Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 1: Introduccin
Marco Ortiz
Marzo-Abril 2015
PUCP
motivacion
motivacin
motivacin
un adelanto...
Las herramientas numricas pueden parecer tediosas, pero el
pago es alto...
un adelanto...
Las herramientas numricas pueden parecer tediosas, pero el
pago es alto...
Forma tradicional de solucin:
Log-linearizacin alrededor del estado estacionario.
aritmtica computacional
economa de la computacin
10
ak xk
(1)
k=0
(2)
11
(3)
Propagacin de errores.
Tasas de convergencia: velocidad con la que una secuencia
converge a su lmite. Para la secuencia xk Rn que satisface
que limk xk = x , decimos que xk converge a x a la tasa q si:
xk+1 x
< .
k xk x q
(4)
xk+1 x
< < 1.
k xk x
(5)
lim
Si
lim
(6)
14
optimizacin
Los problemas de optimizacin (de dimensin nita) son claves
en economa (ej: problema de la rma, problema de
consumidor, etc.) y en econometra (ej: maximizacin de la
funcin de verosimilitud, minimizacin de errores cuadrticos,
etc.)
Existe un vnculo cercano entre la optimizacin y la bsqueda
de races (soluciones a sistemas de ecuaciones).
f(x) = 0.
(7)
optimizacin (2)
La idea clave en economa es que los agentes optimizan.
El problema ms general puede expresarse como:
min f(x) s.t.
x
g(x) = 0, h(x) 0.
donde f : R R es la funcin objetivo, g : Rn Rm es el
vector de m restricciones de igualdad y h : Rn Rl es el vector
de l restricciones de desigualdad.
Los mtodos de solucin numrica evalan el espacio de
alternativas posibles, generando secuencias de solucin que
deben converger a la solucin verdadera. Debido a la
informacin que utilizan los clasicamos en:
n
minimizacin unidimensional
El problema ms sencillo es la optimizacin escalar sin
restricciones:
min f(x),
xR
donde f : R R.
Bracketing: simple... atrapa al mnimo (local). f(a), f(b) > f(c)
18
optimizacin multidimensional
para f : Rn Rn .
Algunos de estos mtodos requieren la continuidad de la
funcin f, otros son ms generales.
Discutimos los mtodos ms sencillos (la lgica en los ms
complicados es similar).
20
aproximacin de funciones
23
informacin disponible
Tenemos:
un set nito de derivadas
normalmente evaluadas en un punto.
...
un set nito de valores de la funcin.
f1 , . . . , fm evaluada en m nodos, x1 , . . . , xm .
24
1. polinomios
esto aun nos da mucha exibilidad,
ejemplos de polinomios de segundo orden
a0 + a1 x + a2 x2
a0 + a1 ln(x) + a2 (ln(x))2
exp(a0 + a1 ln(x) + a2 (ln(x))2 )
25
i Ti (x)
(10)
i=0
(11)
26
reduciendo la dimensionalidad
n + 1 elementos.
i=0 i Ti (x) :
*Truncamiento matemtico.
27
procedimiento general
28
weierstrass
i xi .
(12)
i=0
29
weierstrass
i xi .
(12)
i=0
29
Con derivadas:
expansin de Taylor.
30
proyeccin
Denotemos por:
T1 (x0 )
T1 (x1 )
..
.
...
...
..
.
Tn (x0 )
Tn (x1 )
..
T0 (xm ) T1 (xm )
...
Tn (xm )
T0 (x0 )
0
T0 (x1 )
.
Y = .. =
..
.
m
entonces:
Y X
(13)
31
ai,j xi yj
(14)
0i+j2
ai,j xi yj
(15)
i=0 i=0
32
33
polinomios ortogonales
Ti (x)Tj (x)w(x)dx = 0, i, j i = j.
(16)
34
[a, b] = [1, 1] y
1
w(x) =
(1 x2 )1/2
Qu pasa si la funcin de inters no esta denida en [1, 1].
35
36
aj Tcj (x),
j=0
bj xj ,
j=0
37
nodos de chebyshev
38
ortogonalidad discreta
(17)
i=1
entonces, si
T0 (x0 )
T0 (x1 )
X=
..
.
T0 (xm )
T1 (x0 )
T1 (x1 )
..
.
...
...
..
.
T1 (xm ) . . .
Tn (x0 )
Tn (x1 )
..
.
Tn (xm )
39
convergencia uniforme
40
splines
41
piece-wise lineal
(
)
)
(
x xi
x xi
1
fi +
fi+1
xi+1 xi
xi+1 xi
42
43
(18)
44
c2 x21
d2 x31
(19)
(20)
Para los dos valores extremos x0 y xn+1 , solo tenemos una valor
que debe jarse correctamente.
45
46
47
aproximacin de funciones
48
integracin numrica
integracin numrica
La evaluacin numrica de una integral denida es uno de los
problemas hallados frecuentemente en la modelacin
econmica.
Ejemplos:
si una rma paga un ujo continuo de dividendos, d(t), y la tasa de
2
f(X) est dada por: (2)1/2 f(x)ex /2 dx.
I=
f(x)dx
wi f(xi ) =
wi fi
(21)
a
i=1
i=1
tcnicas de cuadratura
Dos versiones:
Formulas Newton-Cotes
Nodos equidistantes y la mejor eleccin de pesos wi .
Cuadratura Gaussiana
la mejor eleccin de nodos y pesos.
51
Pseudo:
es la versin implementable del verdadero Monte Carlo.
Cuasi:
parece Monte Carlo, pero es algo distinto... debieron elegir mejor
el nombre.
52
f(x)dx
a
P2 (X)dx
(22)
53
f(x)dx
a
1
4
1
f0 + f1 + f2
3
3
3
)(
ba
6
)
.
(23)
54
55
cuadratura gaussiana
56
cuadratura gauss-legendre
Cuadratura:
1
1
f(x)dx
wi f(i )
(24)
i=1
57
(25)
wi fi
(26)
i=1
58
1dx =
1
wi 1.
i=1
xdx =
1
w i i .
i=1
x2 dx =
1
wi i2 .
i=1
etc...
59
xj dx =
1
wi ij
(27)
i=1
para j = 0, 1, . . . , 2n 1.
Este es un sistema de 2n ecuaciones y 2n incognitas.
60
(28)
61
cuadratura gauss-hermite
(29)
62
cuadratura gauss-hermite
2
xj ex dx =
wi ij ; para j = 0, 1, . . . , 2n 1.
(30)
infty
i=1
2
63
w i fi ,
(31)
i=1
64
Cmo calculamos...
E[h(y)] con y N(, 2 )?
Entonces, requerimos calcular:
)
(
1
(y )2
h(y) exp
dy
2 2
2
Desafortunadamente, esto no encaja exactamente con la
funcin de pesos Hermitianos...
Aqu el cambio de variable nos ayuda.
65
cambio de variables
Si y = (x), entonces
1 (b)
g(y)dy =
b
g((x)) (x)dx
1 (a)
66
cambio de variables
y
o y = 2x +
2
67
cambio de variables
E[h(y)] =
(
)
1
(y )2
h(y) exp
dy
2 2
2
)
(
1
h( 2x + ) exp x2 2dx
2
(
)
1
h( 2x + ) exp x2 dx
68
qu hacer en la prctica?
1
GH
wGH
E[h(y)]
+ )
i h( 2i
i=1
69
qu hacer en la prctica?
1
GH
wGH
E[h(y)]
+ )
i h( 2i
i=1
69
70
(32)
Es una funcin, dado que para cada precio p, hay una nica
cantidad demanda.
En este caso es fcil calcular el precio que limpia el mercado
(basta una calculadora de mano).
71
(33)
72
(34)
(35)
(36)
(37)
(38)
Obtenemos Ep = 1 y a = 1.
Asumamos ahora que el gobierno implementa un programa de
apoyo, que garantiza un precio mnimo de 1.
El productor ahora recibir max(p, 1)
74
(39)
(40)
(41)
76
conclusiones
conclusiones
78
Preguntas?
79