Tesis Bruno Bazzano

TESIS
Presentada el da 27 de diciembre de 2012 en la

Universidad de la Repblica, UdelaR
para obtener el ttulo de
MAGISTER EN INGENIERA MATEMTICA
para
Ing. Juan Bruno BAZZANO GARCA
Instituto de Investigacin : LPE - IMERL
Componentes universitarios :
UNIVERSIDAD DE LA REPBLICA
FACULTAD DE INGENIERA
Ttulo de la tesis :
Dinmica y Equilibrios de Nash de un Modelo Evolutivo de
Competicin entre Firmas y Trabajadores Bajo Regulacin Externa
Comit de examinadores:
Dr. Elvio ACCINELLI Director de Tesis
Dr. Franco ROBLEDO Director Acadmico
Dr. Gonzalo PERERA Presidente del Comit
Dr. Luis QUINTAS Miembro del Comit
Dr. Juan DUBRA Miembro del Comit
...if the misery of the poor be caused not by the laws of nature,
but by our institutions, great is our sin...
Charles Darwin
Agradecimientos
Este trabajo es el resultado de una cantidad innumerable de aportes, tcnicos y tambin
personales, de distintas personas a lo largo del tiempo. Por lo tanto, el mrito de este trabajo
es compartido. Uno querra agradecer a todas estas personas, pero esa es una tarea inabar-
cable. Sin embargo, a continuacin me propongo hacer algunas menciones especiales, no sin
antes aclarar que los eventuales errores u omisiones que puedan haber en esta tesis son com-
pletamente resposabilidad de quien escribe.
En primer lugar quiero agradecer a mi querida novia Josena quien fue la principal im-
pulsora de este trabajo. Ella disip todas mis dudas respecto de embarcarme en esta tarea y
luego me acompa en todo momento. Tambin agradezco profundamente a mi familia que
siempre apoy mi vocacin por la ciencia y la docencia, vocacin de la cual este trabajo es
fruto.
En el mbito acadmico, debo agradecer muy especialmente al Dr. Gonzalo Perera y al
Dr. Franco Robledo por la conanza que depositaron en m, el primero alentndome a formar
parte del IMERL y el segundo impulsndome a encarar este trabajo de investigacin. Agradez-
co a mi tutor, el Dr. Elvio Accinelli, por proponer el problema de tesis y por darme libertad
de accin para resolverlo. Quisiera tambin expresar mi gratitud al MSc.Ing. Jorge Prez por
haberme ayudado generosamente a resolver varios problemas de implementacin y tambin
por leer y corregir la versin nal del documento de tesis. Finalmente le agradezco a la MSc.
Laura Aspirot, por haberme guiado en el tema de procesos estocsticos y adems por haber
revisado esta monografa.
ndice general
1. INTRODUCCIN 5
2. MARCO TERICO 7
2.1. Teora Econmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Teora de Juegos Evolutivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1. Juego en Forma Normal y Equilibrios de Nash . . . . . . . . . . . . . 10
2.2.2. Equilibrios Evolutivamente Estables . . . . . . . . . . . . . . . . . . . 12
2.2.3. Dinmicas de Seleccin Generales . . . . . . . . . . . . . . . . . . . . 13
3. COMPETICIN ENTRE FIRMAS Y TRABAJADORES 15
3.1. Modelo Sin Intervencin Externa . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1. Juego En Forma Normal . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1.1. Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1.2. Clculo de Equilibrios de Nash . . . . . . . . . . . . . . . . 20
3.1.1.3. Trampa de Pobreza . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2. Proceso Estocstico del Replicador . . . . . . . . . . . . . . . . . . . 23
3.1.3. Dinmica del Replicador . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.3.1. Deduccin del Sistema de EDOs . . . . . . . . . . . . . . . 28
3.1.3.2. Propiedades del Sistema de EDOs . . . . . . . . . . . . . . 31
3.1.3.3. Convergencia del Proceso Estocstico del Replicador . . . . 33
3.2. Modelo Con Intervencin Externa . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1. Juego En Forma Normal . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.1.1. Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.1.2. Clculo de Equilibrios de Nash . . . . . . . . . . . . . . . . 39
3.2.2. Proceso Estocstico del Replicador . . . . . . . . . . . . . . . . . . . 40
3.2.3. Dinmica del Replicador . . . . . . . . . . . . . . . . . . . . . . . . . 40
4. SIMULACIONES Y RESULTADOS NUMRICOS 45
4.1. Descripcin de Mtodos Numricos . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.1. Mtodo Runge-Kutta para EDOs . . . . . . . . . . . . . . . . . . . . . 46
4.1.1.1. Denicin y Propiedades . . . . . . . . . . . . . . . . . . . 46
4.1.1.2. Esquema de Paso Adaptativo . . . . . . . . . . . . . . . . . 49
4.1.1.3. Control de Estabilidad . . . . . . . . . . . . . . . . . . . . . 51
1
2 ndice general
4.1.1.4. Algoritmo de Paso Adaptativo y Estable de Dormand-Prince 53
4.1.2. Implementacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2. Modelo Sin Intervencin Externa . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1. Eleccin de Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.2. Simulaciones del Proceso Estocstico . . . . . . . . . . . . . . . . . . 59
4.2.2.1. Proceso Convergente a la Trampa de Pobreza . . . . . . . . . 60
4.2.2.2. Proceso Convergente al Equilibrio Pareto ptimo . . . . . . 63
4.2.3. Soluciones de la Dinmica del Replicador . . . . . . . . . . . . . . . . 64
4.2.3.1. Dinmica Convergente a la Trampa de Pobreza . . . . . . . . 64
4.2.3.2. Dinmica Convergente al Equilibrio Pareto ptimo . . . . . 65
4.2.3.3. Cuencas de Atraccin de los Equilibrios Estables . . . . . . 65
4.3. Modelo Con Intervencin Externa . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3.1. Parmetros del Modelo Con Intervencin Externa . . . . . . . . . . . . 66
4.3.2. Solucin de la Dinmica del Replicador . . . . . . . . . . . . . . . . . 68
5. CONCLUSIONES 73
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2. Trabajos a Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
A. Monotona y Positividad de la Funcin de Crecimiento q(x) 75
B. Clculo de Probabilidades de Cambios de Estrategias 77
C. Lemas y Deniciones - Teorema 3.1.6 79
C.1. Denicin de Martingala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
C.2. Lemas sobre Supremos de Funciones Reales . . . . . . . . . . . . . . . . . . . 80
C.3. Clculo de Cota para E[(X(t))] . . . . . . . . . . . . . . . . . . . . . . . . . 81
C.4. Lema de Grnwall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
D. Clculo de la Matriz Jacobiana de F 85
Bibliografa 88
ndice de guras 89
Resumen
En el presente trabajo se estudia el concepto econmico de trampas de pobreza en el con-
texto de un mercado de trabajo. Se introduce un regulador central que aplica una poltica de
incentivos e impuestos con el n de evitar que la economa caiga en una trampa de pobreza. A
partir de esto, se verica que es viable inducir agentes competitivos a comportarse de manera
socialmente ptima.
Se estudian modelos de competicin entre las poblaciones de trabajadores y rmas, basados
en la teora de juegos evolutivos. Se caracterizan las trampas de pobreza en trminos de con-
ceptos de teora de juegos, y tambin se presentan modelos dinmicos de evolucin, tanto es-
tocsticos como determinsticos, basados en la dinmica del replicador. Se simulan evoluciones
temporales tanto estocsticas como determinsticas de las poblaciones de rmas y trabajadores,
de manera de vericar la validez del mecanismo de control del regulador central.
Palabras Clave:
Trampa de Pobreza, Regulador Central, ESS, Equilibrio de Nash, Dinmica del
Replicador, Dinmica Estocstica.
3
4 ndice general
Captulo 1
INTRODUCCIN
La pobreza es un fenmeno econmico sumamente complejo, el cual se origina a partir de
una multiplicidad de factores. Este trabajo se centra en la pobreza como resultado de una res-
puesta racional de los agentes econmicos a una coyuntura desfavorable. Es decir, las acciones
del resto de la economa determinan que el agente econmico racional y maximizador de su
benecio deba optar por una actividad econmica ineciente de manera de limitar sus prdidas.
Este enfoque se puede enmarcar y tratar formalmente mediante la teora de juegos. En parti-
cular, si nos interesa conocer la evolucin temporal de las acciones de los agentes econmicos
debemos recurrir a la teora de juegos evolutivos. El enfoque presentado en las lneas anteriores
es el que se utiliza a lo largo de esta tesis.
Los trabajos de Accinelli et al. ( [Accinelli et al., 2009], [Accinelli et al., 2010] y [Accinelli
et al., 2011]) sientan las bases de los modelos que desarrollamos y analizamos en esta tesis. En
ellos se presenta un juego no cooperativo entre rmas y trabajadores, en dicho juego tanto las
rmas como los trabajadores pueden elegir ser innovadores y tecnicados o actuar de manera
no innovadora y con tecnologa obsoleta. La tecnicacin se asocia a una economa de mayor
desempeo, mientras que la falta de innovacin corresponde a una economa estancada con
dicultades para competir con otras ms tecnicadas. En los trabajos citados, se identica como
una trampa de pobreza a la situacin en la cual las rmas y trabajadores optan por no innovar.
El concepto de trampa de pobreza se traduce, en el marco de la teora de juegos, a un equilibrio
de Nash, pareto-ineciente y evolutivamente estable del juego entre rmas y trabajadores. En
trminos simplicados, lo anterior signica que en la trampa de pobreza los agentes no tienen
incentivo a cambiar su comportamiento. Adems, debe existir algn otro equilibrio en el cual
a ningn agente le ir peor que en la trampa de pobreza e incluso algunos se beneciarn. Por
ltimo, si algunos agentes intentan apartarse de la trampa de pobreza esos individuos obtendrn
peores resultados que aquellos que se mantienen en la trampa de pobreza. Esas tres propiedades
caracterizan las trampas de pobreza en el contexto de la teora de juegos evolutivos, por detalles
de estos conceptos de teora de juegos referimos al lector al libro [Weibull, 1997].
El aporte fundamental de esta tesis es la introduccin de un mecanismo regulador que
impide que las rmas y trabajadores evolucionen hacia la trampa de pobreza. Dicho esquema
se basa en la existencia de un regulador central, el cual puede jar polticas de incentivos y
polticas scales. El mecanismo propuesto consiste en una primera etapa de subsidios a los
5
6 Captulo 1. INTRODUCCIN
individuos innovadores de manera de alentar a los no innovadores a cambiar de estrategia. Se
busca que los trabajadores comiencen a formarse para poder realizar trabajos innovadores con
tecnologa de punta, y las rmas inviertan en tecnologa y premios para los trabajadores forma-
dos. Una vez que se genera una masa crtica de rmas innovadoras y trabajadores formados
que asegura que la economa no va a retroceder a la trampa de pobreza, el regulador central
aplica una poltica scal de impuestos. Se busca recaudar capital suciente como para cancelar
la deuda que se gener durante la etapa de subsidios. Una vez cumplido el objetivo de recau-
dacin, se cancela la deuda y se retira denitivamente la intervencin del regulador central. La
economa se mantendr por s misma en una situacin de innovacin y tecnicacin, eciente
del punto de vista de los ingresos de los agentes econmicos y estable frente a perturbaciones
que intenten apartarla de ese equilibrio.
El presente documento de tesis consiste de cinco captulos principales, encabezados por
este primer capitulo introductorio. En segundo lugar se encuentra el captulo que contiene el
marco terico de los elementos utilizados para obtener los modelos matemticos de la interac-
cin de rmas y trabajadores. Se describen en dicho captulo trabajos econmicos anteriores
que analizan las trampas de pobreza mediante otras herramientas dinmicas, distintas a la teora
de juegos evolutivos. Tambin presentamos en el marco terico deniciones y proposiciones
de teora de juegos necesarias para enunciar los modelos de competicin entre rmas y tra-
bajadores, as como las notaciones que se utilizan a lo largo de la tesis. En tercer lugar se
encuentra el captulo de modelos propiamente, en el mismo se presenta el modelo de competi-
cin sin intervencin externa y a continuacin el modelo con intervencin externa. Se analizan
los juegos en forma normal, los procesos estocsticos evolutivos de las poblaciones de rmas
y trabajadores, y las dinmicas determinsticas que aproximan a los procesos estocsticos para
poblaciones innitas. El captulo nmero cuatro presenta los resultados numricos obtenidos
de los modelos del captulo tres. En primer lugar se describen los procedimientos y mto-
dos numricos utilizados para obtener dichos resultados. Luego se simulan evoluciones de las
poblaciones tanto estocsticas como determinsticas para una variedad de situaciones, sin regu-
lacin externa as como con regulacin externa. Finalmente, en el captulo cinco se presentan
las conclusiones de este trabajo de investigacin y tambin algunas lineas de investigacin a
futuro de inters para el problema analizado.
Captulo 2
MARCO TERICO
En el presente captulo presentaremos una breve resea de los elementos tericos que fun-
damentan los modelos desarrollados en esta tesis. Dividiremos el captulo en dos secciones,
siendo la primera sobre Economa y la segunda sobre Teora de Juegos Evolutivos.
En la primer seccin deniremos algunos a conceptos econmicos que son usados a lo
largo de este trabajo y haremos un recuento de los trabajos que han avanzado dichos conceptos.
Adems, mencionaremos la metodologa utilizada para denir el modelo de la Seccin 3.2.
En cuanto a la segunda seccin, el objetivo principal es denir la notacin matemtica
que ser utilizada en este trabajo. Tambin daremos las deniciones y resultados bsicos de la
teora de juegos evolutivos a los cuales haremos referencia luego en los modelos, suponiendo
que el lector ha ledo el presente captulo o que l ya est familiarizado con esta rama de la
Matemtica.
2.1. Teora Econmica
La presente seccin est basada en parte en trabajos de E. Accinelli y E. Sanchez Carrera.
En primer lugar se expondr el concepto econmico de Trampa de Pobreza y luego se men-
cionarn algunos trabajos recientes en los cuales se analiz dicho concepto.
En el trabajo [Azariadis and Stachurski, 2005] los autores dan una denicin de Trampa de
Pobreza, la cual es un excelente punto de partida para entender el fenmeno que estudiamos en
esta tesis.
Denicin 2.1.1 (Trampa de Pobreza) Una trampa de pobreza es cualquier mecanismo que
se refuerza a s mismo y que perdura la pobreza.
El concepto de trampa de pobreza se alinea con la concepcin de que en algunas situaciones
la pobreza puede estar ms all del control de los agentes econmicos. Esto se contrapone a la
idea arraigada en la cultura popular de que una persona puede ser pobre por falta de iniciativa
o por falta de esfuerzo para escapar a su situacin. Adems de dar la denicin anterior, el
autor menciona la frase crculos viciosos de pobreza como una que aparece frecuentemente
en los problemas de desarrollo econmico y tambin como merecedora de anlisis a pesar de
7
8 Captulo 2. MARCO TERICO
su aparente obviedad. La idea de circulo vicioso de pobreza est evidentemente conectado a la
caracterstica de auto-refuerzo de las trampas de pobreza.
En el trabajo [Accinelli et al., 2009] los autores presentan un primer modelo de competi-
cin entre rmas y trabajadores en el cual se identica una trampa de pobreza para el conjunto
de las rmas y los trabajadores. La misma consiste en que partiendo de una economa predo-
minantemente no innovadora, los agentes innovadores no pueden sostener su estrategia ya que
los retornos que perciben los desalientan. La caracterstica principal de este modelo es que se
halla una trampa de pobreza que es un equilibrio de Nash, estable del punto de vista evolutivo
y adems pareto-ineciente. Este modelo fue renado por los autores en los trabajos [Accinelli
et al., 2010] y [Accinelli et al., 2011]. En stos ltimos se agregaron parmetros econmicos
relevantes y se plantea como trabajo a futuro el anlisis del accionar de un regulador externo.
Es en esa linea de trabajo que se coloca la presente tesis.
Las trampas de pobreza han sido identicadas en varios contextos distintos y tambin en
diferentes escalas. Justamente, un concepto derivado de las trampas de pobreza y basado en
su existencia en distintas escalas, es el de Trampas de Pobreza Fractales. Dicha idea fue in-
troducida en el trabajo [Barrett and Swallow, 2006]. En el mismo los autores presentan una
teora informal en la cual se proponen mltiples equilibrios dinmicos simultneos en distintas
escalas. Tambin arman que en ningn nivel se opera en un equilibrio de nivel eciente o
alto, por el contrario en todas las escalas se opera en equilibrios de nivel bajo o inecientes.
El anlisis dinmico est basado en los Modelos de Crecimiento Econmico. A continuacin
haremos una breve mencin sobre estos esquemas dinmicos.
En los modelos de crecimiento se estudia alguna variable econmica (x) asociada al bien-
estar, como por ejemplo ingreso, gasto o capital entre otros. Se estudia la evolucin temporal
de la variable econmica x
t
, asumiendo un modelo de tiempo discreto (t N
+
). En particular,
se plantea una relacin funcional entre el valor de la variable en el tiempo actual (x
t
) y el va-
lor de la variable en el prximo perodo (x
t+1
). La funcin F() que vincula los valores de la
variable en los perodos consecutivos se llama Funcin de Crecimiento. A partir de lo anterior
se obtiene la siguiente ecuacin en diferencias nitas:
x
k+1
= F(x
k
) (2.1)
Dicha ecuacin tendr como puntos estacionarios a aquellos que veriquen:
= F() (2.2)
La estabilidad, o inestabilidad, dinmica de dichos puntos estacionarios depender de las
propiedades de la funcin F(). Por estabilidad nos referimos a que perturbaciones sucien-
temente pequeas del punto se mantienen para t a una distancia acotada de . Por
una denicin formal de estabilidad ver por ejemplo el Captulo 9 del libro [Hirsch and Smale,
1974].
En trminos globales, si la funcin F() es contractiva en todo un espacio de Banach (S),
el teorema de punto jo en ese espacio asegura la existencia y unicidad de un punto jo S.
Tambin garantiza que para cualquier x
0
S la ecuacin 2.1 dene una sucesin convergente
a dicho punto jo. En trminos del modelo de crecimiento, en estas hiptesis existir un nico
punto estacionario el cual ser globalmente estable.
2.1. Teora Econmica 9
Tambin se puede tener estabilidad local de un punto jo si se cumple la hiptesis de
contractividad en un entorno de dicho punto jo. En este caso la convergencia de la sucesin
generado por la ecuacin 2.1 se cumplir para los x
0
B(, r) siendo B(, r) una bola de
centro y radio r > 0 tal que F() es contractiva en esa bola. El resultado anterior se puede
encontrar, con hiptesis similares, en el Teorema 6.5.1 del libro [Dahlquist et al., 2003].
La condicin de contractividad en A R para una funcin f : R R de clase (
1
es
equivalente a que se cumpla [f
(x)[ m < 1 para todo x A R. Basado en lo anterior,

el anlisis de la estabilidad de un punto jo se puede realizar grcamente. Basta con estudiar
la grca de F(x), ya que los puntos donde sta corta la recta: y = x sern los puntos jos.
Mientras que stos puntos sern estables si la pendiente de F en dichos puntos jos se encuentra
entre 1 y 1.
En la Figura 2.1 se muestra un ejemplo de funcin de crecimiento que tiene dos puntos
jos estables y uno inestable. El menor de los estables (x
P
) corresponde a la trampa de pobreza
mientras que el mayor (x
E
) corresponde a un equilibrio eciente. Entre ellos se encuentra el
equilibrio inestable (x
C
) el cual verica que si x
0
> x
C
entonces la sucesin x
k
converge a
x
E
y por el contrario, si x
0
< x
C
la sucesin converge a x
P
. En la gura se muestran en azul
dos sucesiones convergentes a la Trampa de Pobreza y en rojo dos sucesiones convergentes al
equilibrio eciente.
Figura 2.1 Esquema de la Dinmica Resultante de un Modelo de Crecimiento
En la Seccin 3.2 del Captulo 3 de la presente tesis se plantea una forma de intervencin
en la dinmica de la competicin. Se coloca un regulador central en la economa, el cual dene
reglas de incentivos e impuestos de manera que tanto trabajadores como rmas evolucionen
hacia un equilibrio pareto-eciente. En este caso el regulador acta de forma benevolente del
punto de vista de los agentes ya que mediante su intervencin se logra hacer coincidir el inters
individual y social de las rmas y trabajadores. Mientras que del punto de vista del regulador
central, el mismo cumple con su objetivo primordial de llevar a la economa a un estado desa-
rrollado.
2.2. Teora de Juegos Evolutivos
2.2.1. Juego en Forma Normal y Equilibrios de Nash
En esta seccin haremos una sntesis de los elementos de la Teora de Juegos Evolutivos
que son utilizados a lo largo de esta tesis. Servir para que un lector no especializado tenga una
primer aproximacin a las ideas manejadas en este trabajo, as como para introducir la notacin
que ser usada en el Captulo 3, en el cual se presentan los distintos modelos de competicin
entre rmas y trabajadores.
En lo que sigue y tambin en el resto de la tesis, se utiliza la notacin presentada en el
libro [Weibull, 1997]. El mismo es una referencia excelente para aquellos que quieran explorar
la Teora de Juegos Evolutivos.
Nos centraremos en juegos multi-jugador y en las dinmicas de seleccin asociadas a di-
chos juegos. Comenzaremos deniendo los juegos no cooperativos en forma normal entre va-
rios jugadores.
Denamos el Conjunto de Jugadores J = 1, . . . , n siendo n un entero positivo. Cada
uno de los jugadores tendr un conjunto nito de estrategias puras, las cuales identicare-
mos mediante enteros positivos. Por lo tanto, el Conjunto de Estrategias Puras del Jugador i
ser S
i
= 1, 2, . . . , m
i
teniendo los jugadores como mnimo dos estrategias cada uno. Las
elecciones de estrategias de todos los jugadores se pueden resumir en un vector ordenado de
estrategias, s = (s
1
, s
2
, . . . , s
n
) con s
i
S
i
para todo i = 1, . . . , n. A partir de lo anterior,
deniremos el Conjunto de Estrategias Puras del Juego como o =
i
S
i
el producto cartesiano
de los conjuntos de estrategias puras de los jugadores, con lo cual s o.
Cada jugador tendr asociada una funcin de retornos para estrategias puras. Dicha funcin
da la preferencia de un jugador i por su estrategia pura s
i
dado que el resto de los jugadores
eligen otras estrategias puras. Con lo cual, la Funcin de Retornos para Estrategias Puras del
Jugador i ser
i
: o R. Estas funciones se agrupan para denir la Funcin de Retornos
para Estrategias Puras del Juego : o R
n
que dado un vector de estrategias puras del
juego s o devuelve (s) = (
1
(s),
2
(s), . . . ,
n
(s)).
A partir de las deniciones anteriores, un Juego en Forma Normal (G) queda denido por
la terna G = (J, o, ).
Deniremos a continuacin las estrategias mixtas de los jugadores. Para el jugador i, la
Estrategia Mixta del Jugador i es una distribucin de probabilidades en el conjunto de estrate-
gias puras S
i
. Resumiremos esa distribucin de probabilidades en un vector x
i
R
m
i
tal que
x
i
= (x
i1
, x
i2
, . . . , x
im
i
). Con lo cual x
ik
[0, 1] ser la probabilidad que el jugador i elija su
estrategia pura k.
Deniremos (
i
) el Simplex de Estrategias Mixtas del Jugador i como el conjunto de todas
sus posibles estrategias mixtas.
2.2. Teora de Juegos Evolutivos 11
i
= x
i
R
m
i
:
m
i
k=1
x
ik
= 1, x
ik
0k (2.3)
Dada la denicin de estrategias mixtas, las estrategias puras se pueden expresar como
los vrtices de
i
, o sea que se le asigna probabilidad 1 a una estrategia pura y cero al resto.
Dichos vectores se representarn como e
1
i
= (1, 0, 0, . . . , 0), e
2
i
= (0, 1, 0, . . . , 0), etc. En
otras palabras, los vectores e
k
i
con k = 1, . . . , m
i
son la base cannica de R
m
i
. Y eso permite
escribir cualquier vector de estrategias mixtas del jugador i como:
x
i
=
m
i
k=1
x
ik
e
k
i
(2.4)
A continuacin agruparemos el conjunto de las estrategias mixtas de todos los jugadores en
un vector (x) que llamaremos Perl de Estrategias Mixtas del Juego. Siendo x = (x
1
, x
2
, . . . , x
n
)
un vector del espacio de estrategias mixtas del juego =
i
i
.
Resultar til usar la siguiente notacin, donde z = (x
i
, y
i
) se dene como z
i
= x
i
y
z
j
= y
j
para todo j ,= i. Este vector representa el perl de estrategias mixtas donde el jugador
i utiliza la estrategia mixta x
i
y el resto de los jugadores utilizan y .
A partir de lo anterior, podemos ahora denir los retornos esperados de los jugadores.
En esta denicin se asume que los sucesos de eleccin de estrategias de los distintos ju-
gadores son independientes. Bajo esa hiptesis dado un perl de estrategias puras del juego
s = (s
1
, s
2
, . . . , s
n
) o, la probabilidad que ese conjunto de estrategias puras sea el utilizado
por los jugadores dado un perl de estrategias mixtas x es igual a P(s) =
n
i=1
x
is
i
. El
Retorno Esperado del Jugador i para el perl de estrategias mixtas x resulta:
u
i
(x) =
sS
P(s)
i
(s) (2.5)
Podemos resumir el conjunto de retornos esperados de los jugadores en la funcin que
llamaremos la Funcin de Retornos Esperados del Juego. Esta funcin se dene como
u : R
n
, tal que u(x) = (u
1
(x), u
2
(x), . . . , u
n
(x)).
A continuacin deniremos, para el perl de estrategias y , el concepto de mejor
respuesta en estrategias puras del jugador i. Una mejor respuesta del jugador i al perl de
estrategias y es una estrategia para la cual el jugador i no encuentra otra que le de mejor
resultado. A partir de esto, se puede denir para el jugador i la Correspondencia de Mejores
Respuestas en Estrategias Puras como
i
: S
i
tal que:
i
(y) = h S
i
: u
i
(e
h
i
, y
i
) u
i
(e
k
i
, y
i
) k S
i
(2.6)
Y de manera anloga se puede denir la Correspondencia de Mejores Respuestas en Es-
trategias Mixtas como

:
i
tal que:
i
(y) = x
i

i
: u
i
(x
i
, y
i
) u
i
(z
i
, y
i
) z
i

i
(2.7)
Ser til agrupar las mejores respuestas, tanto en estrategias puras como en estrategias mix-
tas, a nivel de juego. Por lo tanto deniremos dichas correspondencias como (y) =
i
i
(y)
o y

(y) =
i
i
(y) respectivamente.
A continuacin llegamos al concepto central de la Teora de Juegos No Cooperativos, sien-
do este el de Equilibrio de Nash.
Denicin 2.2.1 (Equilibrio de Nash) El perl de estrategias mixtas x es un equilibrio
de Nash sii x

(x)
En palabras, se tiene un Equilibrio de Nash si cada uno de los jugadores est utilizando una
de sus mejores respuestas a las estrategias del resto de los jugadores. En [Nash, 1951] el autor
demuestra que para cualquier juego nito G el conjunto de equilibrios de Nash es no vaco.
El equilibrio de Nash ser estricto si las desigualdades en las deniciones de mejores res-
puestas mixtas se verican de manera estricta. Es decir, si cada uno de los jugadores elige un
perl de estrategias que tiene un retorno estrictamente mayor que sus otras posibles elecciones.
2.2.2. Equilibrios Evolutivamente Estables
En los prrafos siguientes deniremos los equilibrios evolutivamente estables, el concepto
se origina en el trabajo [Maynard Smith and Price, 1973]. John Maynard Smith fue un inge-
niero aeronutico Britnico que comenz sus trabajos en evolucin de especies estudiando la
evolucin del vuelo. Se recomienda al lector interesado ver una presentacin realizada por el
propio Maynard Smith sobre sus primeros pasos en esta rea, la misma puede encontrarse en
el sitio web indicado en la referencia [Maynard Smith, 1997].
La idea de un equilibrio evolutivamente estable surgi en juegos simtricos de dos ju-
gadores. Es decir, en juegos de dos jugadores que tienen idnticos conjuntos de estrategias
puras. Informalmente, dada x la cual llamaremos estrategia residente, esta ser evolu-
tivamente estable si al modicarla con una pequea mutacin arbitraria y obtenemos un
perl post-mutacin w = x(1 ) + y, tal que el perl mutante obtiene un peor resultado
que el perl residente al enfrentar el perl post-mutacin. Por supuesto, la medida de que tan
bueno o malo es el resultado de un perl esta dada por su retorno esperado.
Esta misma idea se puede extender al caso de un juego con varios jugadores y cada uno con
distintos conjuntos de estrategias puras.
Denicin 2.2.2 (Equilibrio Evolutivamente Estable - ESS) El perl de estrategias mixtas
x es un equilibrio evolutivamente estable sii para cada y ,= x existe algn
y
(0, 1)
tal que se verica (0,
y
] y con: w = x(1 ) +y,
u
i
(x
i
, w
i
) > u
i
(y
i
, w
i
) para algn i J
El parmetro
y
se llama barrera de invasin de la mutacin y, ya que indica a partir de
cundo el tamao de la mutacin no es lo sucientemente grande como para desplazar a la
estrategia residente.
Observar que no se pide que la desigualdad se verique para todo i J, sino que solamente
es para algn i J. De todas formas, para esta relativamente dbil denicin se verica la
siguiente proposicin:
2.2. Teora de Juegos Evolutivos 13
Proposicin 2.2.3 El perl de estrategias mixtas x es ESS si y solo si x es un equilibrio
de Nash estricto.
Esto hace que este tipo de denicin de equilibrio ESS descarte todos los equilibrios de
Nash excepto los estrictos.
2.2.3. Dinmicas de Seleccin Generales
Por ltimo, haremos algunas deniciones relevantes a la tesis en el rea de Dinmicas de
Seleccin Generales.
Asumiremos que tenemos poblaciones innitas de individuos que durante su vida estn
programados a elegir una estrategia determinada. Estos individuos se agrupan en primer lugar
por clase de jugador, lo cual signica que cada clase de jugador (i J) tendr una poblacin
dada de individuos. Dentro de cada una de esas clases de jugador, los individuos se dividen
en sub-poblaciones (h S
i
) asociadas a las estrategias puras de la clase de jugador. Con lo
cual el vector que describe el Estado de Poblacin en un instante de tiempo t ser x(t) =
(x
1
(t), . . . , x
n
(t)) .
A partir de las poblaciones anteriores, se puede plantear que la evolucin de las mismas
estar determinada por un sistema de ecuaciones diferenciales ordinarias (EDOs) de primer
orden. Llamaremos Dinmica de Seleccin a uno de estos sistemas de EDOs. Para cada clase
de jugador i J y cada sub-poblacin h S
i
tendremos:
x
ih
(t) = x
ih
(t)q
ih
(x) i J, h S
i
(2.8)
Las funciones q
ih
: Rse llaman Funciones de Crecimiento ya que dan la tasa de creci-
miento per cpita de la sub-poblacin h de la clase de jugador i: q
ih
(x) = x
ih
(t)/x
ih
(t). Estas
funciones debern ser Lipschitz en un abierto X R
m
tal que X, con m =
i
m
i
. Las
funciones de crecimiento se agrupan por clase de jugador y tambin a nivel de poblacin, sien-
do estas q
i
(x) = (q
i1
(x), q
i2
(x), . . . q
im
i
(x)) con i J y q(x) = (q
1
(x), q
2
(x), . . . , q
n
(x))
respectivamente.
Deniremos en lo que sigue algunas propiedades de las funciones de crecimiento, las cuales
sern utilizadas en el Captulo 3. Estas propiedades son las de Regularidad, Monotona en los
Retornos y Positividad en los Retornos.
Denicin 2.2.4 Una funcin de crecimiento q(x) es regular sii q
i
(x) x
i
= 0 para todo
x , i J.
Esta propiedad garantiza que el tamao de las poblaciones de clases de jugadores se man-
tengan constantes, alcanza con ver que la regularidad implica:
h
x
ih
= 0.
A continuacin damos la denicin de monotona en los retornos para una funcin de
crecimiento.
Denicin 2.2.5 Una funcin de crecimiento q(x) es montona en los retornos sii se cumple
la siguiente equivalencia para todo i J, x y h, k S
i
.
u
i
(e
h
i
, x
i
) > u
i
(e
k
i
, x
i
) q
ih
(x) > q
ik
(x)
Esta propiedad implica que si, para la clase de jugador i, la estrategia h S
i
tiene mayor
retorno esperado que otra estrategia k S
i
, entonces la sub-poblacin correspondiente a h
debe tener una tasa de crecimiento mayor que la sub-poblacin correspondiente a k.
Finalmente, daremos la denicin de positividad en los retornos de una funcin de creci-
miento.
Denicin 2.2.6 Una funcin de crecimiento q(x) es positiva en los retornos sii para todo
i J, x y h S
i
se cumple:
sgn[q
ih
(x)] = sgn[u
i
(e
h
i
, x
i
) u
i
(x)]
Siendo sgn(y) la funcin signo de y R. Esta ltima propiedad implica que si la clase de
jugador i obtiene un mayor retorno esperado utilizando la estrategia h que utilizando el perl
de poblacin actual (x), entonces la funcin de crecimiento de la sub-poblacin h deber ser
positiva. Con lo cual la sub-poblacin h crecer en el tiempo. Observar que el retorno esperado
del jugador i dado el perl actual x es un promedio de los retornos esperados para cada una de
sus estrategias puras, o sea u
i
(x) =
k
x
ik
u
i
(e
k
i
, x
i
). Con lo cual otra manera de expresar
esta propiedad es que las estrategias puras que tienen retornos por encima (debajo) de la media
de las estrategias puras deben tener tasas positivas (negativas).
En general se pueden tener funciones de crecimiento que sean positivas pero no necesaria-
mente monotnicas en los retornos. Sin embargo en dinmicas de seleccin con dos estrategias
por clase de jugador (m
i
= 2 con i J) la condicin de monotona es equivalente a la de
positividad. Se tiene por lo tanto la siguiente proposicin.
Proposicin 2.2.7 En una dinmica con dos estrategias por jugador (m
i
= 2 con i J),
dada una funcin de crecimiento regular q(x), esta ser monotnica en los retornos si y solo
si es positiva en los retornos.
Este resultado se enuncia sin demostracin formal en [Weibull, 1997] y dado que ser
utilizada en la Seccin 3, se consider apropiado incluir una demostracin formal en esta tesis.
La prueba de dicha proposicin se encuentra en el Apndice A.
Captulo 3
COMPETICIN ENTRE FIRMAS Y
TRABAJADORES
A lo largo del presente captulo se presentan modelos basados en la de teora de juegos
que buscan reproducir el comportamiento del mercado de trabajo formado por rmas y tra-
bajadores, as como las dinmicas asociadas a los mismos. Los modelos se enmarcan ms
precisamente en la teora de juegos evolutivos, la misma fue brevemente descripta en la Sec-
cin 2.2 y referimos al lector no especializado a esa seccin por ms detalles. Los modelos
que se presentan en este captulo estn basados en ideas de Accinelli et. al, expuestas en los
trabajos [Accinelli et al., 2011] y [Accinelli et al., 2010]. En la presente tesis se modicaron
algunos aspectos de los mismos, y se extendieron esos modelos al incluir la actividad de un
regulador central en la economa. Asumiremos que el regulador central es exgeno al juego
de las rmas y trabajadores y que ste busca obtener una economa desarrollada. Tambin se
analiza el proceso estocstico de base (dinmica para poblaciones nitas) y la convergencia
del proceso estocstico a la dinmica determinstica (dinmica para poblaciones innitas). El
objetivo de ese anlisis es evaluar si es adecuado trabajar con el modelo determinstico en vez
del estocstico.
En la etapa inicial del trabajo realizado para esta tesis, se busc construir modelos que se
basaran en la redistribucin de impuestos cobrados en la economa para escapar de las tram-
pas de pobreza. Se intent modicar los retornos de los jugadores para que dependieran de
la proporcin de impuestos recolectados, otorgando incentivos a ciertos jugadores a partir del
impuesto recolectado. Esta idea tuvo un xito parcial, ya que se obtuvo un juego con los Equi-
librios de Nash esperados, pero dada la forma del juego, no se poda obtener una dinmica del
replicador que tuviera los Equilibrios de Nash como puntos estacionarios.
En el presente trabajo se logr plantear modelos de juegos que tuvieran dinmicas asociadas
que reprodujeran el llamado efecto de masa. Es decir, que se tienen poblaciones de agentes
que llegan a jugar estrategias que componen equilibrios de Nash, no mediante racionalidad
perfecta, sino por repeticin del juego y seleccionando estrategias en base, en el caso de la
presente tesis, a la imitacin de agentes exitosos. Ya en su disertacin de doctorado [Nash,
1950], John Nash expona este concepto, pero el mismo comenz a tomar relevancia en el
trabajo de Maynard-Smith [Maynard Smith and Price, 1973]. En [Kuhn et al., 1994] se presenta
15
16 Captulo 3. COMPETICIN ENTRE FIRMAS Y TRABAJADORES
un recuento histrico muy completo de la evolucin de estas ideas.
Adems, se hall tambin una forma de evitar que economas evolucionen hacia trampas
de pobreza. No por medio de redistribucin de impuestos, sino por el camino de incentivos en
forma de subsidios y una posterior poltica scal que recupere la inversin realizada en la etapa
de subsidios. Para ello se construyeron modelos de competencia entre rmas y trabajadores en
los cuales se dot al regulador externo de parmetros de control de manera que pueda encausar
la economa lejos de la trampa de pobreza.
Respecto de las trampas de pobreza, se buscaron juegos en los cuales existan estrategias
que sean Equilibrios de Nash, y que tambin fueran pareto sub-ptimas respecto de las ganan-
cias de los jugadores. O lo que es lo mismo, que puedan haber otras estrategias distintas que la
trampa de pobreza, las cuales sean Equilibrios de Nash y para las cuales al menos un jugador
(trabajador o rma) gane ms que en la trampa de pobreza. Dichas estrategias tambin deben
tener la caracterstica de ser estrategias evolutivamente estables (ESS). Para tener este compor-
tamiento en los modelos se incorporaron un nmero de reglas llamadas Complementaridades
Estratgicas, las cuales imponen condiciones en los parmetros del modelo. Las mismas sern
presentadas en detalle en las secciones siguientes.
En cuanto a los efectos de los subsidios e impuestos, se busca que los mismos no eliminen
las trampas de pobreza, pero s que tengan un efecto en cuanto a la estabilidad de las trampas
de pobreza. En particular, se tomaron impuestos o subsidios tales que afecten el alcance de las
trampas de pobreza, reducindolo o aumentndolo.
En las secciones siguientes se presentan dos modelos:
El primero, llamado Modelo Sin Intervencin Externa, corresponde al juego que se
lleva a cabo entre una empresa y un trabajador en la hiptesis que el juego depende exclusi-
vamente de la interaccin de estos dos jugadores. Se plantean las deniciones del juego, por
ejemplo cantidad y clase de jugadores, sus estrategias, las ganancias netas de cada uno de los
jugadores al usar sus respectivas estrategias, etc. A su vez se presentarn deniciones que ha-
cen a la dinmica, como ser tipo de dinmica, tasas de revisin de agentes, probabilidades
de transicin, etc. Llegando a formular el sistema de EDOs que gobiernan la dinmica de las
poblaciones. Y tambin para el primer modelo, plantearemos la forma del proceso estocstico
de base para la dinmica determinstica. Daremos una expresin bien denida del mismo a
efectos de poder simular realizaciones del proceso para poblaciones de rmas y trabajadores
nitas, as como estudiar la convergencia del proceso estocstico a la solucin de la EDO.
El segundo modelo se llama Modelo Con Intervencin Externa, y el juego se desa-
rrolla entre una empresa y un trabajador, pero sus ganancias tambin dependen de parmetros
controlados por un agente externo a la economa. Los parmetros de control son incentivos o
impuestos, y son elegidos por el agente externo (por ejemplo un regulador central) con el n
de evitar que la economa se estanque en una trampa de pobreza. En este segundo modelo se
describir la estrategia a seguir por el regulador central a n de lograr llevar una economa en
situacin de no innovacin o pobreza a una situacin de riqueza o innovacin. Al igual que en el
Modelo Sin Intervencin Externa, deniremos los componentes de la dinmica, que son esen-
cialmente los mismos que enumeramos para el primer modelo. Excepto que, para cada eleccin
de parmetros de control por parte del regulador central, tendremos una dinmica particular.
3.1. Modelo Sin Intervencin Externa 17
3.1. Modelo Sin Intervencin Externa
3.1.1. Juego En Forma Normal
3.1.1.1. Denicin
Se dene un juego en forma normal, compuesto por G = J, o, . Siendo, como es usual,
J el conjunto de jugadores, o el conjunto de estrategias puras de los jugadores y los retornos
para los jugadores dadas las estrategias puras.
Los jugadores son trabajadores y rmas, y los representaremos como J = W, F (del
ingls: Workers y Firms). Y el juego consiste de una rma y un trabajador que interactan en
el mercado de trabajo y debern decidir que perl les es mas favorable del punto de vista de
maximizar sus ingresos.
Las estrategias de los trabajadores sern las de formarse o no formarse. La estrategia de
formarse corresponde a que los trabajadores inviertan en educacin especializada para as tener
la opcin de poder acceder a trabajos calicados en rmas innovadoras. Mientras no formarse
implica no hacer esa inversin y renunciar a la opcin de acceder a trabajos calicados. Se
debe considerar la formacin de un trabajador en el contexto de formacin continua, de esta
manera es posible que un trabajador formado pueda dejar de serlo simplemente abandonando
la cultura de formacin continua. Estas estrategias las resumiremos como S
W
= S, NS (del
ingls: Skilled Worker y Unskilled Worker).
De la misma manera las rmas tendrn dos estrategias, stas podrn innovar o no innovar.
En la primera estrategia la rma invierte en tecnologa y se benecia de trabajadores formados.
Mientras que en la segunda estrategia la rma no invierte en tecnologa y tampoco obtiene
mayor benecio al contratar trabajadores formados. De manera anloga a lo que ocurre con
los trabajadores, invertir en tecnologa e innovar se asocia a estar en la vanguardia tecnolgica.
Con lo cual una rma puede dejar de ser innovadora abandonando la carrera tecnolgica, y ser
innovadora si se mantiene en carrera. Resumiremos estas estrategias como S
F
= I, NI (del
ingls: Innovative Firm y Non-Innovative Firm).
El paso siguiente es denir los retornos que cada jugador percibe al darse una instan-
cia del juego con dos estrategias dadas. Las combinaciones posibles de estrategias puras son
(S, I), (NS, I), (S, NI), (NS, NI) y para cada una de ellas tendremos el retorno de las
rmas y de los trabajadores.
Llamaremos
W
(, ) y
F
(, ) a los retornos de los trabajadores y de las rmas respecti-
vamente. Estos retornos dependen de una serie de parmetros econmicos que se enumeran a
continuacin.
1. Parmetros de un Trabajador Formado (S):
s:
Es el salario bsico que percibe un trabajador formado, ya sea contratado por una rma
innovadora (I) como por una rma no innovadora (NI).
p:
Es la bonicacin que percibe un trabajador formado al ser contratado por una rma
innovadora (I).
CE:
Es el costo que experimenta el trabajador formado por haber adquirido conocimiento
y por mantenerlo actualizado.
2. Parmetros de un Trabajador No Formado (NS):
s:
Es el salario bsico que percibe un trabajador no formado, ya sea contratado por una
rma innovadora (I) como por una rma no innovadora (NI).
p:
Es la bonicacin que percibe un trabajador no formado al ser contratado por una
rma innovadora (I). La bonicacin es menor para los trabajadores no formados que
para los trabajadores formados ( p > p).
3. Parmetros de una Firma Innovadora (I):
B
I
(S):
Es el benecio que obtiene una rma innovadora (I) por contratar a un trabajador
formado (S).
B
I
(NS):
Es el benecio que obtiene una rma innovadora (I) por contratar a un trabajador no
formado (NS).
CI:
Es el costo que tiene para la rma el invertir en tecnologa que le permite innovar.
4. Parmetros de una Firma No Innovadora (NI):
B
NI
(S):
Es el benecio que obtiene una rma no innovadora (NI) por contratar a un trabajador
formado (S).
B
NI
(NS):
Es el benecio que obtiene una rma innovadora (NI) por contratar a un trabajador
no formado (NS).
Es necesario hacer mencin de un par de puntos respecto a los parmetros que han si-
do denidos. Primero, las rmas innovadoras reparten bonos con todos sus empleados, tanto
trabajadores formados as como no formados. Por el contrario, las rmas no innovadoras no
tienen esta poltica. Segundo, simplemente con el objetivo de disminuir parmetros del modelo,
se denieron costos solamente para los trabajadores formados y para las rmas innovadoras.
Los mismos pueden ser vistos como el diferencial de costo entre formarse y no formarse, o el
diferencial de costo entre innovar o no innovar.
A partir de los parmetros anteriores, podemos expresar los retornos netos de las rmas y
de los trabajadores en funcin de los mismos. Esto se hace para cada una de las combinaciones
de estrategias posibles entre rmas y trabajadores. Denimos por lo tanto los retornos para
estrategias puras de trabajadores y rmas respectivamente como:
W
: S
W
S
F
R y
F
: S
W
S
F
R.
Retornos de Trabajadores:
W
(S, I) = s + p CE
W
(S, NI) = s CE
W
(NS, I) = s +p
W
(NS, NI) = s
Retornos de Firmas:
F
(S, I) = B
I
(S) ( s + p) CI
F
(S, NI) = B
NI
(S) s
F
(NS, I) = B
I
(NS) (s +p) CI
F
(NS, NI) = B
NI
(NS) s
Estos retornos para estrategias puras se pueden presentar en una bimatriz de manera usual.
Colocando a los trabajadores como los jugadores por las y a las rmas como jugadores por
columnas.
I NI
S [ s + p CE] [B
I
(S) ( s + p) CI] [ s CE] [B
NI
(S) s]
NS [s +p] [B
I
(NS) (s +p) CI] [s] [B
NI
(NS) s]
Lo siguiente es denir ciertas relaciones que debern vericar los parmetros. Estas rela-
ciones estn basadas en argumentos econmicos que llevan a que los retornos de los jugadores
deban cumplir algunas desigualdades. A estas relaciones las llamaremos Complementaridades
Estratgicas, las mismas ya estaban presentes en los trabajos de Accinelli et al. [Accinelli et al.,
2010] y [Accinelli et al., 2011], ahora las extenderemos a este trabajo.
Como primera condicin se requiere que, al ser contratado por una rma innovadora (I),
el benecio que experimenta un trabajador formado (S) sea mayor que el que percibe un tra-
bajador no formado (NS). La misma se expresa como:
s + p CE > s +p (3.1)
En la segunda condicin se asume que, al ser contratado por una rma no innovadora
(NI), el benecio que percibe un trabajador no formado (NS) es mayor que el que percibe un
trabajador formado (S). La misma se expresa como:
s > s CE (3.2)
La tercera condicin dice que, si el trabajador es formado (S), entonces los benecios de
las rmas innovadoras son mayores que los de las rmas no innovadoras. Esta condicin resulta
en:
B
I
(S) p CI > B
NI
(S) (3.3)
Como cuarta condicin asumiremos que, si el trabajador es no formado (NS), entonces los
benecios de las rmas no innovadoras son mayores que aquellos de las rmas innovadoras.
La expresamos como:
B
NI
(NS) > B
I
(NS) p CI (3.4)
Por ltimo, se deber vericar que la ganancia de una empresa innovadora (I) que contrata
a un trabajador formado (S) deber ser mayor a la que resulta de una empresa no innovadora
(NI) que contrata a un trabajador no formado (NS). Se expresa como:
B
I
(S) s p CI > B
NI
(NS) s (3.5)
Estas cinco inecuaciones tienen una inuencia directa en los equilibrios de Nash del juego
en estudio.
3.1.1.2. Clculo de Equilibrios de Nash
Los equilibrios de Nash en estrategias puras se hallan de manera sencilla estudiando la
funciones de mejores respuestas de los jugadores frente a estrategias puras :
W
(s
F
) con s
F

S
F
y
F
(s
W
) con s
W
S
W
.
A partir de 3.1 y 3.2, para los trabajadores se tiene:
W
(I) = S
W
(NI) = NS
Mientras que, usando 3.3 y 3.4, para las rmas se tiene:
F
(S) = I
F
(NS) = NI
Se determinarn los equilibrios de Nash en estrategias puras usando las mejores respuestas
halladas y el hecho que un par de estrategias forman un equilibrio de Nash slo si ambas son
mejores respuestas de los jugadores. A partir de lo anterior concluimos que
NE
1
= S, I y
NE
2
= NS, NI.
Ahora se busca un equilibrio de Nash mixto. Se asume que los jugadores utilizan estrategias
mixtas x = (x
S
, 1 x
S
)
W
y y = (y
I
, 1 y
I
)
F
. Para hallar el equilibrio, debemos
calcular los retornos esperados de los jugadores:
u
W
(x, y) = x
S
[y
I
W
(S, I) + (1 y
I
)
W
(S, NI)] +
(1 x
S
) [y
I
W
(NS, I) + (1 y
I
)
W
(NS, NI)]
u
F
(x, y) = y
I
[x
S
F
(S, I) + (1 x
S
)
F
(NS, I)] +
(1 y
I
) [x
S
F
(S, NI) + (1 x
S
)
F
(NS, NI)]
Impondremos las siguientes igualdades, que hacen a los jugadores indiferentes respecto de
cambiar sus estrategias mixtas y por ende resultan en un equilibrio de Nash mixto.
u
W
(e
S
, y) = u
W
(e
NS
, y) (3.6)
u
F
(x, e
I
) = u
F
(x, e
NI
) (3.7)
Del sistema de ecuaciones anterior determinamos la siguiente expresin para el nico equi-
librio de Nash mixto del juego,
NE
3
= x
, y
.
x
S
=
B
I
(NS) B
NI
(NS) p CI
B
I
(NS) B
I
(S) +B
NI
(S) B
NI
(NS) + p p
(3.8)
y
I
=
CE s +s
p p
(3.9)
Dado que una estrategia mixta de un jugador es una probabilidad, debemos vericar que
tanto x
S
[0, 1] como y
I
[0, 1]. Respecto de x
S
, a partir la inecuacin 3.4 se concluye que el
numerador en la ecuacin 3.8 es negativo. Y usando la inecuacin 3.3 se deduce que, en 3.8, el
denominador es estrictamente menor que el numerador. Con lo cual se tiene que 0 < x
S
< 1.
En cuanto a y
I
, a partir de la denicin de los bonos p y p, se sabe que el denominador en la
ecuacin 3.9 es positivo. La ecuacin 3.2 permite deducir que el numerador de la ecuacin 3.9
es no negativo. Y nalmente, la ecuacin 3.1 permite asegurar que el denominador es mayor al
numerador en 3.9. Se tiene entonces que 0 < y
I
< 1.
En resumen, se tienen dos equilibrios de Nash en estrategias puras:
NE
1
= S, I
NE
2
= NS, NI
Y un equilibrio de Nash en estrategias mixtas:
NE
3
= (x
S
, 1 x
S
), (y
I
, 1 y
I
)
3.1.1.3. Trampa de Pobreza
En esta seccin se verica que el perl de estrategias NS, NI se comporta como una
trampa de pobreza. Para que esto sea cierto se deben cumplir tres puntos especcos:
i) Los jugadores no deben tener incentivos a apartarse de esa estrategia.
ii) Debe haber otra situacin de equilibrio en la cual al menos uno de los jugadores pueda
tener mejor retorno y el restante no perciba un menor retorno.
iii) Debe ser robusto frente a mutaciones. Es decir que sea imposible que una poblacin
escape de la trampa de pobreza a partir de pequeos desvos de la misma.
Vericacin item i):
Sabemos, a partir de 3.1.1.2, que el este tem es cierto dado que NS, NI es un equilibrio
de Nash.
Vericacin item ii):
Para el segundo tem, se debe vericar que NS, NI es pareto dominado por algn otro
equilibrio de Nash. El candidato evidente para pareto dominar a NS, NI es el equilibrio de
Nash S, I, con lo cual se deben vericar las siguientes relaciones.
F
(S, I) >
F
(NS, NI) (3.10)
W
(S, I) >
W
(NS, NI) (3.11)
Para vericar que se cumple la inecuacin 3.10, se debe recordar la inecuacin 3.1 y que los
bonos son positivos, lo cual implica s +p > s. A partir de esto, se llega a que s + p CE > s
lo cual es equivalente a 3.10.
Finalmente, para vericar la inecuacin 3.11 debemos recurrir a la inecuacin 3.5, siendo
una equivalente a la otra.
Vericacin item iii):
Finalmente, para vericar que se cumple el tem tres debemos estudiar si NS, NI es un
equilibrio evolutivamente estable (ESS). De acuerdo a lo expuesto en la Proposicin 2.2.3,
para vericar que un equilibrio es ESS alcanza con estudiar si el mismo es un equilibrio de
Nash estricto.
El equilibrio de Nash NS, NI es estricto si se verica:
u
W
(e
NS
, e
NI
) > u
W
(x, e
NI
) , x
W
: x ,= e
NS
(3.12)
u
F
(e
NS
, e
NI
) > u
W
(e
NS
, y) , y
F
: y ,= e
NI
(3.13)
Dado que por denicin: u
W
(x, e
NI
) = x
S
u
W
(e
S
, e
NI
) + (1 x
S
) u
W
(e
NS
, e
NI
) y a
una expresin anloga para u
F
(e
NS
, y), las inecuaciones 3.12 y 3.13 se pueden expresar de la
siguiente manera.
u
W
(e
NS
, e
NI
) > u
W
(e
S
, e
NI
) (3.14)
u
F
(e
NS
, e
NI
) > u
F
(e
NS
, e
I
) (3.15)
Y estas inecuaciones se cumplen dado que son equivalentes a las Complementaridades
Estratgicas: 3.2 y 3.4.
Concluimos de esta manera que el perl de estrategias NS, NI es ESS. Y luego de
haber vericado los tres puntos expresados al comienzo de esta seccin se puede armar que
el perl de estrategias se comporta como una trampa de pobreza.
3.1.2. Proceso Estocstico del Replicador
En esta seccin se presenta un proceso estocstico de evolucin de poblaciones de dos
clases de jugadores, trabajadores (W) y rmas (F). Las clases de jugadores se dividen en sub-
poblaciones de trabajadores formados (S) y no formados (NS), as como en sub-poblaciones
de empresas innovadoras (I) y no innovadoras (NI).
La dinmica estocstica queda determinada por el concepto de Imitacin de Agentes Exi-
tosos, el enfoque presentado en este trabajo est basado en [Weibull, 1997]. En estos modelos
se asume que los agentes deciden revisar su estrategia cada una cierta cantidad de tiempo,
aleatoria y distinta para cada sub-poblacin. Luego que el agente ha decidido que va a revisar
su estrategia, ste elige al azar otro agente de su misma clase de jugador (rmas o trabajadores),
y toma la decisin de cambiar su estrategia a la del agente sorteado slo si estima que ste es
ms exitoso que l. La medida del xito estar dada en trminos de los retornos esperados
percibidos por los agentes.
En lo que sigue se describirn los elementos que componen los procesos estocsticos de
las sub-poblaciones.
Primero, se denen los tamaos de las poblaciones de trabajadores y de rmas como N
W
y N
F
respectivamente. Tendremos una proporcin ja de nmero de trabajadores a nmero
de rmas, es decir =
N
F
N
W
. Para jar ideas podemos suponer que hay un nmero mayor de
trabajadores que de rmas ( < 1).
Las clases de jugadores (rmas o trabajadores) estn divididas en sub-poblaciones. Los
trabajadores se dividen en los que eligen formarse (S) y los que deciden no formarse (NS). Y
de la misma manera, las rmas se dividen en las que innovan (I) y las que no innovan (NI). Se
deber recordar que, a partir de lo expuesto en la Seccin 3.1.1.1, se permite que los agentes
pertenecientes a una clase de jugador hagan transiciones de una sub-poblacin a otra. Lo cual
permite denir en el proceso estocstico las transiciones de estados.
De aqu en ms se indicarn con negrita los procesos estocsticos, de manera de evitar la
variable aleatoria . Los nombres en maysculas se reservan para procesos vectoriales.
Los procesos estocsticos que dan los tamaos de las sub-poblaciones de trabajadores S y
NS y rmas I y NI, sern los siguientes:
n
S
(, t): R
+
R
W
n
NS
(, t): R
+
R
W
n
I
(, t): R
+
R
F
n
NI
(, t): R
+
R
F
(3.16)
Siendo R
W
= 0, 1, . . . , N
W
N y R
F
= 0, 1, . . . , N
F
N los recorridos de las
variables aleatorias 3.16.
Dado que el inters radica en conocer la evolucin de las proporciones de las sub-poblaciones
respecto de las poblaciones totales de rmas y trabajadores, se analizarn los procesos estocs-
ticos normalizados respecto del tamao de las poblaciones a las que pertenecen. Quedarn
expresados de la siguiente manera:
x
S
(t) =
n
S
(t)
N
W
x
NS
(t) =
n
NS
(t)
N
W
y
I
(t) =
n
I
(t)
N
F
y
NI
(t) =
n
NI
(t)
N
F
Siendo ahora los dominios de estos procesos, grillas de puntos equi-espaciados en el inter-
valo [0, 1] R. Mas precisamente, G
W
=
_
0,
1
N
W
, . . . , 1
_
[0, 1] y G
F
=
_
0,
1
N
F
, . . . , 1
_
[0, 1]. Las densidades de puntos de las grillas dependen solamente de N

W
ya que
1
N
F
=
1
1
N
W
.
Podemos resumir los procesos normalizados anteriores en un proceso estocstico vectorial.
X(, t) : R
+
S. Siendo S = G
2
W
G
2
F
R
4
el espacio de estados del proceso
vectorial.
X(t) =
_
_
_
_
x
S
(t)
x
NS
(t)
y
I
(t)
y
NI
(t)
_
_
_
_
(3.17)
Para terminar de denir los procesos de las poblaciones, debemos denir las transiciones
de X(t) y sus tasas correspondientes. A continuacin se enumeran solamente las transiciones
posibles, siendo aquellas las transiciones con tasa no nula. En lo que sigue, indicaremos como
A,B
a la transicin del estado A S al estado B S.
1. Transicin de un Agente de tipo S a tipo NS.
S,NS
=
1
N
W
_
_
_
_
1
1
0
0
_
_
_
_
(3.18)
2. Transicin de un Agente de tipo NS a tipo S.
NS,S
=
1
N
W
_
_
_
_
1
1
0
0
_
_
_
_
(3.19)
3. Transicin de un Agente de tipo I a tipo NI.
I,NI
=
1
N
W
_
_
_
_
0
0
1
1
_
_
_
_
(3.20)
4. Transicin de un Agente de tipo NI a tipo I.
NI,I
=
1
N
W
_
_
_
_
0
0
1
1
_
_
_
_
(3.21)
Para determinar sus respectivas tasas, se asumen algunas hiptesis:
i) Las revisiones de estrategias de los agentes individuales ocurren de acuerdo a procesos
de Poisson independientes de cierta tasa, la llamaremos r para jar ideas.
ii) Las ocurrencias de cambios de estrategia se obtienen dividiendo el proceso de revisiones
en dos mediante un sorteo independiente, de probabilidad p para jar ideas. Con lo cual,
una vez que revisa su estrategia, el agente cambia de estrategia con probabilidad p.
A partir de las hiptesis anteriores, la propiedad de divisin de procesos de Poisson asegura
que las ocurrencias de cambios de estrategia de un agente individual son tambin un proceso
de Poisson, pero con tasa igual a: p r.
Finalmente, si tenemos n agentes idnticos e independientes, los cambios de estrategia del
agregado de los n agentes ocurren, dada la propiedad de suma de procesos de Poisson
independientes, como otro proceso de Poisson de tasa igual a: n p r.
Esto ltimo es lo que se utilizar para determinar las tasas de cada una de las transiciones.
Para aliviar la notacin usaremos los siguientes nombres: x = (x
S
(t), x
NS
(t)) G
2
W
e
y = (y
I
(t), y
NI
(t)) G
2
F
.
Las tasas de las transiciones entre estados se denen como funciones: q : S S R
+
.
Observemos que conocer una pareja ordenada de estados (v, v
) S S, de salida y
llegada respectivamente, equivale a conocer
v,v
= v
v y el vector de salida v. Denimos

a partir de lo anterior q(, X) como la tasa de transicin desde el estado X S al estado
X + S.
q(
S,NS
, X(t)) = N
W
x
S
(t) p
SNS
(x, y) r
S
(y) (3.22)
q(
NS,S
, X(t)) = N
W
x
NS
(t) p
NSS
(x, y) r
NS
(y) (3.23)
q(
I,NI
, X(t)) = N
F
y
I
(t) p
INI
(x, y) r
I
(x) (3.24)
q(
NI,I
, X(t)) = N
F
y
NI
(t) p
NII
(x, y) r
NI
(x) (3.25)
Debemos ahora denir el valor de las tasas de revisin: r
S
(y), r
NS
(y), r
I
(x) y r
NI
(x),
dados x
W
e y
F
. En el modelo de imitacin de agentes exitosos, las tasas de revisin
para las distintas sub-poblaciones sern decrecientes en funcin del retorno que percibe el
agente. El objetivo es modelar el hecho que un agente que percibe un retorno alto revisar
menos su estrategia que uno que percibe un retorno bajo. A continuacin se presentan los
valores de las tasas de revisin de un agente para las distintas sub-poblaciones, se asume un
modelo lineal para estas tasas, basado en [Weibull, 1997].
r
S
(y) =
W
W
u
W
(e
S
, y) (3.26)
r
NS
(y) =
W
W
u
W
(e
NS
, y) (3.27)
r
I
(x) =
F
F
u
F
(x, e
I
) (3.28)
r
NI
(x) =
F
F
u
F
(x, e
NI
) (3.29)
Para que estas tasas sean no negativas y decrecientes en los retornos esperados, se deben
vericar las siguientes relaciones:
W
,
F
> 0 (3.30)
W
/
W
u
W
(x, y), x
W
e y
F
(3.31)
F
/
F
u
F
(x, y), x
W
e y
F
(3.32)
Ahora se deben denir las probabilidades de que, dado que decidi revisar su estrategia, un
agente cambie de estrategia.
Veamos el primer caso, el de los agentes tipo S. stos deciden cambiar a NS si sortean al
azar a un agente tipo NS y si la comparacin de retornos esperados percibidos es favorable al
agente NS.
Se tiene por lo tanto:
p
SNS
(x, y) = x
NS
Pr
_
u
W
(e
NS
, y) > u
W
(e
S
, y)
_
(3.33)
De manera completamente anloga, hallamos las otras probabilidades:
p
NSS
(x, y) = x
S
Pr
_
u
W
(e
S
, y) > u
W
(e
NS
, y)
_
(3.34)
p
INI
(x, y) = x
NI
Pr
_
u
F
(x, e
NI
) > u
F
(x, e
I
)
_
(3.35)
p
NII
(x, y) = x
I
Pr
_
u
F
(x, e
I
) > u
F
(x, e
NI
)
_
(3.36)
Resta denir las probabilidades de los sucesos de comparaciones de retornos esperados
percibidos. Se busca representar el hecho que los agentes no conocen con certeza el retorno
esperado que perciben para la distribucin de poblacin actual, ni tampoco el que percibe el
agente que sortearon. Esta falta de certeza puede surgir de varios factores como ser la infor-
macin incompleta que tienen para calcular sus retornos esperados, sus preferencias, las cuales
pueden hacer que exista cierto sesgo en la comparacin de retornos, o directamente de posibles
errores en sus estimaciones de los retornos esperados.
Estos retornos esperados percibidos por los agentes se diferenciarn solamente entre rmas
y trabajadores, y no por sub-poblaciones. Esto es una simplicacin de la realidad, donde segu-
ramente las distintas sub-poblaciones pueden cometer distintos errores al estimar los retornos
esperados. Sin embargo, este modelo simplicado incorpora el efecto de la incertidumbre en la
comparacin de retornos esperados, y los anlisis que se llevan a cabo son generalizables a un
modelo con ms parmetros de incertidumbre en los retornos esperados percibidos.
Para los trabajadores supondremos que, siendo variables aleatorias tales que A(0,
2
W
)
i.i.d, se verica:
u
W
(x, y) = u
W
(x, y) +
Mientras que para las rmas se tiene que, siendo variables aleatorias tales que
A(0,
2
F
) i.i.d, se verica:
u
F
(x, y) = u
F
(x, y) +
En el Apndice B se detallan las deducciones de las probabilidades de cambio de estrategia
de los agentes en funcin de la distribucin Normal Estndar ((z)).
Se resumen a continuacin las probabilidades de las comparaciones de retornos esperados:
Pr
_
u
W
(e
NS
, y) > u
W
(e
S
, y)
_
=
_
u
W
(e
NS
e
S
, y)
2
W
_
= f
W
(y) (3.37)
Pr
_
u
W
(e
S
, y) > u
W
(e
NS
, y)
_
=
_
u
W
(e
S
e
NS
, y)
2
W
_
= 1 f
W
(y) (3.38)
Pr
_
u
F
(x, e
NI
) > u
F
(x, e
I
)
_
=
_
u
F
(x, e
NI
e
I
)
2
F
_
= f
F
(x) (3.39)
Pr
_
u
F
(x, e
I
) > u
F
(x, e
NI
)
_
=
_
u
F
(x, e
I
e
NI
)
2
F
_
= 1 f
F
(x) (3.40)
Dadas las expresiones anteriores, las tasas de las transiciones quedan totalmente denidas
para el procesos de imitacin de agentes exitosos. Las resumimos a continuacin:
q(
S,NS
, X(t)) = N
W
x
S
(t) x
NS
(t)
_
W
u
W
(e
S
, y)
_
f
W
(y)
q(
NS,S
, X(t)) = N
W
x
S
(t) x
NS
(t)
_
W
u
W
(e
NS
, y)
_
(1 f
W
(y))
q(
I,NI
, X(t)) = N
W
y
I
(t) y
NI
(t)
_
F
u
F
(x, e
I
)
_
f
F
(x)
q(
NI,I
, X(t)) = N
W
y
I
(t) y
NI
(t)
_
F
u
F
(x, e
NI
)
_
(1 f
F
(x))
Dadas las transiciones y sus respectivas tasas, es posible simular de manera directa el pro-
ceso estocstico vectorial, partiendo de una condicin inicial cualquiera. Dichas simulaciones
se pueden encontrar en el Captulo 4.
3.1.3. Dinmica del Replicador
Desde esta seccin en adelante usaremos los mismos nombres, pero sin negrita, para las
funciones determinsticas que aproximan los procesos estocsticos homnimos. Por ejemplo la
aproximacin determinstica del proceso X(t) se indicar como X(t).
El sistema de ecuaciones diferenciales del replicador surge como lmite, para una poblacin
innita, del proceso estocstico del replicador. En la Seccin 3.1.3.1 se deducir, a partir del
proceso estocstico 3.17, el sistema de EDOs que surge como lmite para poblaciones innitas.
Luego en la Seccin 3.1.3.2, se estudiarn las propiedades principales del sistema de EDOs
hallado y su relacin con el juego de base. Finalmente, en la Seccin 3.1.3.3 se demostrar un
tipo de convergencia del proceso estocstico a la solucin del sistema de EDOs bajo hiptesis
dadas.
3.1.3.1. Deduccin del Sistema de EDOs
Como primer enfoque, presentamos el mtodo de Balance de Flujos para hallar el sistema
de EDOs del replicador para poblaciones innitas de agentes. El mtodo es relativamente in-
formal, pero tiene como ventaja su sencillez y su valor intuitivo. El mismo consiste en asimilar
las transiciones agregadas de los innitos agentes a ujos continuos determinsticos, dados por
las tasas de transicin del proceso estocstico.
Una justicacin informal para la equivalencia entre ujos estocsticos y determinsticos es
que, a partir de la Ley Fuerte de los Grandes Nmeros, sabemos que para poblaciones innitas
las tasas coinciden con el nmero esperado de transiciones por unidad de tiempo.
Se pueden plantear entonces relaciones diferenciales que surgen de balances de ujos
salientes y entrantes de las sub-poblaciones, se esquematizan estas relaciones en la siguien-
tes ecuaciones.
d
dt
x
S
(t) =
Flujo Entrante(S)
Flujo Saliente(S) (3.41)

d
dt
y
I
(t) =
Flujo Entrante(I)
Flujo Saliente(I) (3.42)

Observando 3.41, el ujo entrante a la sub-poblacin S, son los agentes NS que deciden
cambiar su estrategia a S. A partir de 3.1.2 se sabe que la tasa para el ujo (normalizada
respecto de la poblacin N
W
) es igual a: r
NS
(y) x
S
(1 x
S
) (1 f
W
(y)). Mientras que
la tasa, tambin normalizada, correspondiente a la salida de agentes de la sub-poblacin S es
igual a: r
S
(y) x
S
(1 x
S
) f
W
(y).
A partir de los ujos anteriores y simplicando, podemos escribir la siguiente EDO:
x
S
= x
S
(1 x
S
) [r
NS
(y) (1 f
W
(y)) r
S
(y) f
W
(y)]
Si se observa la ecuacin 3.42, en la sub-poblacin I el ujo entrante son los agentes NI,
que deciden cambiar su estrategia a I. Y la tasa normalizada respecto de la poblacin N
F
es
igual a: r
NI
(x) y
I
(1 y
I
) (1 f
F
(x)). Mientras que el ujo de salida, dado por los agentes
I que cambian a NI, tiene tasa igual a: r
I
(x) y
I
(1 y
I
) f
F
(x).
Dados los ujos anteriores, escribimos la siguiente EDO:
y
I
= r
NI
(x) y
I
(1 y
I
) (1 f
F
(x)) r
I
(x) y
I
(1 y
I
) f
F
(x)
y
I
= y
I
(1 y
I
) [r
NI
(x) (1 f
F
(x)) r
I
(x) f
F
(x)]
El hecho que las sub-poblaciones x
NS
y y
NI
son complementarias a las x
S
y y
I
respecti-
vamente, permite hallarlas en funcin de estas ltimas.
En resumen, hemos hallado el sistema de EDOs del replicador para el proceso estocstico
3.17, lo llamaremos T!.
T!
_
x
S
= x
S
(1 x
S
) [r
NS
(y) (1 f
W
(y)) r
S
(y) f
W
(y)]
y
I
= y
I
(1 y
I
) [r
NI
(x) (1 f
F
(x)) r
I
(x) f
F
(x)]
A continuacin se presenta un segundo enfoque para deducir las EDOs del replicador a
partir del proceso estocstico. La idea central es la de reescribir dicho proceso en forma inte-
gral y luego tomar lmite en el tamao de la poblacin (N
W
) para llegar a una ecuacin inte-
gral determinstica. Esta ecuacin integral determinstica termina siendo el sistema de EDOs
del replicador que buscamos. Trabajaremos con X(t), el proceso normalizado respecto de los
tamaos de poblaciones.
En primer lugar tendremos que denir para cada estado del proceso (v S) el vector de
Drift, como la suma de los productos de los vectores de transicin por sus respectivas tasas.
Denicin 3.1.1 (Drift del Proceso Estocstico) Se dene el Drift del proceso estocstico
X(t)
tR
+ S como la funcin : S R
4
tal que:
(v) =
=v
_
v
v
_
q(v, v
) (3.43)
Siendo q(v, v
) la tasa de transicin del estado v S al estado v
S.
A continuacin, usaremos la denicin 3.1.1 para escribir el proceso normalizado de la
Seccin 3.1.2 en forma integral.
X(t) = X
0
+M(t) +
_
t
0
(X(s))ds (3.44)
La ecuacin 3.44 sirve como denicin para el proceso M(t), y X
0
es el estado inicial
(determinstico) de las poblaciones.
En la Seccin 3.1.3.3 probaremos la convergenciaL
1
uniforme en compactos del proceso
estocstico X(t) a la funcin X(t) solucin de T!.
De manera informal, se puede pensar en que si se toma el lmite N
W
, la ecuacin
integral estocstica se reduce a una ecuacin integral determinstica, ya que M(t) es una Mar-
tingala que se aproxima a 0 en el lmite. Y el Drift tiende a una funcin determinstica que ser
el campo vectorial del sistema de EDOs resultante.
La ecuacin integral determinstica a la cual se aproxima la estocstica para poblaciones
innitas es por lo tanto:
X(t) = X
0
+
_
t
0
g(X(s))ds (3.45)
Si se deriva la ecuacin 3.45 respecto de t, obtenemos el sistema de EDOs en forma dife-
rencial:
T!
_

X(t) = g(X(t))
X(0) = X
0
(3.46)
Donde el campo vectorial (X R
4
) del sistema de EDOs es:
g(X) = lm
N
W
(X)
Deseamos determinar el campo vectorial de T!para el proceso estocstico presentado en
la Seccin 3.1.2. Para ello debemos calcular su Drift utilizando la denicin 3.1.1 junto a las
tasas y transiciones del proceso mencionado previamente.
Tomando X = (x
S
, x
NS
, y
I
, y
NI
)
T
R
4
.
(X) =
=X
_
X
X
_
q(X, X
)
=
S,NS
q(
S,NS
) +
NS,S
q(
NS,S
) +
I,NI
q(
I,NI
) +
NI,I
q(
NI,I
)
=
q(
S,NS
)
N
W
_
_
_
_
1
1
0
0
_
_
_
_
+
q(
NS,S
)
N
W
_
_
_
_
1
1
0
0
_
_
_
_
+
q(
I,NI
)
N
W
_
_
_
_
0
0
1
1
_
_
_
_
+
q(
NI,I
)
N
W
_
_
_
_
0
0
1
1
_
_
_
_
=
_
_
_
_
x
S
x
NS
[ r
NS
(y)( 1 f
W
(y) ) r
S
(y)f
W
(y) ]
x
S
x
NS
[ r
S
(y)f
W
(y) r
S
(y)( 1 f
W
(y) ) ]
y
I
y
NI
[ r
NI
(x)( 1 f
F
(x) ) r
I
(x)f
F
(x) ]
y
I
y
NI
[ r
I
(x)f
F
(x) r
NI
(x)( 1 f
F
(x) ) ]
_
_
_
_
Es importante notar que la funcin : R
4
R
4
no depende de N
W
. Con lo cual tenemos
que g(X) = (X), X R
4
. En consecuencia hemos hallado la expresin del campo vectorial
de T!.
Podemos expresar entonces la dinmica del replicador para todos los componentes de las
poblaciones:
T!
_
_
x
S
(t) = x
S
x
NS
[ r
NS
(y)( 1 f
W
(y) ) r
S
(y)f
W
(y) ]
x
NS
(t) = x
S
x
NS
[ r
S
(y)f
W
(y) r
S
(y)( 1 f
W
(y) ) ]
y
I
(t) = y
I
y
NI
[ r
NI
(x)( 1 f
F
(x) ) r
I
(x)f
F
(x) ]
y
NI
(t) = y
I
y
NI
[ r
I
(x)f
F
(x) r
NI
(x)( 1 f
F
(x) ) ]
(3.47)
A los efectos de simplicar el problema de resolver numricamente la EDO del replicador,
se reducir la dimensin del sistema de EDOs de cuatro a dos. Para lo cual debemos relacionar
t R
+
las funciones incgnitas del sistema de EDOs.
Sumando las primeras dos componentes de 3.47 vemos que: x
S
(t) + x
NS
(t) = 0. Y
sabiendo que para t = 0 se cumple: x
S
(0) +x
NS
(0) = 1, podemos asegurar que t R
+
:
x
S
(t) +x
NS
(t) = 1
Y con un razonamiento anlogo se deduce t R
+
que:
y
I
(t) +y
NI
(t) = 1
Las relaciones anteriores permiten tomar x = (x
S
(t), 1 x
S
(t)) e y = (y
I
(t), 1 y
I
(t)).
Con lo cual, el sistema reducido a dimensin dos resulta:
_
x
S
(t)
y
I
(t)
_
=
_
x
S
(t) (1 x
S
(t)) [ r
NS
(y)( 1 f
W
(y) ) r
S
(y)f
W
(y) ]
y
I
(t) (1 y
I
(t)) [ r
NI
(x)( 1 f
F
(x) ) r
I
(x)f
F
(x) ]
_
(3.48)
Este sistema coincide con el hallado por medio del balance de ujos. Con lo cual veri-
camos que el mtodo de balance de ujos se puede deducir a partir del mtodo basado en el
clculo del Drift.
3.1.3.2. Propiedades del Sistema de EDOs
En la presente seccin resumiremos algunas propiedades que verica 3.47. Las propiedades
son tanto del propio sistema de EDOs, as como propiedades de su relacin con el juego no
cooperativo de base.
En primer lugar, el campo vectorial de la ecuacin 3.47 es continuo y diferenciable en R
4
,
y por lo tanto es Lipschitz Continuo en [0, 1]
4
. Y dado el Teorema de Picard (ver Captulo 8.3
de [Hirsch and Smale, 1974]), se puede asegurar la existencia y unicidad de las soluciones de
la T!.
En segundo lugar, la dinmica del replicador que hemos planteado cumple con algunas
deniciones importantes. En particular, se puede vericar que su funcin de crecimiento es
regular y montona en los retornos (ver 2.2.3). La regularidad se cumple ya que hemos veri-
cado en la Seccin 3.1.3.1 que la suma de las derivadas de las sub-poblaciones de trabajadores,
as como la de rmas, son iguales a cero. La vericacin de la propiedad montona en los
retornos se basa en el clculo de:
q
W,S
(X) q
W,NS
(X) (3.49)
q
F,I
(X) q
F,NI
(X) (3.50)
Se debe vericar que si una estrategia percibe un retorno mayor el que percibe otra, en-
tonces sus respectivas funciones de crecimiento cumplen la misma relacin. Esto se reeja en
el signo de 3.49 y 3.50. Haremos dicha vericacin a modo de ejemplo con S y NS.
q
W,S
(X) q
W,NS
(X) = x
NS
[ r
NS
(y)( 1 f
W
(y) ) r
S
(y)f
W
(y) ]
x
S
[ r
S
(y)f
W
(y) r
S
(y)( 1 f
W
(y) ) ]
= r
NS
(y)( 1 f
W
(y) ) r
S
(y)f
W
(y)
Supongamos que:
u
W
(e
S
, y) > u
W
(e
NS
, y)
Dada esta relacin, se puede observar a partir de las deniciones 3.37 y 3.26:
1 f
W
(y) > f
W
(y)
r
NS
(y) > r
S
(y)
Y por lo tanto se cumple:
r
NS
(y)( 1 f
W
(y) ) > r
S
(y)f
W
(y)
O lo que es lo mismo:
q
W,S
(X) > q
W,NS
(X)
Un clculo idntico al realizado permite probar la equivalencia entre: u
F
(x, e
I
) > u
F
(x, e
NI
)
y q
F,I
(X) > q
F,NI
(X). De esta manera, la monotona en los retornos queda comprobada.
Dada la Proposicin 2.2.7 y dado que las rmas y los trabajadores tienen solamente dos
estrategias cada uno, se cumple que, adems de ser montona, la funcin de crecimiento es
positiva en los retornos. La demostracin de esta equivalencia se encuentra en el Apndice A.
En consecuencia, la dinmica se encuentra en las hiptesis del siguiente teorema:
Teorema 3.1.2 (Weibull 1997) Todo equilibrio de Nash estricto es asintticamente estable en
cualquier dinmica de seleccin con funcin de crecimiento positiva en los retornos.
En la Seccin 3.1.1.3 observamos que el equilibrio de Nash que llamamos Trampa de Po-
breza, es estricto. Con lo cual podemos concluir que en la dinmica del replicador el punto
x
S
= 0, y
I
= 0 ser un punto asintticamente estable de la dinmica. Esto motiva el anlisis
de su cuenca de atraccin por medio de mtodos numricos que se realiza en el Captulo 4.
Otra propiedad importante de la T! es que los equilibrios de Nash hallados en la Sec-
cin 3.1.1.2 son puntos estacionarios de dicho sistema de EDOs; un anlisis general de este
punto puede encontrarse en el Captulo 5 de [Weibull, 1997]. A continuacin vericaremos la
armacin anterior para cada uno de los equilibrios de Nash del juego.
Proposicin 3.1.3 El equilibrio
NE
1
= S, I es un punto estacionario de T!.
Prueba El perl de estrategias
NE
1
= S, I en trminos de poblaciones normalizadas
equivale a que: x
S
= 1 e y
I
= 1, y sustituyendo estos valores en 3.47 se obtiene: x
S
(t) = 0,
y
I
(t) = 0. Con lo cual el primer equilibrio de Nash puro es un punto estacionario de T!.
NE
2
= NS, NI es un punto estacionario de T!.
La vericacin de esta propiedad es idntica a la Propiedad 3.1.3.
NE
3
= (x
S
, 1x
S
), (y
I
, 1y
I
) es un punto estacionario
de T!.
Prueba Dadas las expresiones halladas para x
S
y y
I
(ver 3.8 y 3.9), basta con recordar que
los retornos esperados verican las igualdades 3.6 y 3.7. A partir de estas dos condiciones, se
puede vericar que:
f
W
((y
I
, 1 y
I
)) = 1/2 (3.51)
f
F
((x
S
, 1 x
S
)) = 1/2 (3.52)
r
S
((y
I
, 1 y
I
)) = r
NS
((y
I
, 1 y
I
)) (3.53)
r
I
((x
S
, 1 x
S
)) = r
NI
((x
S
, 1 x
S
)) (3.54)
Sustituyendo las condiciones anteriores en la ecuacin 3.47, resulta que:
x
S
(t) = 0, y
I
(t) = 0. Vericndose que el equilibrio de Nash mixto tambin es estacionario.
Observacin Vale la pena observar que hay otros puntos estacionarios que no son equilibrios
de Nash: x
S
= 0, y
I
= 1 y x
S
= 1, y
I
= 0.
En el Captulo 4 se pueden ver, para ciertos valores de los parmetros del modelo, el
diagrama de ujos del campo vectorial de la ecuacin 3.48, trazas de soluciones para ciertas
condiciones iniciales y los puntos estacionarios.
3.1.3.3. Convergencia del Proceso Estocstico del Replicador
En esta seccin se analiza la convergencia del proceso estocstico a la solucin del sistema
de EDOs (T!) que hallamos en la Seccin 3.1.3.1.
El primer motivo para este anlisis es el deseo de formalizar la deduccin de T!mediante
el clculo del Drift.
El segundo motivo es el de justicar de manera formal que, para poblaciones grandes pero
nitas, el estudio del modelo estocstico del replicador mediante la dinmica determinstica
es una aproximacin aceptable. Esta armacin se vericar numricamente en el Captulo 4
mediante simulaciones del proceso estocstico para distintos tamaos de poblaciones.
El resultado que demostraremos en esta seccin est basado en resultados del trabajo [Dar-
ling and Norris, 2008] y del libro [Robert, 2003], en los que se estudian procesos similares a
los presentados en esta tesis.
Dado que una Martingala ocupa un lugar central en el teorema de convergencia, referimos
al lector no especializado al Apndice C.1 por la denicin y una breve descripcin de este
tipo de proceso estocstico. A su vez, en el mismo Apndice C se presentan dos lemas que son
necesarios para la demostracin.
Teorema 3.1.6 El proceso estocstico X(t) (3.17) converge, en norma L
1
y uniformemente en
[0, T], a X(t) solucin del sistema de EDOs (3.47).
lm
N
W
E
_
sup
t[0,T]
|X(t) X(t)|
_
= 0
Siendo | | la norma eucldea.
Prueba En primer lugar se plantea el proceso estocstico (3.17) en forma integral:
X(t) = X
0
+M(t) +
_
t
0
(X(s))ds (3.55)
La ecuacin anterior ocia de denicin para el proceso M(t).
Tambin se puede representar de manera integral el sistema de EDOs del replicador (3.47):
X(t) = X
0
+
_
t
0
g(X(s))ds (3.56)
Restando las ecuaciones 3.55 y 3.56, y tomando norma eucldea obtenemos:
|X(t) X(t)| |M(t)| +
_
_
_
_
_
t
0
(X(s)) g(X(s))ds
_
_
_
_
(3.57)
|X(t) X(t)| |M(t)| +
_
t
0
|(X(s)) g(X(s))|ds (3.58)
Apartir de los clculos realizados en la Seccin 3.1.3.1, se sabe que: (v) = g(v), v R
4
.
Tambin sabemos a partir de lo observado en la Seccin 3.1.3.2, que g(v) es Lipschitz. Con
lo cual, v, w [0, 1]
4
se verica para la norma eucldea |g(v) g(w)| L |v w|, con
L R
+
.
|X(t) X(t)| |M(t)| +
_
t
0
L|X(s) X(s)|ds (3.59)
Se dene la funcin aleatoria, f(s) = sup
t[0,s]
|X(t) X(t)|. La desigualdad 3.59 se
sigue vericando al tomar supremo respecto de t en [0, T] y usando el Lema C.2.1 tenemos:
f(T) sup
t[0,T]
|M(t)| +
_
T
0
L f(s)ds (3.60)
Podemos ahora tomar valor esperado de la desigualdad.
E(f(T)) E
_
sup
t[0,T]
|M(t)|
_
+
_
T
0
L E(f(s))ds (3.61)
Debemos acotar el valor esperado del supremo de |M(t)|. Para ello acotaremos el cuadra-
do del valor esperado usando la desigualdad de Cauchy-Schwarz y el Lema C.2.2.
E
_
sup
t[0,T]
|M(t)|
_
2
E
_
_
_
sup
t[0,T]
|M(t)|
_
2
_
_
(3.62)
E
_
sup
t[0,T]
|M(t)|
2
_
(3.63)
Deniendo : S R
+
como:
(v) =
=v
|v
v|
2
q(v, v
) (3.64)
En el trabajo [Darling and Norris, 2008] se prueba que M(t) es una martingala (ver C.1) y
en la Proposicin 8.7 se demuestra la siguiente desigualdad:
E
_
sup
t[0,T]
|M(t)|
2
_
4 E
__
T
0
(X(t))dt
_
(3.65)
A partir de 3.63 y 3.65, e intercambiando integral por valor esperado obtenemos las
siguientes desigualdades:
E
_
sup
t[0,T]
|M(t)|
_
2
E
__
T
0
(X(t))dt
_
(3.66)
2
_
T
0
E[(X(t))]dt (3.67)
En el Apndice C.3 se presentan los clculos de una cota para E[(X(t)]; que permiten
llegar, usando 3.67, a la siguiente cota con c R
+
:
E
_
sup
t[0,T]
|M(t)|
_
2
_
c T
N
W
(3.68)
Volviendo a la inecuacin 3.61 y usando 3.68 tenemos:
E(f(T)) 2
_
c T
N
W
+
_
T
0
L E(f(s))ds (3.69)
Y nalmente, dada la desigualdad 3.69, el lema de Grnwall (ver C.4.1) permite concluir
que:
E(f(T)) 2
c T e
LT
N
W
(3.70)
Tomando lmite con N
W
, llegamos a la tesis.
A partir del teorema anterior y la desigualdad de Markov, podemos presentar el resultado
de convergencia en trminos de probabilidades. Dado R
+
se tiene que:
Pr
_
sup
t[0,T]
|X(t) X(t)| <
_
1 2
c T e
LT
N
W
Una observacin interesante es que en el Captulo 11 del libro de [Ethier and Kurtz,
1986], se presenta un resultado para procesos Markovianos en el que arma que X(t) =
X(t) + V
n
(t)/
N
W
, siendo V
n
(t) un proceso Gaussiano que verica una ecuacin dife-
rencial estocstica conocida. Esto tiene al menos dos aplicaciones potenciales, la primera es
que dado que el proceso es Gaussiano se podra tratar de construir, va un teorema central del
lmite, bandas de conanza para las trayectorias del proceso X(t), para poblaciones grandes
pero no innitas. Y en segundo lugar, teniendo una ecuacin diferencial estocstica para V
n
(t),
se podran obtener trazas del proceso para poblaciones grandes de manera econmica. Bastara
con resolver numricamente tanto la EDO determinstica como la ecuacin diferencial estocs-
tica y componer la aproximacin del proceso X(t) a partir de ambas soluciones. Estos puntos
se presentarn nuevamente en el Captulo 5, como lneas de trabajo a futuro.
Otro punto a remarcar, es que es posible obtener mejores cotas que la planteada en es-
ta seccin. En la Seccin 6 del trabajo [Benam and Weibull, 2003] se analizan modelos del
replicador con relojes Poisson y se esquematiza una demostracin para hallar una cota expo-
nencial en el tamao de la poblacin. En [Benam and Weibull, 2009] los autores extienden los
resultados del trabajo [Benam and Weibull, 2003] a procesos en los cuales las tasas tambin
dependen de los tamaos de poblaciones. Cabe mencionar que estos trabajos se centran princi-
palmente en procesos de Markov de tiempo discreto, los anlisis de tiempo continuo aparecen
como secundarios.
3.2. Modelo Con Intervencin Externa
En la presente seccin se introduce una modicacin al modelo de la Seccin 3.1. Como
indica el titulo de esta seccin, la diferencia central es que en este modelo se asumir que
hay un regulador externo al mercado de trabajo que puede jar incentivos e impuestos tanto a
trabajadores como a rmas.
El objetivo del regulador central ser el de lograr que rmas y trabajadores se formen
e innoven respectivamente, con el n de tener una economa desarrollada. En otras palabras
buscar llevar a la economa lejos de la trampa de pobreza. Esto se lograra por medio de un
prstamo externo a la economa, la implementacin de incentivos mediante ese prstamo y una
etapa de carga tributaria para poder pagar el prstamo inicial.
3.2. Modelo Con Intervencin Externa 37
En las siguientes secciones, presentaremos el juego modicado con la presencia de incen-
tivos e impuestos. En este nuevo juego las situaciones de economa incentivada y economa con
carga tributaria sern temporarias y accesorias a poder, a largo plazo, dejar a la economa sin
intervencin externa. En resumen, el regulador central impondr un juego incentivado, luego
un juego con carga tributaria y eventualmente retirar sus acciones reguladoras.
Tambin presentaremos la dinmica del replicador asociada a este juego. En vista de lo
indicado en el prrafo anterior, la misma estar compuesta por tres comportamientos diferen-
ciados. Para un primer intervalo de tiempo actuar la dinmica del juego con incentivos, para
el segundo intervalo actuar la dinmica con carga tributaria y para el resto del tiempo regir
la dinmica sin intervencin externa presentada en la Seccin 3.1.
3.2.1. Juego En Forma Normal
3.2.1.1. Denicin
Se dene un juego que llamaremos G
E
= J, o,
E
, donde el superndice
E
indica que
se est hablando del juego con intervencin externa. El conjunto de jugadores (J) coincide con
el del juego G de la Seccin 3.1.1.1, al igual que las estrategias de los mismos (o). El juego
de esta seccin diere del juego sin intervencin externa en los retornos de los jugadores para
estrategias puras (
E
).
Las descripciones las estrategias de los jugadores, S, NS para los trabajadores W y
I, NI para las rmas F, puede encontrase en detalle en la Seccin 3.1.1.1.
Para la denicin de los retornos de los jugadores para estrategias puras, usaremos los
parmetros denidos en la Seccin 3.1.1.1 y agregaremos algunos ms que son propios de los
incentivos y los impuestos. Estos nuevos parmetros son presentados a continuacin.
1. Parmetros de un Trabajador Formado (S):
m
W
:
Es subsidio que percibe un trabajador formado, ya sea contratado por una rma inno-
vadora (I) como por una rma no innovadora (NI).
I
W
:
Es el impuesto que percibe un trabajador formado, fuera contratado por una rma
innovadora (I) o por una rma no innovadora (NI).
2. Parmetros de una Firma Innovadora (I):
m
W
:
Es subsidio que percibe una empresa innovadora, independiente del trabajador que
vaya a contratar.
I
F
:
Es el impuesto que percibe una rma innovadora, independiente del trabajador que
vaya a contratar.
De la misma manera que se hizo para el juego anterior, podemos denir los retornos de los
jugadores para las estrategias puras, pero ahora tomando en cuenta los incentivos e impuestos.
De acuerdo con la convencin del superndice
E
para el juego con intervencin externa, de-
nimos los siguientes retornos para el juego G
E
. Para los trabajadores:
E
W
: S
W
S
F
R y
para las rmas:
E
F
: S
W
S
F
R.
Retornos de Trabajadores:
E
W
(S, I) = s + p CE +m
W
I
W
E
W
(S, NI) = s CE +m
W
I
W
E
W
(NS, I) = s +p
E
W
(NS, NI) = s
Retornos de Firmas:
E
F
(S, I) = B
I
(S) ( s + p) CI +m
F
I
F
E
F
(S, NI) = B
NI
(S) s
E
F
(NS, I) = B
I
(NS) (s +p) CI +m
F
I
F
E
F
(NS, NI) = B
NI
(NS) s
En base a los parmetros denidos, de la misma manera que se hizo en la Seccin 3.1.1.1,
se pueden plantear las Complementaridades Estratgicas. En el juego G
E
mantendremos las
mismas restricciones (3.1, 3.2, 3.3 y 3.4) en los parmetros que fueron planteadas para el juego
G. Y agregaremos dos condiciones relacionadas a los incentivos, las cuales tienen una expli-
cacin intuitiva.
Las nuevas condiciones responden a que si se incentiva mucho la formacin en los traba-
jadores y la innovacin en las rmas, se puede pasar a una situacin en la cual sea irracional
hacer otra cosa que no sea formarse o innovar. Dicho en trminos del juego G
E
, podramos
pasar a tener un nico equilibrio de Nash de estrategias puras compuesto por S, I. No nos
interesa ese caso, ya que es claro que lograr esa situacin requiere un incentivo demasiado
intenso. Por el contrario nos interesan las situaciones en las cuales se apliquen incentivos mas
leves. Las condiciones necesarias son:
m
W
< s s +CE (3.71)
m
F
< B
NI
(NS) B
I
(NS) +p +CI (3.72)
Como ya se indic anteriormente, estas dos condiciones tendrn un impacto directo sobre
los equilibrios de Nash del juego.
3.2.1.2. Clculo de Equilibrios de Nash
En la presente seccin presentamos la deduccin formal de los equilibrios de Nash del
juego G
E
. Primero buscaremos los equilibrios de Nash puros. Para ello se calculan las fun-
ciones mejores respuestas en estrategias puras: BR
W
(s
F
) con s
F
S
F
y BR
F
(s
W
) con
s
W
S
W
. Usando los retornos con intervencin externa.
A partir de 3.1, 3.2 y 3.71, para los trabajadores se tiene:
BR
W
(I) = S
BR
W
(NI) = NS
Mientras que, usando 3.3, 3.4 y 3.72, para las rmas se tiene:
BR
F
(S) = I
BR
F
(NS) = NI
Usando las mejores respuestas para estrategias puras y la denicin de equilibrio de Nash,
concluimos que
NE
1
= S, I y
NE
2
= NS, NI.
Se debe ahora hallar un equilibrio de Nash mixto. Nuevamente, se asumir que los ju-
gadores randomizan y por ende sus estrategias mixtas sern: x = (x
S
, 1 x
S
)
W
y
y = (y
I
, 1 y
I
)
F
.
Para hallar un equilibrio de Nash mixto se debern calcular los retornos esperados de los
jugadores, de acuerdo a la notacin introducida en esta seccin, identicaremos a los retornos
con el superndice E:
u
E
W
(x, y) = x
S
_
y
I
E
W
(S, I) + (1 y
I
)
E
W
(S, NI)
+
(1 x
S
)
_
y
I
E
W
(NS, I) + (1 y
I
)
E
W
(NS, NI)
u
E
F
(x, y) = y
I
_
x
S
E
F
(S, I) + (1 x
S
)
E
F
(NS, I)
+
(1 y
I
)
_
x
S
E
F
(S, NI) + (1 x
S
)
E
F
(NS, NI)
Impondremos las igualdades que hacen a los jugadores indiferentes respecto de cambiar
sus estrategias mixtas y por ende resultan en equilibrios de Nash mixtos.
u
E
W
(e
S
, y) = u
E
W
(e
NS
, y) (3.73)
u
E
F
(x, e
I
) = u
E
F
(x, e
NI
) (3.74)
Resolviendo el sistema de ecuaciones: 3.73 y 3.74, determinamos la siguiente expresin
para el nico equilibrio de Nash mixto del juego G
E
,
NE
3
= x
E
, y
E
.
x
E
S
=
B
I
(NS) B
NI
(NS) p CI +m
F
I
F
B
I
(NS) B
I
(S) +B
NI
(S) B
NI
(NS) + p p
(3.75)
y
E
I
=
CE s +s m
W
+I
W
p p
(3.76)
Nuevamente, el equilibrio de Nash mixto hallado debe cumplir: x
E
S
[0, 1] e y
E
I
[0, 1],
ya que las mismas son probabilidades. Esas vericaciones son anlogas a las de la Seccin
3.1.1.2 y usan las complementaridades estratgicas 3.1, 3.2, 3.3 y 3.4 y tambin sern nece-
sarias las restricciones en los incentivos introducidos en 3.2.1.1. Dichas vericaciones quedan
a cargo del lector.
En resumen, para el modelo de competicin de rmas y trabajadores con intervencin
externa, tenemos los siguientes equilibrios de Nash:
NE
1
= (1, 0), (1, 0) (3.77)
NE
2
= (0, 1), (0, 1) (3.78)
NE
3
= (x
E
S
, 1 x
E
S
), (y
E
I
, 1 y
E
I
) (3.79)
3.2.2. Proceso Estocstico del Replicador
En esta seccin tenemos, al igual que en la Seccin 3.1.2, dos poblaciones nitas de traba-
jadores y rmas que se comportan de acuerdo a un modelo de imitacin de agentes exitosos.
Referimos al lector a esa seccin por el origen y base del modelo de imitacin, as como por la
denicin del proceso estocstico resultante de dicho modelo.
Solamente es necesario en esta seccin remarcar que el proceso estocstico X(t) planteado
en 3.1.2, con sus transiciones y respectivas tasas de transiciones, sigue siendo vlido para el
modelo de competicin actual.
Por lo tanto, nos remitiremos a indicar que los nuevos retornos esperados que perciben los
agentes nos obligan a actualizar las tasas de transiciones que se denieron en 3.23, 3.24, 3.25 y
3.25. Esto se debe a que tanto las tasas de revisin de estrategias as como las probabilidades de
las comparaciones de retornos esperados percibidos, dependen de dichos retornos esperados.
En conclusin, corrigiendo los retornos esperados y manteniendo el resto de las deni-
ciones de tasas y transiciones tenemos el nuevo proceso denido totalmente.
3.2.3. Dinmica del Replicador
A continuacin, basndonos en lo expuesto en la Seccin 3.1.3.1 plantearemos el sistema
de EDOs del replicador para el modelo de competicin entre Firmas y Trabajadores con inter-
vencin externa. La deduccin del sistema de EDOs es completamente anloga a la realizada
en 3.1.3.1, ya sea que se elija hallar el sistema por medio del balance de ujos o por el mtodo
del clculo del Drift.
Por otro lado, para poder ms adelante expresar el comportamiento dinmico del regu-
lador externo de manera sencilla, introduciremos la siguiente denicin de vector de parme-
tros de control del regulador externo (). El mismo estar compuesto tanto por los incentivos
(m
W
, m
F
), as como por los impuestos (I
W
, I
F
).
=
_
_
_
_
m
W
m
F
I
W
I
F
_
_
_
_
(3.80)
Para que un vector de parmetros de control sea vlido, el mismo deber respetar las res-
tricciones en los incentivos e impuestos 3.72 y 3.71. Es importante notar que la economa sin
intervencin externa (modelo de la Seccin 3.1) corresponde a: = 0.
Tambin es relevante notar que cualquier funcin que dependa del clculo de alguno de los
retornos esperados ser una funcin paramtrica del vector .
En lo que sigue, presentamos el sistema de EDOs del replicador con las dependencias de
de manera explcita. Como es usual, el superndice
E
indica que se trata del modelo con
intervencin externa.
T!
E
_
x
S
= x
S
(1 x
S
) [r
NS
(y, ) (1 f
W
(y, )) r
S
(y, ) f
W
(y, )]
y
I
= y
I
(1 y
I
) [r
NI
(x, ) (1 f
F
(x, )) r
I
(x, ) f
F
(x, )]
(3.81)
Representaremos el sistema de EDOs en notacin vectorial, para lo cual haremos algunas
deniciones. El vector de funciones incgnitas es Z(t) R
2
tal que:
Z(t) =
_
x
S
(t)
y
I
(t)
_
El campo vectorial, paramtrico en , de 3.81, es F : R
2
R
4
R
2
F(Z(t), ) =
_
x
S
(1 x
S
) [r
NS
(y, ) (1 f
W
(y, )) r
S
(y, ) f
W
(y, )]
y
I
(1 y
I
) [r
NI
(x, ) (1 f
F
(x, )) r
I
(x, ) f
F
(x, )]
_
Con lo cual, el sistema de EDOs 3.81 puede resumirse como:
T!
E
_

Z(t) = F(Z(t), )
Z(0) = Z
0
(3.82)
Otro paso necesario para poder expresar el comportamiento del regulador externo es el de
denir, para T!
E
, la cuenca de atraccin del equilibrio de Nash correspondiente a que todos
los trabajadores sean formados y todas las empresas sean innovadoras.
Antes denamos la familia de soluciones de la EDO 3.82, como (t, Z
0
, ) tal que Z
0

[0, 1]
2
se cumplan:
(0, Z
0
, ) = Z
0
(3.83)
d
dt
(t, Z
0
, ) = F((t, Z
0
, ), ) (3.84)
Podemos ahora denir la cuenca de atraccin del equilibrio de Nash que corresponde a las
poblaciones: x
S
= 1, y
I
= 1.
Diremos que A() [0, 1]
2
es la cuenca de atraccin de Z
S,I
= (1, 1)
T
[0, 1]
2
sii para
todo Z
0
A() se cumple:
lm
t
(t, Z
0
, ) = Z
S,I
(3.85)
Habiendo denido los elementos anteriores, podemos a continuacin enunciar las medidas
que tomar el regulador externo a n de garantizar que, para cualquier condicin inicial, la
economa converge al equilibrio pareto ptimo.
El esquema consiste en que el regulador central pedir, en el tiempo t = 0, un prstamo
a una institucin exterior a la economa. A partir de t = 0 y usando el prstamo, incentivar
a las rmas innovadoras y a los agentes formados de manera constante hasta un cierto tiempo
t
i
. Una vez alcanzado el tiempo t
i
, el regulador central retirar los incentivos e impondr a las
rmas innovadoras y a los trabajadores formados impuestos constantes hasta otro tiempo t
ii
,
de manera de recuperar el prstamo pedido en el tiempo inicial. Una vez alcanzado el tiempo
t
ii
, y por ende recuperado el prstamo, se retira la intervencin externa.
Figura 3.1 Esquema de Trayectoria de la Dinmica con Intervencin Externa
El regulador dene los tiempos de intervencin (t
i
y t
ii
) y sus parmetros de control en
cada etapa (
i
,
ii
) de la siguiente manera:
1. Etapa de Subsidios:
En t = 0, ver Punto D en la gura 3.1, se elige
i
= (m
i
W
, m
i
W
, 0, 0)
T
tal que: Z
0

A(
i
).
Observar que se pueden hallar m
i
W
, m
i
W
igualando el equilibrio de Nash mixto 3.75 a la
condicin inicial Z
0
.
2. Etapa de Impuestos:
El tiempo (t
i
R
+
) en el cual se interrumpen los incentivos, ver punto E de la gura
3.1, se dene como:
t
i
=nf
t0
_
t R
+
: (t, Z
0
,
i
) A(
ii
)
_
+
t
(3.86)
El vector de parmetros de control para la etapa impositiva es:
ii
= (0, 0, I
ii
W
, I
ii
F
)
T
. El
regulador externo tiene libertad para elegir los impuestos a cobrar.
Ser necesario denir tambin
t
> 0, el cual es un lapso de tiempo arbitrario que el
regulador debe elegir para asegurar que la trayectoria de la EDO entra en la cuenca de
atraccin A(
ii
).
3. Fin de la Intervencin:
El tiempo (t
ii
R
+
) en el cual se interrumpe la intervencin de la economa, ver punto
F de la gura 3.1, se dene como:
t
ii
R
+
:
_
t
ii
t
i
I
ii
W
x
S
+ I
ii
F
y
I
dt =
_
t
i
0
m
i
W
x
S
+ m
i
F
y
I
dt (3.87)
La ecuacin anterior se deduce de suponer que se debe igualar la recaudacin de im-
puestos al prstamo inicial necesario. En este razonamiento estamos simplicando el
clculo econmico, al ignorar el inters que se genera por el tiempo transcurrido entre
el prstamo inicial y el momento en que se recauda el capital para saldar la deuda del
prstamo. En esa hiptesis simplicada, la deduccin es la siguiente:
Prestamo(t
ii
) = Recaudacion(t
ii
) (3.88)
_
t
i
0
N
W
x
S
m
i
W
+N
F
y
I
m
i
F
dt =
_
t
ii
t
i
N
W
x
S
I
ii
W
+N
F
y
I
I
ii
F
dt (3.89)
_
t
i
0
m
i
W
x
S
+ m
i
F
y
I
dt =
_
t
ii
t
i
I
ii
W
x
S
+ I
ii
F
y
I
dt (3.90)
Resumiendo, los parmetros de control del regulador central para las tres etapas son:
(t) =
_
_
_
i
si, t [0, t
i
)
ii
si, t [t
i
, t
ii
)
0 si, t t
ii
(3.91)
Finalmente, la EDO 3.82 y la funcin de control 3.91 dan la dinmica completa para el
modelo de competicin entre rmas y trabajadores con intervencin externa. En el Captulo 4
se presentarn soluciones de esta dinmica para ciertos parmetros econmicos dados.
Captulo 4
SIMULACIONES Y RESULTADOS
NUMRICOS
En el este captulo se presentan resultados numricos de la evolucin de las poblaciones
para los modelos de competicin con y sin intervencin externa expuestos en el Captulo 3.
En la Seccin 4.1 se introducen las herramientas usadas para obtener las simulaciones y
los resultados numricos de esta tesis. Se har referencia a los mtodos numricos utilizados,
as como a detalles particulares de implementacin de los mismos, tanto de programacin as
como del hardware utilizado. Vale remarcar que se programaron la totalidad de los mtodos
utilizados para obtener los resultados aqu presentados.
Por ltimo, en las secciones 4.2 y 4.3 se presentan en s mismos los resultados obtenidos
de implementar y aplicar mtodos numricos a los modelos del Captulo 3. En particular, se
simulan realizaciones de los procesos estocsticos de evolucin de poblaciones y se hallan
soluciones de las EDOs determinsticas del replicador.
4.1. Descripcin de Mtodos Numricos
En esta seccin se describen los distintos componentes que permiten hallar las soluciones
de los sistemas de EDOs y a su vez tambin obtener trazas de los procesos estocsticos.
En primer lugar, en 4.1.1 se presenta el mtodo elegido para la resolucin de las EDOs. En
esa seccin se explica cmo se utiliza el mtodo y se presentan sus caractersticas principales,
en cuanto a precisin, estabilidad y eciencia.
Luego, en la Seccin 4.1.2 se describen los principales aspectos de cmo fueron implemen-
tadas las soluciones que se presentan. Se hace particular nfasis en el clculo de las cuencas
de atraccin ya que este problema es el ms demandante del punto de vista computacional; y
para resolverlo fue necesaria una implementacin ms cuidadosa a n de obtener soluciones
en tiempos razonables.
45
46 Captulo 4. SIMULACIONES Y RESULTADOS NUMRICOS
4.1.1. Mtodo Runge-Kutta para EDOs
4.1.1.1. Denicin y Propiedades
A continuacin presentamos el mtodo numrico Dormand-Prince (D-P) el cual pertenece
a la familia de mtodos Runge-Kutta (R-K). Este fue el elegido para resolver los sistemas de
EDOs que se presentaron en los modelos del Captulo 3. La eleccin del mtodo fue basada en
los criterios de precisin, eciencia y estabilidad. Todos estos aspectos del mtodo son tratados
en esta seccin.
Este mtodo numrico es capaz de resolver de forma aproximada un sistema de EDOs de
primer orden de la forma:
Y (t) = F(Y (t))

Y (0) = Y
0
(4.1)
Con Y (t) R
n
y F : R
n
R
n
. Los casos de EDOs no autnomas, siendo estas en las
cuales tenemos F(Y (t), t), se pueden reducir a casos autnomos simplemente agregando una
variable extra al vector Y denida como igual a t.
Ser til recordar que la familia de soluciones exactas de la EDO 4.1 se dene como la
funcin: : R
+
R
n
R
n
tal que verica dado Y A R
N
:
(0, Y ) = Y (4.2)
d
dt
(t, Y ) = F((t, Y )) (4.3)
Con lo cual, la solucin de 4.1 para la condicin inicial dada ser: Y (t) = (t, Y
0
).
Los mtodos numricos utilizados para hallar una solucin aproximada de un EDO gene-
ran, para una sucesin de tiempos t
k
k=0,...,N
una sucesin de puntos Y
k
k=0,...,N
. Para que
el mtodo sea de inters, uno espera que Y (t
k
) Y
k
. En general, el punto Y
k+1
se determina
mediante una expresin como la siguiente:
Y
k+1
= Y
k
+h
k
(Y
k+1
, h
k
, Y
k
, t
k
, Y
k1
, t
k1
, . . . , Y
kp+1
, t
kp+1
) (4.4)
Donde h
k
= t
k+1
t
k
es el largo del paso en la variable independiente (t) a tomar. Mientras
que, de manera evidente, el producto h
k
() corresponde al avance de la solucin del punto k
al k +1. Si un mtodo requiere de manera explcita para avanzar a Y
k+1
los valores de Y
kp+1
hasta Y
k
, diremos que el mtodo es multi-paso o equivalentemente de p pasos. En base a este
criterio, el mtodo D-P clasica como un mtodo de paso simple (p = 1), en efecto toda la
familia R-K es de paso simple.
Otra caracterstica del mtodo de D-P es que es un mtodo explcito. Eso signica que
() no depende de Y
k+1
. Con lo cual podemos encontrar una formula explcita que permite
calcular Y
k+1
en funcin de Y
k
. Por el contrario, en los mtodos implcitos Y
k+1
queda denido
mediante una ecuacin implcita. Por lo general esto obliga a resolver en cada paso un sistema
de ecuaciones no lineales para hallar Y
k+1
. A partir de este ltimo comentario resulta evidente
que los mtodos explcitos tendrn en general un paso ms econmico que los implcitos.
4.1. Descripcin de Mtodos Numricos 47
Los mtodos R-K explcitos se clasican dependiendo de su cantidad de etapas. Las etapas
reeren a la cantidad de veces por paso que se debe evaluar a la funcin F() de la EDO. Hay
varios teoremas conocidos como barreras de orden, que relacionan el nmero de etapas con
la precisin del mtodo (ver [Butcher, 2003]). Como es de suponer con un mayor nmero de
etapas se puede obtener una mayor precisin, pero esto implica un mayor costo ya que habr
que evaluar una mayor cantidad de veces la funcin F().
Continuando con las clasicaciones de los mtodos R-K, diremos que dos mtodos R-K
son embebidos si ambos tienen la misma cantidad de etapas y en cada etapa evalan F() en
los mismos puntos. Por lo tanto, podemos armar que D-P esta compuesto por dos mtodos
embebidos, uno de menor precisin y otro de mayor precisin. Uno se usar para avanzar y el
otro servir para estimar el error cometido al avanzar y as poder ajustar el largo de los pasos
h
k
.
A continuacin daremos la forma de evaluar el paso del mtodo D-P. Para ello, debemos
indicar que la manera estndar de denir el paso de un mtodo R-K es mediante la tabla de
Butcher. Para un mtodo R-K explicito y de s N etapas la tabla de Butcher se compone de
una matriz A /
ss
R
triangular inferior estricta, un vector columna c R
s
y otro vector
columna b R
s
.
c A
b
T
A partir de las entradas de la tabla, para un paso temporal de largo h
k
R
+
, la aproxi-
macin Y
k+1
mediante el mtodo R-K se calcula como:
Y
k+1
= Y
k
+
s
i=1
b
i
K
i
(4.5)
Donde:
K
1
= h
k
F(Y
k
) (4.6)
K
i
= h
k
F(Y
k
+
i1
j=1
a
ij
K
j
) con, i = 2, . . . , s (4.7)
Presentamos en el Cuadro 4.1 la tabla de Butcher para el Mtodo de Dormand-Prince. Esta
se obtuvo del libro [Butcher, 2003].
El lector puede observar que en la tabla de Butcher para D-P se agregan otras dos las por
debajo de la la correspondiente a b
T
. La primera de stas corresponde al vector

b
T
que dene
al segundo mtodo embebido. Mientras que la ltima la contiene el vector d
T
=

b
T
b
T
.
Para comprender la importancia de d
T
, resulta importante denir el Error Local (
k
), cometi-
do en el paso k por un mtodo numrico de resolucin de EDOs.
k+1
= Y
k+1
(t
k+1
, Y
k
)
0
1
5
1
5
3
10
3
40
9
40
4
5
44
45

56
15
32
9
8
9
19372
6561

25360
2187
64448
6561

212
729
1
9017
3168

355
33
46732
5247
49
176

5103
18656
1
35
384
0
500
1113
125
192

2187
6784
11
84
35
384
0
500
1113
125
192

2187
6784
11
84
0
5179
57600
0
7571
16695
393
640

92097
339200
187
2100
1
40
71
57600
0
71
16695

71
1920
17253
339200

22
525
1
40
Cuadro 4.1 Tabla de Butcher para el Mtodo Dormand-Prince
El error local del mtodo embebido menos preciso se puede estimar usando al mtodo de
mayor precisin como aproximacin de la solucin exacta. Llamaremos

k
a la estimacin
del error local, con lo cual usando la denicin genrica del paso R-K dada en 4.5 podemos
plantear lo siguiente:
k+1
=

Y
k+1
Y
k+1
= Y
k
+
s
i=1
b
i
K
i
Y
k
i=1
b
i
K
i
=
s
i=1
(
b
i
b
i
)K
i
=
s
i=1
d
i
K
i
Con lo cual, el vector d
T
nos permite calcular directamente una estimacin del error local
del mtodo menos preciso.
k+1
=
s
i=1
d
i
K
i
(4.8)
Calcular la estimacin usando directamente 4.8 en vez de restar las dos aproximaciones de
D-P tiene como ventaja un menor error de aritmtica en punto otante.
Por ltimo nos centraremos en otra importante propiedad del mtodo D-P, relacionada a su
eciencia. A pesar que D-P tiene por denicin 7 etapas, el hecho que la ltima la de A y el
vector b
T
sean iguales hace que solo hayan 6 etapas efectivas por paso. Esta propiedad se llama
FSAL (del ingles: First Same As Last). A continuacin vericaremos que la ltima etapa del
paso actual es igual a la primera etapa del paso siguiente. Con lo cual basta con guardarla en
una variable auxiliar y se evita un clculo redundante de F() en cada paso.
Paso k, Etapa s:
K
(k)
s
= h
k
F(Y
k
+
s1
j=1
a
sj
K
(k)
j
) (4.9)
Y ahora usando que a
sj
= b
j
, con j = 1, . . . , s:
Paso k+1, Etapa 1:
K
(k+1)
1
= h
k
F(Y
k+1
) (4.10)
= h
k
F(Y
k
+
s
j=1
b
j
K
(k)
j
) (4.11)
= h
k
F(Y
k
+
s1
j=1
a
sj
K
(k)
j
) (4.12)
= K
(k)
s
(4.13)
4.1.1.2. Esquema de Paso Adaptativo
Ahora que hemos denido el mtodo de D-P, debemos denir la manera en que se reali-
zar la adaptacin del paso. Para lo cual debemos conocer los errores locales de los mtodos
embebidos.
El primer mtodo, denido por b
T
y con el cual avanzar el mtodo D-P, tiene orden de
error local igual a 6 (
k
= O(h
6
k
)). Mientras que segundo mtodo embebido, denido por

b
T
y
que ser usado slo para estimar el error, tiene orden de error local igual a 5 (
k
= O(h
5
k
)). La
deduccin de estos ordenes se puede encontrar en [Dormand and Prince, 1980].
El procedimiento de avanzar con el mtodo de mayor orden se llama extrapolacin local y
se reconoce en general que con este procedimiento se obtienen resultados de mayor precisin,
ver por ejemplo [Hairer et al., 2011].
El procedimiento para adaptar el paso consiste en imponer que la estimacin del error local
(
k
) se mantenga prxima a una cierta tolerancia arbitraria (tol > 0). Bajo ciertas hiptesis,
dada una cantidad ja N de pasos a tomar, mantener el error local constante minimiza el error
al nal de los N pasos. Llamaremos

h
k
al paso que resulta de adaptar el paso h
k
. A partir de
lo expuesto y la expresin 4.8, dado h
k
sucientemente pequeo tendremos con c
k
R:
k+1
c
k
h
5
k
(4.14)
Imponiendo la limitacin en el error local:
tol = c
k

h
5
k
(4.15)
Con lo cual se llega a la siguiente frmula de adaptacin de paso:
h
k
= h
k
5
tol
k+1
(4.16)
Esta frmula para el paso adaptado se suele multiplicar por un factor menor a uno de
manera de tener seguridad que se esta alcanzando el error local buscado o uno menor. El factor
de seguridad elegido para este trabajo fue 0,9. Por otro lado, con el n de disminuir variaciones
bruscas del largo del paso, se limita tambin el factor

h
k
h
k
tal que: 0,1 <

h
k
h
k
< 10.
Para jar ideas, en la Figura 4.1 se presenta un ejemplo de solucin con D-P y paso adap-
tativo de la EDO: y(t) =
y(t)+t
y(t)t
, con y(2) = 1.
En la gura, numerando de izquierda a derecha y de arriba a abajo, la primer grca pre-
senta la solucin aproximada para cada t
k
. La segunda grca muestra el paso h
k
en funcin
de los tiempos t
k
. Mientras que la tercer grca presenta la estimacin del error local

k+1
para
cada tiempo, habindose elegido tol = 10
10
. Por ltimo se muestra el error global o absoluto
entre la solucin exacta y la aproximacin numrica. Se puede observar que el mtodo con-
centra pasos ms cortos en zonas de mayor curvatura y que logra mantener el error local por
debajo del lmite elegido.
10
-11
10
-10
10
-9
10
-8
-2 -1.5 -1 -0.5 0 0.5 1
t
|y(t
k
)-y
k
|
10
-11
10
-10
10
-9
-2 -1.5 -1 -0.5 0 0.5 1
t
delta
k
0
0.05
0.1
0.15
0.2
-2 -1.5 -1 -0.5 0 0.5 1
t
h
k
1
1.5
2
2.5
3
-2 -1.5 -1 -0.5 0 0.5 1
t
y
k
Figura 4.1 Ejemplo de Solucin con D-P y Paso Adaptativo
4.1.1.3. Control de Estabilidad
A continuacin nos referimos a la estabilidad del Mtodo de D-P y a un control de estabi-
lidad que se puede implementar a partir de resultados tericos.
Antes de comenzar recodaremos la denicin de regin de estabilidad lineal () de un
mtodo numrico para la solucin de EDOs.
Dado el problema test, con q C:
y(t) = q y(t)
y(0) = 1
Y un mtodo de paso constante igual a h, tal que con z = hq este verique:
y
k+1
= R(z)y
k
(4.17)
Entonces c C : 1(c) < 0 es la regin de estabilidad del mtodo sii z se
cumple [R(z)[ < 1.
La funcin R(z) se llama funcin de estabilidad. Y en el trabajo [Dormand and Prince,
1980] se presenta la deduccin de la funcin de estabilidad para el mtodo utilizado en la
presente tesis. En la referencia, el mtodo gura con el nombre: RK5(4)7M. Su funcin de
estabilidad es:
R(z) = 1 +z +
z
2
2
+
z
3
6
+
z
4
24
+
z
5
120
+
z
6
600
La regin de estabilidad no puede ser acotada ya que R(z) tiene forma polinmica. En
particular, en la Figura 4.2 se presenta una grca de la regin de estabilidad . Dentro de la
regin, se muestran curvas de nivel de la funcin [R(z)[.
Tal como indican tanto los autores del mtodo D-P en [Dormand and Prince, 1980], as
como Butcher en [Butcher, 2003], los mtodos R-K de orden alto son mtodos idneos para
EDOs no rgidas. Este es el caso de las ecuaciones diferenciales que estn planteadas en el
Captulo 3. Esto fue vericado mediante un mecanismo de control de estabilidad que se in-
corporo a la implementacin de D-P. La motivacin de este mecanismo, la cual se describe a
continuacin, esta basada en el libro [Hairer and Wanner, 2004].
En primer lugar, tomemos dos soluciones de la EDO 4.1: Y (t) y (t). Mediante un desa-
rrollo de Taylor, linealizamos F(Y (t)) en torno a (t).
F(Y (t)) = F((t)) +J
F
((t)) (Y (t) (t)) +O(|Y (t) (t)|
2
) (4.18)
Usando que que las funciones son soluciones de la EDO, descartando el termino de segundo
orden e introduciendo una nueva variable

Y (t) = Y (t) (t) tenemos:
-6
-4
-2
0
2
4
6
-4 -3 -2 -1 0 1 2
I
m
(
z
)
Re(z)
Figura 4.2 Regin de Estabilidad de Dormand-Prince
Y (t)

(t) = J
F
((t)) (Y (t) (t)) (4.19)
Y (t) = J
F
((t))

Y (t) (4.20)
Ahora, la matriz Jacobiana se dejar constante en el tiempo, rerindola a un tiempo t
k
.
La llamaremos simplemente como J = J
F
((t
k
)). A partir de la hiptesis anterior, la aproxi-
macin por Taylor solamente tendr validez si t t
k
. Dado lo anterior tenemos:
Y (t) = J

Y (t) (4.21)
El siguiente paso consiste en asumir que la matriz J es diagonalizable. Con lo cual se puede
escribir J = P D P
1
, con P la matriz de vectores propios de V y D una matriz diagonal con
los valores propios (en principio complejos) de J. Deniremos un ltimo cambio de variable
igual a:

Y (t) = P
1

Y (t) para transformar la EDO de la siguiente manera.
Y (t) = P D P
1

Y (t) (4.22)
P
1
Y (t) = D P
1

Y (t) (4.23)
Y (t) = D

Y (t) (4.24)
Donde cada ecuacin escalar de la igualdad vectorial 4.24 es un problema test. Llamaremos
(k)
i
a los valores propios de J
F
(Y
k
), la matriz Jacobiana de la EDO evaluada en el paso actual.
Por lo tanto, el criterio de estabilidad, con z
(k)
i
=
(k)
i
h
k
ser:
Para todo z
(k)
i
tal que 1(z
(k)
i
) < 0 se debe vericar que: [R(z
(k)
i
)[ < 1.
Para las EDOs de las secciones 4.2 y 4.3 se calcularon exactamente los
(k)
i
. Este clculo
es viable dada la baja dimensin del problema y el mismo se encuentra en el apndice D. Para
problemas con dimensiones altas, en los cuales determinar los valores propios es demasiado
costoso, hay aproximaciones econmicas para el mdulo del valor propio dominante de J
F
,
ver por ejemplo [Hairer and Wanner, 2004].
4.1.1.4. Algoritmo de Paso Adaptativo y Estable de Dormand-Prince
En esta seccin se presenta en forma de pseudocdigo (ver Algoritmo 4.1.1) el procedi-
miento que calcula el paso de D-P, incorporando lo expuesto en las secciones anteriores.
Para poder ejecutar el paso de D-P, debemos dar su matriz de coecientes Ay su vector b
T
.
Se debe proporcionar la funcin F() que dene la EDO y su matriz Jacobiana J
F
(). Tambin
se debe conocer el paso actual (k, X
k
, t
k
, h
k
, K
(k1)
7
). Adems debemos jar la tolerancia
(tol) del error local del paso.
Los resultados del paso iterativo de D-P pueden ser dos. Una opcin es que el mtodo
acepte el paso h
k
y avance. La alterativa es que rechace el paso h
k
por exceso de error y se
repite el paso con un nuevo h
k
. Por otro lado, en caso de haber seales de inestabilidad el
mtodo emite una alerta.
4.1.2. Implementacin
Todas las soluciones y simulaciones numricas que se presentan en esta tesis fueron reali-
zadas en base a cdigos ejecutados en Octave programados por quien escribe. El propsito
de lo anterior fue por un lado didctico, para profundizar en el rea de Mtodos Numricos
y por otro lado se busc tener herramientas exibles que permitieran resolver los problemas
planteados sin quedar restringidos por los cdigos usados.
En esta seccin nos referimos a algunos detalles de implementacin de las soluciones de los
sistemas de EDOs. En particular describiremos la implementacin del clculo de las cuencas
de atraccin, ya que este result ser el problema ms demandante del punto de vista computa-
cional.
En primer lugar se procede a describir el servidor de clculo carlitosgardel, dada la inu-
encia que tuvo el mismo en los tiempos de clculo de las cuencas de atraccin. Dicho servidor
esta al servicio del Laboratorio de Probabilidad y Estadstica (LPE) del Instituto de Matemti-
ca y Estadstica Rafael Laguardia (IMERL), dentro de la Facultad de Ingeniera (FING) de
UdelaR. El servidor es administrado por la Unidad de Recursos Informticos (URI) de FING.
Algorithm 4.1.1 Paso Iterativo de Dormand-Prince Adaptativo con Control de Estabilidad
procedure DORMANDPRINCE(A, b
T
, F(), J
F
(), k, X
k
, t
k
, h
k
, K
(k1)
7
, tol)
%% Control de Estabilidad del Paso:
J
k
:= J
F
(X
k
)
k
Valor Propio de J
k
con parte real ms negativa
if [R(
k
h
k
)[ > 1 then
Atencin Paso Inestable! El problema se comporta de forma rgida.
else
El Paso es Estable.
end if
%% Clculo de Adaptacin del Paso:
K
(k)
1
:= K
(k1)
7
Aprovecha la Propiedad FSAL
for i = 2 : 7 do
K
(k)
i
:= h
k
F(X
k
+
i1
j=1
a
ij
K
(k)
j
)
end for
k+1
:=
s
i=1
d
i
K
(k)
i
h
k
:= h
k
max
_
0.1, mn
_
10, 0.9
5
_
tol
k+1
__
%% Aceptacin o Rechazo del Paso:
if

k+1
< tol then
X
k+1
:= X
k
+
s
i=1
b
i
K
(k)
i
t
t+1
:= t
k
+h
k
h
k+1
:=

h
k
k = k + 1
else
h
k
:=

h
k
end if
end procedure
Especicaciones Tcnicas del Servidor carlitosgardel:
Servidor: HP ProLiant DL385 G7
Procesadores: 2 AMD Opteron 6172 de 12 ncleos de 2100 MHz (Total 24 ncleos)
Memoria RAM: 9 Dimm de 8Gb 1333Mhz (Total 72 Gb)
Disco Duro: SATA de 250Gb
Sistema Operativo: CentOS 6.2 64bits
Kernel: 2.6.32-220.13.1.el6.x86_64
Software Clculo Cientco: Octave 3.4.2
Ahora se describir el procedimiento ideado para lograr que los clculos de las cuencas
de atraccin realizados en Octave aprovecharan en el mayor porcentaje posible la capacidad
de clculo del servidor carlitosgardel. Dos caractersticas claves para la solucin fueron que
el sistema de EDOs era solamente de dimensin 2 y que conocamos sus puntos asinttica-
mente estables. Dados los puntos anteriores, resulta viable generar una grilla [0, 1]
2
de
condiciones iniciales y determinar si la solucin que parte de cada una de ellas converge a
uno de los puntos asintticamente estables. Sabiendo cules condiciones iniciales convergen
a cules equilibrios estables, conocemos una aproximacin de las cuencas de atraccin de los
equilibrios estables.
A partir del esquema mencionado en el prrafo anterior y dado que el programa de cl-
culo cientco Octave no tiene capacidad nativa para aprovechar los 24 ncleos del servidor
carlitosgardel, surgi el problema de cmo implementar el clculo de las cuencas de atrac-
cin de manera de utilizar el servidor al mximo de su capacidad. Cabe mencionar que se
investigaron las funciones propias de Octave para el clculo en paralelo y solo se encontr la
funcin parcellfun, la cual no se adaptaba a las necesidades de nuestro problema.
La respuesta fue plantear un esquema de clculo en paralelo de los puntos de la grilla. La
grilla tiene N
2
puntos equi-espaciados en las dos dimensiones (x
S
e y
S
). Esta grilla se
sub-dividi en una cuadrcula de n
p
por n
p
(con N/n
p
N). Esto gener n
2
p
sub-problemas y
fueron estos los que se resolvieron en paralelo. Cada sub-problema que conforma la cuadrcula
est identicado por dos ndices, uno de la y otro de columna i, j 1, 2, . . . , n
p
. Cada
sub-problema se resuelve en un proceso de Octave independiente, el cual corre de fondo
hasta que se resuelven todas las condiciones iniciales que contiene ese sub-problema. Antes de
cerrarse el proceso de Octave, este controla si todos los otros subproblemas han terminado.
Aqul que termina ltimo unica los resultados que guardaron los n
2
p
sub-problemas y da la
solucin completa de la grilla .
El sistema operativo instalado en carlitosgardel puede distribuir la capacidad de trabajo
de cualquiera de los ncleos entre un grupo de procesos de Octave. Esto hace que sea viable
generar ms procesos que ncleos y que cada ncleo atienda a varios subproblemas a la vez. A
continuacin presentamos algunos resultados que muestran la efectividad de este esquema de
clculo.
En la Figura 4.3 se puede comprobar como disminuye el tiempo de clculo de las cuencas
de atraccin a medida que se aumenta el parmetro n
p
. Se puede ver una rpida disminucin
del tiempo de clculo para el intervalo n
2
p
< 24 (dado que el servidor tiene 24 ncleos) y luego
disminuye ms lentamente para n
2
p
24.
10
1
10
2
10
3
10
4
10
0
10
1
10
2
T
(
s
e
g
)
n
p
2
Figura 4.3 Tiempo de Clculo de Cuenca de Atraccin en funcin de n
p
La disminucin rpida en el primer intervalo esta asociada a que al aumentar n
p
en ese
intervalo se utilizan cada vez ncleos que estaban anteriormente vacantes.
La disminucin lenta en el segundo intervalo responde a que los sub-problemas no tienen
la misma carga computacional. Eso hace que algunos demoren ms que otros y si, por ejemplo,
se toman igual cantidad de sub-problemas que de ncleos entonces el sub-problema con ms
carga determina el tiempo total de clculo. Por lo tanto si se generan ms procesos que ncleos
se mantiene ms tiempo un porcentaje alto de ncleos trabajando a toda su capacidad, lo cual
redunda en un menor tiempo total de clculo.
En la Figura 4.4 se presenta una grca del porcentaje de utilizacin total de los ncleos
del servidor para el clculo de una grilla (N = 120) de una cuenca de atraccin con n
p
= 5
(25 procesos para 24 ncleos). Se indica con una lnea horizontal roja el porcentaje prome-
dio de utilizacin que es de 77.9 %. Se puede observar claramente como aproximadamente a
partir de los 50 segundos terminan de correr varios sub-problemas y en consecuencia los n-
cleos liberados van quedando vacantes. Esta disminucin de utilizacin de los ncleos ocurre
progresivamente durante prcticamente 40 segundos hasta que naliza el clculo.
En la Figura 4.5 se muestra el mismo problema pero ahora con n
p
= 10 (100 procesos
para 24 ncleos). Se indica nuevamente con una lnea horizontal roja el valor de porcentaje
promedio de utilizacin de los ncleos, el cual ahora es de 95.6 %. Se puede ver como se
mantienen hasta casi el nal todos los ncleos en actividad, los ncleos recin se liberan a
partir de los 70 segundos y el clculo termina a los 80 segundos aproximadamente.
0
20
40
60
80
100
0 10 20 30 40 50 60 70 80 90
T(seg)
Figura 4.4 Porcentaje de Utilizacin de Ncleos en Funcin de t, n
p
= 5
0
20
40
60
80
100
0 10 20 30 40 50 60 70
T(seg)
Figura 4.5 Porcentaje de Utilizacin de Ncleos en Funcin de t, n
p
= 10
4.2. Modelo Sin Intervencin Externa
En esta seccin presentaremos simulaciones del proceso estocstico correspondiente a la
dinmica de poblaciones dada en la Seccin 3.1.2. El objetivo es visualizar para una variedad
de tamaos de poblaciones la calidad de la aproximacin que se obtiene mediante la dinmica
determinstica.
Tambin presentaremos soluciones de la dinmica determinstica para distintas condiciones
iniciales, con comportamientos de convergencia al equilibrio pareto ptimo (S, I) y de conver-
gencia a la trampa de pobreza (NS, NI).
Finalmente calcularemos las cuencas de atraccin para la dinmica determinstica del mo-
delo en cuestin.
4.2.1. Eleccin de Parmetros
En primer lugar debemos presentar los parmetros econmicos elegidos para las simula-
ciones. Luego debemos vericar que estos cumplen todas las desigualdades dadas en las Com-
plementaridades Estratgicas, as como las dadas en las deniciones de las tasas de revisin de
estrategias.
Los valores elegidos se presentan en el Cuadro 4.2. Estos fueron elegidos de tal forma que
cumplieran todas las condiciones del modelo, pero no representan datos reales. Respecto de
este punto, referimos al lector al Captulo 5, a la seccin de lneas de investigacin a futuro.
Parmetro Valor
W
1.50
W
0.50
W
0.10
s 2.00
p 1.00
CE 0.50
s 1.60
p 0.75
F
1.00
F
0.40
F
0.05
B
I
(S) 4.50
B
I
(NS) 3.00
CI 0.40
B
NI
(S) 3.00
B
NI
(NS) 2.00
Cuadro 4.2 Valores de Parmetros Econmicos y Dinmicos del Modelo
En cuanto a las vericaciones de las desigualdades, las referidas a las complementaridades
estratgicas se presentan en el Cuadro 4.3. En la primera columna del cuadro se encuentra la
referencia de la inecuacin que se va a vericar y en la segunda columna el valor numrico de
dicha inecuacin para los parmetros dados.
Referencia Valor
(3.1) 2.50 > 2.35
(3.2) 1.60 > 1.50
(3.3) 3.10 > 3.00
(3.4) 2.00 > 1.85
(3.5) 1.10 > 0.40
Cuadro 4.3 Vericacin de Complementaridades Estratgicas
Por ltimo, se debe vericar que la eleccin de parmetros es tal que las tasas de revisin
de los agentes (r
S
, r
NS
, r
I
y r
NI
) nunca sean negativas. Esas vericaciones corresponden a las
desigualdades 3.31 y 3.32. Para vericar estas condiciones usaremos que, a partir que u
W
(x, y)
e u
F
(x, y) son combinaciones convexas de los retornos para estrategias puras, se cumplen las
siguientes igualdades:
max
(x,y)[0,1]
2
u
W
(x, y) = max
(s
W
,s
F
)S
W
S
F
W
(s
W
, s
F
) (4.25)
max
(x,y)[0,1]
2
u
F
(x, y) = max
(s
W
,s
F
)S
W
S
F
F
(s
W
, s
F
) (4.26)
Dado lo anterior, las vericaciones de tasas de revisin mayores o igual a cero se presentan
en el Cuadro 4.4. Nuevamente, en la primer columna se indica la referencia a la inecuacin a
vericar y en la segunda su valor numrico para los parmetros dados.
Referencia Valor
(3.31) 3.00 2.50
(3.32) 2.50 1.10
Cuadro 4.4 Vericacin de Tasas de Revisin Positivas
4.2.2. Simulaciones del Proceso Estocstico
En esta seccin presentamos simulaciones del proceso estocstico denido en la Seccin
3.1.2. Las simulaciones fueron hechas de manera explcita, generando las sucesivas transi-
ciones del proceso X(t).
En el Algoritmo 4.2.1 se presenta un pseudocdigo del procedimiento adoptado para llevar
a cabo las simulaciones de los procesos estocsticos. La funcin RandExp() genera nmeros
aleatorios independientes con distribucin exponencial de parmetro . Mientras que la funcin
RandUnif(0, 1) genera nmeros aleatorios independientes con distribucin uniforme en el
intervalo [0, 1].
Las deniciones de las tasas de revisin, probabilidades de cambio de estrategia y vectores
de transicin se encuentran en la Seccin 3.16.
En resumen el algoritmo sortea los tiempos de revisin de los agentes, y aquel con el
menor tiempo de revisin ser quien debe revisar. Luego se hace un nuevo sorteo que simula
la comparacin de retornos esperados entre el agente que revisa y su referente a quien debe
decidir si imitar o no. Una vez decidido si cambia o no de estrategia, se procede a modicar, o
no, el vector de poblaciones.
Se puede anticipar observando el Algoritmo 4.2.1 que simular paso a paso el proceso es-
tocstico puede llegar a resultar costoso del punto de vista computacional. Para poblaciones
muy grandes (N
F
, N
W
1) y tiempos de simulacin muy largos (t
fin
1) el tiempo de
cmputo de estas simulaciones puede incluso dejar de ser prctico. Es obvio que a mayores
t
fin
mayor cantidad de iteraciones deber realizar el algoritmo. Y por otro lado, si se deja jo
t
fin
y se aumenta el tamao de la poblacin (con jo) la cantidad de pasos promedio para
llegar a t
fin
aumentar de forma lineal. Esto se debe a que las tasas (r
S
, r
NS
, r
I
, r
NI
) son
inversamente proporcionales a N
F
y N
W
. Por ejemplo, duplicar las poblaciones divide a la
mitad las tasas a lo largo de la simulacin y eso duplicar, en promedio, la cantidad de pasos
para llegar a t
fin
.
En vista de esta posible limitacin, se menciona en la Seccin 3.1.3.3 un posible enfoque
alternativo para simular aproximaciones del proceso estocstico. Referimos tambin al lector
al Captulo 5 sobre lineas de trabajo a futuro sobre este tema.
4.2.2.1. Proceso Convergente a la Trampa de Pobreza
La condicin inicial elegida para la simulacin fue x
S0
= 0.3 e y
I0
= 0.6, la cual se
encuentra en la cuenca de atraccin de la trampa de pobreza (NS, NI). Se eligi en todos los
casos = 0.1 como proporcin entre rmas y trabajadores.
En la Figura 4.6 se presentan 10 realizaciones del proceso con N
F
= 20. Mientras que en
la Figura 4.7 se tom N
F
= 100 y se simularon 10 realizaciones. Finalmente, en la Figura 4.8
se presentan 10 realizaciones del proceso pero con N
F
= 1000.
En el Cuadro 4.5 se muestra, para cada N
F
, la cantidad de pasos promedio que requirieron
las simulaciones de las Figuras 4.6, 4.7 y 4.8. El aumento de pasos promedio de las simula-
ciones es proporcional a N
F
, comportamiento que fue explicado en la seccin 4.2.2.
En las Figuras 4.6, 4.7 y 4.8 se presentan las evoluciones temporales tanto de x
S
como de
y
I
. Tambin se muestran las trayectorias en el espacio de fases (x
S
, y
I
).
Se puede observar en las guras mencionadas anteriormente que la componente y
I
(t) tiene
ms dispersin que x
S
(t). Esto se debe a que se j = 0.1 con lo cual hay diez veces ms
Algorithm 4.2.1 Procedimiento de Simulacin del Proceso X(t)
X
0
, t
0
, t
fin
N
W
, N
F
k = 0,
while t
k
< t
fin
do
S
T
:= RandExp((r
S
(X
k
) x
S
N
W
)
1
)
NS
T
:= RandExp((r
NS
(X
k
) x
NS
N
W
)
1
)
I
T
:= RandExp((r
I
(X
k
) x
I
N
F
)
1
)
NI
T
:= RandExp((r
NI
(X
k
) x
NI
N
F
)
1
)
%% Se decide qu tipo de agente revisa su estrategia
Min
T
:= mn(
S
T
,
NS
T
,
I
T
,
NI
T
)
if
S
T
=
Min
T
then
p
Trans
:= x
NS
f
W
(X)
Trans :=
S,NS
else if
NS
T
=
Min
T
then
p
Trans
:= x
S
(1 f
W
(X))
Trans :=
NS,S
else if
I
T
=
Min
T
then
p
Trans
:= y
I
f
F
(X)
Trans :=
I,NI
else
NI
T
=
Min
T
p
Trans
:= y
NI
(1 f
F
(X))
Trans :=
NI,I
end if
%% Se hace el sorteo de la comparacin de retornos esperados
if p
Trans
< RandUnif(0, 1) then
X
k+1
= X
k
+Trans
t
k+1
= t
k
+
Min
T
k = k + 1
else
X
k+1
= X
k
t
k+1
= t
k
+
Min
T
k = k + 1
end if
end while
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
x
s
(t)
Figura 4.6 10 Trazas de X(t) con N
F
= 20 - (x
S0
, y
I0
) = (0.3, 0.6)
N
F
# Pasos Promedio
20 1756
100 9757
1000 98356
Cuadro 4.5 Cantidad de Pasos Promedio - x
S0
= 0.3, y
I0
= 0.6
trabajadores que rmas y por lo tanto el comportamiento de los trabajadores est ms cerca del
asinttico que el de las rmas.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10
x
s
(t)
F
= 100 - (x
S0
, y
I0
) = (0.3, 0.6)
4.2.2.2. Proceso Convergente al Equilibrio Pareto ptimo
Presentamos a continuacin otras tres guras que corresponden una nueva condicin ini-
cial, para la cual el proceso converge al equilibrio pareto ptimo (x
S
, y
I
) = (1, 1). Dicha
condicin inicial es: x
S0
= 0.2 e y
I0
= 0.85.
Nuevamente se simularon 10 realizaciones para varios casos. Primero, la Figura 4.9 se
realiz con N
F
= 20, mientras que la Figura 4.10 corresponde a N
F
= 100 y por ltimo la
Figura 4.11 resulta de tomar N
F
= 1000.
En el Cuadro 4.6 resumimos la cantidad de pasos promedio necesarias para las simula-
ciones mencionadas en le prrafo anterior. Verica nuevamente la relacin lineal entre N
F
y la
cantidad de pasos promedio de las simulaciones.
N
F
# Pasos Promedio
20 1392
100 7993
1000 76039
Cuadro 4.6 Cantidad de Pasos Promedio - x
S0
= 0.,85, y
I0
= 0.2
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
x
s
(t)
F
= 1000 - (x
S0
, y
I0
) = (0.3, .6)
4.2.3. Soluciones de la Dinmica del Replicador
A continuacin presentamos las soluciones del sistema de EDOs del replicador (3.48) con
los parmetros denidos en 4.2.1. Se uso el mtodo de Dormand-Prince (ver Seccin 4.1.1)
para resolver numricamente el sistema de EDOs y las soluciones se hallaron hasta un tiempo
t
fin
tal que: |Y
t
fin
Y
AE
| < 1 10
2
, siendo Y
AE
alguno de los puntos asintticamente
estables del sistema de EDOs.
Primero presentaremos las soluciones determinsticas usando las mismas condiciones ini-
ciales usadas para las simulaciones estocsticas presentadas en la Seccin 4.2.2. Y luego se
presentan las cuencas de atraccin de la EDO del modelo sin intervencin externa.
4.2.3.1. Dinmica Convergente a la Trampa de Pobreza
En la Figura 4.12 se muestra la solucin de la EDO para la condicin inicial (x
S0
, y
I0
) =
(0.3, 0.6). En la misma se presentan x
S
e y
I
en funcin del tiempo y tambin la trayectoria
(x
S
(t), y
I
(t)).
Se verica una muy buena aproximacin entre la solucin determinstica y las realizaciones
del proceso para N
F
= 1000 (ver Figura 4.8).
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
x
s
(t)
F
= 20 - (x
S0
, y
I0
) = (0.85, 0.2)
4.2.3.2. Dinmica Convergente al Equilibrio Pareto ptimo
A continuacin se presenta la solucin de la EDO del replicador con condiciones iniciales
(x
S0
, y
I0
) = (0.85, 0.2). La gura es anloga a la de la Seccin 4.2.3.1.
Nuevamente se verica una muy buena aproximacin entre el proceso estocstico de poblacin
N
W
= 1000 presentado en la Figura 4.13 y la solucin determinstica de la EDO del replicador.
4.2.3.3. Cuencas de Atraccin de los Equilibrios Estables
Finalmente, presentamos en la Figura 4.14 para el modelo de competicin entre rmas y
trabajadores sin intervencin externa las cuencas de atraccin tanto de la trampa de pobreza
como del equilibrio pareto ptimo. En la gura en cuestin se muestra la frontera de las cuen-
cas como una lnea negra. Dicha frontera es una trayectoria inestable de la EDO, la cual no
puede ser resuelta numricamente avanzando con pasos discretos. Esto se debe a que dado un
error, por pequeo que sea, este se amplica y aparta rpidamente la solucin numrica de la
trayectoria inestable. Tambin se muestran como diamantes rojos, los equilibrios de Nash del
juego. Se debe notar que el equilibrio mixto (interior a [0, 1]
2
) se encuentra exactamente sobre
la frontera de las cuencas de atraccin y que el campo vectorial de la EDO uye hacia los
equilibrios restantes. Tambin se agregaron de manera ilustrativa como diamantes negros las
condiciones iniciales usadas en las secciones anteriores, vericndose que se encuentran en las
cuencas de atraccin supuestas.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14 16
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14 16
x
s
(t)
F
= 100 - (x
S0
, y
I0
) = (0.85, 0.2)
4.3. Modelo Con Intervencin Externa
En esta seccin presentamos los resultados de las soluciones numricas del sistema de
EDOs del modelo de competicin entre rmas y trabajadores con intervencin externa. El
modelo fue introducido y descripto en la Seccin 3.2 y el sistema de EDOs que gobierna la
dinmica evolutiva para poblaciones innitas se encuentra en la Seccin 3.2.3.
Se presentara un ejemplo numrico con una condicin inicial tal que la economa sin inter-
vencin evoluciona hacia la trampa de pobreza, pero en la economa con intervencin externa
evoluciona hacia el equilibrio pareto-eciente (x
S
, y
I
) = (1, 1).
4.3.1. Parmetros del Modelo Con Intervencin Externa
El ejemplo que se presenta en esta seccin tiene como condicin inicial: (x
S0
, y
I0
) =
(0.3, 0.6). Se mantienen los mismos parmetros econmicos que los presentados en el Cuadro
4.2 y se agregan tambin algunos parmetros especcos del modelo con intervencin externa,
como ser los parmetros de control (
i
y
ii
) del agente externo para cada etapa y el tiempo
(
t
) necesario para asegurar la entrada a la cuenca de atraccin del equilibrio pareto-eciente
en la economa con impuestos.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
x
s
(t)
F
= 1000 - (x
S0
, y
I0
) = (0.85, 0.2)
Parmetro Valor
m
i
W
0.0000
m
i
F
0.0875
I
i
W
0.0000
I
i
F
0.0000
t
1.5000
m
ii
W
0.0000
m
ii
F
0.0000
I
ii
W
0.0200
I
ii
F
0.0100
Cuadro 4.7 Valores de Parmetros Especcos del Modelo Con Intervencin
Cabe mencionar que los subsidios de la etapa i (etapa de incentivos) se calcularon con el
criterio de que el equilibrio de Nash Mixto del juego con subsidios se encuentre dentro del
rectngulo denido por los puntos (0, 0) y (x
S0
, x
I0
). Mediante esta eleccin se logra que se
evolucione, en la dinmica con subsidios, desde la condicin inicial hacia el equilibrio pareto
ptimo (1, 1).
En lo que reere al valor de los impuestos de la etapa ii (etapa impositiva), estos fueron
elegidos solamente con la condicin de que fueran de un orden similar a los incentivos. Lgi-
camente, cuanto mayores sean los impuestos menor duracin tendr la etapa impositiva, pero
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 1 2 3 4 5 6 7 8 9
x
s
(t)
Figura 4.12 Solucin Determinstica X(t) - (x
S0
, y
I0
) = (0.3, 0.6)
ms impopulares sern.
En la Figura 4.15 se puede ver la cuenca de atraccin de la dinmica en la etapa i (etapa de
subsidios) y el punto inicial como un diamante negro. Se comprueba que la condicin inicial
pertenece a la cuenca de atraccin del equilibrio pareto-eciente de la dinmica con incentivos.
Tambin se debe observar que, en comparacin con la economa sin intervencin externa, los
subsidios incrementan el rea de la cuenca de atraccin del equilibrio pareto-eciente. Esto
signica que hay menos condiciones iniciales que evolucionan hacia la trampa de pobreza.
Mientras que en la Figura 4.16 se muestra la cuenca de atraccin de la dinmica en la etapa
ii (etapa de impuestos) y nuevamente se marca el punto inicial de la dinmica con un diamante
negro. Se puede comprobar que, de manera inversa al caso de los subsidios, un incremento de
los impuestos disminuye el rea de la cuenca de atraccin del equilibrio pareto-eciente.
4.3.2. Solucin de la Dinmica del Replicador
La evolucin de las poblaciones para la dinmica dada en la Seccin 3.2.3 y los parmetros
indicados en los cuadros 4.2 y 4.3.1 se presenta en la Figura 4.17.
En la gura mencionada, se muestran los grcos de x
S
(t) en rojo, y
I
(t) en azul y la
trayectoria (x
S
(t), y
I
(t)) en negro. Tambin, junto a la trayectoria en el espacio de estados
(x
S
(t), y
I
(t)), se muestra en magenta la frontera de las cuencas de atraccin de la dinmica
con incentivos (etapa i) y en verde la frontera de las cuencas de la dinmica con impuestos
(etapa ii).
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 1012141618
x
s
(t)
Figura 4.13 Solucin Determinstica X(t) - (x
S0
, y
I0
) = (0.85, 0.2)
Se pueden observar las tres etapas bien diferenciadas, cada una de ellas respondiendo a un
campo vectorial distinto. Tambin se debe notar que el tiempo (
t
) extra que se mantienen los
subsidios luego que se llega a la frontera de las cuencas de atraccin del estado ii es suciente
para que haya una distancia segura entre el estado de la economa en t
i
y la frontera de la
cuenca de atraccin del estado ii.
En el Cuadro 4.8 resumimos los tiempos y tamaos de las sub-poblaciones para los cambios
de etapas, los smbolos corresponden a la Figura 4.17.
t x
S
(t) y
I
(t)
Inicio: () 0 0.300 0.600
Fin Etapa i: (O) 4.873 0.518 0.860
Fin Etapa ii: () 9.413 0.720 0.840
Cuadro 4.8 Resultados de Dinmica con Intervencin Externa - (x
S
(0), y
I
(0)) = (0.3, 0.6)
Como informacin complementaria, indicamos que el valor de el prstamo necesario, asu-
miendo N
W
= 1000 y N
W
= 10000 (recordar que jamos = 0.1), es igual a 60.99 y por
denicin el monto recaudado es igual al valor del prstamo.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
i
x
s
Figura 4.14 Cuencas de Atraccin de los Equilibrios Estables - Modelo Sin Intervencin
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
i
x
s
Figura 4.15 Cuencas de Atraccin de los Equilibrios Estables - Etapa i con Incentivos
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
i
x
s
Figura 4.16 Cuencas de Atraccin de los Equilibrios Estables - Etapa ii con Impuestos
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
x
s
(t) Vs y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25 30
y
i
(t)
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25 30
x
s
(t)
Figura 4.17 Solucin EDO Modelo con Intervencin Externa - (x
S
(0), y
I
(0)) = (0.3, 0.6)
En resumen, se observa que el mecanismo de control es exitoso ya que logra evitar que
la economa evolucione hacia la trampa de pobreza. Otra observacin relevante es que, para
los parmetros elegidos, comparando las guras 4.12 y 4.17 se puede notar que el periodo de
intervencin [0, t
ii
] es del mismo orden de magnitud que la escala de tiempo de la evolucin de
la economa sin intervencin externa. Esto es positivo ya que permite suponer que se pueden
encausar economas hacia escenarios desarrollados en lapsos de tiempo razonables.
Captulo 5
CONCLUSIONES
A continuacin presentaremos las conclusiones que resultan del trabajo expuesto en la
presente tesis. Dichas conclusiones se dividirn en varias reas, siendo stas Economa, Teora
de Juegos Evolutivos y Mtodos Numricos. Finalmente, se resumirn brevemente algunas
lneas de trabajo a futuro que pueden resultar de inters para el problema estudiado.
5.1. Conclusiones
En primer lugar, a partir del esquema de intervencin mediante un regulador central pro-
puesto en esta tesis, se concluye que es posible apartar al conjunto de trabajadores y rmas
de una trampa de pobreza. Basta con una intervencin planicada y tambin, dado el enfoque
planteado en este trabajo, se debe contar con una institucin que nancie las acciones que toma
el regulador central. Tambin se veric que, para los parmetros de intervencin elegidos,
el tiempo que toma a la economa alejarse de la trampa de pobreza y converger al equilibrio
pareto-eciente es del orden de la evolucin sin intervencin de la economa. Eso hace supo-
ner que los resultados de una poltica de este tipo puedan ser tangibles en perodos de tiempo
razonables.
Respecto del modelo con incentivos e impuestos, se verico mediante la determinacin de
las cuencas de atraccin de la EDO en cuestin, que incentivar los agentes innovadores reduce
el alcance de la trampa de pobreza, mientras que imponer impuestos aumenta su alcance. Este
comportamiento fue la base del esquema de intervencin mediante el regulador central.
En cuanto a las simulaciones de procesos estocsticos del replicador, vericamos una muy
buena aproximacin entre las realizaciones del proceso para poblaciones grandes pero acotadas
y el lmite para poblaciones innitas dado por las EDOs. A partir de lo anterior, se puede
suponer que para poblaciones grandes, el comportamiento agregado de agentes se aproxima en
buena medida al ujo deterministico correspondiente a poblaciones innitas.
Finalmente, en lo que respecta a las implementaciones numricas realizadas en la presente
tesis, concluimos que el Mtodo de Dormand-Prince resulta sumamente adecuado al problema
numrico de resolver las EDOs resultantes de los modelos desarrollados en el presente trabajo.
El mtodo permiti resolver de manera exible la EDO del modelo con intervencin externa,
la cual est denida a trozos, as como hallar las cuencas de atraccin de los equlibrios de Nash
73
74 Captulo 5. CONCLUSIONES
en tiempos cortos.
5.2. Trabajos a Futuro
A continuacin enunciaremos brevemente algunas lineas de trabajo a futuro. Las mismas
se desprenden del trabajo presentado en este documento.
La primera consiste en avanzar en la direccin indicada al nal de la seccin 3.1.3.3. En par-
ticular, se propone aproximar los procesos estocsticos del replicador mediante procesos que
veriquen una EDO estocstica. Esto permitira en primer lugar simular de manera econmica,
mediante mtodos numricos para EDOs estocsticas, realizaciones de dichos procesos para
poblaciones muy grandes y grandes intervalos de tiempos. En segundo lugar permitira desa-
rrollar estimaciones de bandas de conanza para las trayectorias determinsticas de la poblacin
mediante un Teorema Central del Lmite Funcional derivado de la EDO estocstica.
Mientras que la segunda lnea de trabajo a futuro sera la de aplicar el modelo a datos de
alguna economa real, obteniendo de la misma los parmetros econmicos relevantes y llevar a
cabo el anlisis de la evolucin de la misma a partir del modelo presentado en este trabajo.
Apndice A
Monotona y Positividad de la Funcin
de Crecimiento q(x)
En este apndice probaremos la Proposicin 2.2.7, enunciada en la Seccin 2.2.3 del marco
terico.
Proposicin A.0.1 En una dinmica con dos estrategias por jugador (m
i
= 2 con i J), da-
da una funcin de crecimiento regular q(x), esta ser montona en los retornos sii es positiva
en los retornos.
Prueba En primer lugar, dado que el jugador i tiene solo dos estrategias, se cumple la siguiente
igualdad: x
ih
+x
ik
= 1.
En segundo lugar, el caso en el cual x
ik
= 0 y x
ih
= 1 no es de inters, ya que en ese caso
las sub-poblaciones quedan jas ( x
ih
= x
ik
= 0) independientemente de las propiedades de
q
i
(x). Con lo cual se asume en lo que sigue que x
ik
,= 0.
Dado lo anterior, podemos observar que:
u
i
(e
h
i
, x
i
) u
i
(x) = u
i
(e
h
i
, x
i
) x
ih
u
i
(e
h
i
, x
i
) x
ik
u
i
(e
k
i
, x
i
) (A.1)
= x
ik
_
u
i
(e
h
i
, x
i
) u
i
(e
k
i
, x
i
)
_
(A.2)
Y tambin ser necesario recordar que q(x) es regular y por lo tanto se cumple que:
x
ih
q
ih
= x
ik
q
ik
(A.3)
La monotona respecto de los retornos es por denicin:
u
i
(e
h
i
, x
i
) > u
i
(e
k
i
, x
i
) q
ih
(x) > q
ik
(x) (A.4)
Ahora, a partir de la igualdad A.2 deducimos que el lado izquierdo de la equivalencia A.4
es a su vez equivalente a:
sgn[u
i
(e
h
i
, x
i
) u
i
(x)] = 1 (A.5)
75
76 Apndice A. Monotona y Positividad de la Funcin de Crecimiento q(x)
Y a partir de la igualdad A.3 podemos concluir que el lado derecho de la equivalencia A.4
es equivalente a:
sgn[q
ih
(x)] = 1 (A.6)
Y por lo tanto, a partir de A.5 y A.6, la denicin de monotona es equivalente a:
sgn[q
ih
(x)] = sgn[u
i
(e
h
i
, x
i
) u
i
(x)] (A.7)
Lo cual concluye la prueba.
Apndice B
Clculo de Probabilidades de Cambios
de Estrategias
En el presente apndice presentamos el clculo de las probabilidades que, dado que revisan
su estrategia, los agentes decidan cambiar a otra estrategia.
Como es usual, deniremos: (t) = Pr(A(0, 1) t) y usaremos los siguientes lemas
sobre variables aleatorias Normales Gaussianas:
Lemma B.0.2 Dadas X A(
x
,
2
x
) e Y A(
y
,
2
y
) independientes, entonces X + Y
A(
x
+
y
,
2
x
+
2
y
)
Lemma B.0.3 Dada X A(,
2
) y R, entonces X A(,
2
2
)
Calcularemos Pr
_
u
W
(e
NS
, y) > u
W
(e
S
, y)
_
usando las deniciones de los retornos es-
perados percibidos por los agentes ( u
W
(, ) y u
W
(, )) dados en la Seccin 3.1.2 y los lemas
anteriores.
Pr
_
u
W
(e
NS
, y) > u
W
(e
S
, y)
_
= Pr
_
u
W
(e
NS
, y) + > u
W
(e
S
, y) +
_
= Pr
_
< u
W
(e
NS
, y) u
W
(e
S
, y)
_
= F
_
u
W
(e
NS
e
S
, y)
_
=
_
u
W
(e
NS
e
S
, y)
2
W
_
Anlogamente, el clculo de Pr
_
u
F
(x, e
NI
) > u
F
(x, e
I
)
_
resulta:
Pr
_
u
F
(x, e
NI
) > u
F
(x, e
I
)
_
= Pr
_
u
F
(x, e
NI
) + > u
F
(x, e
I
) +
_
= Pr
_
< u
F
(x, e
NI
) u
F
(x, e
I
)
_
= F
_
u
F
(x, e
NI
e
I
)
_
=
_
u
F
(x, e
NI
e
I
)
2
F
_
77
78 Apndice B. Clculo de Probabilidades de Cambios de Estrategias
Finalmente, para calcular Pr
_
u
W
(e
S
, y) u
W
(e
NS
, y)
_
y Pr
_
u
F
(x, e
NI
) u
F
(x, e
I
)
_
,
alcanza con observar que los sucesos son complementarios respecto de los ya calculados, con
lo cual:
Pr
_
u
W
(e
S
, y) u
W
(e
NS
, y)
_
=
_
u
W
(e
S
e
NS
, y)
2
W
_
= 1 f
W
(y)
Pr
_
u
F
(x, e
I
) u
F
(x, e
NI
)
_
=
_
u
F
(x, e
I
e
NI
)
2
F
_
= 1 f
F
(x)
Apndice C
Lemas y Deniciones - Teorema 3.1.6
En este apndice, se detallan deniciones y algunos resultados necesarios para la de-
mostracin del Teorema 3.1.6, el cual reere a la convergencia en L
1
de X(t) (proceso es-
tocstico del replicador) a X(t) (solucin de la EDO del replicador).
C.1. Denicin de Martingala
En esta seccin del apndice, se presenta la denicin de Martingala. Lo que motiva la
inclusin de esta denicin es el hecho que en el teorema de convergencia del proceso X(t) se
utiliza el hecho que el proceso M(t), que surge esencialmente como la diferencia X(t)X(t),
es una Martingala.
Supongamos que tenemos un espacio de probabilidad (, /, Pr), tambin una ltracin,
o sea una familia de -lgebras /
t
tT
con T R tal que se verica: /
t
/
u
/ con
t u y un proceso estocstico X(t) R.
Denicin C.1.1 X(t), /
t
tT
es una Martingala sii t T se cumple E([X(t)[) < y
X(t) = E(X(u)[/
t
) dado t u.
Un ejemplo sencillo de Martingala en tiempo continuo es el proceso de Poisson Compensa-
do. El mismo se dene a partir de un proceso de Poisson: N(t) de intensidad constante > 0.
El Proceso Compensado es: C(t) = N(t) t. Dicho Proceso Compensado tiene incrementos
independientes y adems verica que: E(C(t)) = E(N(t) t) = 0 para cualquier t T.
A partir de lo anterior y usando propiedades habituales de la esperanza condicional se puede
probar que es una martingala de tiempo continuo:
E(C(u)[/
t
) = E(C(u) C(t)[/
t
) +E(C(t)[/
t
)
= E(C(u) C(t)[/
t
) +C(t)
= E(C(u) C(t)) +C(t)
= C(t)
79
80 Apndice C. Lemas y Deniciones - Teorema 3.1.6
C.2. Lemas sobre Supremos de Funciones Reales
Los siguientes lemas son utilizados para obtener la cota del supremo de la diferencia entre
el proceso X(t) y la solucin de la EDO X(t).
Lemma C.2.1 Dada una funcin g : R R
+
integrable en [0, T] R, se cumple:
sup
t[0,T]
_
t
0
g(s)ds
_
T
0
sup
u[0,s]
g(u)ds
Prueba Primero, dado que g(s) 0 tenemos que:
sup
t[0,T]
_
t
0
g(s)ds =
_
T
0
g(s)ds (C.1)
Por otro lado, a partir de la denicin de supremo tenemos que, r R
+
:
g(r) sup
u[0,s]
g(u)
En particular para r = s tenemos:
g(s) sup
u[0,s]
g(u)
Integrando entre 0 y T respecto de s a ambos lados de la desigualdad anterior:
_
T
0
g(s)ds
_
T
0
sup
u[0,s]
g(u)ds (C.2)
A partir de C.1 y C.2 queda probado el lema.
Lemma C.2.2 Dada una funcin g : R R
+
se cumple:
sup
t[0,T]
g(t)
2
=
_
sup
t[0,T]
g(t)
_
2
Prueba Primero, por denicin de supremo, t [0, T]:
0 g(t) sup
u[0,T]
g(u)
Elevando al cuadrado tenemos t [0, T]:
g(t)
2
_
sup
u[0,T]
g(u)
_
2
C.3. Clculo de Cota para E[(X(t))] 81
Dada la previa cota superior de g(t)
2
con t [0, T] y la denicin de supremo tenemos
que:
sup
t[0,T]
g(t)
2
_
sup
u[0,T]
g(u)
_
2
Asumimos que se cumple la desigualdad estricta y tomamos raz cuadrada recordando que
g(t) 0 t [0, T]:
_
sup
t[0,T]
g(t)
2
< sup
t[0,T]
g(t)
Nuevamente a partir de la denicin de supremo, existe g(s) con s [0, T] tal que:
_
sup
t[0,T]
g(t)
2
< g(s)
Elevando al cuadrado llegamos a una contradiccin de la denicin de supremo:
sup
t[0,T]
g(t)
2
< g(s)
2
Con lo cual se debe cumplir la igualdad y queda demostrado el lema.
C.3. Clculo de Cota para E[(X(t))]
En este apndice calcularemos, dado el proceso estocstico denido en 3.1.2, una cota para
la siguiente cantidad: E((X(t)).
Reiteramos en este apndice la denicin de la funcin : S R
+
:
(v) =
=v
|v
v|
2
2
q(v, v
) (C.3)
Dado que E((X(t)) pertenece al recorrido de la funcin (v), podemos plantear la si-
guiente desigualdad:
E((X(t)) sup
vS
(v) (C.4)
Calcularemos entonces para los vectores de transiciones y tasas denidos en 3.1.2 el supre-
mo de (v) con v S.
El conjunto de vectores de transiciones con tasas no nulas es:
V =
S,NS
,
NS,S
,
I,NI
,
NI,I
R
4
Las expresiones para estos vectores en coordenadas se encuentran en: 3.18, 3.19, 3.20 y
3.21. Mientras que las tasas de transicin, expresadas como funcin de un vector transicin y
un vector de origen, estn en: 3.23, 3.24, 3.25 y 3.25.
A continuacin reescribimos la ecuacin C.3 usando las referencias anteriores de los vec-
tores de transiciones y sus respectivas tasas.
(v) =
V
||
2
2
q(, v) (C.5)
Sustituiremos C.5 en C.4 y usaremos que:
sup
xA
(f(x) +g(x)) sup
xA
f(x) + sup
xA
g(x)
Con lo cual:
E((X(t)) sup
vS
V
||
2
2
q(, v) (C.6)
V
||
2
2
sup
vS
q(, v) (C.7)
A continuacin se calculan las normas de las transiciones:
|
S,NS
|
2
2
=
2
N
2
W
|
NS,S
|
2
2
=
2
N
2
W
|
I,NI
|
2
2
=
2
2
N
2
W
|
NI,I
|
2
2
=
2
2
N
2
W
(C.8)
Recordamos la notacin:
z = (x
S
, x
NS
, y
I
, y
NI
) S
x = (x
S
, x
NS
) G
2
W
y = (y
I
, y
NI
) G
2
F
Con lo cual los supremos de las tasas resultan:
sup
zS
q(
S,NS
, z) = N
W
sup
zS
x
S
x
NS
r
S
(y) f
W
(y)
sup
zS
q(
NS,S
, z) = N
W
sup
zS
x
S
x
NS
r
NS
(y) (1 f
W
(y))
sup
zS
q(
I,NI
, z) = N
W
sup
zS
y
I
y
NI
r
I
(x) f
F
(x)
sup
zS
q(
NI,I
, z) = N
W
sup
zS
y
I
y
NI
r
NI
(x) (1 f
F
(x))
Las funciones de z a las cuales se les toma el supremo son continuas y diferenciables
en R
4
y dado que el conjunto S R
4
es acotado, dichos supremos existen y los llamamos
c
1
, c
2
, c
3
, c
4
R
+
:
C.4. Lema de Grnwall 83
sup
zS
q(
S,NS
, z) = N
W
c
1
sup
zS
q(
NS,S
, z) = N
W
c
2
sup
zS
q(
I,NI
, z) = N
W
c
3
sup
zS
q(
NI,I
, z) = N
W
c
4
(C.9)
Finalmente, usando C.8 y C.9 en la desigualdad C.7 tenemos:
E((X(t))
_
2
N
2
W
N
W
c
1
+
2
N
2
W
N
W
c
2
+. . .
2
2
N
2
W
N
W
c
3
+
2
2
N
2
W
N
W
c
4
_
2
_
c
1
+c
2
+
c
3
+
c
3
_
N
W
Concluimos que, si llamamos c = 2(c
1
+c
2
+
c
3
+
c
3
) R
+
, se cumple:
E((X(t))
c
N
W
(C.10)
C.4. Lema de Grnwall
A continuacin enunciamos un lema clsico, utilizado en el teorema de convergencia del
proceso estocstico a la solucin determinstica de la EDO del replicador. La demostracin
puede encontrarse en [Robert, 2003].
Lemma C.4.1 (Lema de Grnwall) Si f y h son funciones Borelianas no-negativas en R
+
y
se tiene > 0 tal que s t:
f(s) +
_
s
0
f(u)h(u)du (C.11)
Entonces se cumple s t:
f(s) e
s
0
h(u)du
(C.12)
Apndice D
Clculo de la Matriz Jacobiana de F
En este apndice presentamos las expresiones que permiten calcular la matriz Jacobiana
para la EDO 3.48 del modelo sin intervencin externa y la ecuacin 3.81 del modelo con
intervencin externa.
Para ambos modelos, la EDO se puede escribir como:
Y (t) = F(Y (t))

Donde para el modelo con intervencin externa la funcin F() resulta, con Z = (x, y)
T
,
u = (x, 1 x) y v = (y, 1 y):
F(Z) =
_
x (1 x) [r
NS
(v, ) (1 f
W
(v, )) r
S
(v, ) f
W
(v, )]
y (1 y) [r
NI
(u, ) (1 f
F
(u, )) r
I
(u, ) f
F
(u, )]
_
(D.1)
Recordando que la funcin del modelo sin intervencin externa es igual a la del modelo con
intervencin tomando = (0, 0, 0, 0)
T
, deducimos que slo es necesario hallar las expresiones
de la Jacobiana para el segundo modelo.
Denamos las siguientes funciones para simplicar la notacin:
G
W
(y) = r
NS
(v, ) (1 f
W
(v, )) r
S
(v, ) f
W
(v, )
G
F
(x) = r
NI
(u, ) (1 f
F
(u, )) r
I
(u, ) f
F
(u, )
De esta manera, la matriz Jacobiana de F sera:
J
F
(Z) =
_
(1 2x) G
W
(y) x(1 x)
d
dy
G
W
(y)
y(1 y)
d
dx
G
F
(x) (1 2x) G
F
(x)
_
(D.2)
Hallaremos las derivadas de las funciones G
W
() y G
F
(). Para ello calculamos las siguien-
tes derivadas:
85
86 Apndice D. Clculo de la Matriz Jacobiana de F
d
dy
u
E
W
(e
NS
, y) =
E
W
(NS, I)
E
W
(NS, NI)
d
dy
u
E
W
(e
S
, y) =
E
W
(S, I)
E
W
(S, NI)
d
dx
u
E
F
(x, e
NI
) =
E
F
(S, NI)
E
F
(NS, NI)
d
dx
u
E
F
(x, e
I
) =
E
F
(S, I)
E
F
(NS, I)
Y tambin deniendo (t) =
e
t
2
/2
2
, calculamos las siguientes derivadas:
d
dy
f
W
(y) =
_
u
E
W
(e
NS
e
S
, y)
2
W
_
d
dy
u
E
W
(e
NS
, y)
d
dy
u
E
W
(e
S
, y)
2
W
d
dx
f
F
(x) =
_
u
E
F
(x, e
NI
e
I
)
2
F
_
d
dx
u
E
F
(x, e
NI
)
d
dx
u
E
F
(x, e
I
)
2
F
Ahora podemos expresar las derivadas de G
W
() y G
F
().
d
dy
G
W
(y) =
W
_
d
dy
u
E
W
(e
S
, y)f
W
(y)
d
dy
u
E
W
(e
NS
, y)(1 f
W
(y))
_
d
dy
f
W
(y) (r
NS
(y) +r
S
(y))
d
dx
G
F
(x) =
F
_
d
dx
u
E
F
(x, e
I
)f
F
(x)
d
dx
u
E
F
(x, e
NI
)(1 f
F
(x))
_
d
dx
f
F
(x) (r
NI
(x) +r
I
(x))
Con esto quedan totalmente denidas las derivadas que componen J
F
(Z).
Bibliografa
[Accinelli et al., 2010] Accinelli, E., London, S., Punzo, L., and Sanchez, E. (2010). Dynamic
Complementarities , Efciency and Nash Equilibria for Populations of Firms and Workers.
Journal of Economics and Econometrics, 53(1):90110.
[Accinelli et al., 2011] Accinelli, E., London, S., Punzo, L. F., and Carrera, E. J. S. (2011).
Poverty Traps, Rationality and Evolution. Dynamics, Games and Science I, 1:3752.
[Accinelli et al., 2009] Accinelli, E., London, S., and Sanchez, E. (2009). AModel of Imitative
Behaviour in the Population of Firms and Workers.
[Azariadis and Stachurski, 2005] Azariadis, C. and Stachurski, J. (2005). Chapter 5 Poverty
Traps. In Aghion, P. and Durlauf, S., editors, Handbook of Economic Growth, number 913,
chapter 5, pages 295384. Elsevier.
[Barrett and Swallow, 2006] Barrett, C. B. and Swallow, B. M. (2006). Fractal Poverty Traps.
World Development, 34(1):115.
[Benam and Weibull, 2003] Benam, M. and Weibull, J. (2003). Deterministic Approximation
of Stochastic Evolution in Games. Econometrica, 71:873903.
[Benam and Weibull, 2009] Benam, M. and Weibull, J. (2009). Mean-eld approximation of
stochastic population processes in games.
[Butcher, 2003] Butcher, J. (2003). Numerical Methods for Ordinary Differential Equations.
[Dahlquist et al., 2003] Dahlquist, G., Bjorck, A., and Anderson, N. (2003). Numerical Meth-
ods. Dover Publications, reprint edition.
[Darling and Norris, 2008] Darling, R. and Norris, J. (2008). Differential equation approxi-
mations for Markov chains. Probability Surveys, 5:3779.
[Dormand and Prince, 1980] Dormand, J. and Prince, P. (1980). Afamily of embedded Runge-
Kutta formulae. Journal of Computational and Applied Mathematics, 6(1):1926.
[Ethier and Kurtz, 1986] Ethier, S. and Kurtz, T. (1986). Markov Processes Characterization
and Convergence.
[Hairer et al., 2011] Hairer, E., Norsett, S., and Wanner, G. (2011). Solving Ordinary Differ-
ential Equations I: Nonstiff Problems. Springer.
[Hairer and Wanner, 2004] Hairer, E. and Wanner, G. (2004). Solving Ordinary Differential
Equations II: Stiff and Differential Algebraic Problems.
[Hirsch and Smale, 1974] Hirsch, M. and Smale, S. (1974). Differential equations, dynamical
systems, and linear algebra. Acad. Press.
87
88 Bibliografa
[Kuhn et al., 1994] Kuhn, H., Harsanyi, J., Selten, R., Weibull, J., van Damme, E., Nash, J.,
and Hammerstein, P. (1994). The work of John Nash in Game Theory - The Nobel Founda-
tion Seminar.
[Maynard Smith, 1997] Maynard Smith, J. (1997). Vega - Flight in Birds and Aeroplanes -
Science Video, http://www.vega.org.uk/video/programme/84.
[Maynard Smith and Price, 1973] Maynard Smith, J. and Price, G. R. (1973). The Logic of
Animal Conict. Nature, 246.
[Nash, 1950] Nash, J. (1950). Non-Cooperative Games. PhD thesis, Princeton University.
[Nash, 1951] Nash, J. (1951). Non-Cooperative Games. The Annals of Mathematics,
54(2):286295.
[Robert, 2003] Robert, P. (2003). Stochastic Networks and Queues. Springer.
[Weibull, 1997] Weibull, J. W. (1997). Evolutionary Game Theory. MIT Press.
ndice de guras
2.1. Esquema de la Dinmica Resultante de un Modelo de Crecimiento . . . . . . . 9
3.1. Esquema de Trayectoria de la Dinmica con Intervencin Externa . . . . . . . 42
4.1. Ejemplo de Solucin con D-P y Paso Adaptativo . . . . . . . . . . . . . . . . 50
4.2. Regin de Estabilidad de Dormand-Prince . . . . . . . . . . . . . . . . . . . . 52
4.3. Tiempo de Clculo de Cuenca de Atraccin en funcin de n
p
. . . . . . . . . . 56
4.4. Porcentaje de Utilizacin de Ncleos en Funcin de t, n
p
= 5 . . . . . . . . . 57
4.5. Porcentaje de Utilizacin de Ncleos en Funcin de t, n
p
= 10 . . . . . . . . . 57
4.6. 10 Trazas de X(t) con N
F
= 20 - (x
S0
, y
I0
) = (0.3, 0.6) . . . . . . . . . . . . 62
F
= 100 - (x
S0
, y
I0
) = (0.3, 0.6) . . . . . . . . . . . 63
F
= 1000 - (x
S0
, y
I0
) = (0.3, .6) . . . . . . . . . . . 64
F
= 20 - (x
S0
, y
I0
) = (0.85, 0.2) . . . . . . . . . . . 65
F
= 100 - (x
S0
, y
I0
) = (0.85, 0.2) . . . . . . . . . . 66
F
= 1000 - (x
S0
, y
I0
) = (0.85, 0.2) . . . . . . . . . . 67
4.12. Solucin Determinstica X(t) - (x
S0
, y
I0
) = (0.3, 0.6) . . . . . . . . . . . . . 68
4.13. Solucin Determinstica X(t) - (x
S0
, y
I0
) = (0.85, 0.2) . . . . . . . . . . . . 69
4.14. Cuencas de Atraccin de los Equilibrios Estables - Modelo Sin Intervencin . . 70
4.15. Cuencas de Atraccin de los Equilibrios Estables - Etapa i con Incentivos . . . 70
4.16. Cuencas de Atraccin de los Equilibrios Estables - Etapa ii con Impuestos . . . 71
4.17. Solucin EDO Modelo con Intervencin Externa - (x
S
(0), y
I
(0)) = (0.3, 0.6) . 71
89

Tesis Bruno Bazzano

Cargado por

Información del documento

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

Tesis Bruno Bazzano

Cargado por

Copyright:

Formatos disponibles

TESIS

Presentada el da 27 de diciembre de 2012 en la

(x)[ m < 1 para todo x A R. Basado en lo anterior,

[0, 1]. Las densidades de puntos de las grillas dependen solamente de N

v y el vector de salida v. Denimos

Flujo Saliente(S) (3.41)

Flujo Saliente(I) (3.42)

) la tasa de transicin del estado v S al estado v

Y (t) = F(Y (t))

Y (t) = F(Y (t))

También podría gustarte