.
,

Es decir, debemos determinar los valores que han de adoptar las variables de
decisin ( )
n 2 1
x , , x , x x .
,
= dentro del conjunto CF (conjunto de soluciones
factibles que queda definido por las restricciones del problema), para que la
funcin objetivo adopte el valor ptimo buscado.

En general, para un problema con n variables de decisin, de la forma:

( ) ( ) ( )
( )
( )
( )
( ) 0 x , , x , x h
0 x , , x , x h
0 x , , x , x g
0 x , , x , x g : a . s
x , , x , x f x f min o max
n 2 1 k
n 2 1 1
n 2 1 m
n 2 1 1
n 2 1
=
=
s
s
=
.
.
.
.
.
.
.
,

El conjunto CF de soluciones factibles es:

( ) ( ) { }. k , , 1 j para , 0 x h m , , 1 i para , 0 x g x CF
j i
n
.
,
.
, ,
= = . = s 9 e =

117

1. Definiciones

Sea CF el conjunto de soluciones factibles de un programa matemtico, cuya
funcin objetivo es f.

a) Un punto ( ) CF x , , x , x x
*
n
*
2
*
1
*
e = .
,
es un mximo global del programa si
se verifica que ( ) ( ) x f x f
*
, ,
> para todo ( ) . CF x , , x , x x
n 2 1
e = .
,

b) ( ) CF x , , x , x x
*
n
*
2
*
1
*
e = .
,
es un mximo global estricto si
*
x
,
es un mximo
global y ( ) ( ) x f x f
*
> para todo x x
*
= en CF.
c) ( ) CF x , , x , x x
*
n
*
2
*
1
*
e = .
,
es un mximo local (o mximo relativo) del
programa si existe una bola
5
( )
*
r
x B
,
alrededor de
*
x
,
tal que ( ) ( ) x f x f
*
, ,
>
para todo ( ) . CF x B x
*
r
e
, ,

d) ( ) X x , , x , x x
*
n
*
2
*
1
*
e = .
,
es un mximo local estricto de f existe una bola
( )
*
r
x B
,
alrededor de
*
x
,
tal que ( ) ( ) x f x f
*
, ,
> para todo x x
*
, ,
= en
( ) . CF x B
*
r

,

En otras palabras, un punto
*
x
,
es un mximo local si no hay puntos cercanos
a l en los que f adopte un mayor valor. Por supuesto, un mximo global es
siempre un mximo local. Sin embargo, el recproco no es cierto.

Invirtiendo las desigualdades en las cuatro definiciones anteriores
obtendremos las definiciones de mnimo global, mnimo global estricto,
mnimo local, y mnimo local estricto respectivamente.

Es importante resaltar que las definiciones de ptimos locales y globales son
aplicables a cualquier funcin independientemente que sea o no continua o
diferenciable.

1.1. Teorema de Weierstrass

Sea 9 9
n
: f una funcin continua definida en
n
X 9 c donde X
es un conjunto cerrado y acotado
6
. Entonces existen X x , x
2 1
e

tales
que:

( ) ( )
( ) ( ) X x x f x f
X x x f x f
2
1
e >
e s

Por tanto,
1
x
es un mnimo global de f en X y
2
x
es un mximo
global de f en X.

5
6
118

2. Formulacin de programas sin restricciones

La formulacin general de un programa sin restricciones es:

( )
( )
9 e
n
x
x f opt
: I
,
,

Donde: . D : f
n
9 9 c Siendo D el dominio de la funcin.

Condiciones necesarias de primer orden de ptimo local

Sea D un subconjunto abierto de
n
9 y f una funcin definida de
D en , 9 diferenciable en D. Si D x
*
e
,
es un mnimo o mximo
local de f, entonces:

( ) ( ) 0 x f II
*
,
,
= V

A los puntos
*
x
,
que hacen que el gradiente de una funcin f sea nulo
se les denomina puntos crticos de la funcin f. Por tanto, los
mximos y mnimos locales, y los puntos de silla (para n = 1: puntos de
inflexin) de una funcin diferenciable son puntos crticos de f.

La interpretacin geomtrica de la condicin ( ) II nos seala que el
plano tangente a la grfica de una funcin diferenciable que depende de
dos variables ( ) 2 n = en un ptimo local es horizontal.

a)

b)

Figura 26
119
En la figura 26 se aprecia el grfico de funciones que dependen de dos
variables y que presenta planos tangentes horizontales en sus puntos
crticos. No obstante, se puede apreciar que la condicin ( ) II es
necesaria pero no suficiente, ya que la grfica de la funcin a) tiene un
punto crtico (punto de silla) que no es ni mximo ni mnimo.

Definicin de punto de silla: Sea f una funcin diferenciable en un
subconjunto abierto
n
D 9 c con valores en . 9 Un punto crtico
n *
x 9 e
,
se denomina punto de silla si para toda bola abierta ( )
*
r
x B
,
se
verifica que existen ( )
*
r
2 1
x B x , x
, , ,
e tales que:

( ) ( )
* 1
x f x f
, ,
<

( ) ( )
* 2
x f x f
, ,
>

Ejemplos:

Dadas las siguientes funciones, hallar los puntos crticos y clasificarlos
como mximos mnimos locales o globales o como puntos de silla.

a) ( ) , 3 x 2 x x x 2 x 2 x f
1
2
2 2 1
2
1
+ + + =
,

b) ( ) , 13 x 2 x 10 x 3 x 8 x 5 x x f
3 2
2
3 1
2
2
2
1
+ + =
,

c) ( ) . x x x f
2 1
=
,

Solucin:

a) Para hallar los puntos crticos de f calculamos el vector gradiente
de f y lo igualamos al vector cero.

( ) 0 x f
*
,
,
= V

( ) ( ) ( ) 0 , 0 x 2 x 2 , 2 x 2 x 4 x f
*
2
*
1
*
2
*
1
*
= + + + = V
,

Por lo que de la expresin anterior se tiene el siguiente sistema de
ecuaciones:

0 2 x 2 x 4
*
2
*
1
= + +

0 x 2 x 2
*
2
*
1
= +

Resolviendo se tiene que el nico punto crtico de f es:
( ) ( ). 1 , 1 x , x x
*
2
*
1
*
= =
,

Por otro lado, la funcin que estamos analizando se puede escribir
de la siguiente forma:

( ) ( ) ( ) 4 1 x x x x f
2
1
2
2 1
+ + + =
,

120
Podemos notar que ( ) ( ) 0 1 x x x
2
1
2
2 1
> + + +
( ) ( ). 1 , 1 x , x
2
2 1
= 9 e Mientras que para ( ) 1 , 1 x
*
=
,
se verifica
que ( ) ( ) . 0 1 x x x
2
1
2
2 1
= + + + Por lo que ( ) ( ) 1 , 1 x , x
2
2 1
= 9 e se
verifica que ( ) ( ) ( ), x f 1 , 1 f 4 x f
*
, ,
= = > y si ( ) ( ) 1 , 1 x , x x
*
2
*
1
*
= =
resulta que ( ) ( ) ( ). x f 1 , 1 f 4 x f
*
, ,
= = = Por tanto, en
( ) ( ) 1 , 1 x , x x
*
2
*
1
*
= =
,
f alcanza un mnimo global estricto ya que
( ) ( ) = 9 e 1 , 1 x , x
2
2 1
( ) ( ) ( ). x f 1 , 1 f 4 x f
*
, ,
= = >

Figura 27

b) Para hallar los puntos crticos de f calculamos el vector
gradiente de f y lo igualamos al vector cero.

( ) ( ) ( ) 0 , 0 , 0 2 x 6 , 10 x 10 , 8 x 2 x f
*
3
*
2
*
1
*
= + + = V
,

ecuaciones:

0 8 x 2
*
1
= +

0 10 x 10
*
2
=

0 2 x 6
*
3
= +

( ) ( ). 3 1 , 1 , 4 x , x , x x
*
3
*
2
*
1
*
= =
,

Dado que f puede escribirse como:

( ) ( ) ( ) ( ) 3 25 3 1 x 3 1 x 5 4 x x f
2
3
2
2
2
1
+ + =
,

121

Se comprueba que ( ) ( ) 3 1 , 1 , 4 x , x , x x
*
3
*
2
*
1
*
= =
,
es un mximo
global ya que para todo ( )
3
3 2 1
x , x , x x 9 e =
,
:

( ) ( ) ( ) ( ) ( )
* 2
3
2
2
2
1
x f 3 25 3 25 3 1 x 3 1 x 5 4 x x f
, ,
= s + + =

c) Para hallar los puntos crticos de f calculamos el vector
gradiente de f y lo igualamos al vector cero.

( ) ( ) ( ) 0 , 0 x , x x f
*
1
*
2
*
= = V
,

ecuaciones:

0 x
*
1
=

0 x
*
2
=

( ) ( ). 0 , 0 x , x x
*
2
*
1
*
= =
,

Ahora vamos a ver como se comporta f en el entorno al punto
( ) ( ). 0 , 0 x , x x
*
2
*
1
*
= =
,
Se observa que ( ) ( ) ( ) . 0 0 , 0 f x , x f x f
*
2
*
1
*
= = =
,
Si
trazamos una bola centrada en ( ) ( ) 0 , 0 x , x x
*
2
*
1
*
= =
,
con un radio
0 r > notamos que existen puntos del primer y segundo
cuadrantes en los que ( ) ( ) 0 x , x f x , x f
*
2
*
1 2 1
= > y en los que
( ) ( ) , 0 x , x f x , x f
*
2
*
1 2 1
= < mientras que en el tercer y cuarto cuadrantes
existen puntos en los que ocurre lo mismo. Por tanto,
( ) ( ) 0 , 0 x , x x
*
2
*
1
*
= =
,
representa un punto de silla.

2
x
( ) 0 x , x f
2 1
>

( ) 0 x , x f
2 1
>

( ) 0 x , x f
2 1
<

( ) 0 x , x f
2 1
<

( ) 0 , 0
1
x
r

Figura 28
122

Figura 29

2.2 Condiciones de segundo orden de ptimo relativo (local)

Sea 9 9 c
n
D : f cuyas derivadas parciales de primer y segundo
orden son continuas en su dominio D. Es decir, f es de clase dos ( ). C
2

Sea D x
*
e
,
un punto crtico de f. Siendo ( )
*
x Hf
,
el hessiano de f
evaluado en
*
x
,
(simtrico dado que f es
2
C ), se verifica que:

a) Si ( )
*
x Hf
,
es definido positivo,
*
x
,
es un mnimo relativo estricto de
f: (condicin suficiente pero no necesaria).
b) Si ( )
*
x Hf
,
es definido negativa,
*
x
,
es un mximo relativo estricto
de f: (condicin suficiente pero no necesaria).
c) Si ( )
*
x Hf
,
es indefinido,
*
x
,
es un punto de silla de f (condicin
suficiente pero no necesaria).
d) Si ( )
*
x Hf
,
es semidefinido positivo,
*
x
,
es un mnimo relativo o un
punto de silla de f (condicin necesaria).
e) Si ( )
*
x Hf
,
es semidefinido negativo,
*
x
,
es un mximo relativo o un
punto de silla de f (condicin necesaria).

Ejemplos:

Dadas las siguientes funciones, identificar si sus puntos crticos son
mximos, mmimos o puntos de silla. Adems, averiguar si los ptimos
relativos son globales.

a) ( ) ( ) 2 x x x x , x f
1 2 1 2 1
=
b) ( )
2
2 1
3
1 2 1
x x 2 x x , x f =
c) ( )
2
2
2
1 2 1
x x 2 x , x f =
d) ( )
2
2
2
1
x x
2 1
e 2 x , x f

=
123
Solucin:

a) Calculamos los puntos crticos igualando el gradiente de f al
vector cero:

( ) ( ) ( ) ( ) ( ) 0 , 0 2 x x , 1 x x 2 x f
1 1 1 2
*
= = V
,

( ) 0 1 x x 2
1 2
=

( ) 0 2 x x
1 1
=

De la segunda ecuacin se desprende que o , 0 x
1
= o bien . 2 x
1
= Si
, 0 x
1
= reemplazando este valor en la primera ecuacin . 0 x
2
=
Mientras que si , 2 x
1
= de manera anloga, se obtiene que . 0 x
2
=
Por tanto, los puntos crticos son: ( ) ( ). 0 , 2 x y 0 , 0 x
*
2
*
1
= =
, ,

Para poder emplear las condiciones de segundo orden primero
verificamos que f es una aplicacin de 9 9
2
, que es de clase
dos y que su dominio ( ) ( ) { }
2
2 1 2 1
x , x / x , x D 9 e = es un conjunto
abierto.

Ahora calculamos el hessiano para analizar las condiciones de
segundo orden:

( )
( )
( )
(
=
0 1 x 2
1 x 2 x 2
x Hf
1
1 2
,

Reemplazando ( ) ( ) 0 , 2 x y 0 , 0 x
*
2
*
1
= =

en el hessiano se tiene:

( )
(
=
0 2
2 0
x Hf
*
1
,

( )
(
=
0 2
2 0
x Hf
*
2
,

( )
*
1
x Hf
,
es una matriz indefinida ya que tiene un autovalor positivo
( ) 4
1
= y otro negativo ( ). 4
2
= Por tanto, ( ) 0 , 0 x
*
1
=
es un punto
de silla.
124
( )
*
1
x Hf
,
es una matriz indefinida ya que tiene un autovalor positivo
( ) 4
1
= y otro negativo ( ). 4
2
= Por tanto, ( ) 0 , 2 x
*
2
=
es un punto
de silla.

Figura 30

b) Calculamos los puntos crticos igualando el gradiente de f al
vector cero:

( ) ( ) ( ) 0 , 0 x x 4 , x 2 x 3 x f
2 1
2
2
2
1
*
= = V
,

0 x 2 x 3
2
2
2
1
=

0 x x 4
2 1
=

Resolviendo el sistema de ecuaciones anterior se tiene que el nico
punto crtico de f es ( ). 0 , 0 x
*
=

2
, que es de clase
2
2 1 2 1
abierto.

segundo orden:
125

( )
(
=
1 2
2 1
x 4 x 4
x 4 x 6
x Hf
,

Reemplazando ( ) 0 , 0 x
*
=

( )
(
=
0 0
0 0
x Hf
*
,

En este caso, las condiciones de segundo orden no nos dan ningn
tipo de informacin. Por tanto, el punto crtico ( ) 0 , 0 x
*
=
puede ser
mximo, mnimo o punto de silla.

Analizando la funcin observamos que:

( ) ( ) 0 0 , 0 f x f
*
= =
,

Ahora vamos a ver como se comporta f en el entorno al punto
( ). 0 , 0 x
*
=
,
Se observa que ( ) . 0 x f
*
=
,
Si trazamos una bola centrada
en ( ) 0 , 0 x
*
,
con un radio 0 r > notamos que existen puntos que se
encuentran sobre el eje
1
x y a la derecha del eje
2
x en los que
( ) ( ) ( ) ( ), 0 x 0 0 , 0 f x f x 0 , x f
1
* 3
1
1
> = = > =
,
y que existen puntos que se
encuentran sobre el eje
1
x y a la izquierda del eje
2
x en los que
( ) ( ) ( ) ( ). 0 x 0 0 , 0 f x f x 0 , x f
1
* 3
1 1
> = = < =
,
Por tanto, ( ) 0 , 0 x
*
=
,

representa un punto de silla de f.

Figura 31
126

c) Calculamos los puntos crticos igualando el gradiente de f al
vector cero:

( ) ( ) ( ) 0 , 0 x x 4 , x x 4 x f
2
2
1
2
2 1
*
= = V
,

0 x x 4
2
2 1
=

0 x x 4
2
2
1
=

Resolviendo el sistema de ecuaciones anterior se tiene que los
puntos crticos de f son de la forma ( ) ( ) b , 0 y 0 , a siendo a y b
nmeros reales.

2
, que es de clase
2
2 1 2 1
abierto.

segundo orden:

( )
(
(
=
2
1 2 1
2 1
2
2
x 4 x x 8
x x 8 x 4
x Hf
,

Reemplazando ( ) ( ) b , 0 y 0 , a en el hessiano se tiene:

( )
(
=
2
a 4 0
0 0
0 , a Hf

( )
(
(
=
0 0
0 b 4
b , 0 Hf
2

Ambos hessianos son semidefinidos positivos ya que tienen un
autovalor positivo ( ) 0 b 4 y 0 a 4
2
1
2
1
> = o > = y un autovalor nulo
( ). 0 y 0
2 2
= o = Por tanto, en los puntos crticos puede haber
mnimo relativo o punto de silla.

Se observa que:

( ) 9 e = a 0 0 , a f

( ) 9 e = b 0 b , 0 f
127
Pero, dado que ( ) ( )
2
2 1
2
2
2
1 2 1
x , x 0 x x 2 x , x f 9 e > = , entonces en
todos los puntos crticos (los ejes x
1
y x
2
) hay un mnimo global.

Figura 32

d) Calculamos los puntos crticos igualando el gradiente de f al
vector cero:

( ) ( ) 0 , 0 e x 4 , e x 4 x f
2
2
2
1
2
2
2
1
x x
2
x x
1
*
=
|
.
|
\
|
= V

,

0 e x 4
2
2
2
1
x x
1
=

0 e x 4
2
2
2
1
x x
2
=

Resolviendo el sistema de ecuaciones tenemos que el nico punto
crtico de f es ( ). 0 , 0 x
*
=

2
, que es de clase
2
2 1 2 1
abierto.

segundo orden:

( )
( )
( )
(
(
=

2
2
2
1
2
2
2
1
2
2
2
1
2
2
2
1
x x 2
2
x x
2 1
x x
2 1
x x 2
1
e 4 x 8 e x x 8
e x x 8 e 4 x 8
x Hf
,

*
=
128
( )
(
=
4 0
0 4
x Hf
*
,

El hessiano es definido negativo ya que sus autovalores son
negativos ( ) 4
2 1
= = . Por tanto, ( ) 0 , 0 x
*
=
es un mximo
relativo estricto.

Figura 33

2.3 Aplicaciones Econmicas

Empresa maximizadora de beneficios (privados)

Supngase una empresa que utiliza n factores de produccin para
producir un nico producto. Si
n
x
+
9 e
,
representa un paquete de
factores de produccin, si ( ) x Q y
,
= es la funcin de produccin de la
empresa de clase uno ( ), C
1
y si p es el precio de venta de este
producto, entonces el ingreso de la empresa viene dado por
( ) ( ). x Q p x I

= Si ( ) x C
representa el costo del paquete de factores de

produccin , x
el beneficio de la empresa de uso ptimo del paquete de

factores de produccin x
es:

( ) ( ) ( ). x C x I x

= t

Asumiremos que ( ) ( ) x C y x I

son tales que la empresa maximizadota de
beneficios utiliza una cantidad positiva de cada factor de produccin de
manera que el x
que maximiza el beneficio es un punto interior del

ortante positivo .
n
+
9
129
El problema de optimizacin que la empresa deber resolver es el
siguiente:

( ) ( ) ( )
n
x
x C x I x max
+
9 e
= t
,

Por las condiciones de primer orden de ptimo local se tiene que:

( )
( ) ( ) ( )
( )
_
.
s componente " n " n 2 1

0 , , , 0 , 0
x
x
, ,
x
x
,
x
x
x =
|
|
.
|
\
|
c
t c
c
t c
c
t c
= t V

Es decir, tenemos un sistema de ecuaciones de n ecuaciones con n
incgnitas:

( ) ( ) ( )
0
x
x C
x
x I
x
x
1
*
1
*
1
*
=
c
c
c
c
=
c
t c

( ) ( ) ( )
0
x
x C
x
x I
x
x
2
*
2
*
2
*
=
c
c
c
c
=
c
t c

.
( ) ( ) ( )
0
x
x C
x
x I
x
x
n
*
n
*
n
*
=
c
c
c
c
=
c
t c

En particular, la productividad marginal de la renta (ingreso marginal)
de utilizar una unidad ms del factor de produccin i debe igualarse
al costo marginal de comprar otra unidad del factor de produccin i.

( ) ( ) ( ) ( ) ( )
( ). n , , 2 , 1 i
x
x C
x
x I
0
x
x C
x
x I
x
x
i
*
i
*
i
*
i
*
i
*
.

=
c
c
=
c
c
=
c
c
c
c
=
c
t c
( ) *

Suponiendo que cada factor de produccin i tiene un costo unitario
constante , w
i
se tiene que:

( ) . x w x w x w x w x C
n n 2 2 1 1
, ,
.
,
= + + + =

Las condiciones de primer orden ( ) * seran:

( ) ( )
( ). n , , 2 , 1 i
p
w
x
x Q
w
x
x Q
p
i
i
*
i
i
*
.

= =
c
c
=
c
c

Las condiciones de segundo orden definidas en la seccin 2.2 requieren
que ( )
*
x H
,
t sea semidefinido negativo. En el caso de costo marginal
constante, implica que ( )
*
x HQ
,
debe ser semidefinido negativo en el
paquete de factores de produccin ptimo.
130
En particular, esto implica que cada ( ) . 0 x Q
*
x x
i i
s
,
Otra forma de decir
esto es que el vector de factores de produccin que maximiza el
beneficio se da slo en aquellas regiones del espacio de factores de
produccin donde todas las ( ) . 0 x Q
*
x x
i i
s
,
Si para cada , x
n
+
9 e
,
existe un
ndice i tal que ( ) , 0 x Q
i i
x x
>
,
entonces la empresa en estudio no puede
tener un producto que maximice su beneficio en el interior de .
n
+
9

Discriminacin monopolstica

Incluso en el caso de una empresa que produce un nico bien, puede
surgir un problema de optimizacin con dos o ms variables. Tal podra
ser el caso, por ejemplo, de una empresa monopolstica que vende un
nico bien en dos o ms mercados separados (por ejemplo, en el propio
pas y en el extranjero) y, en consecuencia, debe decidir acerca de las
cantidades (Q
1
, Q
2
, etc.) que enviar a los mercados respectivos para
maximizar su beneficio. En general, los diversos mercados tendrn
diferentes condiciones de demanda, y, si la elasticidad de la demanda
difiere en los distintos mercados, la maximizacin del beneficio estar
vinculada a la prctica de la discriminacin de precios. A continuacin
vamos a deducir matemticamente esta conocida conclusin.

Supondremos tres mercados separados y trabajaremos con funciones
generales. Por eso, nos limitaremos a suponer que nuestra empresa
monopolstica tendr las siguientes funciones de ingreso y costo total:

( ) ( ) ( ) ( )
3 3 2 2 1 1 3 2 1
Q I Q I Q I Q , Q , Q I + + = y ( ) Q C C =

Donde:
3 2 1
Q Q Q Q + + =

Obsrvese que todas las funciones de ingreso total ( )
3 2 1
I , I , I implican,
naturalmente, una estructura particular de demanda, que, en general,
ser diferente de la que rige en los otros dos mercados. En cuanto al
costo, en cambio, slo se postula una funcin de costo, porque es la
misma empresa la que produce para los tres mercados. Como
3 2 1
Q Q Q Q + + = , tambin el costo total C es bsicamente una
funcin de
3 2 1
Q , Q , Q , que constituyen las variables de eleccin del
modelo. Podemos, naturalmente, volver a escribir ( ) Q C como
( )
3 2 1
Q Q Q C + + . Convendra observar, sin embargo, que aunque la
ltima versin contiene tres variables independientes, seguiremos
considerando que la funcin tiene un nico argumento Q, porque la
suma de
3 2 1
Q y Q , Q es realmente una nica entidad. Por el contrario,
si las funciones aparecen en la forma ( )
3 2 1
Q , Q , Q C , entonces hay que
tener en cuenta tantos argumentos como variables independientes.
131
Ahora la funcin de beneficios es:

( ) ( ) ( ) ( ) Q C Q I Q I Q I
3 3 2 2 1 1
+ + = t

Por las condiciones de ptimo relativo tenemos:

( ) 0 , 0 , 0
Q
,
Q
,
Q
3 2 1
=
|
|
.
|
\
|
c
t c
c
t c
c
t c
= t V

( )
= = =
c
c
=
c
t c
= = =
c
c
=
c
t c
= = =
c
c
=
c
t c
0
dQ
dC
) Q ( ' I
dQ
dQ
dQ
dC
) Q ( ' I
Q
C
) Q ( ' I
Q
0
dQ
dC
) Q ( ' I
dQ
dQ
dQ
dC
) Q ( ' I
Q
C
) Q ( ' I
Q
0
dQ
dC
) Q ( ' I
dQ
dQ
dQ
dC
) Q ( ' I
Q
C
) Q ( ' I
Q
a
3 3
1
3
3 3
3
3 3
3
2 2
1
2
2 2
2
2 2
2
1 1
1
1
1 1
1
1 1
1

Resulta que: 0 ) Q ( ' I ) Q ( ' I ) Q ( ' I
dQ
dC
3 3 2 2 1 1
= = = =

Es decir:
3 2 1
IMg IMg IMg CMg = = =

As los niveles de
1
Q ,
2
Q y
3
Q han de ser elegidos de manera
tal que el ingreso marginal de cada mercado sea igual al costo marginal
del producto total Q.

Para comprender las implicaciones de esta condicin con respecto a la
discriminacin de precios, hallemos primero cmo se relaciona
especficamente el IMg de cualquier mercado con el precio en ese
mercado. Ya que el ingreso de cada mercado es ( )
i i i i
Q Q P I = , es lgico
que el ingreso marginal sea:

( )
( )
i
i i
i
i
i
i i
i
i
i
dQ
Q dP
Q
dQ
dQ
Q P
dQ
dI
IMg + = =

( )
( )
( )
( )
( )
( ) (
(
(
(
(
(
(
(
(
|
.
|
\
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
i i
i
i i
i
i i
i
i
i
i i
i
i i i
Q P
Q
Q dP
dQ
1
1 Q P
dQ
Q dP
Q P
Q
1 Q P IMg
132
( ) ) 3 , 2 , 1 i (
d
1
1 Q P IMg
i
i i i
=
|
|
.
|
\
|
c
+ =

Donde
i
d c , la elasticidad puntual de la demanda en el mercado
i-simo, es normalmente negativa. En consecuencia, la relacin entre
i
IMg y ( )
i i
Q P puede expresarse alternativamente mediante la ecuacin:

( ) ) A ( ) 3 , 2 , 1 i (
d
1
1 Q P IMg
i
i i i
=
|
|
.
|
\
|
c
=

Recurdese que
i
d c , por lo general, es una funcin de ( )
i i
Q P , de
manera tal que cuando se elige
i
Q entonces ( )
i i
Q P queda as
especificado, y
i
d c tambin adoptar un valor especfico, que puede
ser mayor, menor o igual que uno. Pero si
i
d c < 1 (siendo la demanda
inelstica en este punto), entonces su valor inverso ser mayor que uno
y la expresin que aparece entre parntesis en (A) ser negativa, con lo
cual
i
IMg

tomar un valor negativo. Anlogamente, s 1 d
i
= c
(elasticidad unitaria), entonces el
i
IMg

tomar valor cero. Ya que el
CMg de una empresa es positivo, la condicin de primer orden
i
IMg CMg = requiere que la empresa trabaje con un nivel positivo de
i
IMg . De aqu que los niveles de venta
i
Q elegidos por la empresa
deben ser tales que la correspondiente elasticidad puntual de la
demanda en cada mercado sea mayor que uno.

La condicin de primer orden
3 2 1
IMg IMg IMg = = se puede convertir
ahora, por medio de (A), en lo siguiente:

|
|
.
|
\
|
c
=
|
|
.
|
\
|
c
=
|
|
.
|
\
|
c
3
3 3
2
2 2
1
1 1
d
1
1 ) Q ( P
d
1
1 ) Q ( P
d
1
1 ) Q ( P

De esto se puede inferir fcilmente que cuanto menor sea el valor de
i
d c (en el nivel elegido de produccin) en un mercado en particular y
cuanto mayor sea el precio en ese mercado (de ah la discriminacin de
precios) tanto mayor ser el beneficio.

Para asegurar la maximizacin del beneficio, examinaremos la
condicin de segundo orden. A partir de (a), las derivadas parciales de
segundo orden son:

) Q ( ' ' C ) Q ( ' ' I
Q
Q
) Q ( ' ' C ) Q ( ' ' I
Q
1 1
1
1 1
2
1
2
=
c
c
=
c
t c

133
) Q ( ' ' C ) Q ( ' ' I
Q
Q
) Q ( ' ' C ) Q ( ' ' I
Q
2 2
2
2 2
2
2
2
=
c
c
=
c
t c

) Q ( ' ' C ) Q ( ' ' I
Q
Q
) Q ( ' ' C ) Q ( ' ' I
Q
3 3
3
3 3
2
3
2
=
c
c
=
c
t c

) Q ( ' ' C
2 3 3 2 1 3 3 1 1 2 2 1
Q Q Q Q Q Q Q Q Q Q Q Q
= t = t = t = t = t = t

De manera tal que el hessiano de t es:

(
(
(

= t
) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C ) Q ( ' ' C
) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C
) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I
H
3 3
2 2
1 1

Los menores principales dominantes del hessiano de t son:

) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C ) Q ( ' ' C
) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C
) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I
H H
3 3
2 2
1 1
3

= t = t

|
| ) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' I
) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' I H
3 3 2 2 3 3 1 1
2 2 1 1 3 3 2 2 1 1 3
+ +
+ = t

) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C
) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I
H
2 2
1 1
2

= t

| | ) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' I ) Q ( ' ' I H
2 2 1 1 2 2 1 1 2
+ = t

) Q ( ' ' C ) Q ( ' ' I H
1 1 1
= t

Para obtener un mximo ser necesario que se verifique:

1. 0 ) Q ( ' ' C ) Q ( ' ' I 0 H
1 1 1
< < t ; es decir, la pendiente de
1
IMg
deber ser menor que la pendiente del CMg del producto total
(puesto que cualquiera de los tres mercados puede considerarse
como el primer mercado, esto implica, en efecto que,
0 ) Q ( ' ' C ) Q ( ' ' I
2 2
< y 0 ) Q ( ' ' C ) Q ( ' ' I
3 3
< .

2. | || | | | 0 ) Q ( ' ' C ) Q ( ' ' C ) Q ( ' ' I ) Q ( ' ' C ) Q ( ' ' I H 0 H
2
2 2 1 1 2 2
> = t > t

3. 0 H
3
< t
134
2.4 Condiciones suficientes de optimalidad global:
Programacin convexa

Programa convexo: Dado un programa matemtico de la forma:

( )
( )
9 c e
n
CF x : a .. s
x f opt
III
,
,

Se dice que:

a) Es convexo para mnimo si CF es convexo y f es una funcin
convexa en CF.
b) Es convexo para mximo si CF es convexo y f es una funcin
cncava en CF.

Teorema fundamental de la programacin convexa:
Dado el programa convexo:

( )
( )
9 c e
n
CF x : a .. s
x f min
IV
,
,

Se cumple que:

a) Si CF x
*
e
,
es un mnimo relativo, entonces
*
x
,
es un mnimo
global.
b) El conjunto de todos los mnimos del programa es un conjunto
convexo.

Dado el programa convexo:

( )
( )
9 c e
n
CF x : a .. s
x f max
V
,
,

Se cumple que:

c) Si CF x
*
e
,
es un mximo relativo, entonces
*
x
,
es un mximo
global.
d) El conjunto de todos los mximos del programa es un conjunto
convexo.

Es importante resaltar que el teorema fundamental de la programacin
convexa nos dice que la convexidad del programa da una condicin
suficiente (pero no necesaria) para que todo ptimo relativo sea global.
Asimismo, es importante hacer notar que un programa convexo (ya sea
de maximizacin o de minimizacin) puede no tener solucin ptima
(esto se da cuando CF es un conjunto no acotado
7
).

7
Ver apndice.
135

A continuacin veremos que para programas convexos sin restricciones
las condiciones de primer orden son necesarias y suficientes para la
optimalidad global.

Proposicin 1: Dada 9 9
n
: f diferenciable en
n
9 se
comprueba que:

a) Si f es convexa en
n
9 , la condicin necesaria y suficiente para
que
*
x
,
sea mnimo global de f, es que ( ) . 0 x f
*
,
,
= V
b) Si f es estrictamente convexa en
n
9 , la condicin necesaria y
suficiente para que
*
x
,
sea mnimo global estricto de f, es que
( ) . 0 x f
*
,
,
= V
c) Si f es cncava en
n
9 , la condicin necesaria y suficiente para
que
*
x
,
sea mximo global de f, es que ( ) . 0 x f
*
,
,
= V
d) Si f es estrictamente cncava en
n
9 , la condicin necesaria y
suficiente para que
*
x
,
sea mximo global estricto de f, es que
( ) . 0 x f
*
,
,
= V

La convexidad de un programa es suficiente para que la solucin
ptima sea global. Cuando un programa no presenta restricciones, basta
que la funcin objetivo sea convexa (respectivamente cncava) para
que dicho programa sea convexo. No obstante, para funciones que
cumplen condiciones ms dbiles que stas, tambin se verifica que los
ptimos locales son globales. Para ello es suficiente con exigir que la
funcin sea seudoconvexa o cuasiconvexa.

Proposicin 2: Sea S un subconjunto convexo de
n
9 y . S : f 9
Se verifica que:

a) Si S x
*
e
,
es un punto crtico de f y la funcin f es
seudoconvexa en
*
x
,
, entonces
*
x
,
es un mnimo global de f.
b) Si S x
*
e
,
es un punto crtico de f y la funcin f es
seudocncava en
*
x
,
, entonces
*
x
,
es un mximo global de f.
c) Si f es cuasiconvexa en S y S x
*
e
,
es un mnimo relativo estricto
de f, entonces
*
x
,
es un mnimo global de f.
d) Si f es cuasicncava en S y S x
*
e
,
es un mximo relativo estricto
de f, entonces
*
x
,
es un mximo global de f.
136
Proposicin 3: Sea S un subconjunto convexo y abierto de
n
9 y
9 S : f una funcin con derivadas parciales primeras y segundas
continuas en S. Si f es cuasiconvexa en S, se verifica que, si S x
*
e
,
es
tal que ( ) , 0 x f
*
,
,
= V entonces ( )
*
x Hf
,
es semidefinido positivo. Por tanto,
*
x
,
puede ser un mnimo o un punto de silla.

Ejemplos: Determine los ptimos globales de las siguientes
funciones:

a) ( ) 3 x 4 x 5 x x , x f
2
2
2
2
1 2 1
+ + =
b) ( ) ( )
2
2 1 2 1
2 x x x , x f + =

Solucin:

a) Por las condiciones de primer orden, el punto crtico de f se
obtiene:

( ) ( ) ( ) 0 , 0 4 x 10 , x 2 x , x f
2 1 2 1
= + = V

0 x 2
1
=

0 4 x 10
2
= +

Resolviendo el sistema, el nico punto crtico de f es
( ) ( ). 5 2 , 0 x , x
*
2
*
1
=

Para todo ( )
2
2 1
x , x x 9 e =
,
se tiene que:

( )
(
=
10 0
0 2
x Hf
,

El hessiano es definido negativo, ya que sus autovalores son
negativos ( ). 10 , 2
2 1
= = Por tanto, f es estrictamente
cncava, y gracias al apartado d) de la proposicin 1,
( ) ( ) 5 2 , 0 x , x
*
2
*
1
= es un mximo global estricto.

Note que como el dominio de f: ( ) { }, x , x D
2
2 1
9 e = que coincide
con el CF (para un programa sin restricciones), es un conjunto
convexo, y la funcin objetivo es estrictamente cncava, entonces
tenemos un programa convexo para mximo. Por tanto, el mximo
local obtenido ser tambin un mximo global.
137

Figura 34

b) Por las condiciones de primer orden, el punto crtico de f se
obtiene:

( ) ( ) ( ) ( ) ( ) 0 , 0 2 x x 2 , 2 x x 2 x , x f
2 1 2 1 2 1
= + + = V

( ) 0 2 x x 2
2 1
= +

( ) 0 2 x x 2
2 1
= +

Resolviendo el sistema, todos los puntos de la recta 0 2 x x
2 1
= +
son puntos crticos de f.

Para todo ( )
2
2 1
x , x x 9 e =
,
se tiene que:

( )
(
=
2 2
2 2
x Hf
,

El hessiano es semidefinido positivo, ya que posee un autovalor
positivo y un autovalor nulo ( ). 0 , 4
2 1
= = Por tanto, f es
convexa, y gracias al apartado a) de la proposicin 1, los puntos de
la recta 0 2 x x
2 1
= + son mnimos globales.

Por otro lado, dado que ( ) ( ) 0 2 x x x , x f
2
2 1 2 1
> + = para todo
( )
2
2 1
x , x x 9 e =
,
, y como para ( ) 0 2 x x / x , x x
*
2
*
1
*
2
*
1
*
= + =
,
se cumple
que ( ) ( ) . 0 x , x f x f
*
2
*
1
*
= =
,
Por tanto, en los puntos
( ) 0 2 x x / x , x x
*
2
*
1
*
2
*
1
*
= + =
,
f tiene un mnimo global.
138

Figura 35

2.5 Anlisis de Sensibilidad. Teorema de la envolvente

En muchas situaciones, la funcin objetivo de un problema de
optimizacin depende, a parte de las variables independientes, de
parmetros. En estas situaciones, el anlisis de sensibilidad consiste en
determinar el efecto sobre el valor ptimo de la funcin objetivo ante
un pequeo cambio en alguno de los parmetros del problema de
optimizacin. El teorema de la envolvente permite cuantificar este
efecto.

Definicin: Sea el problema:

( )
( )
9 e
|
n
x
, x f opt
VI
,
,
,

Siendo f una funcin de clase dos ( )
2
C , x
,
el vector de variables de
decisin, y
k
9 e |
,
un vector de parmetros.

Si
k
E 9 c es un conjunto abierto y para todo E e |
,
existe una solucin
ptima de (VI) dada por ( ) ( ) ( ) ( ) ( ) | | | = |
,
.
, , ,
,
*
n
*
2
*
1
*
x , , x , x x que verifica las
condiciones necesarias y suficientes de optimalidad local.

Definimos la funcin de valor ptimo o funcin objetivo indirecta de la
siguiente manera:

( ) ( ) ( ) | | = |
, ,
,
,
, x f
*

Teorema de la envolvente: Dado el problema (VI) y las
condiciones de la definicin anterior, si ( ) ( ) ( ) | | = |
, ,
,
,
, x f
*
es la funcin
objetivo indirecta del programa, se comprueba que ( ) : k , , 2 , 1 j
j
. = |

139
( ) ( ) ( )
j
*
j
, x f
| c
| | c
=
| c
| c
, ,
,
,

Ejemplos:

1.- Una empresa monopolstica produce un bien cuya funcin inversa
de demanda es ( ) q q p u o = siendo p el precio y q la cantidad,
y los parmetros . 0 y 0 > u > o La funcin de costo total de la
empresa est dada por ( ) q q C + c = siendo el costo marginal (y
costo unitario) y c el costo fijo. Suponiendo que o < < 0 y que
. 0 > c Se requiere:

a) Determinar la cantidad que debe producir la empresa para
maximizar sus beneficios.
b) Calcular la funcin de valor ptimo y determinar directamente
sus derivadas parciales.
c) Calcular las derivadas parciales de la funcin de valor ptimo
utilizando el teorema de la envolvente.
d) Comprobar que un decremento del costo marginal o del costo
fijo produce un incremento del beneficio ptimo.

2.- La funcin de produccin de una empresa competitiva ese de clase
dos ( )
2
C y est dada por ( ) L , K Q donde K y L representan las
cantidades a utilizar de los factores de produccin capital y trabajo
respectivamente. Si suponemos que los costos unitarios del capital
r y del trabajo w son constantes, entonces la funcin de costos
de la empresa ser ( ) . wL rK L , K C + = Si el precio unitario al que
vende su producto es p, entonces sus ingresos sern
( ) ( ). L , K pQ L , K I = Se requiere:

a) Determinar las condiciones que deben satisfacer K y L para
maximizar el beneficio de la empresa.
b) Calcular la funcin objetivo indirecta y determinar sus derivadas
parciales.
c) Verificar que un aumento de p produce un aumento en el
beneficio ptimo y que un decremento de r o de w produce
un decremento en el beneficio ptimo.

Solucin:

1.- a) El beneficio de la empresa es:

( ) ( ) ( ) ( ) ( ) ( ) c u o = + c u o = = c u o t
2
q q q q q q C q q p , , , ; q

140
Por la condicin de primer orden tenemos:

( )
( )
( )
( )
u
o
= = u o =
c u o t
= c u o t V
2
q 0 q 2
dq
, , , ; q d
, , , ; q
* *
*
*

El hessiano de ( ) c u o t , , , ; q
*
es:

( )
1 * 1
*
qq
*
2 , , , ; q , , , ; q H
(
u =
|
.
|
\
|
c u o t = c u o t

Es una matriz definida negativa ya que posee un autovalor
negativo ( ). 0 2 < u = Por tanto, la funcin de beneficio es
estrictamente cncava, por lo que en q
*
el beneficio es mximo.

b) La funcin de valor ptimo es:

( ) ( ) ( ) ( ) ( ) c u o = c u o t = c u o = |
2
* * *
q q , , , ; q , , ,
,

( ) ( )
( ) ( ) ( )
c
u
o
= c
|
|
.
|
\
|
u
o
u
u
o
o = |
4 2 2
2
2
,

Sus derivadas parciales son:

( ) ( )
u
o
=
o c
| c
2
,

( ) ( )
2
2
4u
o
=
u c
| c
,

( ) ( )
u
o
=
c
| c
2
,

( )
1 =
c c
| c
,

c) Aplicando el teorema de la envolvente tenemos:

( ) ( ) ( )
u
o
= =
o c
c u o t c
=
o c
| c
2
q
, , , ; q
*
*
,

( ) ( )
( )
( )
2
2
2
*
*
4
q
, , , ; q
u
o
= =
u c
c u o t c
=
u c
| c
,

141
( ) ( ) ( )
u
o
= =
c
c u o t c
=
c
| c
2
q
, , , ; q
*
*
,

( ) ( )
1
, , , ; q
*
=
c c
c u o t c
=
c c
| c
,

d) Por los datos del problema se comprueba que: . 0 q
*
> Por tanto,
( )
0 q
*
< =
c
| c
,
( )
( )
0 q
*
> A = A
c
| c
~ | A
,
,
. 0 < A Es
decir, un pequeo decremento en el costo marginal producir un
incremento del beneficio ptimo.

De forma anloga,
( )
<
c c
| c
0 1
,
( )
( )
0 q
*
> c A = c A
c
| c
~ | A
,
,

. 0 < c A Es decir, un pequeo decremento en el costo fijo
producir un incremento del beneficio ptimo.

2.- a) El beneficio de la empresa (funcin objetivo a maximizar) es:

( ) ( ) ( ) wL rK w , r , p ; L , K pQ w , r , p ; L , K + = t

Donde las variables de decisin son K y L. Por tanto,
*
K y
*
L maximizarn el beneficio si:

I) Satisfacen la condicin de primer orden:

( ) ( ) ( ) ( ) ( ) 0 , 0 w L , K pQ , r L , K pQ w , r , p ; L , K
* *
L
* *
K
* *
= = t V

( )
( ) ( )
( ) ( )
= =
= =
0 w L , K pQ w , r , p ; L , K F
0 r L , K pQ w , r , p ; L , K F
* *
* *
L
* * 2
* *
K
* * 1

II) Satisfacen la condicin de segundo orden: El hessiano de
( )
* *
L , K t debe ser definido negativo, por lo que el menor
principal dominante de orden uno de ( )
* *
L , K t deber ser
negativo y el menor principal dominante de orden dos
( )
* *
L , K t deber ser positivo, esto es:

( ) ( ) ( ) 0 L , K pQ L , K pQ L , K H
* *
KK
* *
KK
* *
1
< = = t

Dado que , 0 p > se deduce que: ( ) . 0 L , K Q
* *
KK
<
142
( ) ( )
( ) ( )
( ) ( )
* *
LL
* *
KL
* *
KL
* *
KK
* * * *
2
L , K pQ L , K pQ
L , K pQ L , K pQ
L , K H L , K H = t = t

( ) ( ) ( ) ( ) ( ) 0 L , K Q L , K Q L , K Q p L , K H
2
* *
KL
* *
LL
* *
KK
2 * *
2
>
(
= t

Nuevamente, como , 0 p > se deduce que:

( ) ( ) ( ) ( )
2
* *
KL
* *
LL
* *
KK
L , K Q L , K Q L , K Q >

Pero, dado que ( ) , 0 L , K Q
* *
KK
< para que la desigualdad
anterior se verifique debe cumplirse que:

( ) . 0 L , K Q
* *
LL
<

Por otro lado, si suponemos que las funciones
1
F y
2
F del
sistema (**) tienen derivadas continuas y si verificamos que el
jacobiano de este sistema con respecto a las variables endgenas
K
*
y L
*
no se anula en el equilibrio inicial: ( ), w , r , p ; L , K
* *
en
tal caso sera posible aplicar el teorema de la funcin implcita.

( ) ( )
( ) ( ) L w , r , p ; L , K F K w , r , p ; L , K F
L w , r , p ; L , K F K w , r , p ; L , K F
J
* * 2 * * 2
* * 1 * * 1
*
c c c c
c c c c
=

( ) ( )
( ) ( )
* *
LL
* *
KL
* *
KL
* *
KK
*
L , K pQ L , K pQ
L , K pQ L , K pQ
J =

Como se puede apreciar, el determinante jacobiano del sistema
de ecuaciones conformado por
1
F y
2
F coincide con el
determinante del hessiano de ( )
* *
L , K t , esto es:

( ) ( ) ( ) ( ) ( )
(
= t =
2
* *
KL
* *
LL
* *
KK
2 * * *
L , K Q L , K Q L , K Q p L , K H J

Pero, para que
*
K y
*
L maximicen el beneficio el
( ) , 0 L , K H
* *
> t entonces ( ) . 0 0 L , K H J
* * *
= > t = En
consecuencia, existe un entorno tridimensional de ( )
0 0 0
w , r , p , E,
en el que:

I)
*
K y
*
L se pueden expresar como funciones de las variables
exgenas ( ) w , r , p , es decir:
143
( )
( )
( )
=
=
w , r , p L L
w , r , p K K
* * *
* *
* *

II) Las dos funciones anteriores satisfacen el sistema de
ecuaciones (**) para cualquier ( ) E w , r , p e , son continuas y
tienen derivadas parciales continuas con respecto a todas las
variables exgenas (independientes).

Es importante resaltar que las expresiones de (***) verifican las
condiciones necesarias y suficientes de mximo local y que
adems supondremos que , 0 L y 0 K
* *
> > con ( ) . 0 L , K Q
* *
>

b) La funcin objetivo indirecta es:

( ) ( ) ( ) = t = = |
* *
L ; K w , r , p
,

( ) ( ) ( ) ( ) ( ) ( ) w , r , p wL w , r , p rK w , r , p L , w , r , p K pQ
* * * *
+ =

Aplicando el teorema de la envolvente, tenemos que:

( ) ( )
( ) ( ) ( ) w , r , p L , w , r , p K Q
p
L , K
p
* *
* *
=
c
t c
=
c
| c
,

( ) ( )
( ) w , r , p K
r
L , K
r
*
* *
=
c
t c
=
c
| c
,

( ) ( )
( ) w , r , p L
w
K , K
w
*
* *
=
c
t c
=
c
| c
,

c) En funcin de los resultados obtenidos en el apartado anterior,
tenemos que:

( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) p w , r , p L , w , r , p K Q 0 w , r , p L , w , r , p K Q
p
* * * *
A ~ | A > =
c
| c
,
,

( ) . 0 p 0 > A > | A
,
Es decir, un incremento en p producir un
incremento del beneficio ptimo.

( )
( ) ( ) ( ) r w , r , p K 0 w , r , p K
r
* *
A ~ | A < =
c
| c
,
,

144
( ) . 0 r 0 > A < | A
,
Es decir, un incremento en r producir un
decremento del beneficio ptimo.

( )
( ) ( ) ( ) w w , r , p L 0 w , r , p L
w
* *
A ~ | A < =
c
| c
,
,

( ) . 0 w 0 > A < | A
,
Es decir, un incremento en w producir
un decremento del beneficio ptimo.

( ) ( )
( ) w , r , p L
w
K , K
w
*
* *
=
c
t c
=
c
| c
,

3. Formulacin de programas con restricciones de igualdad

La formulacin genrica de un programa matemtico con restricciones de
igualdad es la siguiente:

( )
( ) ( )
( )
( )
=
=
=
0 x , , x , x g
0 x , , x , x g : a . s
x , , x , x f x f opt
VII
n 2 1 m
n 2 1 1
n 2 1
.
.
.
.
,

Con , n m < siendo 9 9
n
: f y ( ). m , , 2 , 1 i : g
n
i
. = 9 9

3.1 Condiciones necesarias de primer orden de ptimo local

Definicin: Dado el programa (VII), se denomina funcin
Lagrangiana asociada al programa (VII) a la funcin de n m+
variables definida por:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
=
+ = + + + = + =
m
1 i
i i m m 1 1
T
x g x f x g x g x f x g x f x , L
, , ,
.
, ,
,
, , , ,
,

Donde:

( )
( )
( )
( )
1 mx
m
2
1
x g
x g
x g
x g
(
(
(
(
(
(
=
,
.
.
,
,
, ,

1 mx
m
2
1
(
(
(
(
(
(
=
.
.
,

A los componentes de
,
se le conocen como multiplicadores de
Lagrange asociados a las restricciones ( ) ( ) m , , 2 , 1 i , 0 x g
i
.
,
= = o
variables duales correspondientes a las restricciones
( ) ( ) m , , 2 , 1 i , 0 x g
i
.
,
= = .
145

Condicin necesaria de Lagrange:

Sea
n
D 9 c un conjunto abierto. Para el programa (VII) con , n m <
siendo 9 D : f y ( ), m , , 2 , 1 i D : g
i
. = 9 ambas con derivadas
parciales primeras continuas en D y el conjunto de soluciones factibles
( ) ( ) { }. m , , 2 , 1 i , 0 x g D x x CF
i
n
.
, , ,
= = . e 9 e =

Se comprueba que si
*
x
,
es un ptimo local de (VII) tal que la matriz
jacobiana de ( )
*
x g
, ,
, ( ), x g J
*
, ,
tiene un menor de orden m distinto de cero
8

(es decir el rango de ( )
*
x g J
, ,
es m, lo que equivale a decir que dicha
matriz tiene m vectores fila linealmente independientes, lo que a su
vez equivale a decir que los gradientes de las restricciones en
*
x
,
:
( ) ( ) ( )
*
m
*
2
*
1
x g , , x g , x g
,
.
, ,
V V V sean linealmente independientes), existen m
nmeros reales
*
m
*
2
*
1
, , , . y n variables de decisin
*
n
*
2
*
1
x , , x , x .
tales que son solucin del siguiente sistema de ( ) n m + ecuaciones:

( )
( )
( )
( )
( ) ( )
( )
( )
( ) A
0
0
x g
x g x f
x , L
x , L
x , L
1 x n m
1 mx
1 nx
*
*
T
*
T
*
T
* *
T
* *
x
1 x n m
T
* *
+
+
(
(
(
=
(
(
(
V + V
=
(
(
(
(
V
V
= V
,
,
, ,
,
, , ,
,
,
,
,
,
,
,
,

La condicin necesaria de optimalidad de primer orden de Lagrange
dada por (A) se puede descomponer en: las condiciones de
estacionariedad (primera fila del sistema (A) y las condiciones de
factibilidad (segunda fila del sistema (A)).

Donde:

( )
( )
( )
( )
( )
( )
( )
( ) 1 x n m
* *
* *
* *
* *
n
* *
2
* *
1
T
* *
x , L
x , L
x , L
x , Lx
x , Lx
x , Lx
x , L
m
2
1
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
= V
,
,
.
.
,
,
,
,
,
,
.
.
,
,
,
,
,
,
( )
( )
( )
( )
1 nx
* *
n
* *
2
* *
1
T
* *
x
x , Lx
x , Lx
x , Lx
x , L
(
(
(
(
(
(
(
= V
,
,
.
.
,
,
,
,
,
,
,

8
A esta condicin se le conoce como condicin de regularidad (suficiente pero no necesaria). Todos los
puntos
*
x
,
que verifican la condicin de regularidad se denominan puntos regulares.
146
( )
( )
( )
( )
,
x , L
x , L
x , L
x , L
1 mx
* *
* *
* *
T
* *
n
2
1
(
(
(
(
(
(
(
(
= V
,
,
.
.
,
,
,
,
,
,
,
( ) ( )
=
V = V
m
1 i
T
*
i
*
i
*
T
*
x g x g
,
,
, ,

( ) ( ) ( ) ( ) | |
n x 1
*
x
*
x
*
x
*
x f x f x f x f
,

, , ,
n 2 1
= V

( )
( )
( )
( )
( )
*
mxn
*
n
*
2
*
1 m
*
n
*
2
*
1 2
*
n
*
2
*
1 1
*
m
*
2
*
1
*
x g J
) x ,........, x , x ( g
) x ,........, x , x ( g
) x ,........, x , x ( g
x g
x g
x g
x g
, ,
.
.
,
.
.
,
,
, ,
=
(
(
(
(
(
(
(
V
V
V
=
(
(
(
(
(
(
(
V
V
V
= V

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
mxn
n
*
m
*
m
*
m
n
*
2
*
2
*
2
n
*
1
*
1
*
1
*
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x g
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
(
(
c
c
c
c
c
c
(
(
c
c
c
c
c
c
= V
,

, ,
.
.
,

, ,
,

, ,
, ,
2 1
2 1
2 1

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
mxn
n
*
m
*
m
*
m
n
*
2
*
2
*
2
n
*
1
*
1
*
1
*
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x g
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
= V
,

, ,
.
.
,

, ,
,

, ,
, ,
2 1
2 1
2 1

El sistema (A) se puede escribir en forma compacta de la siguiente
manera:

( )
( ) ( )
( )
( )
( ) ( )
= =
= =
c
c
+ =

=
m , , 2 , 1 i 0 x g
n , , 1 j 0
x
x g
x f x , L
B
*
i
m
1 i
j
*
i
*
i
*
x
* *
x
j j
.
,
.
,
, ,
,

147
Las soluciones factibles
*
x
,
del programa (VII) que satisfacen la
primera fila del sistema (A) se denominan puntos estacionarios del
programa (VII).

Es importante resaltar que se verifica que todo punto crtico ( )
* *
, x
,
,
de la
funcin Lagrangiana asociada al programa (VII), es un punto estacionario
*
x
,
del programa (VII) con multiplicadores de Lagrange asociados .
*
,
Es
decir, se verifica que si
*
x
,
es una solucin factible, entonces ( ) , 0 x g
1 x m
*
,
, ,
=
por lo que ( ) ( ) ( ) ( ). x f 0 x f x , L
* * *
m x 1
* * *
= + =
,
,
, ,
, ,
,

Tambin es importante hacer notar que si la funcin objetivo as como
las restricciones de igualdad no son diferenciables y continuas, entonces
las condiciones de Lagrange no son aplicables. Adems, el hecho de
que no se verifique la condicin de regularidad (que los gradientes de
las restricciones de igualdad en
*
x
,
sean linealmente independientes)
puede impedir la aplicabilidad de las condiciones de Lagrange, ya sea
porque no existan o existan infinitos multiplicadores de Lagrange.

De la primera ecuacin de (A) se puede obtener:

( ) ( ) ( )
=
V = V = V
m
1 i
T
*
i
*
i
*
T
*
T
*
x g x g x f
,
,
, , ,

( ) ( ) ( )
=
V = V = V
m
1 i
*
i
*
i
*
T
* *
x g x g x f
, , ,
,
,

Lo que implica que si se verifica la condicin de Lagrange en , x
*
,

entonces el vector gradiente de la funcin objetivo se puede expresar
como una combinacin lineal de los vectores gradientes de las m
restricciones de igualdad.

Ejemplos:

1.- En el siguiente programa indique si se verifica la condicin de
Lagrange en la solucin ptima dada.

( )
=
+ +
1 2
2
2
2
1
x x : a . s
x 3 x min
Donde: ( ). 0 , 0 x
*
=
,

2.- Sea el programa matemtico:

( )
( ) b x , x g : a . s
x , x f max
2 1
2 1
=

148

Siendo f y g funciones con derivadas parciales continuas en
2
9
y ( )
*
2
* *
x , x x
1
=
,
es un mximo relativo del programa, tal que
( ) . 0 x g
*
,
,
= V Se pide:

a) Demostrar que en ( )
*
2
* *
x , x x
1
=
,
se satisface la condicin necesaria
de Lagrange haciendo uso del teorema de la funcin implcita y
de las condiciones de primer orden para problemas de
optimizacin libre.

b) Obtener el valor del multiplicador de Lagrange asociado a la
restriccin en ( )
*
2
* *
x , x x
1
=
,
y, analizar el significado de las
condiciones de primer orden.

c) Verificar que para el programa:

( )
1 x x : a . s
1 x 2 x max
2
2
1
2
2
2
1
= +

Se satisface la condicin de Lagrange en el punto ( ) 1 , 0 x
*
=
,
. Es
( ) 1 , 0 x
*
=
,
un mximo del problema?

3.- En una fbrica se consume un nico input, del que se dispone en una
cantidad limitada c, que es preciso consumir completamente. En
dicha planta funcionan dos procesos independientes entre los que es
preciso repartir la cantidad disponible del input. Si
1
x y
2
x son las
cantidades de dicho input asignadas a cada proceso, y
( ) ( )
2
1 1
2 x 100 x R = y ( ) ( )
2
2 2
2 x 100 x = 9 representan los
rendimientos obtenidos de ellos. Cmo debe efectuarse el reparto
de c entre
1
x y
2
x ? Compruebe que se verifica la condicin de
regularidad en el ptimo.

4.- Dado el siguiente programa, si el mnimo global se da en ( ) 0 , 1 , 0 ,
verifique si la condicin de primer orden de Lagrange es aplicable.

( )
1 x
1 x x : a . s
x 2 x x min
2
2
2
2
1
2
3
2
2
2
1
=
= +
+ +

Solucin:

1.- En el punto crtico ( ) 0 , 0 x
*
=
,
no se puede aplicar la condicin de
Lagrange ya que en dicho punto no existe el gradiente de la
restriccin ( )
1 2 2 1
x x x , x g = debido a que no existe
( )
.
x
0 , 0 g
1
c
c

149

2.- a) Dado que ( ) , 0 x g
*
,
,
= V al menos una de sus dos componentes es
distinta de cero. Supondremos, sin prdida de generalidad, que
su segunda componente es la no nula:
( )
. 0
x
x g
2
*
=
c
c
,

Verificamos las condiciones del teorema de la funcin implcita:

- ( ) ( ) , 0 b x , x g b ; x , x F
*
2
*
1
*
2
*
1
= = ya que
*
x
,
es solucin
del programa,
- ( )
2 1
x , x g es una funcin continua y con derivadas
parciales de primer orden continuas en
*
x
,
, lo es por
hiptesis en todo .
2
9 Por tanto, F tiene derivadas
parciales continuas,
-
( ) ( )
, 0
x
x g
x
x F
2
*
2
*
=
c
c
=
c
c
, ,
ya que ( ) . 0 x g
*
,
,
= V

Al verificarse las condiciones del teorema de la funcin
implcita, existen *
1
x
E y *
2
x
E entornos de
*
1
x y
*
2
x
respectivamente, y una funcin *
2
*
1
x x
E E : h tal que:

- ( ) *
1
x
1 1 2
E x x h x e = y en ( )
*
2
*
1
x , x se cumple que
( )
*
1
*
2
x h x = ,
- ( ) ( ) ( ) ( ) 0 b x h , x g b , x h , x F
1 1 1 1
= = , para todo
1
x que
pertenece a *
1
x
E ,
- h es continua y derivable en *
1
x
E siendo su derivada
respecto a
1
x en
*
1
x :
( ) ( )
( )
( )
( )
.
x g
x g
x F
x F
dx
x dh
*
x
*
x
*
x
*
x
1
*
1
2
1
2
1
,
,
,
,
= =
En consecuencia, en un entorno de , x
*
,
el programa original se
reduce al siguiente programa sin restricciones:

( ) ( ) ( )
1 1 1
x T x h , x f max =

Antes de utilizar las condiciones de primer orden de un
programa sin restricciones es conveniente tener en mente el
siguiente esquema:

f
1
x
2
x
1
x
150

Utilizando las condiciones de primer orden para un programa sin
restricciones se tiene que:

( )
( ) ( ) ( ) ( ) ( )
0
dx
x dh
x
x f
x
x f
dx
x df
dx
x dT
x T
1
*
1
2
*
1
*
1
*
1
*
1
*
1
=
c
c
+
c
c
= = = V
, , ,

Reemplazando
( )
1
*
1
dx
x dh
en la expresin anterior, tenemos que:

( ) ( ) ( )
( )
( )
( )
( )
( ) 0 x g
x g
x f
x f
x g
x g
x
x f
x
x f
*
x
*
x
*
x
*
x
*
x
*
x
2
*
1
*
1
2
2
1
2
1
=
|
|
|
.
|
\
|
=
c
c
c
c ,
,
,
,
,
, , ,

( )
( )
( )
( )
*
x
*
x
*
x
*
x
*
x g
x f
x g
x f
2
2
1
1
,
,
,
,
= =

( ) ( ) 0 x g x f
*
x
* *
x
1 1
= +
, ,
( ) 1

Hemos supuesto que
( )
. 0
x
x g
2
*
=
c
c
,
Si
( )
, 0
x
x g
2
*
=
c
c
,
las hiptesis
implican que
( )
. 0
x
x g
1
*
=
c
c
,
Entonces el teorema de la funcin
implcita nos dice que ( ) b x , x g
2 1
= define a
1
x como una funcin
diferenciable de
2
x en un entorno de
*
x
,
. El resto del
razonamiento es anlogo, con
1
x y
2
x intercambiados, es decir:

( ) ( ) ( )
( )
( )
( )
( )
( ) 0 x g
x g
x f
x f
x g
x g
x
x f
x
x f
*
x
*
x
*
x
*
x
*
x
*
x
1
*
2
*
2
1
1
2
1
2
=
|
|
|
.
|
\
|
=
c
c
c
c ,
,
,
,
,
, , ,

( )
( )
( )
( )
*
x
*
x
*
x
*
x
*
x g
x f
x g
x f
2
2
1
1
,
,
,
,
= =

( ) ( ) 0 x g x f
*
x
* *
x
2 2
= +
, ,
( ) 2

Las ecuaciones ( ) 1 y ( ) 2 se pueden expresar en la siguiente
forma:

( ) ( ) ( ) 2 , 1 i 0 x g x f
*
x
* *
x
i i
= = +
, ,
( ) 3
151

Es importante resaltar que las ecuaciones ( ) 3 junto con la
restriccin ( ) , b x , x g
2 1
= son las condiciones necesarias de primer
orden de un programa con restricciones de igualdad.

b) Tenemos que
( )
( )
( )
( )
*
x
*
x
*
x
*
x
*
x g
x f
x g
x f
2
2
1
1
,
,
,
,
= = , por lo que podemos
escribir la expresin anterior en forma equivalente como sigue:

( )
( )
( )
( )
*
x
*
x
*
x
*
x
x g
x f
x g
x f
2
2
1
1
,
,
,
,
=

Por otro lado, la pendiente de la grfica de la restriccin
( ) b x , x g
2 1
= en
*
x
,
es:

( ) ( ) ( )
( )
.
x g
x g
dx
x dh
dx
x dx
*
x
*
x
1
*
1
1
*
1
*
2
2
1
,
,
= =

Las curvas de nivel de la funcin objetivo satisfacen la siguiente
ecuacin ( ) c x , x f
2 1
= , siendo c una constante. La pendiente de
estas curvas en general es:

( ) ( )
( )
.
x f
x f
dx
x dx
*
x
*
x
1
*
1
*
2
2
1
,
,
=

En consecuencia:

( ) ( )
.
dx
x dx
dx
x dx
n restricci
1
*
1
*
2
nivel de curva
1
*
1
*
2
=

La ecuacin anterior nos dice que en
*
x
,
la pendiente de la
restriccin coincide con la pendiente de la curva de nivel. Es
decir, en
*
x
,
la curva de la restriccin y la curva de nivel de la
funcin objetivo que pasa por
*
x
,
son tangentes, tal como se
aprecia en la figura 36. Tenga presente que en esta figura se ha
supuesto que la restriccin de igualdad es lineal.

Es importante resaltar que al haber impuesto que
( )
0
x
x g
2
*
=
c
c
,
se
est garantizando la condicin de regularidad en
*
x
,
ya que:

( )
( ) ( )
| |. 0 0
x
x g
x
x g
x g
2
*
1
*
*
=
(
(
c
c
c
c
= V
, ,
,

152

1
x
2
x
( )
2 1
x , x f
*
x
,

Figura 36

c) El programa a resolver es:

( )
0 1 x x : a . s
1 x 2 x max
2
2
1
2
2
2
1
= +

Se observa que la funcin objetivo es ( ) ( )
2
2
2
1
1 x 2 x x f =
y
que la restriccin de igualdad es ( ) . 1 x x x , x g
2
2 1 2 1
+ =
Asimismo, se comprueba que ( ) ( ) { }
2
2 1 2 1
x , x x , x D 9 e = y que
( ) ( ) ( ) { }. 0 1 x x x , x g D x , x x , x CF
2
2 1 2 1 2 1
2
2 1
= + = . e 9 e =

Las derivadas parciales de f y de g son continuas en ,
2
9 y
vienen dadas por las siguientes expresiones:

1 x
x 2 f
1
= , ( ) 1 x 4 f
2 x
2
=

1 g
1
x
= ,
2 x
x 2 g
2
=

Por tanto, sus respectivos gradientes sern:

( ) ( ) | | 1 x 4 x 2 x , x f
2 1 2 1
= V

( ) | |
2 2 1
x 2 1 x , x g = V

*
=
,
en ( )
2 1
x , x g V se tiene que:

( ) ( ) ( ) | | | | 0 0 0 2 1 1 , 0 g x , x g x g
*
2
*
1
*
,
,
= = = V = V = V
153
Se comprueba que se cumple la condicin de regularidad (en
este caso existen dos menores de orden uno distintos de cero, el
0 1 = y el 0 2 = , lo que equivale a decir que el rango de
( )
*
x g
,
V es uno).

El lagrangiano de este programa es:

( ) ( ) ( ) 1 x x 1 x 2 x , x , x L
2
2 1
2
2
2
1 2 1
+ + + =

Adems, se comprueba que ( ) CF 1 , 0 x
*
e =
,
y cumplir la
condicin de Lagrange si para algn valor de resuelve el
siguiente sistema:

( ) ( )
( )
(
(
(
=
(
(
(
(
(
(
+
+
+
= V
0
0
0
1 x x
x 2 1 x 4
x 2
x , L
2
*
2
*
1
*
2
* *
2
* *
1
T
* *
,

Se comprueba que una solucin del sistema es:
( ) ( ) ( ). 1 , 0 , 0 x , x , x ,
*
2
*
1
* * *
= =
,
En consecuencia, ( ) 1 , 0 x
*
=
,
es una
posible solucin del programa para . 0
*
=

Se puede verificar que ( )
2 1
x , x la funcin objetivo es no
positiva, esto es: ( ) ( ) . 0 1 x 2 x x , x f
2
2
2
1
2 1
s = Adems, en
( ) 1 , 0 x
*
=
,
se cumple que ( ) ( ) . 0 1 , 0 f x f
*
= =
,

Por otra parte, ( ) ( ) ( ) 1 , 0 x , x / CF x , x
2 1 2 1
= e se verifica que
( ) ( ) . 0 1 x 2 x x , x f
2
2
2
1
2 1
< = Por tanto, ( ) 1 , 0 x
*
=
,
es un
mximo global del programa.

3.- La siguiente figura muestra el problema propuesto:

Figura 37

El programa es:

( ) ( ) | |
c x x : a . s
2 x 100 2 x 100 max
2 1
2
2
2
1
= +
+

Proceso 1
Proceso 2
( )
1
x R

( )
2
x 9

c
154
( ) ( ) | |
0 c x x : a . s
2 x 2 x 200 max
2 1
2
2
2
1
= +

Se observa que la funcin objetivo es
( ) ( ) ( )
2
2
2
1 2 1
2 x 2 x 200 x , x f = y que la restriccin de igualdad
es ( ) . c x x x , x g
2 1 2 1
+ = Adems, se verifica que { }
2
x x D 9 e =
, ,
y
que { }. 0 c x x D x x CF
2 1
2
= + . e 9 e =
, ,

2
9 y

( ) 2 x 2 f
1 x
1
= , ( ) 2 x 2 f
2 x
2
=

1 g
1
x
= , 1 g
2
x
=


( ) ( ) ( ) | | 2 x 2 2 x 2 x , x f
2 1 2 1
= V

( ) | | 1 1 x , x g
2 1
= V

Se observa que para todo ( )
2
2 1
x , x 9 e el ( ) 0 x , x g
2 1
,
= V . Por tanto, en
particular, en la solucin del programa ( )
*
2
*
1
*
x , x x =
,
se verificar
que:

( ) ( ) | | | | 0 0 0 1 1 x , x g x g
*
2
*
1
*
,
,
= = = V = V

La ecuacin anterior nos garantiza el cumplimiento de la condicin
de regularidad. En consecuencia, se puede aplicar la condicin de
Lagrange.


( ) ( ) ( ) ( ) c x x 2 x 2 x 200 , x , x L
2 1
2
2
2
1 2 1
+ + =

Para ( ) CF x , x x
*
2
*
1
*
e =
,
se cumplir la condicin de Lagrange si para
algn valor de resuelve el siguiente sistema:

( )
( )
( )
(
(
(
=
(
(
(
(
(
+
+
+
= V
0
0
0
c x x
2 x 2
2 x 2
x , L
*
2
*
1
* *
2
* *
1
T
* *
,

155

Se comprueba que la solucin del sistema es:
( ) ( ) .
2
c
,
2
c
, c 4 x , x , x ,
*
2
*
1
* * *
|
|
.
|
\
|
= =
,
En consecuencia,
|
|
.
|
\
|
=
2
c
,
2
c
x
*
,
es
una posible solucin del programa para . c 4
*
=

Con las condiciones de segundo orden, que veremos ms adelante,
el lector podr verificar que en
|
|
.
|
\
|
=
2
c
,
2
c
x
*
,
la funcin alcanza un
mximo global (restringido).

4.- El programa equivalente es el siguiente:

( )
0 1 x
0 1 x x : a . s
x 2 x x min
2
2
2
2
1
2
3
2
2
2
1
=
= +
+ +

Se observa que la funcin objetivo es ( ) ( )
2
3
2
2
2
1 3 2 1
x 2 x x x , x , x f + + =
y que las restricciones de igualdad son ( ) 1 x x x , x , x g
2
2
2
1 3 2 1 1
+ = y
( ) . 1 x x , x , x g
2 3 2 1 2
= Asimismo, se comprueba que { }
3
x x D 9 e =
, ,
y
que ( ) ( ) { }. 0 1 x x g 0 1 x x x g D x x CF
2 2
2
2 1 1
3
= = . = + = . e 9 e =
, , , ,

3
9 y

1 x
x 2 f
1
= , ( ) 2 x 2 f
2 x
2
= ,
3 x
x 2 f
2
=

1
1
1
x 2
x
g
=
c
c
,
2
2
1
x 2
x
g
=
c
c
, 0
x
g
3
1
=
c
c

0
x
g
1
2
=
c
c
, 1
x
g
2
2
=
c
c
, 0
x
g
3
2
=
c
c


( ) ( ) | |
3 2 1 3 2 1
x 2 2 x 2 x 2 x , x , x f = V

( ) | | 0 x 2 x 2 x , x , x g
2 1 3 2 1 1
= V

( ) | | 0 1 0 x , x , x g
3 2 1 2
= V

Reemplazando ( ) 0 , 1 , 0 x
*
=
,
en ( )
3 2 1 1
x , x , x g V se tiene que:
156
( ) ( ) ( )
( )
( )
(
=
(
(
V
V
= V = V = V
0 1 0
0 2 0
x , x g
x , x g
0 , 1 , 0 g x , x , x g x g
*
2
*
1 2
*
2
*
1 1
*
3
*
2
*
1
*
, , , ,

Se aprecia que ( )
*
2
*
1 1
x , x g V y ( )
*
2
*
1 2
x , x g V son linealmente
dependientes ya que:

( ) ( ) 0 x , x g b x , x g a
*
2
*
1 2
*
2
*
1 1
,
= V + V

| | | | | | 0 0 0 0 1 0 b 0 2 0 a = +

De donde se desprende que:

a 2 b 0 b a 2 = = +

Por tanto existen infinitos valores reales de a y b que satisfacen
la expresin anterior. En consecuencia, la combinacin lineal de
( )
*
2
*
1 1
x , x g V y ( )
*
2
*
1 2
x , x g V no genera al vector cero con unicidad.

Al no ser ( )
*
2
*
1 1
x , x g V y ( )
*
2
*
1 2
x , x g V linealmente independientes,
entonces no se verifica la condicin de regularidad y por tanto no se
puede aplicar la condicin necesaria de Lagrange.

3.2 Condiciones de segundo orden de ptimo local

Definicin: Dado el programa (VII) con f y ( ) m , , 2 , 1 i g
i
. =
funciones de clase dos en ,
n
9 se define el hessiano orlado asociado a
(VII) como el hessiano de su funcin lagrangiana, esto es:

( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c c
c
c c
c
c c
c
c c
c
c
c
c c
c
c c
c
c c
c
c c
c
c
c
c c
c
c c
c
c c
c
c c
c
c
c
=
2
n
2
1 n
2
m n
2
1 n
2
n 1
2
2
1
2
m 1
2
1 1
2
n m
2
1 m
2
2
m
2
1 m
2
n 1
2
1 1
2
m 1
2
2
1
2
x
x , L
x x
x , L
x
x , L
x
x , L
x x
x , L
x
x , L
x
x , L
x
x , L
x
x , L
x
x , L x , L x , L
x
x , L
x
x , L x , L x , L
x , HL
,
,
. .
,
,
.
,
,
. .
,
,
. . . . .
. . . . .
,
,
. .
,
,
.
,
,
. .
,
,
. . . . . . . . .
,
,
. .
,
,
.
,
,
. .
,
,
. . . . .
. . . . .
,
,
. .
,
,
.
,
,
. .
,
,
,
,

157
( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c c
c
c
c
c
c
c c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
=
2
n
2
1 n
2
n
m
n
1
n 1
2
2
1
2
1
m
1
1
n
m
1
m
n
1
1
1
x
x , L
x x
x , L
x
x g
x
x g
x x
x , L
x
x , L
x
x g
x
x g
x
x g
x
x g
0 0
x
x g
x
x g
0 0
x , HL
,
,
. .
,
,
.
,
. .
,
. . . . .
. . . . .
,
,
. .
,
,
.
,
. .
,
. . . . . . . . .
,
. .
,
. . .
. . . . .
. . . . .
,
. .
,
. . .
,
,

( )
( )
( ) ( )
( ) ( ) n m x n m
nxn x
T
nxm
mxn mxm
x , L H x g
x g 0
x , HL
+ +
(
(
(
(
V
V
=
,
,
.
, ,
. . .
, ,
.
,
,
,

Condiciones suficientes de Lagrange de optimalidad local

Sea el programa (VII) con n m < y f y ( ) m , , 2 , 1 i g
i
. = funciones de
clase dos en un subconjunto abierto
n
D 9 c con
( ) { } . D m , , 2 , 1 i , 0 x g x CF
i
n
c = = 9 e = .
, ,

Si CF x
*
e
,
es un punto estacionario del programa (VII) con
multiplicadores asociados
*
,
y definimos D
j
con n m , , 2 , 1 j + = . los
menores principales dominantes de ( )
* *
x , HL
,
,
, entonces:

a) Si los menores principales dominantes D
j
con n m , , 1 m 2 j + + = .
de ( )
* *
x , HL
,
,
tienen todos el mismo signo que ( ) , 1
m
se verifica
que
*
x
,
es un mnimo local estricto de (VII).
b) Si los menores principales dominantes D
j
con n m , , 1 m 2 j + + = .
de ( )
* *
x , HL
,
,
tienen signos alternos, siendo el signo de
1 m 2
D
+
el
de ( ) , 1
1 m+
se verifica que
*
x
,
es un mximo local estricto de (VII).

Teorema: Si ( )
* *
x , HL
,
,
es no singular (Decimos que tenemos un
mximo o un mnimo regular), entonces las condiciones suficientes de
Lagrange de segundo orden son tambin necesarias para un mnimo
(respectivamente mximo) para el problema (VII).
158
Ejemplo:

Dado el siguiente programa, calcular sus puntos estacionarios y
clasificarlos:

6 x x x : a . s
x x x opt
3 2 1
3 2 1
= + +

Solucin:

1.- La funcin lagrangiana es:

( ) ( ) 6 x x x x x x x , L
3 2 1 3 2 1
+ + + =
,

El gradiente del lagrangiano es:

( )
(
(
(
(
(
=
(
(
(
(
(
+ +
+
+
+
= V
0
0
0
0
6 x x x
x x
x x
x x
x , L
*
3
*
2
*
1
* *
2
*
1
* *
3
*
1
* *
3
*
2
T
* *
,

Las soluciones del sistema son:

( ) 0 , 0 , 6 x
*
1 =
,
con 0
*
1
=

( ) 0 , 6 , 0 x
*
2 =
,
con 0
*
2
=

( ) 6 , 0 , 0 x
*
3 =
,
con 0
*
3
=

( ) 2 , 2 , 2 x
*
4 =
,
con 4
*
4
=

En todos los puntos estacionarios se verifica la condicin de
regularidad ya que
3
x 9 e
,
se cumple que
( ) | | | |. 0 0 0 1 1 1 x g = = V
,

Como en este caso 3 n y 1 m = = deberemos calcular los menores
principales dominantes de orden 3 1 m 2 = + y 4 n m = + de la matriz
hessiana del lagrangiano:

( )
(
(
(
(
(
=
0 x x 1
x 0 x 1
x x 0 1
1 1 1 0
x , HL
1 2
1 3
2 3
,

159
Los menores principales dominantes del Hessiano Orlado son:

0 x 1
x 0 1
1 1 0
D
3
3 3
=

0 x x 1
x 0 x 1
x x 0 1
1 1 1 0
D
1 2
1 3
2 3
4
=

- En ( ) 0 , 0 , 6 x
*
1 =
,
tenemos que:

( ) 0 0 1
0 0
1 1
1
0 0 1
0 0 1
1 1 0
D
3
= = = =

( ) ( ) 0 36 6 6
6 0
1 1
6 1
0 6 0
6 0 0
1 1 1
1
0 6 0 1
6 0 0 1
0 0 0 1
1 1 1 0
D
4
> = = = = =

Se aprecia que el signo de todos los menores principales
dominantes anteriormente calculados no coinciden con el signo
de ( ) ( ) 0 1 1 1
1 m
< = = ni alternan de signo, por lo que
( ) 0 , 0 , 6 x
*
1 =
,
no es ni un mximo ni un mnimo local.

- En ( ) 0 , 6 , 0 x
*
2 =
,
tenemos que:

( ) 0 0 1
0 0
1 1
1
0 0 1
0 0 1
1 1 0
D
3
= = = =

( ) ( ) 0 36 6 6
0 6
1 1
6 1
0 0 6
6 0 0
1 1 1
1
0 0 6 1
0 0 0 1
6 0 0 1
1 1 1 0
D
4
> = = = = =

de ( ) ( ) 0 1 1 1
1 m
( ) 0 , 0 , 6 x
*
1 =
,
160
- En ( ) 6 , 0 , 0 x
*
3 =
,
tenemos que:

( ) ( ) 0 12 6 1 6 1
0 6 1
6 0 1
1 1 0
D
3
> = + = =

( ) ( ) 0 36 36 1
0 6
6 0
1 1
0 0 1
0 6 1
6 0 1
1
0 0 0 1
0 0 6 1
0 6 0 1
1 1 1 0
D
4
> = = = = =

de ( ) ( ) 0 1 1 1
1 m
( ) 0 , 0 , 6 x
*
1 =
,

- En ( ) 2 , 2 , 2 x
*
4 =
,
tenemos que:

( ) ( ) 0 4 2 1 2 1
0 2 1
2 0 1
1 1 0
D
3
> = + = =

0 12
2 2 1
0 2 1
2 0 1
1
0 2 1
2 2 1
2 0 1
1
0 2 1
2 0 1
2 2 1
1
0 2 2 1
2 0 2 1
2 2 0 1
1 1 1 0
D
4
< = + = =

Se aprecia que los menores principales anteriormente calculados
alternan de signo y que el signo de 0 D D
3 1 m 2
> =
+
coincide con
el signo de ( ) ( ) . 0 1 1 1
1 1 1 m
> = =
+ +
Por tanto, ( ) 2 , 2 , 2 x
*
4 =
,
es un
mximo local.

3.3 Condiciones suficientes de optimalidad global

Teorema: Sea ( )
* *
x ,
,
,
una solucin de (A). Si ( ) x , L
*
,
,
es una funcin
cncava (respectivamente convexa) en , x
,
entonces
*
x
,
es un mximo
(respectivamente mnimo) global del programa (VII).

Un inconveniente aqu es que tenemos que resolver el problema (para
poder evaluar el lagrangiano en
*
,
) antes de que podamos afirmar la
clase de ptimo que se obtiene.
161
Proposicin 1: Dado el programa (VII) con n m < y f y
( ) m , , 2 , 1 i g
i
. = funciones de clase uno en un subconjunto abierto
. D
n
9 c Entonces se verifica que si f es cncava (respectivamente
convexa) en CF y, las funciones ( ) m , , 2 , 1 i g
i
. = son lineales, todos los
puntos estacionarios de (VII) son mximos (respectivamente mnimos)
globales.

Es importante resaltar que en la proposicin anterior el programa
matemtico es convexo para mximos (respectivamente para mnimos)
ya que f es cncava (respectivamente convexa) en CF, y CF es un
conjunto convexo.

Proposicin 2: Sean f y ( ) m , , 2 , 1 i g
i
. = funciones cncavas
(respectivamente convexas) en CF. Si f es creciente en x
,
y todas las
( ) m , , 2 , 1 i g
i
. = son decrecientes en x
,
o si f es decreciente mientras
todas las ( ) m , , 2 , 1 i g
i
. = son crecientes, si ( )
* *
x ,
,
,
resuelven (A) y
todos los multiplicadores de Lagrange son del mismo signo,
*
x
,
es un
mximo global (respectivamente mnimo) del programa (VII). (Si el
programa matemtico slo tiene una restriccin de igualdad, el
requerimiento sobre el signo de los multiplicadores puede dispensarse).

Ejemplos:

Obtencin de las funciones de costos

Sea ( ) x f q
,
= la funcin de produccin de una empresa y w
,
el vector de
precios fijos de los factores de produccin. Para conocer el costo de
produccin de q unidades del producto, la empresa deber resolver el
siguiente problema, dados w
,
y q.

( ) 0 x f q : a . s
x w min
T
=
,
, ,

Donde:

| |
n x 1
n 2 1
T
w w w w =
,
,
1 x n
n
2
1
x
x
x
x
(
(
(
(
(
=
.
,

Por tanto, el problema se puede escribir de forma equivalente como
sigue:
162
( ) 0 x f q : a . s
x w x w x w min
n
1 i
i i n n 1 1
=
= + +
=
,
.

Se aprecia que la funcin objetivo es lineal, por tanto convexa, y
creciente para ; 0 w
,
,
> la restriccin es convexa y decreciente si
adoptamos el usual supuesto sobre la funcin de produccin (cncava,
creciente, pero a tasas decrecientes); por tanto podemos aplicar la
proposicin 2 de la seccin 3.3.

El lagrangiano es:

( ) ( ) ( ) x f q x w x w x , L
n n 1 1
,
.
,
+ + + =

La condicin de primer orden de Lagrange es la siguiente:

( )
( )
( )
( )
( )
( ) 1 x 1 n *
*
x
*
n
*
x
*
2
*
x
*
1
T
* *
0
0
0
0
x f q
x f w
x f w
x f w
x , L
n
2
1
+
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(

= V .
,
,
.
,
,
,

( ) ( )
1 x n
T
* *
T
* *
x
0 x f w x , L
,
, , ,
,
= V = V

( ) ( ) 0 0 x f q x , L
1 x 1
*
T
* *
= = = V
,
, ,

De la penltima expresin se puede deducir que
*
debe ser positivo ya
que por hiptesis ( ) n , , 2 , 1 i 0 x f
*
x
i
.
,
= > y , 0 w
,
,
> por lo que podremos
aplicar el teorema de la seccin 3.3 a la funcin Lagrangiana
( ) ( ) ( ) x f q x w x w x , L
n n 1 1
,
.
,
+ + + = que claramente es convexa en x
,

bajo nuestros supuestos. Resolviendo el sistema de ecuaciones anterior
obtendremos ( ), w , q x
*
, ,
y la funcin de costos ser: ( ) ( ). w , q x w w , q C
* T
, , , ,
=
Ahora ilustraremos esto con un ejemplo numrico.

Encuentre la funcin de costo asociada con la funcin de produccin
. x x q
5 , 0
2
25 , 0
1
=

Esta funcin es claramente creciente en ( )
2 1
x , x y tambin cncava (la
verificacin se deja al alumno). El lagrangiano ser:

( ) ( )
5 , 0
2
25 , 0
1 2 2 1 1
x x q x w x w x , L + + =
,

163
Las condiciones de primer orden sern:

( )
( ) ( )
( ) ( )
( ) ( )
(
(
(
=
(
(
(
(
(
(

= V
0
0
0
x x q
x x 5 , 0 w
x x 25 , 0 w
x , L
5 , 0
*
2
25 , 0
*
1
5 , 0
*
2
25 , 0
*
1
*
2
5 , 0
*
2
75 , 0
*
1
*
1
T
* *
,

De las dos primeras ecuaciones se obtiene:

( )
( )
( )
( )
25 , 0
*
1
5 , 0
*
2 2
5 , 0
*
2
75 , 0
*
1 1
*
x
x
5 , 0
w
x
x
25 , 0
w
= =

De esta ltima se desprende que:

*
2
1
2
*
1
x
w
w
5 , 0 x =

Reemplazando en la tercera ecuacin del sistema matricial tenemos
que:

( ) ( )
75 , 0
*
2
25 , 0
1
2
4 1
5 , 0
*
2
25 , 0
*
2
1
2
x
w
w
2 x x
w
w
5 , 0 q
|
|
.
|
\
|
=
|
|
.
|
\
|
=

De donde la demanda condicionada del factor de produccin 2 es:

( )
3
1
2
1
3 4 3 1
2 1
*
2
w
w
q 2 w , w , q x
|
|
.
|
\
|
=

Reemplazando la expresin anterior en
*
1
x se obtiene la demanda
condicionada del factor de produccin 1:

( )
3
2
2
1
3 4 3 2
2 1
*
1
w
w
q 2 w , w , q x

|
|
.
|
\
|
=
La funcin de costos es:

( ) ( ) ( )
2 1
*
2 2 2 1
*
1 1 2 1
w , w , q x w w , w , q x w w , w , q C + =

( )
3
1
2
1
3 4 3 1
2
3
2
2
1
3 4 3 2
1 2 1
w
w
q 2 w
w
w
q 2 w w , w , q C
|
|
.
|
\
|
+
|
|
.
|
\
|
=

164
( ) ( )
3 2
2
3 1
1
3 4 3 1 3 2 3 2
2
3 1
1
3 4 3 1 3 2
2
3 1
1
3 4 3 2
2 1
w w q 2 2 w w q 2 w w q 2 w , w , q C + = + =

( ) ( )
3 2
2
3 1
1
3 4 3 2
2
3 1
1
3 4 3 2
2 1
w w q 9 , 1 w w q 2 3 w , w , q C ~ =

( )
3 2
2
3 1
1
3 4
2 1
w w q 9 , 1 w , w , q C ~

Se aprecia que la funcin de costos es una funcin convexa en q que
poseer la usual caracterstica de costo marginal creciente. Adems, es
importante resaltar que las condiciones de regularidad se satisfacen en
( ) ( ) ( ). w , w , q x , w , w , q x
2 1
*
2 2 1
*
1
Finalmente, es importante subrayar que
( )
2 1
w , w , q C representa una familia de curvas de costos para distintos
valores de . w y w
2 1

Obtencin de las funciones de demanda Marshaliana

Sea ( ) x U
,
la funcin de utilidad de un individuo, p
,
el vector de precios,
y m los ingresos del individuo. Este consumidor busca maximizar su
utilidad sujeta a la restriccin presupuestaria, por tanto deber elegir x
,

para maximizar ( ) x U
,
sujeto a . m x p
T
=
, ,

( )
0 x p m : a . s
x U max
T
=
, ,
,

Si asumimos que la funcin ( ) x U
,
es cncava, y ya que la restriccin es
lineal en x
,
, podemos aplicar la proposicin 1 de la seccin 3.3.

El lagrangiano ser:

( ) ( ) ( ) ( ) ( )
n n 2 2 1 1
T
x p x p x p m x U x p m x U x , L + = + = .
, , , , ,


( )
( )
( )
( )
(
(
(
(
(
(
=
(
(
(
(
(
(
(

= V
0
0
0
0
x p x p x p m
p x U
p x U
p x U
x , L
*
n n
*
2 2
*
1 1
n
* *
x
2
* *
x
1
* *
x
T
* *
n
2
1
.
.
,
.
,
,
,

De las primeras n ecuaciones se obtiene que:

( ) ( ) ( )
n
*
x
2
*
x
1
*
x
*
p
x U
p
x U
p
x U
n 2 1
,
.
, ,
= = = =
165
( )
( ) n , , 2 , 1 i
p
x U
i
*
x
* i
.
,
= =

De estas n ecuaciones se puede obtener:

( )
( )
( ) j i
p
p
x U
x U
j
i
*
x
*
x
j
i
= =
,
,

Esta expresin nos dice que el cociente de las utilidades marginales es
igual al correspondiente cociente entre precios.

Resolviendo el sistema de ecuaciones dado por ( )
T
* *
x , L
,
V obtendramos
( ), p , m x
*
, ,
que son las cantidades de bienes que el individuo est
dispuesto a comprar al precio , p
,
con ingresos m. Es decir, ( ) p , m x
*
, ,

representa las funciones de demanda para el consumidor. Ahora
ilustramos esto con un ejemplo numrico.

Obtenga las funciones de demanda asociadas con la funcin de utilidad
de Klein-Rubin (1949):

( ) ( )
i i
n
1 i
i
x ln x U u =
=
,

Donde
i
x representa el consumo total del bien i,
i
es la cantidad
mnima de subsistencia del bien i segn la percepcin del consumidor
y
i
u es la proporcin marginal del presupuesto destinado al consumo
del bien i una vez que se ha cubierto el consumo de subsistencia total.
Asumimos que , 0
i
> u 1
n
1 i
i
= u
=
(sin prdida de generalidad), y que
. p p m
n
1 i
i i
T
=
= >
, ,
Donde
n
1 i
i i
p es el gasto en consumo de
subsistencia de todos los bienes.

El lagrangiano ser:

( ) ( ) ( )
n n 2 2 1 1 i i
n
1 i
i
x p x p x p m x ln x , L + u =
=
.
,

166
( )
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
(
=

u

u

u
= V
=
0
0
0
0
x p m x p x p x p m
p
x
p
x
p
x
x , L
n
1 i
*
i i
*
n n
*
2 2
*
1 1
n
*
n
*
n
n
2
*
2
*
2
2
1
*
1
*
1
1
T
* *
.
.
.
,

Las primeras n ecuaciones se pueden expresar de la siguiente manera:

0 p
x
i
*
i
*
i
i
=

u

( ) ( ) n , , 2 , 1 i x p
i
*
i i
*
i
. = = u

Aplicando sumatorias a ambos lados de la expresin anterior se tiene:

( )

= =
= u
n
1 i
i
*
i i
*
n
1 i
i
x p

(
(
=

= =
n
1 i
n
1 i
i i
*
i i
*
p x p 1

=
=

=
(
(
=
n
1 i
i i
*
n
1 i
i i
*
p m
1
p m 1

Reemplazando esta ltima expresin en
i
u tenemos:

( )
=

= u
n
1 i
i i
i
*
i i
i
p m
x p

De donde:

( ) | |
u
+ =
(
(

u
+ =

=
, , ,
T
i
i
i
n
1 i
i i
i
i
i
*
i
p m
p
p m
p
p , m x

A estas funciones de demanda se les suele denominar sistema de gasto
lineal.
167
Note que:

( )
m
p x
m
p
x
p m
p , m x
i
*
i
i
i
i
*
i
i
i
*
i
A
A
~ u A
u
~ A
u
=
c
c
,

Es decir,
i
u representa la parte del presupuesto, una vez cubierto el
gasto en consumo de subsistencia de todos los bienes, que se destina al
consumo del bien i.

3.4. Anlisis de sensibilidad. Interpretacin de los
multiplicadores de Lagrange

Teorema de Sensibilidad: Sea el programa:

( )
( ) ( )
( )
( )
=
=
=
m n 2 1 m
1 n 2 1 1
n 2 1
b x , , x , x g
b x , , x , x g : a . s
VIII
.
.
.
.
,

Donde f y ( ) m , , 2 , 1 i g
i
. = son funciones de clase dos en un
conjunto abierto
n
D 9 c que contiene a CF. Si para
( ) 0 b , , b , b b
m 2 1
,
.
,
= = hay una solucin local
*
x
,
en las que se verifican
las condiciones necesarias de primer orden de Lagrange y que, junto
con sus multiplicadores asociados
*
,
satisface las condiciones
suficientes de segundo orden para ptimo local estricto.

Entonces, para cada
m
b 9 e
,
perteneciente a un entorno de 0
,
, existen
( ) ( ) ( ) ( ) b x , , b x b x
n 1
,
.
, ,
,
= y ( ) ( ) ( ) ( ) b , , b b
m 1
,
.
, , ,
= funciones continuas y
diferenciables en 0 b
, ,
= tales que ( ) , x 0 x
*
,
,
,
= ( )
*
0 =
, , ,
y ( ) b x
,
,
es ptimo
local de (VIII) con multiplicadores ( ). b
, ,
Asimismo,

( ) ( ) ( )
*
T
*
b
T
0 b
b
x f b x f = V = V
=
,
,
,
,
,
, ,
,

Esto es, para cada m , , 2 , 1 i . = se cumple:

( ) ( ) ( )
*
i
i
*
0 b
i
b
x f
b
b x f
=
c
c
=
c
c
=
,
,
,
, ,

De la expresin anterior se observa que el multiplicador de Lagrange
asociado a la i-sima restriccin en la solucin ptima representa la
variacin del valor ptimo de la funcin objetivo ante cambios en el
trmino independiente de la restriccin i-sima.
168
Esta propiedad tiene importancia en ciertos problemas en economa. En
concreto, si la funcin objetivo mide valores como beneficios, costos,
ingresos, etc., y la restriccin i-sima est determinada por una cierta
cantidad dada de producto, factor, dinero, etc., entonces
*
i
da la
sensibilidad de un valor frente a cambios en una cantidad, por esta
razn, dicho multiplicador representa un precio que suele
denominarse seudoprecio o precio sombra.

Definicin: Sea el programa:

( )
( ) ( )
( )
( )
= o o o
= o o o
o o o = o
0 , , , , x , , x , x g
0 , , , , x , , x , x g : a . s
, , , , x , , x , x f , x f opt
IX
k 2 1 n 2 1 m
k 2 1 n 2 1 1
k 2 1 n 2 1
. .
.
. .
. .
, ,

Donde f y ( ) m , , 2 , 1 i g
i
. = son funciones de clase dos, siendo
( )
n 2 1
x , , x , x x .
,
= un vector de variables de decisin y
( )
k 2 1
, , , o o o = o .
,

Sea
k
B 9 c un conjunto abierto, suponiendo que para todo B e o
,

existe ( ) ( ) ( ) ( ) o o o =
,
.
, , ,
*
n
*
2
*
1
*
x , , x , x x que es solucin de (IX) con
multiplicadores de Lagrange asociados ( ) ( ) ( ) ( ) o o = o
,
.
, ,
,
*
m
*
1
*
, , y que
verifica las condiciones necesarias y suficientes de optimalidad local.
Entonces:

a) La funcin Lagrangiana asociada a (IX) viene dada por:

( ) ( ) ( )
=
o + o = o
m
1 i
i i
, x g , x f , x , L
, , , , , ,
,

b) La funcin objetivo indirecta o funcin de valor ptimo viene dada
por:

( ) ( ) ( ) ( ) ( ) o o o o = o
, ,
.
, , ,
, x , , x , x f
*
n
*
2
*
1

Teorema de la envolvente: Dado el problema (IX) y las
condiciones de la definicin, si ( ) ( ) ( ) ( ) ( ) o o o o = o
, ,
.
, , ,
, x , , x , x f
*
n
*
2
*
1
es la
funcin de valor ptimo del programa se cumple que para todo
: k , , 2 , 1 r ,
r
. = o

( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ( )
=
o c
o o c
o +
o c
o o c
=
o c
o o o c
=
o c
o c
m
1 i
r
*
i
*
i
r
*
r
* *
r
, x g , x f , x , L
, , ,
,
, , , , , , ,
,
,

169
Ejemplos:

1.- Sea ( )
i i i
x F q = la funcin de produccin y
i
p el precio en la
industria ; 2 , 1 i =
i
x la cantidad del recurso utilizado por la
industria i; y la cantidad total disponible del recurso para ambas
industrias es X. Supongamos que los precios son determinados por
el mercado mundial, y por tanto en este caso son fijos. Para asignar
el recurso eficientemente, un planificador central maximiza los
ingresos sujetos a la restriccin del recurso, esto es:

( ) ( ) ( )
X x x : a . s
x F p x F p x , x I Max
2 1
2 2 2 1 1 1 2 1
= +
+ =

Se pide encontrar el multiplicador de Lagrange en el ptimo dndole
una interpretacin econmica.

Solucin:

Bajo el usual supuesto de concavidad de las funciones de
produccin, las condiciones de primer orden de Lagrange sern
necesarias y suficientes para un mximo.


( ) ( ) ( ) ( ) X x x x F p x F p x , x , L
2 1 2 2 2 1 1 1 2 1
+ + + =

Las condiciones de primer orden de Lagrange son:

( )
( )
( )
(
(
(
=
(
(
(
(
(
(
(
(
(
(
+
+
+
= V
0
0
0
X x x
dx
x dF
p
dx
x dF
p
x , x , L
*
2
*
1
*
2
*
2 1
1
*
1
*
1 1
1
T
*
2
*
1
*

De las dos primeras ecuaciones se obtiene:

( ) ( )
2
*
2 2
2
1
*
1 1
1
*
dx
x dF
p
dx
x dF
p = =

Si suponemos que se produce un pequeo cambio exgeno en la
cantidad disponible del recurso: ahora tenemos dX X + de ste.
Cmo el planificador central asignara la cantidad extra dX,
digamos
1
dX para la industria 1 y
2
dX para la industria 2? Dado
que estamos tratando arbitrariamente con cambios pequeos, la
aproximacin lineal a travs de la diferencial total es aceptable.
170
Teniendo en cuenta que:

La diferencial total de I evaluada en ( )
*
2
*
1
*
x , x x =
,
es:

( )
( ) ( )
2
2
*
2
*
1
1
1
*
2
*
1
*
2
*
1
dx
x
x , x I
dx
x
x , x I
x , x dI
c
c
+
c
c
=

( )
( ) ( )
2
2
*
2 2
2 1
1
*
1 1
1
*
2
*
1
dx
dx
x dF
p dx
dx
x dF
p x , x dI + =

Reemplazando
*
se tiene:

( ) ( )
2 1
*
2
*
1
* *
2
*
1
dx dx dx dx x , x dI + = =

Dado que la restriccin de igualdad debe satisfacerse, es decir
X x x
2 1
= + , entonces: ( ) . dX x x d
2 1
= + Por tanto, tenemos que:

( )
( )
dX
x , x dI
dX x , x dI
*
2
*
1
* * *
2
*
1
= =

Se puede apreciar que
*
representa la derivada total del ingreso
mximo con respecto a la cantidad disponible del recurso. Esto
implica que una unidad extra del recurso permitira al planificador
generar
*
$ ms en los ingresos.

( ) X x , x I
* *
2
*
1
A ~ A

Si 1 X = A entonces:

( )
* *
2
*
1
$ x , x I ~ A

Por tanto,
*
es lo que el recurso vale para el planificador, y l
estara dispuesto a pagar
*
$ para obtener una unidad extra del
recurso. Vemos que
*
emerge como el valor marginal del hasta
ahora no valorado recurso; un nombre comn para
*
es el de
precio sombra o valor asignado del recurso.
I
x
1
x
2
171
2.- La funcin de utilidad de un consumidor es:

( )
2 1
2
3 1
1 2 1
x x x , x U =

Donde
1
x y
2
x representan las cantidades de los bienes 1 y 2
consumidos en un perodo de tiempo dado. Si
1
p y
2
p son los
precios unitarios de cada uno de los bienes y m es la cantidad de
dinero que el individuo va gastar en la adquisicin de ambos bienes.

Se pide:

a) Calcular la cantidad a consumir de cada uno de los bienes, en
funcin de los parmetros
1
p ,
2
p y m, si el objetivo es
maximizar la utilidad.
b) Obtener la funcin de utilidad indirecta ( ). m , p , p
2 1

c) Determinar
( )
1
2 1
p
m , p , p
c
c
derivando directamente en ( ) m , p , p
2 1
,
y utilizando la funcin lagrangiana, de acuerdo al teorema de la
envolvente, comprobando que se obtiene el mismo resultado.
d) Verificar que un aumento en m produce un incremento en la
utilidad mxima, que un aumento en
1
p produce una
disminucin en la utilidad mxima y que un aumento de
2
p
tambin da lugar a una disminucin en la utilidad mxima.

Solucin:

a) El programa a resolver es el siguiente:

0 m x p x p : a . s
x x max
2 2 1 1
2 1
2
3 1
1
= +

Es sencillo verificar que la funcin objetivo es cncava y que la
restriccin es lineal en , x
,
por lo que de acuerdo a la proposicin
1 de la seccin 3.3, la solucin es un mximo global. Si tenemos
en cuenta que x
,
es el vector de variables de desicin y que
1
p ,
2
p y m son parmetros positivos, el lagrangiano viene dado
por:

( ) ( ) m x p x p x x m , p , p , x , x , L
2 2 1 1
2 1
2
3 1
1 2 1 2 1
+ + =

Las condiciones necesarias de primer orden son:

( )
( ) ( )
( ) ( )
(
(
(
=
(
(
(
(
(
(
= +
+
+
= V

0
0
0
0 m x p x p
p x x 2 1
p x x 3 1
m , p , p , x , x , L
*
2 2
*
1 1
2
*
2 1
*
2
3 1
*
1
1
*
2 1
*
2
3 2
*
1
T
2 1
*
2
*
1
*

172
Resolviendo el sistema anterior se tiene:

( ) ,
p 5
m 2
m , p , p x
1
2 1
*
1
= ( )
2
2 1
*
2
p 5
m 3
m , p , p x =

( )
3 2
1
2 1
2 1
2 1
*
m 2
p 5
p 5
m 3
p 3
1
m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
=

b) La funcin de utilidad indirecta es:

( ) ( ) ( ) | |
2 1
2
3 1
1
2 1
*
2 2 1
*
1 2 1
p 5
m 3
p 5
m 2
m , p , p x , m , p , p x U m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
= =

c) Derivando la expresin anterior respecto a
1
p se obtiene:

( )
2 1
2
3 1
1 1
2 1
2
2
1
3 2
1 1
2 1
p 5
m 3
p 5
m 2
p 3
1
p 5
m 3
p 5
m 2
p 5
m 2
3
1
p
m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
c
c

Por otro lado, se tiene que:

( )
1
1
2 1 2 1
x
p
m , p , p , x , x , L
=
c
c

Por tanto, evaluando la expresin anterior en ( )
*
2
*
1
*
x , x , se tiene:

( )
( )
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
c
c
1
3 2
1
2 1
2 1
2 1
*
1
*
1
2 1
*
2
*
1
*
p 5
m 2
m 2
p 5
p 5
m 3
p 3
1
m , p , p x
p
m , p , p , x , x , L

( )
3 1
1
2 1
2 1 1
2 1
*
2
*
1
*
p 5
m 2
p 5
m 3
p 3
1
p
m , p , p , x , x , L
|
|
.
|
\
|
|
|
.
|
\
|
=
c
c

Se observa que por ambos procedimientos obtenemos el mismo
resultado.

d) Por el teorema de la envolvente tenemos que:

( ) ( )
3 2
1
2 1
2 1
*
2 1
*
2
*
1
*
2 1
m 2
p 5
p 5
m 3
p 3
1
m
m , p , p , x , x , L
m
m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
= =
c
c
=
c
c

En consecuencia,
173
( )
( ) m
m 2
p 5
p 5
m 3
p 3
1
m , p , p 0
m
m , p , p
3 2
1
2 1
2 1
2 1
2 1
A
|
|
.
|
\
|
|
|
.
|
\
|
~ A >
c
c

Es decir, un aumento de m produce un incremento de la
funcin de utilidad indirecta, esto es, de la utilidad mxima.

Del apartado anterior tenemos:

( ) ( )
3 1
1
2 1
2 1
*
1
*
1
2 1
*
2
*
1
*
1
2 1
p 5
m 2
p 5
m 3
p 3
1
x
p
m , p , p , x , x , L
p
m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
= =
c
c
=
c
c

( )
( )
1
3 1
1
2 1
2 1
2 1
1
2 1
p
p 5
m 2
p 5
m 3
p 3
1
m , p , p 0
p
m , p , p
A
|
|
.
|
\
|
|
|
.
|
\
|
~ A <
c
c

Es decir, un aumento de
1
p produce un decremento de la

Finalmente,

( ) ( )
3 2
1
2 3
2 1
*
2
*
2
2 1
*
2
*
1
*
2
2 1
m 2
p 5
p 5
m 3
p 3
1
x
p
m , p , p , x , x , L
p
m , p , p
|
|
.
|
\
|
|
|
.
|
\
|
= =
c
c
=
c
c

( )
( )
2
3 2
1
2 3
2 1
2 1
2
2 1
p
m 2
p 5
p 5
m 3
p 3
1
m , p , p 0
p
m , p , p
A
|
|
.
|
\
|
|
|
.
|
\
|
~ A <
c
c

Es decir, un aumento de
2
p produce un decremento de la

4. Programas con restricciones de desigualdad: Programacin
no lineal

4.1 Introduccin

Es importante mencionar que la resolucin de problemas de
optimizacin de funciones no lineales con restricciones de desigualdad
mediante programas matemticos no lineales es mucho ms reciente
que la resolucin de problemas con restricciones de igualdad.

En el caso de la programacin lineal (optimizacin de funciones
lineales con restricciones de desigualdad lineales), la teora y los
mtodos de solucin de problemas con este tipo de restricciones se
conoce desde principios de los aos cincuenta del siglo pasado gracias a
las investigaciones del profesor norteamericano G. Dantzig.
174
En problemas con formulaciones no lineales (programacin no lineal),
los mtodos tericos de resolucin son recin conocidos en 1951
gracias a los trabajos realizados por los matemticos norteamericanos
Kuhn y Tucker.

Este tipo de problemas son ms representativos de las circunstancias en
las que se desarrolla la actividad econmica, que los problemas con
restricciones de igualdad. En realidad, normalmente se dispone de
cantidades limitadas de recursos, pero sin la obligacin de emplearlas
en su totalidad si ello no resultase conveniente. Por lo tanto, es factible
concebir soluciones posibles y ptimas que no saturen necesariamente
todas las restricciones, dejando un excedente sin utilizar del recurso
cuya disponibilidad limitan.

4.2 Formulacin de programas con restricciones de
desigualdad

La formulacin general de un programa con restricciones de
desigualdad es la siguiente:

( )
( ) ( )
( )
( )
( )
( )
>
>
s
s
=
0 x , , x , x h
0 x , , x , x h
0 x , , x , x g
0 x , , x , x g : a . s
X
n 2 1 k
n 2 1 1
n 2 1 m
n 2 1 1
n 2 1
.
.
.
.
.
.
.
,

Donde f, ( ) m , , 2 , 1 i g
i
. = y ( ) k , , 2 , 1 j h
j
. = son funciones de
.
n
9 9

El problema (X) se puede reducir al estudio de:

( )
( ) ( )
( )
( )
s
s
=
+
0 x , , x , x G
0 x , , x , x G : a . s
x , , x , x f x f min
XI
n 2 1 k m
n 2 1 1
n 2 1
.
.
.
.
,

Con 9 9
n
: f y ( ), k m , , 2 , 1 i : G
n
i
+ = 9 9 . ya que el programa
de ( ) ( )
n 2 1
x , , x , x f x f max .
,
= es equivalente a ( ) ( ) | |
n 2 1
x , , x , x f x f min .
,
=
y las restricciones ( ) ( ) k , , 2 , 1 j 0 x , , x , x h
n 2 1 j
. . = > pueden expresarse
como ( ) | | . 0 x , , x , x h
n 2 1 j
s .
175
Definicin: Sea
*
x
,
una solucin factible de (XI), se dice que
*
x
,

satura la i-sima restriccin ( ) 0 x G
i
s
,
si ( ) , 0 x G
*
i
=
,
mientras que si
( ) 0 x G
*
i
<
,
se dir que
*
x
,
no satura la i-sima restriccin. Si ( ) 0 x G
*
i
=
,

decimos que la restriccin est activa, y si ( ) 0 x G
*
i
<
,
se dice que la
restriccin est inactiva.

4.3 Condiciones necesarias de primer orden de ptimo local

Condiciones de Fritz-John (1948)

Sea el programa:

( )
( ) ( )
( )
( )
s
s
=
0 x , , x , x g
0 x , , x , x g : a . s
XII
n 2 1 m
n 2 1 1
n 2 1
.
.
.
.
,

Con 9 9
n
: f y ( ). m , , 2 , 1 j : g
n
j
. = 9 9 Sea
*
x
,
tal que
( ) { }, 0 x g i I
*
i
= =
,
f y ( ) I i g
i
e son diferenciables en . x
*
,
Entonces, si
( ) I i g
i
e son continuas en
*
x
,
se verifica que, cuando
*
x
,
es un ptimo
local, solucin del programa (XII), existen escalares ( ) I i ,
*
i
*
0
e no
todos nulos tales que:

( )
( ) ( )
( ) ( )
= s
e > >
= V + V

e
m , , 2 , 1 j 0 x g
I i 0 , 0
0 x g x f
1
*
j
*
i
*
0
I i
T
*
i
*
i
T
* *
0
.
,
,
, ,

Adems, si ( ) I i g
i
e es diferenciable en , x
*
,
entonces (1) puede
expresarse de forma equivalente como:

( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
( ) ( )
= s
= > >
= = = =
= V + V = V + V
=
=
m , , 2 , 1 j 0 x g
m , , 2 , 1 j 0 , 0
m , , 2 , 1 j 0 x g 0 x g x g
0 x g x f x g x f
2
*
j
*
j
*
0
*
j
*
j
m
1 j
*
j
*
j
*
T
*
m
1 j
T
*
j
*
j
T
* *
0
*
T
*
T
* *
0
.
,
.
.
, ,
,
, ,
,
, ,
,
, , ,

Con ( ) m , , 2 , 1 j
*
j
. = no todos nulos.
176
Donde:

( )
( )
( )
( )
1 x n
*
x
*
x
*
x
T
*
x f
x f
x f
x f
(
(
(
(
(
= V
,
.
,
,
,
n
2
1

1 mx
*
m
*
2
*
1
*
(
(
(
(
(
(
=
.
.
,

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
nxm
n
*
m
n
*
2
n
*
1
2
*
m
*
2
*
1
1
*
m
*
2
*
1
T
*
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x
x g
x g
(
(
(
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
= V
,

, ,
.
.
,

, ,
,

, ,
, ,
2 2
1 1

Las condiciones de Fritz John son necesarias pero no suficientes ya
que existen soluciones factibles que las verifican trivialmente y que no
son soluciones ptimas del programa. Por ejemplo, las condiciones de
Fritz John se cumplen en cualquier solucin factible
F
x
,
en la que el
vector gradiente de alguna restriccin saturada por
F
x
,
es nulo, cuando
el vector gradiente de la funcin objetivo en
F
x
,
es nulo o cuando en el
programa existan restricciones de igualdad
9
.

Adems, cuando , 0
*
0
= las condiciones de Fritz John no permiten
una seleccin eficiente de los posibles ptimos locales. En
consecuencia, conviene introducir hiptesis adicionales para garantizar
que , 0
*
0
= estas condiciones se llaman generalmente de cualificacin
o de regularidad
10
. Las ms utilizadas por su operatividad son las
referidas a la independencia lineal de los gradientes correspondientes a
restricciones saturadas que, como ya se ha indicado, aseguran que
. 0
*
0
= Este planteamiento se recoge en las condiciones necesarias
pero no suficientes de Kuhn-Tucker.

9
Es importante resaltar que una restriccin ( ) 0 x g =
,
puede reemplazarse por las siguientes desigualdades:
( ) ( ) 0 x g x g
1
s
, ,
y ( ) ( ) . 0 x g x g
2
s
, ,

10
La finalidad de la condicin de cualificacin o de regularidad es garantizar que el vector gradiente de la
funcin objetivo en la solucin ptima
*
x
,
se pueda escribir como una determinada combinacin lineal de
los vectores gradientes correspondientes a las restricciones saturadas por , x
*
,
esto es:
( ) ( )
e
V = V
I i
T
*
i
*
T
* *
x g x f
i 0
, ,
para ( ) { }. 0 x g i I
*
i
= =
,

177
Condiciones de Kuhn-Tucker (1951)
Sea
*
x
,
un punto factible del programa (XII) tal que sature las
restricciones ( ) 0 x g
i
s
,
para , I i e donde: ( ) { }. 0 x g i I
*
i
= =
,
Si en
*
x
,
las
funciones f y
i
g con I i e son diferenciables, las
i
g con I i e son
continuas y los vectores gradientes ( )
*
i
x g
,
V para I i e son linealmente
independientes (condicin de regularidad)
11
. En consecuencia, si
*
x
,
es
un ptimo local del programa (XII) existen escalares
*
i
para I i e tales
que:
( )
( ) ( )
( ) ( )
= s
e >
= V + V

e
m , , 2 , 1 j 0 x g
I i 0
0 x g x f
3
*
j
*
i
I i
T
*
i
*
i
T
*
.
,
,
, ,

Si adems suponemos que las
i
g con I i e son diferenciables en , x
*
,
las
condiciones de Kuhn-Tucker pueden ser escritas equivalentemente de la
siguiente forma:

( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
( ) ( )
= s
= >
= = = =
= V + V = V + V = V
=
=
m , , 2 , 1 j 0 x g
m , , 2 , 1 j 0
m , , 2 , 1 j 0 x g 0 x g x g
0 x g x f x g x f x , L
4
*
j
*
j
CHC
*
j
*
j
m
1 j
*
j
*
j
*
T
*
m
1 j
T
*
j
*
j
T
* *
T
*
T
* * *
x
.
,
.
.

, ,
,
, ,
,
, ,
,
, , , ,
,

Donde:

( ) ( ) ( ) ( ) ( )
=
+ = + =
m
1 j
*
j
*
j
* *
T
* * * *
x g x f x g x f x , L
, ,
,
, , , ,
,

( )
( )
( )
( )
1 nx
* *
n
* *
2
* *
1
T
* *
x
x , Lx
x , Lx
x , Lx
x , L
(
(
(
(
(
(
(
= V
,
,
.
.
,
,
,
,
,
,
,
( ) ( ) ( ) ( ) | |
m x 1
*
m
*
2
*
1
T
*
x g x g x g x g
,
.
, , , ,
=

11
Los puntos que no saturan ninguna restriccin (puntos interiores al CF) tambin son considerados puntos
regulares.
178
A los escalares ( ) m , , 2 , 1 j
*
j
. = se les denomina multiplicadores de
Lagrange. Las ecuaciones de la segunda fila de (4) reciben el nombre de
condiciones de holgura complementaria (CHC)
12
y nos dicen que todos los
multiplicadores asociados a restricciones no saturadas (inactivas o no
vinculantes) son nulos ( ) ( ) 0 x g si 0
*
j
*
j
< =
,
, mientras que todos los
multiplicadores correspondientes a restricciones saturadas (activas o
vinculantes) deben ser no negativos ( ) ( ) 0 x g si 0
*
j
*
j
= >
,
si
*
x
,
es un
mnimo local. Por tanto, ( ) ( ) 0 x g si 0
*
j
*
j
= >
,
implica que si
( ) . 0 x g 0 si
*
j
*
j
= >
,
No obstante, es importante resaltar que es posible
que de manera simultnea ( ) 0 x g y 0
*
j
*
j
= =
,
en ( ) ( ) 0 x g si 0
*
j
*
j
= >
,
.

Ejemplos:

1.- Dados los siguientes programas:

( ) ( )
|
.
|
\
|
=
>
>
s +
> +
+
2 , 2 x
0 x
0 x
4 x x
0 x x : a . s
2 3 x 3 x min ) a
2
1
2
2
2
1
2 1
2
2
2
1
,

( ) ( )
( )
( ) | | 1 , 0 b con b , b 1 x
0 x
0 x
0 1 x x : a . s
1 x 1 x max ) b
2
1
3
2 1
2
2
2
1
e =
s
s
s +

,

Estudiar si en los puntos x
,
sealados (que son soluciones factibles de los
programas propuestos) se verifican las condiciones de Fritz-John, calculando
los posibles valores de . m , , 1 , 0 i ,
*
i
. = Asimismo, comprobar si los
gradientes de las restricciones saturadas en x
,
son linealmente independientes.

Solucin:

a) Escribimos el programa en forma equivalente:

( ) ( )
0 x
0 x
0 4 x x
0 x x : a . s
2 3 x 3 x min
2
1
2
2
2
1
2 1
2
2
2
1
s
s
s +
s
+

12
La holgura complementaria exige que al menos una de las dos desigualdades ( ) 0 x g y 0
*
j
*
j
s >
,

se mantenga como una desigualdad estricta. Equivalentemente, al menos una debe ser una igualdad.
179
Vemos que en |
.
|
\
|
= 2 , 2 x
,
las restricciones que se saturan son
( ) 0 x x x g
2 1 1
s =
,
y ( ) 0 4 x x x g
2
2
2
1 2
s + =
,
, y como todas las
funciones que definen el programa son diferenciables, en virtud de
las condiciones de Fritz-John, existirn escalares
*
4
*
3
*
2
*
1
*
0
, , , , no
negativos y no todos nulos tales que:

= s |
.
|
\
|
= > >
= = |
.
|
\
|
= |
.
|
\
|
V + |
.
|
\
|
V
=
4 , 3 , 2 , 1 j 0 2 , 2 g
4 , 3 , 2 , 1 j 0 y 0
4 , 3 , 2 , 1 j 0 2 , 2 g
0
0
2 , 2 g 2 , 2 f
j
*
j
*
0
j
*
j
4
1 j
T
j
*
j
T
*
0

(
(
(
(
(
s
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
0
0
0
0
2
2
0
0
2 , 2 g
2 , 2 g
2 , 2 g
2 , 2 g
2 , 2 g
4
3
2
1
,

(
(
(
(
|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
V
2 3 2 2
3 2 2
2 , 2 f
T

(
= |
.
|
\
|
V
1
1
2 , 2 g
T
1

(
(
= |
.
|
\
|
V
2 2
2 2
2 , 2 g
T
2

(
= |
.
|
\
|
V
0
1
2 , 2 g
T
3

(
= |
.
|
\
|
V
1
0
2 , 2 g
T
4

180
( )
( )
= + |
.
|
\
|

= + + |
.
|
\
|

b 0 2 2 2 3 2 2
a 0 2 2 3 2 2
*
4
*
2
*
1
*
0
*
3
*
2
*
1
*
0

( ) ( ) c 0 0
*
1
=

( ) ( ) d 0 0
*
2
=

( ) e 0 2
*
3
= |
.
|
\
|

( ) f 0 2
*
4
= |
.
|
\
|

( ) g 0 ; 0 ; 0 ; 0 ; 0
*
4
*
3
*
2
*
1
*
0
> > > > >

( ) h 0 0 2 , 2 g ; 0 0 2 , 2 g
2 1
s = |
.
|
\
|
s = |
.
|
\
|

( ) i 0 2 2 , 2 g ; 0 2 2 , 2 g
4 3
s = |
.
|
\
|
s = |
.
|
\
|

Por (e) y (g) tenemos que , 0
*
3
= y por (f) y (g) tenemos que
. 0
*
4
=

Reemplazando 0
*
4
*
3
= = en (a) y (b) se obtiene que:

( ) j
2 4 9
2 4
3
2
*
2
*
1
*
0
= =

Dado que los ( ) 4 , 3 , 2 , 1 j
*
j
= deben ser no todos nulos. Por tanto,
las condiciones de Fritz-John se verifican para cualesquieras
*
2
*
1
*
0
, , positivos que satisfagan (j). En particular, tenemos que
para:

2 2
2 4 9
2 3
*
2
*
0
*
1

= = = con . 0
*
4
*
3
= =

Ahora comprobaremos si los gradientes de las restricciones
saturadas en |
.
|
\
|
= 2 , 2 x
,
son linealmente independientes:

(
= |
.
|
\
|
V + |
.
|
\
|
V
0
0
2 , 2 g b 2 , 2 g a
T
2
T
1

181
(
=
(
(
+
(
0
0
2 2
2 2
b
1
1
a

Resolviendo el sistema de ecuaciones anterior se obtiene que
. 0 b a = = Por tanto, los gradientes de las restricciones que estn
saturadas en |
.
|
\
|
= 2 , 2 x
,
son linealmente independientes.

b) Escribimos el programa en forma equivalente:

( ) ( )
( )
0 x
0 x
0 1 x x : a . s
1 x 1 x min
2
1
3
2 1
2
2
2
1
s
s
s +
+

( )
( )
(
= V
1 b 2
b 2
b , b 1 f
T
( )
(
= V
0
0
b , b 1 g
T
1

( )
(
= V
0
1
b , b 1 g
T
2
( )
(
= V
1
0
b , b 1 g
T
3

Si , 1 b 0 < < en ( ) b , b 1 x =
,
se satura nicamente la restriccin
( ) ( ) . 0 1 x x x g
3
2 1 1
s + =
,
Por tanto, ( ) { }. 0 b , b 1 g 1 I
1
= = Se observa
que las funciones que definen el programa son diferenciables en
( ) b , b 1 x =
,
y las condiciones de Fritz-John que se debern
satisfacer son:

( )
( ) . 1 b 2 y b 2
0 1 b 2
0 b 2
*
0
*
3
*
0
*
2
*
3
*
0
*
2
*
0
= =
=
=

Dado que , 0 1 b 1 < < entonces la nica posibilidad es que
0 0
*
3
*
2
*
0
= = = con . 0
*
1
>

En este caso, el vector ( )
(
= V
0
0
b , b 1 g
T
1
es linealmente
dependiente ya que ( ) . a
0
0
0
0
a b , b 1 g a
T
1
9 e
(
=
(
= V Es
importante resaltar que dado que ( )
T
1
b , b 1 g V es linealmente
dependiente, la nica posibilidad que existe para que se verifique
(XII) es que . 0
*
0
=
182
Si , 1 b = en ( ) ( ) 1 , 0 b , b 1 x = =
,
se saturan ( ) ( ) 0 1 x x x g
3
2 1 1
s + =
,
y
( ) . 0 x x g
1 2
s =
,
Por tanto, ( ) ( ) { }. 0 1 , 0 g 0 1 , 0 g 2 , 1 I
2 1
= . = = Se
observa que las funciones que definen el programa son
diferenciables en ( ) 1 , 0 x =
,
y las condiciones de Fritz-John que se
debern satisfacer son:

( )
. 0 y 2
0 0
0 2
*
3
*
0
*
2
*
3
*
0
*
2
*
0
= =
=
=

Entonces, la nica posibilidad es que 0 0
*
2
*
0
= = con . 0
*
1
>

En este caso, los vectores ( )
(
= V
0
0
1 , 0 g
T
1
y ( )
(
= V
0
1
1 , 0 g
T
2
son
linealmente dependientes ya que para el siguiente sistema:

( ) ( )
(
=
(
+
(
= V + V
0
0
0
1
b
0
0
a 1 , 0 g b b , b 1 g a
T
2
T
1

La solucin es: . 0 b y a = 9 e Es decir, el vector cero no es
generado con unicidad por los gradientes de las restricciones
saturadas en ( ). 1 , 0 x =
,

Si , 0 b = en ( ) ( ) 0 , 1 b , b 1 x = =
,
se saturan ( ) ( ) 0 1 x x x g
3
2 1 1
s + =
,
y
( ) . 0 x x g
1 3
s =
,
Por tanto, ( ) ( ) { }. 0 1 , 0 g 0 1 , 0 g 3 , 1 I
3 1
= . = = Se
observa que las funciones que definen el programa son
diferenciables en ( ) 0 , 1 x =
,
y las condiciones de Fritz-John que se
debern satisfacer son:

( )
. 2 y 0
0 2
0 0
*
0
*
3
*
2
*
3
*
0
*
2
*
0
= =
=
=

Entonces, la nica posibilidad es que 0 0
*
3
*
0
= = con . 0
*
1
>

En este caso, los vectores ( )
(
= V
0
0
1 , 0 g
T
1
y ( )
(
= V
1
0
1 , 0 g
T
3
son
linealmente dependientes ya que para el siguiente sistema:

( ) ( )
(
=
(
+
(
= V + V
0
0
1
0
b
0
0
a 1 , 0 g b b , b 1 g a
T
2
T
1

183
La solucin es: . 0 b y a = 9 e Es decir, el vector cero no es
generado con unicidad por los gradientes de las restricciones
saturadas en ( ). 0 , 1 x =
,

2.- Analizar si se verifican las condiciones de Kuhn-Tucker en los
puntos que se indican para los siguientes programas:

|
.
|
\
|
=
>
>
s
s +

1 , 3 x
0 x
0 x
2 x x
4 x x : a . s
x x 2 min ) a
*
2
1
2
2
1
2
2
2
1
2 1
,

( ) ( )
( )
|
|
.
|
\
|
= =
s
s
s +
s +

5
6
,
5
9
x y 1 , 2 x
0 x
0 x
3 x x
5 x x : a . s
2 x 3 x max ) b
F *
2
1
2 1
2
2
2
1
2
2
2
1
, ,

Solucin:

a) Escribimos el programa en forma equivalente:

0 x
0 x
0 2 x x
0 4 x x : a . s
x x 2 min
2
1
2
2
1
2
2
2
1
2 1
s
s
s
s +

En la solucin factible , 1 , 3 x
*
|
.
|
\
|
=
,
tenemos que { }, 2 , 1 I = siendo
los vectores gradientes
T
2
T
1
1 , 3 g y 1 , 3 g |
.
|
\
|
V |
.
|
\
|
V linealmente
independientes. Veamos si existen 4 , 3 , 2 , 1 j , 0
*
j
= > tales que:

( ) ( )
( )
( )
= s
= >
= =
= V + V

=
4 , 3 , 2 , 1 j 0 x g
4 , 3 , 2 , 1 j 0
4 , 3 , 2 , 1 j 0 x g
0 x g x f
*
j
*
j
*
j
*
j
4
1 j
T
*
j
*
j
T
*
,
,
,
, ,

184
Dado que |
.
|
\
|
= 1 , 3 x
*
,
no satura ( ) ( ), 4 , 3 j x g
*
j
=
,
se tiene que:

< = |
.
|
\
|
< = |
.
|
\
|
0 1 1 , 3 g y 0 3 1 , 3 g
4 3
. 0
*
4
*
3
= =

Y como:

(
= |
.
|
\
|
V
1
2
1 , 3 f
T

(
(
= |
.
|
\
|
V
2
3 2
1 , 3 g
T
1

(
(
= |
.
|
\
|
V
1
3 2
1 , 3 g
T
2

(
= |
.
|
\
|
V
0
1
1 , 3 g
T
3

(
= |
.
|
\
|
V
1
0
1 , 3 g
T
4

Entonces:

(
=
(
+
(
+
(
(
+
(
(
+
(
0
0
1
0
0
1
1
3 2
2
3 2
1
2
0
*
4
0
*
3
*
2
*
1

0
3 3
3 2
y 0
3 3
3 1
0 2 1
0 3 2 3 2 2
*
2
*
1
*
2
*
1
*
2
*
1
>
= >
+
=
= +
= + +

Por tanto, se verifican las condiciones de Kuhn-Tucker en
|
.
|
\
|
= 1 , 3 x
*
,
.

b) Escribimos el programa en forma equivalente:

( ) ( )
0 x
0 x
0 3 x x
0 5 x x : a . s
2 x 3 x min
2
1
2 1
2
2
2
1
2
2
2
1
s
s
s +
s +
+

Teniendo en cuenta que todas las funciones que definen el programa
son continuas y diferenciables en los puntos especificados, las
condiciones de Kuhn-Tucker son:
185
( )
( )
( )
( )
( )
( )
> > > >

s =
s =
s + = +
s + = +
(
=
(
+
(
+
(
+
(
+
(
0 , 0 , 0 , 0
0 x ; 0 x
0 x ; 0 x
0 3 x x ; 0 3 x x
0 5 x x ; 0 5 x x
0
0
1
0
0
1
1
1
x 2
x 2
2 x 2
3 x 2
*
4
*
3
*
2
*
1
2 2
*
4
1 1
*
3
2 1 2 1
*
2
2
2
2
1
2
2
2
1
*
1
*
4
*
3
*
2
2
1 *
1
2
1

- En el punto ( ) 1 , 2 x
*
=
,
se tiene que:

( ) 0 x g
*
1
=
,
( ) 0 x g
*
2
=
,
( ) 0 2 x g
*
3
< =
,
( ) 0 1 x g
*
4
< =
,

( ) ( ) . 0 b a
0
0
1
1
b
2
4
a x g b x g a
T
*
2
T
*
1
= =
(
=
(
+
(
= V + V
, ,

Se aprecia que los vectores gradientes ( ) ( )
T
2
T
1
1 , 2 g y 1 , 2 g V V son
linealmente independientes. Debido a que la tercera y la cuarta
restriccin no estn saturadas, entonces: . 0
*
4
*
3
= =
Reemplazando 0 , 1 x , 2 x
*
4
*
3 2 1
= = = = en la ecuacin
matricial se tiene:

. 0 2 y 0
0 2 2
0 4 2
*
2
*
1
0
*
4
*
2
*
1
0
*
3
*
2
*
1
> = =
= + +
= + +

Es decir, en el punto ( ) 1 , 2 x
*
=
,
se verifican las condiciones de
Kuhn-Tucker con multiplicadores . 0 y 0 2
*
4
*
3
*
1
*
2
= = = > =

- En el punto
|
|
.
|
\
|
=
5
6
,
5
9
x
F
,
se tiene que:

( ) 0
25
8
x g
F
1
< =
,
( ) 0 x g
F
2
=
,

( ) 0
5
9
x g
F
3
< =
,
( ) 0
5
6
x g
F
4
< =
,

( ) . 0 a
0
0
1
1
a x g a
T
F
2
=
(
=
(
= V
,

186
Se aprecia que el vector gradiente ( )
T
F
2
x g
,
V es linealmente
independiente. Debido a que la primera, la tercera y la cuarta
restriccin no estn saturadas, entonces: . 0
*
4
*
3
*
1
= = =
Reemplazando 0 ,
5
6
x ,
5
9
x
*
4
*
3
*
1 2 1
= = = = = en la ecuacin
matricial se tiene:

= +
= +
0
5
8
0
5
12
*
2
*
2

El sistema anterior no tiene solucin. Por tanto, en el punto
|
|
.
|
\
|
=
5
6
,
5
9
x
F
,
no se verifican las condiciones de Kuhn-Tucker.
En consecuencia, el punto
|
|
.
|
\
|
=
5
6
,
5
9
x
F
,
no es la solucin
ptima del programa.

3.- Determinar analticamente las soluciones factibles
*
x
,
en las que se
verifican las condiciones de Kuhn-Tucker en el siguiente programa
diferenciable:

( )
0 x
0 1 x x
0 1 x x : a . s
2 x x min
2
2 1
2 1
2
2
2
1
s
s +
s +
+

Solucin:

Los gradientes de las funciones del programa son:

( )
( )
(
= V
2 x 2
x 2
x f
2
1 T
,
( )
(
= V
1
1
x g
T
1
,

( )
(
= V
1
1
x g
T
2
,
( )
(
= V
1
0
x g
T
3
,

Debemos verificar si existen 0 y 0 , 0
*
3
*
2
*
1
> > > tales que:

( )
( ) ( )
( ) ( ) 3 0 1 x x
2 0 2 x 2
1 0 x 2
2 1
*
1
*
3
*
2
*
1 2
*
2
*
1 1
= +
= + +
= +

187
( ) ( )
( ) ( )
( )
( )
( )
( )
( )
( ) 11 0
10 0
9 0
8 0 x
7 0 1 x x
6 0 1 x x
5 0 x
4 0 1 x x
*
3
*
2
*
1
2
2 1
2 1
2
*
3
2 1
*
2
>
>
>
s
s +
s +
=
= +

Las hiptesis que podemos hacer sobre los valores de ( ) 3 , 2 , 1 i
*
i
=
se resumen en los 8 2
3
= casos que a continuacin presentamos:

Caso 1: 0 y 0 , 0
*
3
*
2
*
1
= = =

De (1) y (2) tenemos:

( ) 2 x 0 2 x 2
0 x 0 x 2
2 2
1 1
= =
= =

Pero el punto ( ) 2 , 0 no verifica la restriccin (7):

( ) 0 1 2 , 0 g
2
s/ =

Por tanto, la hiptesis no nos conduce a ningn punto que satisfaga
las condiciones de Kuhn-Tucker.

Caso 2: 0
*
2
*
1
= =


( ) ( ) ( ) 12 2 x 2 0 2 x 2
0 x 0 x 2
2
*
3
*
3 2
1 1
= =
= =

Como por hiptesis la tercera restriccin se satura,
( ) 0 x 0 x x , x g
2 2 2 1 3
= = = y por tanto, reemplazando 0 x
2
= en
(12) tenemos que 0 4
*
3
< = lo que contradice la no negatividad de
los .
*
i
En consecuencia, debemos rechazar la hiptesis 2.
188
Caso 3: 0
*
3
*
1
= =


( )
( ) ( ) ( ) 14 2 x 2 0 2 x 2
13 x 2 0 x 2
2
*
2
*
2 2
1
*
2
*
2 1
= = +
= =

Igualando (13) y (14) se obtiene:

) 15 ( x 2 x
2 1
=

Como por hiptesis la segunda restriccin se satura,
( ) ( ). 16 : 1 x x 0 1 x x x , x g
2 1 2 1 2 1 2
= = + = Igualando (15) y
(16) se tiene que:

2
3
x y
2
1
x
2 1
= =

Pero el punto
|
|
.
|
\
|
2
3
,
2
1
no satisface la restriccin (6)

0 1
2
3
,
2
1
g
1
s/ =
|
|
.
|
\
|

Por tanto, la hiptesis de partida no nos conduce a ningn punto que
satisfaga las condiciones de Kuhn-Tucker.

Caso 4: 0
*
3
*
2
= =


( )
( ) ( ) ( ) 18 2 x 2 0 2 x 2
17 x 2 0 x 2
2
*
1
*
1 2
1
*
1
*
1 1
= = +
= = +

Igualando (17) y (18) se obtiene:

( ) 19 2 x x
2 1
=

Como por hiptesis la primera restriccin se satura,
( ) ( ). 20 : x 1 x 0 1 x x x , x g
2 1 2 1 2 1 1
= = + = Igualando (19) y
(20) se tiene que:

2
3
x y
2
1
x
2 1
= =
189
Pero el punto
|
|
.
|
\
|
2
3
,
2
1
no satisface la restriccin (7):

0 1
2
3
,
2
1
g
2
s/ =
|
|
.
|
\
|

En consecuencia, la hiptesis de partida no nos conduce a ningn
punto que satisfaga las condiciones de Kuhn-Tucker.

Caso 5: 0
*
1
=

Como por hiptesis la segunda y tercera restricciones se saturan
tenemos que:

( ) ( ) 16 1 x x 0 1 x x x , x g
2 1 2 1 2 1 2
= = + =

( ) 0 x 0 x x , x g
2 2 2 1 3
= = =

Reemplazando 0 x
2
= en (16) tenemos que . 1 x
1
= Por tanto,
sustituyendo , 1 x
1
= 0 x
2
= y 0
*
1
= en (1) se obtiene:
, 0 2
*
2
< = lo que contradice (10).

Caso 6: 0
*
2
=

Como por hiptesis la primera y tercera restricciones se saturan
tenemos que:

( ) ( ) 20 x 1 x 0 1 x x x , x g
2 1 2 1 2 1 1
= = + =

( ) 0 x 0 x x , x g
2 2 2 1 3
= = =

Reemplazando 0 x
2
= en (20) tenemos que . 1 x
1
= Por tanto,
sustituyendo , 1 x
1
= 0 x
2
= y 0
*
2
= en (1) se obtiene: , 0 2
*
1
< =
lo que contradice (9).

Caso 7: 0
*
3
=

Como por hiptesis la primera y segunda restricciones se saturan
tenemos que:

( ) ( ) 20 x 1 x 0 1 x x x , x g
2 1 2 1 2 1 1
= = + =

( ) ( ) 16 1 x x 0 1 x x x , x g
2 1 2 1 2 1 2
= = + =
190
Igualando (16) y (20) tenemos:

1 x y 0 x
2 1
= =

Reemplazando 1 x , 0 x
2 1
= = y 0
*
3
= en (1) y (2) tenemos:

= + +
=
0 2
0
*
2
*
1
*
2
*
1

De donde: . 0 1
*
2
*
1
> = =

Adems, dado que:

( ) ( ) . 0 b a
0
0
1
1
b
1
1
a 1 , 0 g b 1 , 0 g a
T
2
T
1
= =
(
=
(
+
(
= V + V

Se aprecia que en ( ) 1 , 0 x
*
=
,
( ) ( )
T
2
T
1
1 , 0 g y 1 , 0 g V V son linealmente independientes.

Por tanto, el punto ( ) 1 , 0 x
*
=
,
dado que , 0 1
*
2
*
1
> = = 0
*
3
= es un
posible mnimo local del programa.

Caso 8: ( ) ( ) ( ) 0 x g x g x g 0 y 0 , 0
*
3
*
2
*
1
*
3
*
2
*
1
= = = > > >

Esta hiptesis presupone que se saturen las tres restricciones
simultneamente, esto es:

( ) ( ) 20 x 1 x 0 1 x x x , x g
2 1 2 1 2 1 1
= = + =

( ) ( ) 16 1 x x 0 1 x x x , x g
2 1 2 1 2 1 2
= = + =

( ) 0 x 0 x x , x g
2 2 2 1 3
= = =

Reemplazando 0 x
2
= en (16) y (20) se obtiene 1 x
1
= y 1 x
1
= lo
cual es contradictorio.

Finalmente, slo bajo la hiptesis 7 se satisfacen las condiciones de
Kuhn-Tucker. stas se verifican en el punto ( ) 1 , 0 x
*
=
,
para
. 0 y 1
*
3
*
2
*
1
= = = Por tanto, slo el punto ( ) 1 , 0 x
*
=
,
es un posible
ptimo del programa.
191

4.4 Restricciones de no negatividad
Frecuentemente las variables involucradas en la optimizacin econmica
son esencialmente no negativas. El problema estndar con restricciones de
no negatividad que con frecuencia podremos encontrar viene dado por:

( )
( ) ( )
( )
( )
>
>
s
s
=
0 x
0 x
0 x , , x , x g
0 x , , x , x g : a . s
XIII
n
1
n 2 1 m
n 2 1 1
n 2 1
.
.
.
.
.
,

El cual puedeser transformado de manera equivalente al problema
(XIII), pero con n m+ restricciones de desigualdad, tal como sigue:

( )
( ) ( )
( )
( )
( ) ( )
( )
s =
s = =
s
s
=
+
0 x x , , x , x g
0 x x , , x , x g x , , x , x g
0 x , , x , x g
0 x , , x , x g : a . s
XIV
n n 2 1 n
1 n 2 1 1 n 2 1 1 m
n 2 1 m
n 2 1 1
n 2 1
.
.
. .
.
.
.
.
,

En este caso, las condiciones necesarias de Kuhn-Tucker pueden ser
escritas equivalentemente de la siguiente forma: Sea
*
x
,
un punto factible
del programa (XIII) tal que sature las restricciones
( ) ( ) n m , , 1 k 0 x g
k
+ = s .
,
para , K k e donde: ( ) { }. 0 x g k K
*
k
= =
,
Si
en
*
x
,
las funciones f y
k
g con K k e son diferenciables, las
k
g con
K k e son diferenciables en , x
*
,
y los vectores gradientes ( )
*
k
x g
,
V para
K k e son linealmente independientes (condicin de regularidad). En
consecuencia, si
*
x
,
es un ptimo local del programa (XIII) existen
escalares
*
k
para K k e tales que para el lagrangiano
( ) ( ) ( ) ( )
*
i
n
1 i
*
i
*
j
m
1 j
*
j
* * *
1
x h x g x f x , L

= =
+ + = se tiene que:

( )
( ) ( ) ( ) ( )
( )
( )
( ) ( )
( )
( )
( ) ( )
( ) ( ) ( )
= s = s
= > = >
= = = =
= V + V + V = V

= =
n , , 2 , 1 i 0 x ; m , , 2 , 1 j 0 x g
n , , 2 , 1 i 0 ; m , , 2 , 1 j 0
n , , 2 , 1 i 0 x ; m , , 2 , 1 j 0 x g
0 x h x g x f x , L
5
*
i
*
j
*
i
*
j
CHC
*
i
*
i
CHC
*
j
*
j
m
1 j
n
1 i
T
*
i
*
i
T
*
j
*
j
T
* * *
1 x
. .
,
. .
.

.

,
,
, , , ,
,

192
El sistema anterior es equivalente a:

( )
( )
( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
( ) ( ) ( )
= s = s
= > = >
= = = =
= =
c
c
+
c
c
=
n , , 2 , 1 i 0 x ; m , , 2 , 1 j 0 x g
n , , 2 , 1 i 0 ; m , , 2 , 1 j 0
n , , 2 , 1 i 0 x ; m , , 2 , 1 j 0 x g
n , , 2 , 1 i 0
x
x g
x
x f
6
*
i
*
j
*
i
*
j
CHC
*
i
*
i
CHC
*
j
*
j
*
i
m
1 j i
*
j
*
j
i
*
. .
,
. .
.

.

,
.
,
,

El cual, a su vez, es equivalente a:

( )
( )
( ) ( )
( )
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( ) ( )
= s
= >
= =
= s
= >
c
c
+
c
c
= =
(
(
c
c
+
c
c
=
=
m , , 2 , 1 j 0 x g
m , , 2 , 1 j 0
m , , 2 , 1 j 0 x g
n , , 2 , 1 i 0 x
n , , 2 , 1 i 0
x
x g
x
x f
n , , 2 , 1 i 0
x
x g
x
x f
x
7
*
j
*
j
CHC
*
j
*
j
*
i
m
1 j i
*
j
*
j
i
*
CHC
m
1 j i
*
j
*
j
i
*
*
i
.
,
.
.

,
.
.
, ,
.

, ,

Con el siguiente lagrangiano:

( ) ( ) ( )
*
j
m
1 j
*
j
* * *
x g x f x , L

=
+ =

Ejemplo:

Determinar las soluciones factibles
*
x
en las que se verifican las

condiciones de Kuhn-Tucker en el siguiente programa diferenciable:

( ) ( )
0 z
0 y
0 x
y x z : a . s
y x 2 z 1 z ln 3 x f max
2
>
>
>
+ s
+ =

193
Solucin:

El problema equivalente ser:

( ) ( )
0 z
0 y
0 x
0 y x z : a . s
y x 2 z 1 z ln 3 x f min
2
s
s
s
s
+ + + + =

El lagrangiano ser:

( ) ( ) ( ) y x z y x 2 z 1 z ln 3 ; z , y , x L
2
+ + + + + =

Las condiciones necesarias de Kuhn-Tucker para este problema, que
incluye restricciones de no negatividad, sern:

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( ) ( )
s
>
=
(

s
s
s
> + +
+
>
>
=
|
|
.
|
\
|
+ +
+
=
=
12 0 y x z
11 0
10 0 y x z
9 0 z
8 0 y
7 0 x
6 0 z 2 1
1 z
3
5 0 1
4 0 2
3 0 z 2 1
1 z
3
z
2 0 1 y
1 0 2 x
* *
2
*
*
4 CHC
* *
2
* *
*
*
*
* *
*
*
*
3 CHC
* *
*
*
2 CHC
* *
1 CHC
* *

194
Las hiptesis que podemos hacer sobre los valores de
*
se resumen en
los 2 2 2
1 m
= = casos que a continuacin presentamos:

Caso 1: 0
*
=

De las condiciones (1) y (2), se tiene que:

( ) 13 0 y y x
* *
=

Los valores obtenidos en (13) satisfacen (7) y (8) como0 igualdades.
Adems, al ser 0 x
*
= la CHC1 hace que (4) se verifique como
desigualdad estricta: ( ). 0 2 > Por otra parte al ser 0 y
*
= la CHC2 hace
que (5) se verifique como desigualdad estricta: ( ). 0 1 >

De (3) tenemos que:

( )
( ) 14 0 1
1 z
3
z
3 CHC
*
*

=
|
|
.
|
\
|
+
+

La ecuacin (14) implica que si , 0 z
*
= entonces (9) se verifica como
igualdad. Adems, si , 0 z
*
= (6) debe verificarse como desigualdad
estricta: . 0 2 0 1
1
3
>
/
> +

Por tanto, la hiptesis no nos conduce a ningn puinto que satisfaga las
condiciones de Kuhn-Tucker.

Caso 2: 0
*
>

En este caso, tendramos que analizar ocho subcasos, de los cuales el
nico que satisface todas las condiciones de Kuhn-Tucker es el
siguiente: . 0 z 0 y , 0 x
* * *
> > =

De (1) y (4) tenemos que:

( ) 15 2 0 2
* *
< >

De (2) y (5) tenemos que:

( ) 16 2 1 0 1
* *
< = >

De (3) y (6), y teniendo en cuenta (16) tenemos que:

( ) ( ) 17
0 5 , 0 z
0 2 z
0 1 z 5 , 1 z 0 z 2 1
1 z
3
*
*
*
2
* *
*
> =
>/ =
= + = + +
+

195
Por otro lado, al ser , 0
*
> de (10) resulta que (12) debe verificarse
como una igualdad estricta:

( ) ( ) 18 0 y x z
* *
2
*
=

Reemplazando 5 , 0 z
*
= y 0 x
*

0 25 , 0 y
*
> =

En consecuencia ( )
|
|
.
|
\
|
= =
2
1
,
4
1
, 0 z , y , x x
* * * *
satisface todas las

condiciones de Kuhn-Tucker.

4.5 Condiciones suficientes de segundo orden de ptimo
local

Sea el programa (XII) con f y ( ) m , , 2 , 1 j g
j
. = funciones de clase C
2

y sea
*
x
,
una solucin factible en las que se verifican las condiciones de
regularidad y las condiciones de Kuhn-Tucker, esto es, se verifica el
sistema de ecuaciones (4). Si la matriz
( ) ( ) ( )
*
j
J j
*
j
* * *
x
x Hg x Hf x , L H
, , ,
,
,
e
+ = :

- es definida positiva para todo ( )
*
x M p
, ,
e , es decir,
( ) , 0 p x , L H p
* *
x
T
>
, ,
,
,
,
donde:

( ) ( ) { }= = . e = V 9 e = 0 p J j 0 p x g p x M
*
j
n *
,
, , , , ,

Siendo ( ) { } 0 , 0 x g , m , , 2 , 1 j j J
*
j
*
j
> = = =
,
.

Se verifica que
*
x
,
es un mnimo local estricto del programa.

- es definida negativa para todo ( )
*
x M p
, ,
e , es decir,
( ) , 0 p x , L H p
* *
x
T
<
, ,
,
,
,
donde:

( ) ( ) { }= = . e = V 9 e = 0 p J j 0 p x g p x M
*
j
n *
,
, , , , ,

Siendo ( ) { } 0 , 0 x g , m , , 2 , 1 j j J
*
j
*
j
< = = =
,
.

Se verifica que
*
x
,
es un mximo local estricto del programa.
196
Ejemplos:

Hallar analticamente las soluciones factibles
*
x
,
las condiciones de Kuhn-Tucker en los siguientes problemas
diferenciables, y estudiar si se cumplen las condiciones de la seccin
4.4 en dichas soluciones.

1.-
s +
+
0 1 x x : a . s
x x 1 min
2
2
2
1
2
2 1

2.-
s
s
+
0 x
0 x x 2 x : a . s
x x max
2
2
2
1
4
1
2 1

Solucin:

1.-
s +
+
0 1 x x : a . s
x x 1 min
2
2
2
1
2
2 1


( )
(

= V
2
T
x 2
1
x f
,
( )
(
= V
2
1 T
1
x 2
x 2
x g
,

Debemos verificar si existe , 0
*
1
> tal que:

( ) 1 0 x 2 1
*
1
1 = +

( ) ( ) 2 0 1 x 2
*
1 2
= +

( ) 3 0
*
1
>

( ) ( ) 4 0 1 x x
2
2
2
1
*
1
= +

( ) 5 0 1 x x
2
2
2
1
s +
197

Las hiptesis que podemos hacer sobre el valor de
*
1
se resumen
en los 2 2
1

Caso 1: 0
*
1
= (la solucin es interior al conjunto factible:
( ) 0 x g
1
<
,
)

De (1) tenemos:

0 1 =


Caso 2: ( ) 0 x g
1
=
,
(la solucin est en la frontera del conjunto
factible)

De (2) se tiene que 0 x
2
= que . 0 1
*
1
>/ = Por tanto, 0 x
2
= ya
que por (3)
*
1
no puede ser negativo.

Por hiptesis:

( ) 1 x 0 1 0 x 0 1 x x x g
1
2 2
1
2
2
2
1 1
= = + = + =
,

Pero al reemplazar 1 x
1
= en (1) se obtiene , 0 2 1
*
1
>/ = lo que
contradice (3). En consecuencia, 1 x
1
= con . 0 2 1
*
1
> =

Adems, dado que:

( ) . 0 a
0
0
0
2
a 0 , 1 g a
T
1
=
(
=
(
= V

Se aprecia que en ( ) 0 , 1 x
*
=
,
el vector gradiente ( )
T
1
1 , 0 g V es
linealmente independiente.

Por tanto, el punto ( ) 0 , 1 x
*
=
,
dado que , 0 2 1
*
1
> = es un posible
mnimo local del programa.

Dado que ( ) | |, 0 2 0 , 1 g
1
= V el conjunto ( ) =
*
x M
,
ser:

( ) ( ) | |

)
=
(
. =
(
9 e =
0
0
p
p
0
p
p
0 2 p , p 0 , 1 M
2
1
2
1 2
2 1

198

( ) ( )
=
(
. = + 9 e =
0
0
p
p
0 p 0 p 2 p , p 0 , 1 M
2
1
2 1
2
2 1

( ) ( ) {} { } ( ) {} { } 0 a a , 0 0 p 0 p p , p 0 , 1 M
2
2 1
2
2 1
9 e 9 e = 9 e . = 9 e =

Siendo ( ) { }. 0
2
1
, 0 0 , 1 g 1 J
*
1 1
> = = =

Teniendo en cuenta que:

( ) ( ) ( )
*
j
J j
*
j
* * *
x
x Hg x Hf x , L H
, , ,
,
,
e
+ =

( )
(
=
(
+
(
=
3 0
0 1
2 0
0 2
2
1
2 0
0 0
0 , 1 , 2 1 L H
x
,

Se tiene que {}: 0 a 9 e

( ) | | 0 a 3
a
0
3 0
0 1
a 0 p 0 , 1 , 2 1 L H p
2
x
T
> =
(
=
, ,
,

En consecuencia, de acuerdo a las condiciones suficientes de la
seccin 4.4, ( ) 0 , 1 x
*
=
,
es un mnimo local estricto del programa.

2.-
( )
s
s
+
s
s
+
0 x
0 x x 2 x : a . s
x x min
0 x
0 x x 2 x : a . s
x x max
2
2
2
1
4
1
2 1
2
2
2
1
4
1
2 1


( )
(
= V
1
1
x f
T
,
( )
(
(
= V
1
x 4 x 4
x g
1
3
1
T
1
,

( )
(
= V
1
0
x g
T
2
,

Debemos verificar si existen 0 , 0
*
2
*
1
> > tales que:

( ) ( ) 1 0 x 4 x 4 1
*
1 1
3
1
= +

( ) 2 0 1
*
2
*
1
= +
199

( ) 3 0
*
1
>

( ) 4 0
*
2
>

( ) ( ) 5 0 x x 2 x
2
2
1
4
1
*
1
=

( ) ( ) 6 0 x
2
*
2
=

( ) 7 0 x x 2 x
2
2
1
4
1
s

( ) 8 0 x
2
s

Las hiptesis que podemos hacer sobre los valores de ( ) , 2 , 1 i
*
i
= se
resumen en los 4 2
2

Caso 1: 0 , 0
*
2
*
1
= =

De (1) tenemos:

0 1 =


Caso 2: 0
*
1
=

De (1) tenemos:

0 1 =


Caso 3: 0
*
2
=

De (2) tenemos:

0 1
*
1
>/ =

200
Caso 4: 0 , 0
*
2
*
1
> >

Por hiptesis:

( ) 0 x x 2 x x g
2
2
1
4
1 1
= =
,

( ) 0 x 0 x x g
2 2 2
= = =
,

Reemplazando 0 x
2
= en ( ) x g
1
,
tenemos:

( )
= =
2
2
0
x 0 2 x x
1
2
1
2
1

Por tanto, tenemos que:

- En ( ) : 0 , 0

De (1) tenemos:

0 1 =
- En : 0 , 2 |
.
|
\
|

De (1) tenemos:

0 2 4 1
*
1
>/ =

- En : 0 , 2 |
.
|
\
|

De (1) tenemos:

0 2 4 1
*
1
> =

Reemplazando 2 4 1
*
1

0 2 4 1 1
*
2
> + =

Adems, dado que:

. 0 b a
0
0
1
0
b
1
2 4
a 0 , 2 g b 0 , 2 g a
T
2
T
1
= =
(
=
(
+
(
(
= |
.
|
\
|
V + |
.
|
\
|
V
201

Se aprecia que en |
.
|
\
|
= 0 , 2 x
*
,
T
2
T
1
0 , 2 g y 0 , 2 g |
.
|
\
|
V |
.
|
\
|
V son linealmente independientes.

Por tanto, el punto |
.
|
\
|
= 0 , 2 x
*
,
dado que 0 2 4 1
*
1
> = y
0 2 4 1 1
*
2
> + = es un posible mnimo local del programa
equivalente (de minimizacin). No obstante, dado que el problema
inicial era de maximizacin, |
.
|
\
|
= 0 , 2 x
*
,
ser un posible mximo
local del programa original con 0 2 4 1
*
1
< = y
. 0 2 4 1 1
*
2
< |
.
|
\
|
+ =

Dado que | | 1 0 0 , 2 g y 1 2 4 0 , 2 g
2 1
= |
.
|
\
|
V
(
= |
.
|
\
|
V el conjunto
( ) =
*
x M
,
ya que:

| |
=
(
. =
(
. =
(
9 e = |
.
|
\
|
0
0
p
p
0
p
p
1 0 0
p
p
1 2 4 p 0 , 2 M
2
1
2
1
2
1 2
,

=
=
(
.
(
=
(
9 e = |
.
|
\
|
0
0
p
p
0
0
p
p
p 0 , 2 M
2
1
2
1 2
,

En este caso no puede aplicarse las condiciones suficientes de segundo
orden ya que los vectores gradientes
T
2
T
1
0 , 2 g y 0 , 2 g |
.
|
\
|
V |
.
|
\
|
V con
{ } 2 , 1 J = generan
2
9 y por eso ( ) =
*
x M
,
.

Cuando en el punto
*
x
,
se verifica la condicin de regularidad y
*
x
,

satura tantas restricciones como nmero de variables de decisin
hay en el programa (siempre y cuando los multiplicadores asociados
a las restricciones saturadas en
*
x
,
sean distintos de cero) se tendr
que ( ) =
*
x M
,
. Tambin se obtiene ( ) =
*
x M
,
si
*
x
,
es un punto
crtico de la funcin objetivo ( )
|
.
|
\
|
= V 0 x f
T
*
,
,
y en dicho punto se
verifica la condicin de regularidad, ya que bajo estas circunstancias
todos los multiplicadores de Lagrange son nulos.

Las dos ltimas situaciones que se han mencionado se presentan con
mucha frecuencia, por lo que esto hace que se reduzcan
notablemente las posibilidades de aplicar las condiciones suficientes
de segundo orden. Efectivamente, las hiptesis para que se
verifiquen estas condiciones son muy restrictivas a pesar de
garantizar nicamente la optimalidad local.
202

4.6 Condiciones suficientes de ptimo global

Sea el programa (XII) con f y ( ) m , , 2 , 1 j g
j
. = funciones
diferenciables en un subconjunto abierto , D
n
9 c siendo
( ) { } D m , , 2 , 1 j , 0 x g x CF
j
n
c = s 9 e = .
, ,
un conjunto convexo.
Entonces:

a) Si
*
x
,
es una solucin factible en la que se cumplen las condiciones
de Kuhn-Tucker para mnimo local y f es una funcin convexa
en CF, se verifica que
*
x
,
es un mnimo global del programa.
b) Si
*
x
,
es una solucin factible en la que se cumplen las condiciones
de Kuhn-Tucker para mximo local y f es una funcin cncava
en CF, se verifica que
*
x
,
es un mximo global del programa.

Ejemplos:

1.- Una empresa produce refrigeradoras y ha establecido un contrato
para suministrar 50 unidades al final del primer mes, 50 al final del
segundo y 50 al final del tercero. El costo de producir x
refrigeradoras en cualquier mes es . x
2
La empresa puede producir
ms refrigeradoras de las que necesita en cualquier mes y guardarlas
para el siguiente, pero el costo de almacenaje es de 2000 soles por
unidad/mes. Suponiendo que no hay inventario inicial, determinar el
nmero de refrigeradoras que deben producirse cada mes para
minimizar el costo total.

2.- Un monopolista desea maximizar sus ingresos de modo que los
beneficios que obtenga no sean menores a $340. Si la funcin
inversa de demanda es ( ), $ q 4 100 p = la funcin de costos es
( ) ( ) $ q 20 50 q C + = y q es no negativa. Se pide determinar el
mximo global del programa.

Solucin:

1.- El programa en cuestin es:

( ) ( ) ( )
0 x
0 x
150 x x x
100 x x
50 x : a . s
100 x x 2000 50 x 2000 x x x x , x , x C min
3
2
3 2 1
2 1
1
2 1 1
2
3
2
2
2
1 3 2 1
>
>
> + +
> +
>
+ + + + + =

Escribiendo el programa en forma estndar tenemos:
203
( ) ( ) ( )
0 x
0 x
0 150 x x x
0 100 x x
0 50 x : a . s
100 x x 2000 50 x 2000 x x x x , x , x C min
3
2
3 2 1
2 1
1
2 1 1
2
3
2
2
2
1 3 2 1
s
s
s +
s +
s +
+ + + + + =


( )
(
(
(
+
+
= V
3
2
1
T
x 2
2000 x 2
4000 x 2
x C
,
( )
(
(
(
= V
0
0
1
x g
T
1
,
( )
(
(
(
= V
0
1
1
x g
T
2
,

( )
(
(
(
= V
1
1
1
x g
T
3
,
( )
(
(
(
= V
0
1
0
x g
T
4
,
( )
(
(
(
= V
1
0
0
x g
T
5
,

Donde , x , x , x
3 2 1
representan el nmero de frefrigeradoras a producir
en el i-simo mes. El programa es convexo porque el conjunto
factible es convexo y porque la funcin objetivo es convexa.
Debemos verificar si existen ( ) 5 , 4 , 3 , 2 , 1 j 0
*
j
= > tales que:

( ) 1 0 4000 x 2
*
3
*
2
*
1 1
= +

( ) 2 0 2000 x 2
*
4
*
3
*
2 2
= +

( ) 3 0 x 2
*
5
*
3 3
=

( ) ( ) 4 0 50 x
1
*
1
= +

( ) ( ) 5 0 100 x x
2 1
*
2
= +

( ) ( ) 6 0 150 x x x
3 2 1
*
3
= +

( ) ( ) 7 0 x
2
*
4
=

( ) ( ) 8 0 x
3
*
5
=

( ) 9 0 50 x
1
s +

( ) 10 0 100 x x
2 1
s +
204
( ) 11 0 150 x x x
3 2 1
s +

( ) 12 0 x
2
s

( ) 13 0 x
3
s

( ) 14 0
*
1
>

( ) 15 0
*
2
>

( ) 16 0
*
3
>

( ) 17 0
*
4
>

( ) 18 0
*
5
>

Dado que el programa es convexo, ser suficiente encontrar una
solucin que verifique las condiciones de Kuhn-Tucker, que de
existir, ser un mnimo global.

En base a los datos del problema, una posibilidad interesante es
producir cada mes el nmero de refigeradoras que hay que entregar
al final del mismo, con lo cual, se evitan los costos de
almacenamiento. Es decir, esto implica que:

( ) ( ) 9 0 50 x x g
1 1
= + =
,

( ) ( ) 10 0 100 x x x g
2 1 2
= + =
,

( ) ( ) 11 0 150 x x x x g
3 2 1 3
= + =
,

( ) 17 0
*
4
=

( ) 18 0
*
5
=

De (9) tenemos . 50 x
1
= Reemplazando 50 x
1
= en (10) tenemos
que . 50 x
2
= Reemplazando 50 x
1
= y 50 x
2
= en (11) se obtiene
que . 50 x
3
= Reemplazando ( ) ( ), 50 , 50 , 50 x , x , x x
3 2 1
= =
,
(17) y (18)
en (1), (2) y (3) se tiene que , 0 2000
*
1
> = 0 2000
*
2
> = y
. 0 100
*
3
> =

Dado que ( ) ( ) ( ) , 0 x g x g x g
3 2 1
= = =
, , ,
verificamos que los gradientes de
dichas restricciones sean linealmente independientes:
205
( ) ( ) ( )
(
(
(
=
(
(
(
+
(
(
(
+
(
(
(
= V + V + V
0
0
0
1
1
1
c
0
1
1
b
0
0
1
a x g c x g b x g a
T
3
T
2
T
1
, , ,

Dado que la solucin del sistema anterior es , 0 c b a = = = entonces
( ) ( ) ( )
T
3
T
2
T
1
x g y x g , x g
, , ,
V V V son linealmente independientes.

Por tanto, ( ) ( ) 50 , 50 , 50 x , x , x x
3 2 1
= =
,
con , 0 2000
*
1
> =
0 2000
*
2
> = y 0 100
*
3
> = verifica las condiciones de Kuhn-
Tucker de mnimo global del programa.

En consecuencia, la empresa deber producir 50 refrigeradoras en
cada uno de los tres meses, siendo el costo mnimo
( ) . Soles 7500 x C
*
=
,

2.- El problema a resolver es el siguiente:

( )
0 q
340 50 q 80 q 4 : a . s
q 4 q 100 q I max
2
2
>
> +
=


( )
0 q
0 390 q 80 q 4 : a . s
q 4 q 100 q I min
2
2
s
s +
+ =


( ) | | q 8 100 q I
T
+ = V ( ) | | 80 q 8 q g
T
1
= V ( ) | | 1 q g
T
2
= V

Este programa es convexo ya que la funcin objetivo es cncava y
el conjunto de soluciones factibles es convexo. Por esto, todo punto
que verifique las condiciones de Kuhn-Tucker ser un mnimo
global del programa equivalente (un mximo del programa
original).

Las condiciones de Kuhn-Tucker son:

( ) ( ) 1 0 80 q 8 q 8 100
*
2
*
1
= + +

( ) ( ) 2 0 390 q 80 q 4
2 *
1
= +

( ) ( ) 3 0 q
*
2
=
206
( ) 4 0 390 q 80 q 4
2
s +

( ) 5 0 q s

( ) 6 0
*
1
>

( ) 7 0
*
2
>

Dado que el programa es convexo, ser suficiente encontrar una
solucin que verifique las condiciones de Kuhn-Tucker, que de
existir, ser un mnimo global para el programa equivalente (un
mximo global para el programa original).

Si suponemos que , 0
*
2
= entonces:

( )
= = + =
42 , 8
58 , 11
q 0 390 q 80 q 4 q g
2
1

Reemplazando q y 0
*
2
= en (1) tenemos:

- Para 58 , 11 q = tenemos que . 0 582 , 0
*
1
> =

- Para 42 , 8 q = tenemos que . 0 582 , 2
*
1
>/ =

Dado que ( ) , 0 58 , 11 g
1
= verificamos que el gradiente de dicha
restriccin sea linealmente independiente:

( ) | | . 0 a 0 64 , 12 a 58 , 11 g a
T
1
= = = V

Dado que la solucin del sistema anterior es , 0 a = entonces
( )
T
1
58 , 11 g V es linealmente independiente.

Por tanto, 58 , 11 q
*
= con 0 582 , 0
*
1
> = y 0
*
2
= es un mnimo
global del programa equivalente, siendo el ingreso mnimo
( ) . $ 614 , 621 q I
*
= Es decir, 58 , 11 q
*
= con 0 582 , 0
*
1
< = y 0
*
2
=
es un mximo global del programa original, siendo el ingreso
mximo ( ) $. 614 , 621 q I
*
=
207

4.7 Propiedades e interpretacin de los multiplicadores

Teorema de Sensibilidad: Sea el programa:

( )
( ) ( )
( )
( )
s
s
=
m n 2 1 m
1 n 2 1 1
n 2 1
b x , , x , x g
b x , , x , x g : a . s
XIII
.
.
.
.
,

Donde f y
m 1
g , , g . son funciones de clase dos. Si para
( ) 0 b , , b , b b
m 2 1
,
.
,
= = hay una solucin local
*
x
,
las condiciones de Kuhn-Tucker con multiplicadores asociados
*
,
y, se
satisfacen las condiciones suficientes de segundo orden para un mnimo
local estricto. Suponiendo adems que ( ) { } . 0 , 0 x g i I i
*
i
*
i
> = = e
,

Entonces, para cada
m
b 9 e
,
perteneciente a un entorno de 0
,
, existen
( ) ( ) ( ) ( ) b x , , b x b x
n 1
F
,
.
, ,
,
= y ( ) ( ) ( ) ( ) b , , b b
m 1
F
,
.
, , ,
= funciones continuas y
diferenciables en 0 b
, ,
= tales que ( ) , x 0 x
* F
,
,
,
= ( )
* F
0 =
, , ,
y ( ) b x
F
,
,
es mnimo
local de (XIII) con multiplicadores ( ). b
F
, ,
Asimismo,

( ) ( ) ( )
*
T
*
b
T
0 b
F
b
x f b x f = V = V
=
,
,
,
,
,
, ,
,

Esto es, para cada I i e se cumple:

( ) ( ) ( )
*
i
i
*
0 b
i
F
b
x f
b
b x f
=
c
c
=
c
c
=
,
,
,
, ,

De la expresin anterior se observa que los multiplicadores de Lagrange
con signo cambiado representan las derivadas parciales del valor
ptimo de la funcin objetivo del programa respecto a los trminos
independientes de las restricciones saturadas, por lo que dichos
multiplicadores dan una medida de sensibilidad del valor ptimo frente
a variaciones de los segundos miembros de las restricciones saturadas.

Definicin: Sea el programa:

( )
( ) ( )
( )
( )
s o o o
s o o o
o o o = o
0 , , , , x , , x , x g
0 , , , , x , , x , x g : a . s
, , , , x , , x , x f , x f opt
XIV
k 2 1 n 2 1 m
k 2 1 n 2 1 1
k 2 1 n 2 1
. .
.
. .
. .
, ,

208

Donde f y ( ) m , , 2 , 1 i g
i
. = son funciones de clase dos, siendo
( )
n 2 1
x , , x , x x .
,
= un vector de variables de decisin y
( )
k 2 1
, , , o o o = o .
,

Sea
k
B 9 c un conjunto abierto, suponiendo que para todo B e o
,

existe ( ) ( ) ( ) ( ) o o o =
,
.
, , ,
*
n
*
2
*
1
*
x , , x , x x que es solucin ptima local de (XIV),
en la que se verifican las condiciones de Kuhn-Tucker, con
multiplicadores de Lagrange asociados ( ) ( ) ( ) ( ) o o = o
,
.
, ,
,
*
m
*
1
*
, , .
Entonces:

c) La funcin Lagrangiana asociada a (XIV) viene dada por:

( ) ( ) ( )
=
o + o = o
m
1 i
i i
, x g , x f , x , L
, , , , , ,
,

d) La funcin objetivo indirecta o funcin de valor ptimo viene dada
por:

( ) ( ) ( ) ( ) ( ) o o o o = o
, ,
.
, , ,
, x , , x , x f
*
n
*
2
*
1

Teorema de la envolvente: Dado el problema (XIV) y las
condiciones de la definicin, si ( ) ( ) ( ) ( ) ( ) o o o o = o
, ,
.
, , ,
, x , , x , x f
*
n
*
2
*
1
es la
funcin de valor ptimo del programa se cumple que para todo
: k , , 2 , 1 r ,
r
. = o

( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ( )
=
o c
o o c
o +
o c
o o c
=
o c
o o o c
=
o c
o c
m
1 i
r
*
i
*
i
r
*
r
* *
r
, x g , x f , x , L
, , ,
,
, , , , , , ,
,
,

Nota: Los teoremas y la definicin de esta seccin tambin son
vlidos para programas de maximizacin.

Ejemplo:

Un monopolista desea maximizar sus ingresos de modo que los
beneficios que obtenga no sean menores a un valor prefijado ( ) . 0 $
0
> t
Si la funcin inversa de demanda es ( ), $ bq a p = la funcin de costos
es ( ) ( ) $ dq c q C + = , donde , 0 d y 0 c , 0 b , d a d 2 > > > > > y q es no
negativa.

Determinar el tpimo global del programa, y estudiar cul es la
variacin del ingreso mximo ante un cambio en a y en .
0
t

Solucin:

El problema a resolver es el siguiente:
209
( )
( )
0 q
c q d a bq : a . s
bq aq q I max
0
2
2
>
t > +
=


( ) ( )
( )
0 q
0 c q d a bq : a . s
bq aq q I min
0
2
2
s
s t + +
=

Se debe tener presente que como la funcin objetivo es estrictamente
cncava y el conjunto factible es convexo, el programa equivalente es
convexo para mnimo global estricto (mientras que el programa original
es convexo para mximo global estricto).

Las condiciones de Kuhn-Tucker que deben verificarse son:

( ) ( ) 1 bq 2 a d a bq 2
*
2
*
1
* *
1
*
+ +

( ) ( ) ( ) 2 0 c q d a q b
0
*
2
* *
1
=
|
.
|
\
|
t + +

( ) ( ) 3 0 q
* *
2
=

( ) 4 0
*
1
>

( ) 5 0
*
2
>

( ) ( ) ( ) 6 0 c q d a q b
0
*
2
*
s t + +

( ) 7 0 q
*
s

Las hiptesis que podemos hacer sobre los valores de ( ) , 2 , 1 i
*
i
= se
resumen en los 4 2
2

Caso 1: 0 , 0
*
2
*
1
= =

De (1) se obtiene que . 0
b 2
a
q
*
> =

Reemplazando
*
q en (6) se tiene que:
210
( )
( ) ( )
0
b 4
c b 4 a d 2 a
q g
0
*
1
s/
t + +
=

En consecuencia, la hiptesis de partida no nos conduce a ningn punto
que satisfaga las condiciones de Kuhn-Tucker.

Caso 2: 0
*
1
=

De (1) se tiene que:

a bq 2 0 a bq 2
* *
2
*
2
*
= =

Por hiptesis:

( ) 0 q 0 q q g
* * *
2
= = =

Reemplazando 0 q
*
= en
*
2
tenemos que:

0 a
*
2
>/ =

En consecuencia, la hiptesis de partida no nos conduce a ningn punto
que satisfaga las condiciones de Kuhn-Tucker.

Caso 3: 0
*
2
=

De (1) se tiene que:

( )
*
*
*
1
*
1
* *
1
*
bq 2 a d
bq 2 a
0 bq 2 a d a bq 2
+
= = + +

Por hiptesis:

( ) ( ) ( ) = t + + = 0 c q d a q b q g
0
*
2
* *
1

( ) ( ) ( )
( ) ( )
0
2 0
2
*
c b 4 d a 0
b 2
c b 4 d a d a
q t + > >
t +
=

Reemplazando
*
q en
*
1
se tiene que:
211
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
>
/
t +
t + +
>
t +
t +
=
t +
t +
=
0
c b 4 d a
c b 4 d a d
0
c b 4 d a
c b 4 d a d
c b 4 d a
c b 4 d a d
0
2
0
2
0
2
0
2
0
2
0
2
*
1
+

Por tanto, para
( ) ( )
( ) ( )
0
2
0
2
*
1
c b 4 d a
c b 4 d a d
t +
t +
= se tiene que
( ) ( ) ( )
.
b 2
c b 4 d a d a
, d , c , b , a q
0
2
0
*
t + +
=
|
|
.
|
\
|
t
o

,

Se puede apreciar que ( ) ( ) ( ) 0 c b 4 d a q g
0
2 *
1
= t + = V , por lo que
dicho gradiente es linealmente independiente. En consecuencia,
( ) ( ) ( )
b 2
c b 4 d a d a
q
0
2
*
t + +
= con
( ) ( )
( ) ( )
0
2
0
2
*
1
c b 4 d a
c b 4 d a d
t +
t +
=
es un mnimo global estricto del programa equivalente. Adems,
( ) ( ) ( )
b 2
c b 4 d a d a
q
0
2
*
t + +
= con
( ) ( )
( ) ( )
0
2
0
2
*
1
c b 4 d a
c b 4 d a d
t +
t +
=
es un mximo global estricto para el programa original. Esto hace
innecesario el anlisis del ltimo caso.

La funcin Lagrangiana asociada al programa es:

( ) ( ) ( ) q c q d a bq bq aq , d , c , b , a ; q , , L
2 0
2
1
2
0 2 1
+ t + + + + =
|
|
.
|
\
|
t
o

,

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) o +
+ t + + o o + o + o = o o
,
, , , , , ,
* *
2
0
*
2
* *
1
2
* * * *
2
*
1
q
c q d a bq bq aq , q , , L

La funcin de valor ptimo es:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) o o = o o = o = o
, , , , , ,
*
2
*
2
* * *
aq bq bq aq q I

Donde ( ) o
,
*
q es la solucin ptima del programa para un valor o
,
del
vector de parmetros.
212
Teniendo en cuenta el teorema de la envolvente, obtenemos:

-
( ) ( ) ( )
( ) ( ) ( )( )
*
1
* * *
1
*
* *
2
*
1
1 q q q
a
, q , , L
a
+ o = o o =
c
o o c
=
c
o c , , ,
, , ,

( ) ( )( ) ( ) ( )( ) 0 1 q 1 a si a 1 q
*
1
* *
1
*
< + o ~ o A = A A + o ~ o A
, , , ,

Es decir, si se produce un incremento en la demanda
(incremento en a), se producir un decremento en ( ) ( ). q I
*
o

Lo que equivale a decir que si si se produce un incremento en
la demanda, entonces se producir un incremento en ( ) ( ). q I
*
o

-
( )
( )
( ) ( )
( )
*
1
0
* *
2
*
1
0
, q , , L
=
t c
o o c
=
t c
o c
, , ,

( ) ( ) ( ) ( ) 0 1 si
*
1 0 0
*
1
< ~ o A = t A t A ~ o A
, ,

Es decir, si se produce un incremento en el valor prefijado para
el mnimo beneficio con signo cambiado (incremento en
( )
0
t ), se producir un decremento en ( ) ( ). q I
*
o

Lo que
equivale a decir que si se produce un incremento en el valor
prefijado para el mnimo beneficio con signo cambiado,
entonces se producir un incremento en ( ) ( ). q I
*
o

Tenga en cuenta que:

( ) ( ) ( )
( )
( )
a
q
q a a
*
*
c
o c
o c
o c
+
c
o c
=
o
o o
,
,
, , ,

( )
( ) ( ) ( )
( ) ( )
( ) ( ) ( )
|
|
.
|
\
|
o c o c
c o c
o + o =
o
o o
, ,
,
, ,
,
* *
1
*
1
* *
q q g
a q g
a bq 2 q
a

Dado que:

( ) ( ) ( ) ( ) ( ) ( ) ( ) 0 c q d a q b q g
0
*
2
* *
1
= t + o o = o
, , ,

( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
o = o c o c
o = c o c
d a bq 2 q q g
q a q g
* * *
1
* *
1
, , ,
, ,

Por tanto:

( )
( ) ( ) ( )
( )
( ) ( )
|
|
.
|
\
|
o
o
o + o =
o
o o
d a bq 2
q
a bq 2 q
a
*
*
* *
,
,
, ,
,

213
Pero, ya que:

( )
( )
( ) ( )
( )
*
1
*
*
*
*
*
1
bq 2 a
d a bq 2
bq 2 a d
bq 2 a
o
= o
o +
o
=
,
,
,
,

( )
a o
o o
,
tenemos:

( )
( ) ( ) ( )
( )
( )
( ) ( ) o o =
|
|
.
|
\
|
o
o
o + o =
o
o o , ,
,
,
, ,
,
* *
1
*
*
* *
1
* *
q q
bq 2 a
q
a bq 2 q
a

( )
( )( )
*
1
*
1 q
a
+ o =
o
o o ,
,

Asimismo, teniendo en cuenta que:

( )
( )
( )
( )
( )
( )
0
*
*
0
q
q t c
o c
o c
o c
=
t c
o c
,
,
, ,

( )
( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
|
|
.
|
\
|
o c o c
t c o c
o =
t c
o c
, ,
,
,
,
* *
1
0
*
1
*
0
q q g
q g
a bq 2

Dado que:

( ) ( ) ( ) ( ) ( ) ( ) ( ) 0 c q d a q b q g
0
*
2
* *
1
= t + o o = o
, , ,

( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
o = o c o c
= t c o c
d a bq 2 q q g
1 q g
* * *
1
0
*
1
, , ,
,

Por tanto:

( )
( )
( ) ( )
( ) ( )
|
|
.
|
\
|
o
o =
t c
o c
d a bq 2
1
a bq 2
*
*
0
,
,
,

Pero, ya que:

( )
( )
( ) ( )
( )
*
1
*
*
*
*
*
1
bq 2 a
d a bq 2
bq 2 a d
bq 2 a
o
= o
o +
o
=
,
,
,
,

( )
( )
0
t c
o c
,
tenemos:

( )
( )
( ) ( )
( )
*
1
*
*
1
*
0
bq 2 a
a bq 2 =
|
|
.
|
\
|
o

o =
t c
o c
,
,
,

214

MTODOS MATEMTICOS PARA ECONOMISTAS
Apndice

Definicin de producto cartesiano:

El producto cartesiano de n conjuntos ( ) N n e
n 2 1
A , , A , A . es el conjunto
formado por las n-uplas ordenadas:

( ) { }. n , , 2 , 1 i , A a a , , a , a A A A
i i n 2 1 n 2 1
. . . = e =

El caso particular de la definicin anterior que ms nos interesa son los productos
cartesianos de 9 por s mismo, es decir, los denominados conjuntos eucldeos.

( ) { }. n , , 2 , 1 i , x x , , x , x
i n 2 1
n
veces " n "
. .
_
. = 9 e = 9 = 9 9 9
A cada componente n , , 2 , 1 i , x
i
. = de un elemento ( )
n
n 2 1
x , , x , x 9 e . se le suele
llamar coordenada i-sima.

Ejemplos:

- La recta real ( ) . : 1 n 9 = El conjunto de nmeros reales se suele representar
grficamente a travs de una recta.

-2 -1,5 -1 -0,5 0 0,5 1 1,5 2
9

Figura I

- El plano eucldeo ( ) ( ) { }. 2 , 1 i , x x , x : 2 n
i 2 1
2
= 9 e = 9 = Su representacin
grfica se realiza a travs de dos ejes (perpendiculares entre s) de
coordenadas cartesianas.

2
9
a
b
1
x
2
x
( ) b , a

Figura II
216

- El espacio eucldeo ( ) ( ) { }. 3 , 2 , 1 i , x x , x , x : 3 n
i 3 2 1
3
= 9 e = 9 = Su
representacin grfica se realiza a travs de tres ejes (perpendiculares entre
s) de coordenadas cartesianas.

3
9
b
c
1
x
2
x
( ) c , b , a
3
x
a

Figura III

De acuerdo a la definicin anterior, es importante resaltar que las n-uplas deben ser
ordenadas. Es decir, por ejemplo en ,
3
9 los elementos de coordenadas
( ) ( ) ( ). 3 , 1 , 2 2 , 3 , 1 3 , 2 , 1 = =

Definicin de bola cerrada/abierta

Dado , x
n
9 e
,
, r 9 e , 0 r > se define:

a) Bola cerrada de centro x
,
y radio r: ( ), x B
r
,
como el conjunto de puntos
de
n
9 cuya distancia al punto x
,
es menor o igual que r, es decir:

( ) { } r y x y x B
n
r
s 9 e =
, , , ,

b) Bola abierta de centro x
y radio r: ( ), x B
r
,
como el conjunto de puntos de
n
9 cuya distancia al punto x es menor estrictamente que r, es decir:

( ) { } r y x y x B
n
r
< 9 e =
, , , ,

Donde la distancia (eucldea) entre los puntos x
,
y y
es:

( ) ( )
2
n n
2
1 1
y x y x y x + + = .
, ,

Es importante recalcar que siempre se verificar que: ( ) ( ). x B x B
r r
, ,
c Esto es as ya que
a diferencia de la bola abierta, la bola cerrada incluye la frontera.
217
Ejemplos:

- En 9 tenemos:

( ) ( ) | | r x , r x r y x y x y x y x B
2
r
+ =
)
`
s = = 9 e =

9
x-r x x+r

Figura IV

Grficamente este conjunto coincide con los puntos de un intervalo cerrado
en ambos extremos con centro en x y longitud 2r.

( ) ( ) ( ) r x , r x r y x y x y x y x B
2
r
+ =
)
`
< = = 9 e =

9
x-r x x+r

Grficamente este conjunto coincide con los puntos de un intervalo abierto
en ambos extremos con centro en x y longitud 2r.

- En ,
2
9 sea ( )
2
2 1
x , x x 9 e =
entonces:

( ) ( ) ( ) ( )
)
`
s + 9 e = r y x y x y , y x B
2
2 2
2
1 1
2
2 1 r

2
x
1
x
r
2
9

Figura V
218
Grficamente este conjunto coincide con los puntos de un crculo con centro en x

y radio r incluyendo los puntos de la circunferencia de centro en x
y radio r.

( ) ( ) ( ) ( )
)
`
< + 9 e = r y x y x y , y x B
2
2 2
2
1 1
2
2 1 r

x

2
x
1
x
r
2
9

Figura VI

Grficamente este conjunto coincide con los puntos de un crculo con centro en x

y radio r sin incluir los puntos de la circunferencia de centro en x
y radio r.

- En ,
3
9 sea ( )
3
3 2 1
x , x , x x 9 e =
entonces:

( ) ( ) ( ) ( ) ( )
)
`
s + + 9 e = r y x y x y x y , y , y x B
2
3 3
2
2 2
2
1 1
3
3 2 1 r

3
9
3
x
x

r
1
x
2
x

Figura VII
219
Grficamente este conjunto coincide con los puntos interiores de una esfera
con centro en x
y radio r incluyendo los puntos de la esfera que la

delimita.

( ) ( ) ( ) ( ) ( )
)
`
< + + 9 e = r y x y x y x y , y , y x B
2
3 3
2
2 2
2
1 1
3
3 2 1 r

3
9
3
x
x

r
1
x
2
x

Figura VIII

Grficamente este conjunto coincide con los puntos interiores de una esfera
con centro en x
y radio r sin incluir los puntos de la esfera que la delimita.

Definicin de interior de un conjunto:

Sea
n
x 9 e
y , S
n
9 _ se dice que el punto x
es un punto interior al conjunto S, si

( ) . S x B 0 r un
r
_ > -
El conjunto interior de S, denotado por

0
S , es el conjunto
formado por todos los puntos interiores al conjunto S. Es decir,
0
S es el conjunto
abierto que resulta de la unin de todos los conjuntos abiertos contenidos en S. Por su
definicin, el interior de un conjunto puede considerarse como el ms grande conjunto
abierto que est contenido en el conjunto dado.

Por ejemplo, el interior de una bola cerrada con centro en x
es la bola abierta con

centro en x
. El interior del intervalo semiabierto | ) b , a es el intervalo abierto ( ). b , a

El interior de una lnea en el plano es el conjunto vaco, ya que ningn subconjunto de
la lnea en
2
9 es abierto en
2
9 .
220
Teorema:

a) Cualquier conjunto abierto es la unin de bolas abiertas.
b) Cualquier conjunto abierto es su propio interior. Es decir, el interior de un
conjunto abierto S es el mismo conjunto S.

Definicin de conjunto abierto:

Un conjunto
n
S 9 _ es abierto si para cada , S x e
existe una bola abierta con centro

en x
completamente contenida en S:

( ) . S x B 0 r un S x
r
c > - e

Es decir, S ser un conjunto abierto si todos sus puntos son interiores, esto es, si
. S S
0
= Un conjunto abierto S que contiene al punto x
se le denomina vecindad
abierta de x
.

La palabra abierta tiene la connotacin de no acotado: desde cualquier punto uno
siempre puede desplazarse una pequea distancia en cualquier direccin y an
permanecer en el conjunto. La definicin de conjunto abierto establece la siguiente
idea en trminos precisos: cada elemento en un conjunto abierto contiene una bola
completa al rededor de l que se encuentra en dicho conjunto. En consecuencia, los
conjuntos abiertos no pueden contener sus puntos de frontera.

Sea
n
x 9 e
y , S
n
es un punto frontera del conjunto S, si

( ) ( ) . S x B y S x B , 0 r
C
r r
= = >

Donde
C
S es el conjunto complementario
de S. Es decir x
es un punto de frontera de S si cualquier bola centrada en l siempre

contiene elementos del conjunto S y de su complementario. Al conjunto formado por
todos los puntos frontera de S se le denomina conjunto frontera y se le denota como
( ). S Fr De la definicin de punto frontera se desprende que ( ) ( ). S Fr S Fr
C
= Adems,
se desprende que un punto interior no puede pertenecer a la frontera del conjunto. De
la definicin de conjunto abierto se desprende que
n
S 9 _ es un conjunto abierto s
y slo s ( ) ( ). S Fr S Fr
C
_

Teorema:
a) Las bolas abiertas son conjuntos abiertos.
b) La unin de conjuntos abiertos es otro conjunto abierto.
c) La interseccin de un nmero finito de conjuntos abiertos es otro conjunto
abierto.

Definicin de conjunto cerrado:

Sea
n
x 9 e
y , S
n
es un punto adherente al conjunto S,

si ( ) . S x B , 0 r
r
= >

Al conjunto formado por todos los puntos adherentes al
conjunto S se le denomina conjunto adherencia o clausura de S y lo denotaremos
por . S
221
Un conjunto
n
S 9 _ se denominar conjunto cerrado si contiene todos sus puntos
adherentes, esto es, si . S S = De su definicin se desprende que
n
S 9 _ es un
conjunto cerrado s y slo s su complementario
C
S es abierto.

Definicin de conjunto acotado:

Se dice que un conjunto
n
S 9 _ est acotado si y slo si existe un , S x 0 r e >
,
se
cumple que . r x s
,
De manera equivalente, podemos decir que S ser un conjunto
acotado si existe una bola abierta centrada en
n
0 9 e
y radio 0 r > que lo contiene

totalmente, esto es, ( ). 0 B S 0 r un
r
_ > -

Definicin de conjunto compacto:

Se dice que un conjunto
n
S 9 _ es un conjunto compacto si es cerrado y acotado.

Ejemplos:

1.- Conjuntos interior, adherencia y frontera de conjuntos en . y
2
9 9

- En : 9 Sean . b a , b , a < 9 e Los conjuntos interior, adherencia y frontera de
los distintos intervalos de extremos a y b sern:

( ) ( ) ( ) | | ( ) ( ) { } b , a b , a Fr , b , a b , a , b , a b , a
0
= = =

| | ( ) | | | | | | ( ) { } b , a b , a Fr , b , a b , a , b , a b , a
0
= = =

| ) ( ) | ) | | | ) ( ) { } b , a b , a Fr , b , a b , a , b , a b , a
0
= = =

( | ( ) ( | | | ( | ( ) { } b , a b , a Fr , b , a b , a , b , a b , a
0
= = =

Si : a =

( ) ( ) ( ) ( | ( ) ( ) { } b b , Fr , b , b , , b , b ,
0
= = =

( | ( ) ( | ( | ( | ( ) { } b b , Fr , b , b , , b , b ,
0
= = =

Si : b + =

( ) ( ) ( ) | ) ( ) ( ) { } a , a Fr , , a , a , , a , a
0
= + + = + + = +

| ) ( ) | ) | ) | ) ( ) { } a , a Fr , , a , a , , a , a
0
= + + = + + = +
222
- En :
2
9 Por ejemplo, para | ) ( | 4 , 1 3 , 2 A = se tiene:

( ) ( ) | | | | 4 , 1 3 , 2 A , 4 , 1 3 , 2 A
0
= =

( ) { } | | ( ) { } | | ( ) | | { } ( ) | | { } ( ) 4 3 , 2 1 3 , 2 4 , 1 3 4 , 1 2 A Fr =
1

2
9
( ) 0 , 2
( ) 1 , 0
( ) 0 , 3
A
( ) 0 , 0
( ) 4 , 0

Figura IX

2.- Conjuntos abiertos, cerrados, acotados y compactos en . y
2
9 9

- En : 9

Todo intervalo abierto en ambos extremos ser un conjunto abierto, mientras
que todo intervalo cerrado en ambos extremos ser un conjunto cerrado (los
intervalos abiertos no contienen su frontera y los cerrados s). Todo intervalo
que sea abierto en un extremo y cerrado en el otro no es ni abierto ni cerrado.

Asimismo, si los dos extremos del intervalo son finitos, el conjunto ser
acotado (siempre encontraremos una bola abierta centrada en 0 que contenga
al intervalo), mientras que si uno de su extremos es infinito ser no acotado.

Por tanto, todo intervalo cerrado de amplitud finita ser un conjunto cerrado y
acotado y, en consecuencia, compacto.

- En :
2
9

El conjunto ( ) ( ) 4 , 1 3 , 2 A = es abierto ya que , A A
0
= y es acotado ya que, por
ejemplo, est contenido en la bola abierta de centro ( ) 0 , 0 y radio . 6 r = Al no
ser cerrado no ser un conjunto compacto.

1
Note que el conjunto frontera de A est formado por los puntos que se sitan sobre el rectngulo que
bordea al mismo.
223

2
9
( ) 0 , 2
( ) 1 , 0
( ) 0 , 3
6 r =
A
( ) 0 , 0
( ) 4 , 0

Figura X

El conjunto | | | | 4 , 1 3 , 2 B = es compacto ya que es cerrado ( ) B B = y acotado.

2
9
( ) 0 , 2
( ) 1 , 0
( ) 0 , 3
6 r =
B
( ) 0 , 0
( ) 4 , 0

Figura XI
224
Por otro lado, el conjunto ( | | | 4 , 1 3 , 2 C = no es abierto ya que contiene puntos
frontera, ni cerrado ya que no contiene algunos de sus puntos frontera (los de
coordenadas ( ), x , 1 con | | 4 , 1 x e ), siendo un conjunto acotado, pero no
compacto.

2
9
( ) 0 , 2
( ) 1 , 0
( ) 0 , 3
6 r =
C
( ) 0 , 0
( ) 4 , 0

Figura XII

Independencia lineal

Los vectores { }
n 2 1
, , , v v v
.

son linealmente independientes (l.i) si ninguno de ellos
es combinacin lineal de los dems. Son linealmente dependientes (l.d) si al menos
uno de ellos es combinacin lineal de los dems.

Un conjunto de vectores { }
n 2 1
, , , v v v
.

que genera con unicidad el vector cero se
denomina conjunto linealmente independiente. De no ser as, ese conjunto de vectores
es linealmente dependiente.

- Independencia lineal significa:

0 k
n
1 i
i i

= v
=
implica que i 0 k
i
=

- Dependencia lineal significa:

0 k
n
1 i
i i

= v
=
pero no todo 0 k
i
=
225
Ejemplo:
A continuacin demostraremos que los siguientes vectores
(
(
(
(
(
(
(
(
(
7
1
0
y
0
2
2
,
3
2
1
son
linealmente independientes.

Para ello deberemos resolver el siguiente sistema matricial:

(
(
(
=
(
(
(
+
(
(
(
+
(
(
(
0
0
0
7
1
0
k
0
2
2
k
3
2
1
k
3 2 1

Del cual podemos obtener las siguientes ecuaciones:

= + +
= +
= + +
0 k 7 k 0 k 3
0 k 1 k 2 k 2
0 k 0 k 2 k
3 2 1
3 2 1
3 2 1

Luego de resolver el sistema obtenemos: , 0 k
1
= 0 k
2
= y 0 k
3
= .

De lo cual se concluye que por ser la nica solucin (trivial), estos vectores generan
con unicidad al vector 0
, por lo tanto son linealmente independientes.

Menor de una matriz

Se llama menor de orden k de A al determinante de una submatriz de A que
resulta de suprimir todas las filas de A salvo k de ellas y de suprimir todas las
columnas de A salvo k de ellas. Una matriz de orden n m tiene
|
|
.
|
\
|
|
|
.
|
\
|
k
n
k
m

menores de orden k.

Ejemplo: Hallar los menores de la matriz:

(
(
(
=
1 2 2 0
2 4 2 0
1 2 0 1
A

a) 4 menores de orden 3. Se obtienen suprimiendo una columna.

; 2
1 2 0
2 2 0
1 0 1
; 4
2 2 0
4 2 0
2 0 1
= =

0
1 2 2
2 4 2
1 2 0
; 0
1 2 0
2 4 0
1 2 1
= =
226

b) 18 menores de orden 2. Se obtienen suprimiendo una fila y dos columnas de todas
las formas posibles. Dos de ellos son:

2
2 0
0 1
= (Se obtiene suprimiendo la 3 fila y la 3 y 4 columna).

2
1 2
1 0
= (Se obtiene suprimiendo la 2 fila y la 1 y 3 columna).

c) 12 menores de orden 1. Son los 12 elementos de A.

Rango de una matriz

Se puede asociar a toda matriz un nmero muy importante que recibe el nombre de
rango. El rango r(A) de una matriz matriz A de orden n m es igual al orden de
un menor no nulo de A de orden mximo.

El rango r(A) de la matriz A coincide con el mximo nmero de vectores columna y
con el mximo nmero de vectores fila linealmente independientes que hay en A.
Es decir, el rango de la matriz A es igual al mayor nmero de filas linealmente
independientes de dicha matriz, y tambin es igual al mayor nmero de columnas
linealmente independientes de dicha matriz.

El rango de una matriz A de orden n m puede ser a lo sumo m o n, segn
cual sea el ms pequeo. Formalmente esto se puede escribir como:

( ) { } n , m mn A r s

Ejemplo:

A continuacin vamos a determinar el rango de la matriz formada por los siguientes
vectores columna:

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
0
0
1
1
,
0
1
1
1
,
1
1
1
1

La matriz en cuestin es:

(
(
(
(
(
=
0 0 1
0 1 1
1 1 1
1 1 1
A
227
Primero hallamos los menores de orden 1, comenzando por la parte superior izquierda
(slo para llevar un orden).

0 1 1 = = , como este menor de orden 1 es diferente de cero, entonces el rango es
por lo menos uno.

Ahora hallamos los menores de orden 2, comenzando por la parte superior izquierda
(slo para llevar un orden).

Como 0
1 1
1 1
= , entonces buscamos algn otro menor de orden 2 que sea diferente de cero.

1
0 1
1 1
= , como este menor de orden 2 es diferente de cero, entonces el rango es
por lo menos dos.

Finalmente, hallamos los menores de orden 3, comenzando por la parte superior
izquierda (slo para llevar un orden).

Como 0 0 1 1
1 1
1 1
1
0 1
1 1
1
0 1
1 1
1
0 1 1
1 1 1
1 1 1
= + + = + = , entonces
buscamos algn otro menor de orden 3 que sea diferente de cero.

( ) ( ) 1 1 1 0 1 0
0 1
1 1
1
0 1
0 1
1
0 0
0 1
1
0 0 1
0 1 1
1 1 1
= + = + = , como este
menor de orden 3 es diferente de cero, entonces el rango es por lo menos 3.

Ya no podemos hallar menores de orden mayor que tres, por lo tanto ( ) . 3 A r = Por
tanto, podemos aadir que en este caso los tres vectores columna del espacio
4
9 son
linealmente independientes.

Mtodos para definir una matriz simtrica o una forma cuadrtica

Para definir (positiva, negativa, etc.) una matriz simtrica A de orden n n o una
forma cuadrtica cuya matriz asociada es A, mostraremos el mtodo de los menores
principales dominantes de A y el mtodo de los autovalores de A.

Menores principales de una matriz

Definicin: Sea una matriz A de orden n n . La submatriz de orden k
obtenida borrando nk filas y las mismas nk columnas de A se le denomina
submatriz principal de orden k de A. A su determinante se le denomina menor
principal de orden k de A. En particular, un menor principal de orden k siempre
incluye exactamente k elementos de la diagonal principal. El nmero de menores
principales de orden k de A es
|
|
.
|
\
|
k
n
. El nmero total de menores principales de
A es . 1 2
n

228
Ejemplo:
(
(
(
=
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
A :

Tiene un nico menor principal de orden 3: . A A det =

Tiene tres menores principales de orden dos:

,
a a
a a
22 21
12 11
obtenido eliminando la columna 3 y la fila 3 de A.

,
a a
a a
33 31
13 11

,
a a
a a
33 32
23 22

Tiene tres menores principales de primer orden:

, a
11
obtenido eliminando las dos ltimas filas y columnas.

, a
22
obtenido eliminando la primera y tercera filas y la primera y tercera columnas.

, a
33
obtenido eliminando las dos primeras filas y columnas.

Definicin: Sea una matriz A de orden n n . La submatriz principal de orden
k obtenida borrando las ltimas nk filas y las ltimas nk columnas de A
se le denomina submatriz principal dominante de orden k de A. A su
determinante se le denomina menor principal dominante de orden k de A. En este
caso, A slo posee un menor principal dominante de orden k lo cual implica que
posea en total n menores principales dominantes.

11 1
a A = orden 1.

22 21
12 11
2
a a
a a
A = orden 2.

33 32 31
23 22 21
13 12 11
3
a a a
a a a
a a a
A = orden 3.

kk 3 k 2 k 1 k
k 2 23 22 21
k 1 13 12 11
k
a a a a
a a a a
a a a a
A
.
. . . .
. . . .
.
.
= orden k.

.

A A
n
= orden n.
229

Definicin de una matriz simtrica

Mtodo de los menores principales dominantes de A:

Sea A una matriz simtrica de orden n n . La matriz A es:

- Definida Positiva: Si y slo s todos sus n menores principales dominantes
son estrictamente positivos. Es decir, . n , , 2 , 1 k 0 A
k
. = >
- Definida negativa: Si y slo s sus n menores principales dominantes
alternan de signo como sigue: . etc , , 0 A , 0 A , 0 A
3 2 1
. < > < Es decir,
( ) . n , 2 , 1 k 0 A 1
k
k
. = >
- I ndefinida: Si algn k-simo menor principal dominante de A (o algn
par de ellos) no es nulo y no se ajusta a cualquiera de los patrones de signos
descritos en los dos casos anteriores. Este caso se da si 0 A
k
< para un
entero par k, o si 0 A 0 A
m k
> . < para dos enteros impares k y
m siempre que . m k =

Una manera en la que el mtodo de los menores principales dominantes puede fallar
para una matriz simtrica A es cuando algn menor principal dominante de A es
nulo mientras que los menores principales dominantes no nulos siguen el patron de
signos de cualquiera de los dos primeros casos antes mencionados (definida positiva y
definida negativa). Cuando esto ocurre, la matriz A es no definida (positiva o
negativa), y sta puede ser semidifenida (positiva o negativa) o indefinida. En este
caso, para comprobar si la matriz A es o no semidefinida (positiva o negativa) se
debe verificar el signo de todos los menores principales de A y no solo verificar el
signo de los n menores principales dominantes de A.
- Semidefinida positiva: Si y slo si los 1 2
n
menores principales de A son
mayores o iguales a cero.
- Semidefinida negativa: Si y slo si los 1 2
n
menores principales alternan
de signo de modo que los menores principales de orden impar de la matriz A
son menores o iguales a cero y todos los menores principales de orden par
son mayores o iguales a cero.

Ejemplo:

Supongamos que A es una matriz simtrica de orden 4 4 , como es usual,
i
A
representa el menor principal dominante de orden i:

a) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
> > > > entonces A es definida positiva
(el recproco tambin se cumple).
b) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
> < > < entonces A es definida negativa (el
recproco tambin se cumple).
230

c) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
< = > > entonces A es indefinida debido a que
el signo de ( ) . 0 1 A
4
4
> =
d) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
< < < < entonces A es indefinida debido a que
el signo de ( ) 0 1 A
2
2
> = y a que el signo de ( ) . 0 1 A
4
4
> =
e) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
= > < = entonces A es indefinida debido a que
el signo de ( ) 0 1 A
2
2
> = .
f) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
> > = > entonces A no est definida. No es
semidefinida negativa, pero puede ser semidefinida positiva. Para verificar si
la matriz A es semidefinida positiva, debemos verificar todos los 15
menores principales de A, no nicamente los cuatro menores principales
dominantes. Si ninguno de los menores principales es negativo, entonces A
es semidefinido positivo. Si al menos uno de ellos es negativo, A es
indefinida.
g) Si , 0 A , 0 A , 0 A , 0 A
4 3 2 1
> = > = entonces A no est definida, pero
podra ser semidefinida positiva o semidefinida negativa. Para decidir,
tambin deberamos verificar todos sus 15 menores principales.

Races caractersticas o autovalores

Sea una matriz A de orden . n n Se dice que es una raz caracterstica o autovalor
de A si verifica que: ( ) , 0 x I A x x A
,
, , ,
= = para algunos vectores . 0 x
,
,
= Donde I
es la matriz identidad de orden n. De modo que la solucin de ( ) , 0 x I A
,
,
= no sea
trivial, esto es ( ), 0 x
,
,
= se debe verificar:

. 0 I A =

Donde I A es un polinomio de grado n que se le suele denominar polinomio
caracterstico de A. Las n races de este polinomio son los autovalores.

Vectores caractersticos o autovectores

Para una determinada raz caracterstica
i
de A, a todos los valores de x que
satisfagan ( ) , 0 x I A
i
,
,
= se les denomina vectores caractersticos o autovectores de A
asociados a .
i

231
Formas cuadrticas

Dado un vector | | , x x x X
n
n 2 1
T
9 e =
,
una forma cuadrtica es una
aplicacin 9 9
n
: Q de la forma:

( ) | |
= =
=
(
(
(
(
(
(
(
(
(
(
(
= =
n
1 i
n
1 k
k i ik
n
2
1
nn 2 n 1 n
n 2 22 21
n 1 12 11
n 2 1
T
x x a
x
x
x
a a a
a a a
a a a
x x x X A X X Q
.
.
. . .

, , ,

Donde | |
ik
a A = es una matriz simtrica cuadrada de orden n de valores reales.

Definicin de las formas cuadrticas

Mtodo de los autovalores de la matriz asociada A:

Sea ( ) X Q
,
una forma cuadrtica diremos que es:

- Definida Positiva: S y slo si para todo ( ) . 0 X Q , 0 x , x
n
> = 9 e
,

En este
caso todos sus autovalores sern positivos.

Ejemplo: ( ) | | .
x
x
1 0
0 1
x x x x x Q
2
1
2 1
2
2
2
1
(
= + =

El polinomio caracterstico y los valores caractersticos sern:

( ) . 0 1 0 1
1 0
0 1
1 0
0 1
1 0
0 1
2 1
2
> = = = =

=
(

1
x
2
x
( ) x Q

Figura XIII
232

- Semidefinida positiva: S y slo si para todo ( ) 0 X Q , x
n
> 9 e
,
y existe
algn vector ( ) . 0 X Q 0 x
0 0
= =
,
En este caso, existirn n p < autovalores

positivos y p n autovalores nulos.

Ejemplo: ( ) | | .
x
x
1 1
1 1
x x x x x 2 x x Q
2
1
2 1
2
2
2 1
2
1
(
= + + =
Se observa que
para todos los vectores que se encuentran sobre el eje
1
x ( ) 0 x Q =
, y para
cualquier otro vector que no pertenece al eje
1
x se verifica que ( ) . 0 x Q >


( ) . 0 2 y 0 0 2
1 1
1 1
1 0
0 1
1 1
1 1
2 1
> = = = =

=
(

1
x
2
x
( ) x Q

Figura XIV

- Definida negativa: S y slo si para todo ( ) . 0 X Q , 0 x , x
n
< = 9 e
,

Esto se da
cuando todos los autovalores de A son negativos.

Ejemplo: ( ) | | .
x
x
1 0
0 1
x x x x x Q
2
1
2 1
2
2
2
1
(
= =


( ) . 0 1 0 1
1 0
0 1
1 0
0 1
1 0
0 1
2 1
2
< = = = + =

=
(

233

1
x
2
x
( ) x Q

Figura XV

- Semidefinida negativa: S y slo si para todo ( ) 0 X Q , x
n
s 9 e
,
y existe
algn vector ( ) . 0 X Q 0 x
0 0
= =
,
En este caso, existirn n p < autovalores

negativos y p n autovalores nulos.

Ejemplo: ( ) | | .
x
x
1 1
1 1
x x x x x 2 x x Q
2
1
2 1
2
2
2 1
2
1
(

= =
,
Se observa
que para todos los vectores que se encuentran sobre el eje
1
x ( ) 0 x Q =
y
para cualquier otro vector que no pertenece al eje
1
x se verifica que
( ) . 0 x Q <


( ) . 0 2 y 0 0 2
1 1
1 1
1 0
0 1
1 1
1 1
2 1
< = = = + =

=
(

1
x
2
x
( ) x Q

Figura XVI
234

- I ndefinida: S y slo si existen ( ) ( ) . 0 X Q 0 X Q X , X
2 1 2 1
> . < 9 e
, , , ,
Por
tanto, existirn autovalores de A positivos y negativos.
Ejemplo: ( ) | | .
x
x
1 0
0 1
x x x x x Q
2
1
2 1
2
2
2
1
(
= =
Se observa que para

todos los vectores de la forma ( ) 0 , x x
1
2
=
( ) ( ) 0 x 0 x x Q
1
2
1
2
= > =

(Curva AB), mientras que para vectores de la forma ( )
2
1
x , 0 x =

( ) ( ) 0 x 0 x x Q
2
2
2
1
= < =
(Curva CD).


. 0 1 y 0 1 0 1
1 0
0 1
1 0
0 1
1 0
0 1
2 1
2
< = > = = =

=
(

1
x
2
x
( ) x Q

Figura XVII

Gradiente de una funcin

Sea f una funcin de n variables y que posea derivadas parciales respecto a todas
sus variables en un punto que pertenezca a su dominio D ( ) . D x
n
9 c e
,
Al
siguiente vector de :
n
9

( ) ( ) ( ) ( ) | | x f x f x f x f
n 2 1
x x x
,
, , ,
= V

Se le denomina vector gradiente de f en x
,
y se denota como ( ). x f
,
V

Si ( ) x f
,
tiene derivadas parciales, se puede probar que el gradiente ( ) x f
,
V es ortogonal
a la superficie de nivel cuya ecuacin es ( ) k x f =
,
, donde k es una constante, y que
( ) x f
,
V apunta en la direccin de crecimiento mximo de ( ) x f
,
. Es decir, el vector
gradiente nos da la direccin y el sentido del desplazamiento en que aumenta el valor
de k y, el vector ( ) x f
,
V , vector con sentido opuesto a ( ) x f
,
V , indica la direccin y el
sentido en el que disminuye el valor de k.
235

x
1
x
2
( ) ( )
2 1
x , x f x f =
,

k

( ) x f
,
V
x
y
x
,

( ) 0 k x , x f
2 1
> =
( ) 0 k x , x f
2 1
> =
z
( ) 0 x , x f
2 1
=

Figura XVIII
236

OptimizaciÃ N y Sistemas DinÃ¡micos-parte 1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

OptimizaciÃ N y Sistemas DinÃ¡micos-parte 1 PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CATLICA

SANTO TORIBIO DE MOGROVEJO

) monetarias s autoridade las por da (determina M

pero no necesariamente minimiza

bien. del produccin de nivel el es " q "

representa el costo del paquete de factores de

el beneficio de la empresa de uso ptimo del paquete de

que maximiza el beneficio es un punto interior del

s componente " n " n 2 1

> > > >

en las que se verifican las

satisface todas las

y radio r incluyendo los puntos de la esfera que la

y radio r sin incluir los puntos de la esfera que la delimita.

es un punto interior al conjunto S, si

El conjunto interior de S, denotado por

es la bola abierta con

. El interior del intervalo semiabierto | ) b , a es el intervalo abierto ( ). b , a

existe una bola abierta con centro

es un punto frontera del conjunto S, si

es un punto de frontera de S si cualquier bola centrada en l siempre

es un punto adherente al conjunto S,

y radio 0 r > que lo contiene

, por lo tanto son linealmente independientes.

En este caso, existirn n p < autovalores

En este caso, existirn n p < autovalores

Se observa que para

También podría gustarte