UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

UNIVERSIDAD DEL PERÚ, DECANA DE AMÉRICA

FACULTAD DE CIENCIAS ECONÓMICAS

CURSO: Matemática para economía IV

DOCENTE: Neisser Pino Romero
TEMA: Principio de Optimalidad

INTEGRANTES:

BANCAYAN COSTI, Moisés ..............................18120003

CUCHO CHUQUIYAURI, Luis Franco………18120110

CABRERA CRUZ, Alexander Joel ..................... 18120108

MUÑANTE MALPARTIDA, Anthony José ....... 18120017

 ÍNDICE GENERAL

I. INTRODUCCIÓN .............................................................................................. 3

II. MARCO TEÓRICO ............................................................................................ 5

1. PRINCIPIO DE OPTIMALIDAD Y SUS PROPIEDADES ............................. 5

1.1. DEFINICIÓN FORMAL DEL PRINCIPIO DE OPTIMALIDAD .................... 6

1.2. PROBLEMAS DE OPTIMIZACIÓN ................................................................. 6

III. APLICACIÓNES ................................................................................................ 11

1. APLICACIÓN DEL PRINCIPIO DE OPTIMALIDAD .................................... 11

1.1. EL PRINCIPIO DE OPTIMALIDAD APLICADO A LA ESTRUCTURA

FINANCIERA CORPORATIVA .................................................................... 13

1.2. ANALISIS DE CASO ....................................................................................... 16

CONCLUSIONES ............................................................................................................... 18

BIBLIOGRAFÍA ................................................................................................................. 19

ANEXO ............................................................................................................................... 20
I. INTRODUCCIÓN

Los problemas de toma de decisiones óptimas tanto de las personas como de las

empresas pueden ser de dos tipos: la dinámica y la estática.

La optimización estática no es más que una evaluación en el momento de todos los tipos

de variables, dejando de lado el tiempo; el cual repercute enormemente en cada variable, de

esta forma se puede notar que la optimización estática puede generar respuestas o soluciones

sesgadas. Por ende, nos centraremos en el otro tipo de optimización, la optimización dinámica.

La optimización dinámica estudia la evolución de sistemas o variables en el tiempo esta

forma de calcular cadenas óptimas de acciones, es como obtener un periodo de planificación

en el cual tengas previsto cada modificación futura que pueda suceder.

La solución de un problema de optimización dinámica nos brinda una trayectoria

temporal óptima completa para cada una de las variables, mostrando el mejor valor de la

variable actual y del futuro. Por ende, dentro de este trabajo tocaremos la optimización

dinámica, exactamente cuando la variable corresponde a los enteros no negativos, entonces el

problema tendrá una presentación en tiempo discreto.

La optimización en tiempo discreto es un tema desarrollado por Bellman. El cual se

fundamenta en el principio de optimalidad. Este principio consiste en una secuencia óptima de

decisiones que resuelve un problema, el cual debe cumplir la propiedad de que cualquier sub-

secuencia de decisiones, que tenga el mismo estado final. Debe ser también óptima respecto al

subproblema correspondiente.

Este principio será tocado cabalmente dentro de este trabajo, donde expondremos las

propiedades y la aplicación de este principio en problemas del tipo financieros para poder

encontrar las mejores soluciones y generar el máximo bienestar en todo sentido.

II. MARCO TEÓRICO

2. PRINCIPIO DE OPTIMALIDAD Y SUS PROPIEDADES

Es importante destacar que este método, presentado por Bellman, busca facilitar la

solución de problemas de optimización en tiempo discreto, para lo cual busca resolver un

problema de N periodos aisladamente; es decir, primero optimizar el problema en el periodo

N-1 para luego resolverlo en el periodo N-2 y así sucesivamente.

Para poder hablar del principio de optimalidad, antes se debe abordar la programación

dinámica y sus propiedades que la fundamentan; estas son las siguientes:

La Propiedad de Separabilidad que plantea que para todo t, las funciones de retorno y

transición, ft(») y gt(*), dependen de “t” y de los valores contemporáneos de las variables de

control y estado, pero no de sus valores pasados o futuros.

La Propiedad de Aditividad, según esta propiedad el funcional objetivo J es la suma de

las funciones de retorno en los “N” períodos.

Es así que, el principio de optimalidad en esencia se refiere a que las decisiones o

soluciones tomadas, del período 0 al período 𝑁 − 1, para resolver un problema de optimización

dinámica, será una solución óptima si y solo si las soluciones o decisiones tomadas del período

𝑁 − 1 al período 0 resuelven dicho problema;

2.1. DEFINICIÓN FORMAL DEL PRINCIPIO DE OPTIMALIDAD

Entonces plantearemos como principio o condición de optimalidad formalmente como la

siguiente:

𝑚𝑎𝑥 𝐽 = ∑𝑁−1
𝑘=0 𝐹 [(𝜒(𝑘 ), 𝑢 (𝑘 ), 𝑘 )] + 𝑆[𝑥(𝑁)]

Sujeto a: 𝑥(𝑘 + 1) = 𝑓 (𝜒(𝑘 ), 𝑢(𝑘 ), 𝑘 ), para 𝑘 = 0, 1, ⋯ , 𝑁 − 1,

Con: 𝑥(0) = 𝑥0 ,

𝑢(𝑘 ) ∈ 𝛺 (𝑘 ) . Para 𝑘 = 0, 1, ⋯ , 𝑁 − 1
 Es así que la secuencia de controles 𝑢∗ = (𝑢∗ (0), 𝑢∗ (1), … , 𝑢∗ (𝑁 − 1)) que resuelve

el problema se llama control óptimo y 𝑥 ∗ = (𝑥 ∗ (0), 𝑥 ∗ (1), … , 𝑥 ∗ (𝑁 − 1), 𝑥 ∗ (𝑁)),

determinado por la ecuación de estado a partir de 𝑢∗ y de 𝑥 (0), se llama trayectoria de estado

óptima o camino óptimo; además 𝑥 (𝑘 + 1) = 𝑓 (𝜒(𝑘 ), 𝑢(𝑘 ), 𝑘 ) es la restricción de estado de

la ecuación para el sistema.

2.2. PROBLEMAS DE OPTIMIZACIÓN

Ahora para plantear dicho principio de manera entendible, y observable se plantea un

problema de optimización básico, que interpretaremos gráficamente de la siguiente manera:

Se plantea construir una carretera desde A hasta L, por ende, la constructora encargada

optará por minimizar los costos; para ello se realiza un presupuesto por cada punto que es un

posible optimo; en el siguiente gráfico se observa los posibles puntos por donde sería el

recorrido de esta carretera; y los costos por tramo que han sido presupuestados, se pide obtener

el mínimo costo total para esta obra.

 Entonces teniendo los costos por tramo, es fácilmente observable que el costo mínimo

desde A hasta L será el recorrido de la línea roja, así optando por construir la carretera en la

ruta A-B-D-G-J-L, ya que esta presenta la cantidad global mínima en cuanto a costo; ahora

para poder observar el principio de optimalidad, tomaremos como punto de partida el período

k=2; y concluiremos que el óptimo desde este punto de partida esta dado por B-D-G-J-L, y si

se hiciera la prueba desde el siguiente período k=3, llegaríamos a la misma conclusión, y así

sucesivamente; entonces la solución A-B-D-J-L, es óptima ya que las soluciones partiendo de

sus diferentes períodos para todo k>1, resuelven el problema. Para este problema básico

tomamos un horizonte temporal finito; sin embargo, también se pueden plantear con horizonte

temporal infinito.

Otra manera de resolver problemas con el principio de optimalidad es maximizando las

variables de control para luego obtener los valores óptimos del funcional en cada periodo en

que este definido el problema. Por razones prácticas plantearemos el siguiente problema

numérico con el fin de hacer más fácil la explicación.

4
𝑚𝑎𝑥 𝐽 = ∑𝑘=0[(10𝑥 (𝑘 ) − 0.1𝑢2 (𝑘 ))] + 𝑆[𝑥 (5)]

Sujeto a: 𝑥(𝑘 + 1) = 𝑥 (𝑘 ) + 𝑢(𝑘 )

Con: 𝑥(0) = 0

Para dar soluciones al problema se empezará a desarrollar desde el periodo o etapa N

hasta el periodo o etapa inicial (0), encontrando los valores de los controles óptimos (𝑢∗ ) y los

funcionales óptimos para cada periodo (𝐽∗ 𝑁 ).

Como 𝑁 − 1 = 4 entonces el valor de N es igual a 5, es decir que este problema se

divide en 5 etapas. Entonces procederemos a resolver el problema por etapas.

FINAL:

Dado 𝑥 (5) entonces

𝐽∗ 5 (𝑥 (5)) = 0
PERIODO 5:

Dado 𝑥 (4) entonces

𝐽4 (𝑥 (4)) = 10 𝑥 (4) − 0.1𝑢2 (4) + 𝐽∗ 5 (𝑥 (5))

Como el óptimo del funcional en la etapa cinco es igual a cero, el funcional de la etapa

4 queda en función de dicho periodo, entonces lo que prosigue es hallar el valor óptimo de la

variable de control para este periodo, para esto último derivamos el funcional con respecto a la

variable de control. Resultando lo siguiente:

𝜕 𝐽4
= 0 = −0.2𝑢(4)
𝜕𝑢(4)

Entonces:

𝑢∗ (4) = 0 𝑦 𝐽∗ 4 (𝑥 (4)) = 10 𝑥 (4)

PERIODO 4:

Dado 𝑥 (3), entonces

𝐽3 (𝑥 (3)) = 10 𝑥 (3) − 0.1𝑢2 (3) + 𝐽∗ 4 (𝑥 (4))

Usando la restricción de estado obtenemos que

𝑥 (4) = 𝑥 (3) + 𝑢(3)

Reemplazando en el funcional del tercer periodo (k= 3)

𝐽3 (𝑥 (3)) = 10 𝑥 (3) − 0.1𝑢2 (3) + 10 𝑥(3) + 10𝑢(3)

Hallamos el valor óptimo de la variable de control derivando con respecto a 𝑢(3)

𝜕 𝐽3
= 0 = −0.2𝑢(3) + 10
𝜕𝑢(3)

Entonces:

𝑢∗ (3) = 50 𝑦 𝐽∗ 3 (𝑥(3)) = 20 𝑥 (3) + 250

PERIODO 3:

Dado 𝑥 (2), entonces

𝐽2 (𝑥 (2)) = 10 𝑥 (2) − 0.1𝑢2 (2) + 𝐽∗ 3 (𝑥 (3))

Usando la restricción de estado obtenemos que:

𝑥 (3) = 𝑥 (2) + 𝑢(2)

Reemplazando en el funcional del segundo periodo (k= 2)

𝐽2 (𝑥 (2)) = 10 𝑥 (2) − 0.1𝑢2 (2) + 20𝑥 (2) + 20𝑢(2) + 250

Hallamos el valor óptimo de la variable de control derivando con respecto a 𝑢(2)

𝜕 𝐽2
= 0 = −0.2𝑢(2) + 20
𝜕𝑢(2)

Entonces:

𝑢∗ (2) = 100 𝑦 𝐽∗ 2 (𝑥 (2)) = 30 𝑥(2) + 1250

PERIODO 2:

Dado 𝑥 (1), entonces

𝐽1 (𝑥 (1)) = 10 𝑥 (1) − 0.1𝑢2 (1) + 𝐽∗ 2 (𝑥(2))

Usando la restricción de estado obtenemos que

𝑥 (2) = 𝑥 (1) + 𝑢(1)

Reemplazando en el funcional del primer periodo (k= 1)

𝐽1 (𝑥 (1)) = 10 𝑥 (1) − 0.1𝑢2 (1) + 30 𝑥 (1) + 30𝑢(1) + 1250

Hallamos el valor óptimo de la variable de control derivando con respecto a 𝑢(1)

𝜕 𝐽1
= 0 = −0.2𝑢(1) + 30
𝜕𝑢(1)

Entonces:

𝑢∗ (1) = 150 𝑦 𝐽∗1 (𝑥(1)) = 40𝑥 (1) + 3500

PERIODO 1:

Dado 𝑥 (0), entonces

𝐽0 (𝑥 (0)) = 10 𝑥 (0) − 0.1𝑢2 (0) + 𝐽∗1 (𝑥(1))

Usando la restricción de estado obtenemos que:

𝑥 (1) = 𝑥 (0) + 𝑢(0)

Reemplazando en el funcional del periodo inicial (k= 0)

𝐽0 (𝑥 (0)) = 10 𝑥 (0) − 0.1𝑢2 (0) + 40 𝑥(0) + 40𝑢(0) + 3500

Hallamos el valor óptimo de la variable de control derivando con respecto a 𝑢(0)

𝜕 𝐽0
= 0 = −0.2𝑢(0) + 40
𝜕𝑢(0)

Entonces:

𝑢∗ (0) = 200 𝑦 𝐽∗ 0 (𝑥 (0)) = 7500

Por lo tanto, al reemplazar los diferentes en el problema inicial obtendremos el mismo resultado

que el funcional 𝐽∗ 0 (𝑥 (0)) , puesto que son equivalentes.

III. APLICACIONES

3. APLICACIÓN DEL PRINCIPIO DE OPTIMALIDAD

El principio de optimalidad tiene aplicaciones diversas en la resolución de problemas

compuestos por una sucesión del tipo finita o infinita de valores que influyen en el tiempo a la

función objetivo. En la que cada etapa depende de las decisiones que se tomen en la anterior.

Para el presente informe se estudiará la aplicación del principio en la estructura financiera

corporativa, en específico para el caso mexicano.

Antes de formular nuestra función objetivo debemos revisar la teoría acerca de la

estructura financiera óptima desarrollada por Modigliani y Miller (1958) cuyos principales

supuestos son:

• Los individuos pueden prestar o pedir prestado a una tasa libre de riesgo.
• No existen costos de bancarrota
• La empresa emite sólo dos tipos de valores: deuda sin riesgo y capital.
• Los flujos de efectivo son perpetuos (no existe crecimiento)

Bajo estos supuestos el valor presente de una empresa no apalancada queda determinada por:

Donde:
VNA = Valor presente de una empresa no apalancada
E(FEL) = Valor esperado de una corriente de flujos libre de efectivo (después de impuestos) a
perpetuidad
ρ = tasa de descuento para una empresa sin deuda y apropiada al riesgo
UNO = Utilidad neta operativa

Mientras que el valor presente de una empresa apalancada sería:

o VL = VNA + τCB
*Donde tc: impuestos corporativos y B: valor presente de mercado de la deuda.

De acuerdo a Modigliani y Miller “el valor de una empresa apalancada es igual a la

suma del valor de la empresa no apalancada más el beneficio fiscal que provee la deuda

(ganancia por apalancamiento)”. A partir de ellos se deducen dos escenarios si el valor de los

impuestos corporativos es cero entonces el valor de mercado de una empresa no depende de su

estructura financiera a este resultado se le conoce como “Principio de Irrelevancia de la

Estructura de Capital”. El otro escenario ocurre cuando el valor de “tc” es distinto de cero, en

este caso la empresa tiene un beneficio adicional por contraer deuda, ya que esta es

deducible de impuestos. Por lo tanto, la empresa maximiza su valor al financiarse 100% con

deuda.

En la realidad, sin embargo, las empresas evitan altos niveles de apalancamiento por

razones de riesgo. Por ello es necesario incluir al modelo de Modigliani y Miller los costos de

insolvencia financiera y los costos de bancarrota, esta teoría de financiamiento denominada

clásica o tradicional, así como la teoría M y M se observa en la siguiente figura.

La teoría tradicional de Financiamiento y los postulados de Modigliani y Miller

El valor presente de una empresa apalancada quedaría redefinido como:

VL=VNA + τCB − [costos por in solvencia financiera] –[costos de bancarrota]

3.1. El principio de optimalidad aplicado a la estructura financiera corporativa

En el caso latinoamericano, más específicamente en el mexicano la estabilidad

económica que valida los modelos de Modigliani y Miller no se cumplen, debido a que su

principal preocupación es la supervivencia en el periodo actual. Por ello es necesario desarrollar

un modelo matemático que optimice las decisiones de financiamiento. En ese aspecto el

principio de optimalidad nos permitirá abordar estos problemas.

El flujo libre de efectivo FLE (visto anteriormente) generado por la empresa será la

cantidad de dinero remanente disponible para acreedores (intereses), accionistas (dividendos)

y el gobierno (pago de impuestos). Debido a que la empresa quiere planear las partidas

mencionadas, el problema adquiere una estructura donde las decisiones se toman de manera

secuencial en el tiempo. El cual se resume en el siguiente gráfico:

Formalmente la Utilidad Retenida en el periodo siguiente al periodo “i” quedará definida como:

URi+1 = FLEi + IntGi (URi, URi+1) + Di – URi – IntPi – Impi (URi, URi+1) – Pi
Donde:
URi = utilidad retenida en la etapa i
IntPi = intereses a pagar por deuda contratada en la etapa i
Impi (URi, URi+1) = impuestos a pagar por intereses cobrados en la etapa i
FLEi = flujo libre de efectivo generado en la etapa i
IntGi (URi, URi+1) = intereses ganados por inversiones en la etapa i
Di = préstamo solicitado en la etapa i
Pi = pago de deuda con vencimiento en la etapa i
URi representa la variable de estado puesto que depende del valor anterior y la decisión tomada
en la etapa previa representada por la variable decisión intereses pagados IntPi.

La URi puede reescribirse como:

URi+1 = fi (URi, URi+1, IntPi) IntPi = fi–1 (URi, URi+1)

 Para la problemática descrita, se debe determinar una función que permita maximizar

la variable decisión. Para ello podemos partir de la teoría tradicional de financiamiento. La cual

define el valor presente de mercado de una empresa como:

VL=VNA + τcB − [costos por in solvencia financiera] –[costos de bancarrota]

De la teoría tradicional de financiación y del problema de toma de decisiones secuencial

podemos plantear el modelo de Optimización de acuerdo al principio de Bellman.

Para cada problema sólo se tiene una variable a optimizar, además la función que determina el

valor óptimo tiene el siguiente formato. Esta expresión se conoce como “relación recursiva” de

la programación dinámica.

fi (URi)=máx.{(URi,URi+1,IntPi+fi+1(URi+1)}
sujeto a:
IntPi = gi–1 (URi, URi+1)

Esta expresión es la representación matemática del principio de Optimalidad de

Bellman. “Una política óptima tiene la propiedad de que, sin importar el estado inicial y la

decisión tomada, las decisiones remanentes constituyen una política óptima con respecto al

estado resultante de la primera decisión”.

3.2. Análisis de caso

Para los datos ingresados en el modelo propuesto a la empresa CEMEX se consideraron

tres escenarios económicos sobre el pronóstico histórico promedio. Los resultados obtenidos

sobre los flujos de efectivo esperado para el año 1999 se pueden ver en la siguiente figura.

En cuanto al comportamiento de la liquidez de CEMEX, se observa que en el escenario

optimista la empresa tiene problemas de solvencia en mayo, junio y julio. Esto se debe a que

en este escenario la empresa realiza importantes inversiones, por lo que se propone

considerables deudas a contraer.

 Los resultados del modelo no deben regir estrictamente las decisiones de

financiamiento de la empresa. Deben en su lugar, las políticas y estrategias establecidas por la

empresa, dirigir los resultados del modelo, guiados por el algoritmo.

CONCLUSIONES

El principio de Optimalidad de Bellman es la base del método desarrollo por la

programación dinámica y presenta aplicaciones en diversas áreas tales como encontrar la ruta

más corta en un problema de distancias y a partir de ello minimizar costos.

Este principio también permite facilitar la resolución de problemas seccionándolos en

partes, resolviendo cada una de estas para así resolver el problema total a partir de esos casos

particulares.

La aplicación del principio de optimalidad además permite abordar problemas

compuestos por una sucesión de valores que realizan aportaciones a la función objetivo, por

tanto, tiene lugar en la determinación de la estructura financiera óptima de una empresa que

contrae deuda debido a la estructura especial que adquiere la toma de decisiones secuencial en

el tiempo.

Los resultados obtenidos del flujo libre esperado FEL y de la liquidez de la empresa

CEMEX, mediante la aplicación del algoritmo en el modelo, nos indican que el cambio de los

supuestos puede generar resultados considerablemente diferentes, por lo tanto, es necesario un

mayor estudio del tema, así como su aplicación en la realidad.

BIBLIOGRAFÍA

Bonifaz, J. L., & Lama, R. (2013). Optimización dinámica y teoría económica. Universidad

del Pacífico.

Cortés, L. J. T., Vadillo, F. V., & Barragán, E. H. T. (2018). El Principio de Optimalidad de

Bellman aplicado a la Estructura Financiera Corporativa. Caso mexicano (The Bellman’s

Optimality Principle applied to corporate financial structure. Mexican case). Revista Análisis

Económico, 32(81), 151-181.

Escot Mangas, L., Olmedo Fernández, E., & Pozo García, E. M. D. (2002). Optimización

dinámica.

Cerdá, E. (2011). Optimización dinámica. Madrid, España: Prentice Hall.

Jav Arro. (2019, 22 set). Ecuaciones de Bellman. Programación dinámica. Recuperado de

https://www.youtube.com/watch?v=VU9ebSO0C88

Maurette, M., & Ojea, I. (2006). Programación Dinámica.

CÓDIGO EN R
> ##############################################

> ##############################################

> ## Modelo IS-LM

> ##############################################

>

> # Y: Producción

> # R: Tasa de interés

>

> #### Definicion de los parametros

> # a: Velocidad de ajuste de la renta real

> # b: PMgC

> # u: Respuesta de la inversión a tasa de interés

> # h: Sensibilidad de Demanda de dinero respecto a TI

> # s: Sensibilidad e Demanda de dinero respecto a Prod

> # x: Tributación Marginal impositiva

> # d: Consumo autónomo

> # f: Impuestos

> # g: Gasto de gobierno

> # i: Inversión

> # m: Saldos Reales

> ############################################################

> ############################################################

>

> LVM <-function(t, y, p)

+{

+ Y<-y[1] # Poblacion de CONEJOS

+ R<-y[2] # Poblacion de ZORROS

+ with(as.list(p), {

+ # SISTEMA DE ECUACIONES (E.D.O.)

+ dY <- a*((z*(1-x))-1)*Y-(u*a*R)+(a*(i+g+d-(z*f))) #DIN Prod

+ dR <- b*((s*Y)-(k*R)-m) # Dinamica de Tasa de Int

+ return(list(c(dY, dR)))

+ })

+}

>

> ####################################################

> ####################################################

> ####################################################

>

> # Valores de los Parametros NORMALIZADOS ( [0,1] )

>

> a <- 0.010 # a: Velocidad de ajuste de la renta real

> z <- 0.6 # b: PMgC

> u <- 0.2 # u: Respuesta de la inversión a tasa de interés

> k <- 0.03 # h: Sensib. de Demanda de dinero respecto a TI

> s <- 0.5 # s: Sensib e Demanda de dinero respecto a Prod

> x <- 0.09 # x: Tributación Marginal impositiva

> d <- 25 # d: Consumo autónomo

> f <- 15 # f: Impuestos

> g <- 30 # g: Gasto de gobierno

> i <- 20 # i: Inversión

> m <- 12 # m: Saldos Reales

> b <- 0.015 # b: Velocidad de ajuste de Tasa de interés

> ## Definicion de los valores iniciales (y0)

> ## y las opciones de tiempo (inicio, fin, timestep).

>

> # Poblaciones Iniciales (Miles)

> Yo <- 40 # Poblacion de los CONEJOS

> Ro <- 10 # Poblacion de los ZORROS

>

> # Tiempo Limite de Simulacion (Años)

> TT <- 100

>

> ############################################

> ############################################

>

> # Definicion de los parametros del Sistema (Modelo)

> p<- c(a=a, z=z, u=u, k=k, b=b, s=s, x=x, d=d, f=f, g=g, i=i, m=m)

>

> # Definicion de las poblaciones iniciales del Sistema (Modelo)

> y0<- c(Y = Yo, R = Ro)

>

> # Definicion del Tiempo de Compilacion (Simulacion)

> times<- seq(0, TT, 0.1) # Secuencia del TIEMPO

> LVM.out<- ode(y=y0, times, LVM, p)

>

> ##############################################

> ## DATOS REALES DE PRODUCCI+ON Y TASA DE INTERÉS

>

> tt = seq(0,22);

> tf = length(tt);

>

> ##############################################

> ##

> ## Grafico de cambio en el tiempo (MATLPLOT)

> ## Diagrama de fase (PLOT) de las dos variables Produccion y tasa de interes.

>

> #######################################################

> #######################################################

> # GRAFICO DE PRODUCCIÓN Y TASA DE INTERÉS EN EL TIEMPO

>

> matplot(LVM.out[,1], (LVM.out[,2:3]), type="l", lwd = 3,

+ xlim=c(0,TT), ylim=c(0,90), xlab="Tiempo (Años)", ylab="Nivel")

>

> # UBICACION DE LA LEYENDA DE LAS CURVAS NIVELES

> legend("topright", legend=c("Producción", "Tasa de interés"),col=c("black", "red"), lty=1:2,lwd = 3,

cex=0.37)

>

> # MALLA PARA DISTRIBUCION CUADRACULIAR DEL GRAFICO

> grid(6, 5, lwd = 1) # Grilla (# Columnas, # Filas)

>

> #########################################################
> #########################################################

> # GRAFICO DE COMPORTAMIENTO DE PRODUCCIÓN Y TASA DE INTERÉS

>

> plot(LVM.out[,2], LVM.out[,3],type="l",lwd = 5, xlim=c(0,80), ylim=c(0,70),

+ xlab="Nivel de Producción", ylab="Tasa de Interés")

>

> # MALLA PARA DISTRIBUCION CUADRACULIAR DEL GRAFICO

> grid(6, 5, lwd = 1) # Grilla (# Columnas, # Filas)

>

> ##########################################################

> ##########################################################
ANEXO
Diagramas e interpretaciones de los resultados

• Diagrama de fase

• Comportamiento de las variables producción y tasa de interés en el tiempo.

 El modelo IS-LM con los parámetros propuestos, tal como una economía

medianamente consumista, con una alta sensibilidad por parte de la demanda de dinero con

respecto a la producción, además de una baja sensibilidad de la demanda de dinero con respecto

a la tasa de interés, y una relativamente alta tasa de impuestos; podemos observar la tendencia

ascendente que poseen las dos variables en el tiempo.

Finalmente concluimos que en una economía con tendencias muy disparejas entre sus

parámetros; ocasionaran un amento en ambas variables, que finalmente en algún punto

ocasionaran su descenso.