Referente Pensamiento Eje 2 Metodos Matematicos

MÉTODOS
MATEMÁTICOS PARA
ECONOMISTAS
Hernán Cortés
EJE 2
Analicemos la situación
Fuente: Adobe/251144827
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Máximos y mínimos restringidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Método del Lagrangiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Optimización dinámica: la teoría de control óptimo . . . . . . . . . . . . . . . . . 8
Problema típico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Las condiciones de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
El caso de múltiples variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Condiciones de Karush-Kuhn-Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
¿Cómo encontrar los puntos de KKT? . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Casos particulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
ÍNDICE
Introducción
INTRODUCCIÓN
Una vez entendida la optimización no restringida como la relación entre fun-

ciones que cumplen solo algunas condiciones, se debe mirar con detenimiento el
siguiente nivel de análisis de optimalidad.
Es entonces el momento de observar ciertos casos que no están dentro del

primer grupo de dicha circunstancia.
En la primera parte de este curso se provee los fundamentos de la optimización

asociados a las funciones que requieren la intervención y análisis de máximos y
mínimos restringidos.
Luego se vincula herramientas de apoyo fundamental en la optimización para

escenarios especiales o restringidos como lo son las ecuaciones de Lagrange las
condiciones necesarias y suficientes y el modelo de Kuhn Tucker.
Máximos y mínimos
restringidos
Figura 1. Máximos y mínimos
Instrucción
Antes de iniciar con la temática les invitamos a ingresar a la

página principal del eje para revisar las siguientes actividades:
Recursos de aprendizaje
Nube de palabras
Pódcast
Lectura complementaria
On the elasticities of substitution and complementarity
Ryuzo Sato, Tetsunori Koizumi,
Resolver un problema de optimización es encontrar, si existen, sus soluciones óptimas,

es decir los extremos globales de la función objetivo sobre el conjunto factible. Desde el
punto de vista práctico y computacional en algunas ocasiones bastará con obtener los
llamados extremos locales que se ven a continuación.
Métodos matemáticos para economistas - eje 2 analicemos la situación 5

(Mínimo local) Consideremos el problema de optimización PPNL y sea Ω su conjunto
factible. Diremos que x* ϵ Ω C Rn es un mínimo local o relativo de f(x) en Ω si y solo si
El punto X* será un mínimo local estricto de f (x) en Ω si la desigualdad es estricta
(Máximo local) Consideremos el problema general de optimización PPNL y sea su

conjunto factible. Diremos que X* ϵ Ω ⊆ R² es un máximo local o relativo de ƒ (x) en si
y solo si
Los máximos y mínimos locales de los problemas de optimización también se denomi-

nan extremos locales o relativos.
A diferencia de los extremos globales que afectan a todo el conjunto factible , los
extremos locales afectan a cierto entorno a su alrededor.
Instrucción
Les invitamos a ingresar a la página principal del eje para

revisar la actividad de aprendizaje:
Recurso de aprendizaje
Infografía
Pódcast con preguntas
Videocápsula
Multiplicadores de lagrange- Problema 1
https://youtu.be/iTfqb7eheJw

Método del Lagrangiano
Figura 2. Métodos matemáticos

Las condiciones de optimalidad descritas en el

apartado anterior se memorizan con la utilidad del Método lagrangiano:
dominio lagrangiano. Para ello, se construye una fun- Un problema clásico en economía es la forma
de maximizar la utilidad pese a limitaciones de
ción artificial a base de sumar la función objetiva, recursos, como el tiempo y el dinero. El método
U(•),con cada una de las restricciones multiplica- lagrangiano utiliza una técnica proveniente del
cálculo para medir de modo matemático la
das por su constante λi . esta constante es el precio forma en que los consumidores pueden lograr
implicado o multiplicador de Lagrange asociado con satisfacción máxima y los negocios pueden
maximizar el beneficio (o minimizar los costos)
la restricción i. obsérvese que tenemos uno de estos con los límites dados.
multiplicadores para cada una de las restricciones. El
lagrangiano es, pues:
L = U (x*+yn) + ( ai -gi) (x1+xn))
La condición (A.2ª) dice que, si x* es el óptimo, entonces la derivada parcial de L con

respecto de cada uno de los xj deben ser iguales a cero. Las condiciones (A.2ª) dicen
que el lagrangiano L , tiene un mínimo con respecto de los múltiplos (condición (A.2ª)
dicen que los dos componentes de (A.2ª) son no – negativos por lo que el producto se
minimiza cuando esté en cero)

a. DU (x*1 , . . ., +y*n) = (Dgi (x*1 , . . ., +y*n))
b. Dgi (x*1 , . . ., +y*n) ≤ ai , 0
c. (x*1 , . . ., x*n) = 0
Optimización dinámica: la teoría de control óptimo
Figura 3. Teorías matemáticas

A pesar de la teoría matemática de la optimización dinámica es muy antigua, los

economistas no empezaron a utilizar métodos dinámicos sistemáticos hasta los años
sesenta (a los veinte algunos economistas como Hotelling y Ramsey utilizaron modelos
dinámicos, pero la capacidad de sus colegas para atender sus teorías hizo que aquella

investigaciones no se utilizaron hasta la década de los sesenta) la metodología utilizada
por los matemáticos clásicos para solucionar problemas dinámicos se conocía con el
nombre de cálculo de variaciones.
Lectura recomendada
Para ampliar este apartado se invita al estudiante

desde la página principal del eje a realizar la lectura
complementaria:
Optimización dinámica en tiempo discreto: métodos

matemáticos para una aplicación económica
María José Bianco.
Esta primera metodología se perfeccionó a través de dos vías distintas. La primera vía,
conocida como programación dinámica, fue desarrollada por el norteamericano Richard
Bellman en los años cincuenta.
Este método es especialmente útil para solucionar problemas estocásticos de tiempo

discreto.
La segunda vía, llamada control óptimo fue desarrollada por un equipo de matemá-
ticas rusos liderados por Pontryagin, esta metodología, que se basa en el hamiltoniano,
especialmente útil para solucionar problemas de optimización dinámica cuando una de
las restricciones es una ecuación diferencial.
Como hemos visto, este tipo de restricciones son especialmente comunes en la teoría
del crecimiento económico.
Lectura recomendada
Les invitamos a ingresar a la página principal del eje

para revisar la lectura complementaria:
The translog function and the substitution of equi-

pment, structures, and labor in U.S. manufacturing
1929-68, (pp. 81-114)
Ernst Berndt, Laurits Christensen

Problema típico
Figura 4. Problema típico

El problema típico al que nos enfrentamos es el siguiente. El agente económico (con-

sumidor, la empresa, el gobierno, el planificador, o quien sea) debe escoger o controlar
una serie de variables en el tiempo llamadas variables de control. Se requiere maximizar
una función objetivo (función de utilidad, de beneficio, etc.) sujeto a una serie de restric-
ciones. Las restricciones son dinámicas en el sentido por las llamadas variables de estado.
El problema es el siguiente.
Max V(0) ( ct ,kt, t) dt
Sujeto a
a. kt, = (kt, ct, t)
b. k0 está dada
c. kt e ¯f t T ≥ 0
Donde V (0) es el valor de la función objetivo desde el punto de vista del momento inicial,
seo, donde 0, y T son los momentos inicial y final respectivamente, mientras que RT es la tasa
de descuento de último momento. El momento final, T, podría ser finito o infinito.
La variable K t (parece con un punto encima en la recepción dinámica) es la variable de

estado.

Ct (la que no aparece con un punto en la restricción dinámica) variable de control. Las
dos variables son dinámicas en el sentido de que varían en el tiempo (de ahí el subíndice t).
Es importante distinguir las variables de control de estar antes de empezar a solucionar un
problema dinámico porque, como veremos a continuación, las condiciones de primer orden
referentes a unas y otras son distintas.
La Función objetivo es la suma integral de las funciones objetivos instantáneas, un punto

desde el momento inicial al final. Cada una de estas funciones instantáneas, u(.), El momento
inicial al final. Cada una de estas funciones instantáneas, a su vez, depende de las variables
de control, Ct y de estado, kt, que se muestra como la variable de control Ct, afecta los movi-
mientos en el tiempo de la variable de estado, Q. Esta es la expresión que se llama ecuación
de transición o ecuación de movimiento.
Y solamente escribimos una de estas ecuaciones, en realidad hay una de ellas a cada
momento del tiempo 0 y T.
La condición Inicial dice que la variable estado tiene un valor inicial que está dado que no
puede cambiar (viene dado por decisiones pasadas que no se puede ya alterar). La restricción
dice que la cantidad de carga que se deja en el último momento, una vez descontada a la
tasa rr t, no negativa.
Para valores finitos de T, esta desigualdad implica K mayor igual que cero dado que el
factor de descuento, e’rt T nunca será cero. Es infinita
La cantidad terminal puede ser estrictamente positiva negativa si la tasa de descuento se

aproxima a cero. Si T es infinito, dice que la cantidad de activos puede ser negativa inclusive
puede crecer siempre y cuando lo haga a un ritmo inferior a la tasa de descuento. Esta con-
dición evita que los agentes se embarquen en juegos financieros conocidos como pirámides
según los cuales siempre pagan sus deudas pidiendo prestado por lo que los activos, k, se
vuelven más negativos.
Un ejemplo de un problema dinámico como el expresado en el anterior párrafo es un

modelo de crecimiento neoclásico de optimización según el cual la función objetivo es
una función de utilidad.
u(ct, kt,t)= e -pt c t1-0 -1

1–0
En este ejemplo, la función objetivo no depende de la variable estado, k

t
depende del tiempo, t, a través del factor descuento, p. La ecuación de
tradición vendría dada por:
Kt= f(kt)-ct -δkt

Donde δ, es la tasa de depreciación del capital. Esta ecuación dice que el stock de capi-
tal aumenta con la depreciación. El ahorro a su vez, la diferencia entre la cantidad de
recursos producidos(kt). Y los consumidos ct.
Las condiciones de primer orden
Para solucionar los problemas dinámicos debemos proceder de la siguiente manera:
• Primer paso: identificación de las variables de control y estado
El primer paso para solucionar el problema dinámico cuál es la variable de control y

cuales la variable de estado. La Variable de estado en La que aparece con un puntito
en la restricción a [A4ª]. La variable de control en la que no aparece con un puntito
en la restricción [A4ª]. Esta identificación es importante porque las condiciones de
primer orden para las variables de control y estado son distintas.
• Segundo paso: el hamiltoniano
La función llamada hamiltoniano huelga el mismo papel que juega el lagrangiano

en los problemas estáticos: nos sirve para memorizar de una manera sencilla el pro-
cedimiento para solucionar el problema. El hamiltoniano en la suma de las funciones
objetivo instantánea (la función que aparece entre el integral en [A4]) más 1 precio
implícito o multiplicador de Lagrange multiplicado por la parte de restricción que no
tiene un punto. Es decir,
H(kt,ct,t,λ) = u(ct,kt,t) +vtg[kt,ct,t].
Obsérvese que, dado que existe una restricción g(.) Para cada momento del tiempo,
existe un multiplicador de la grande asociado con cada una de las restricciones. El
multiplicador asociado con la restricción del momento t se llama Vt y de ahí el subín-
dice temporal.
• Tercer paso
Se toma la derivada de hamiltoniano con respecto de las variables de control y se

igual a 0
Donde los subíndices temporales sean ignorados para simplificar la notación.

• Cuarto paso:
Se toma la derivada del hamiltoniano con respecto de las variables de estado y si

iguala al negativo de la derivada el multiplicador con respecto al tiempo.
Es importante señalar que la condición de primer orden, con respecto a la variable

de estado, k, no iguala la derivada del hamiltoniano a cero, sino a -v. Esta es una
diferencia crucial que se debe tener siempre en cuenta. De ahí la importancia de
empezar a solucionar el problema identificado cuáles son las variables de estado
cuáles las del control.
• Quinto paso: (la condición de transversalidad)
Se multiplicada variable de estado por el precio implícito en el momento terminal

Y se iguala a cero
vTkt=0.

• En el caso del horizonte temporal sea infinito, la condición transversalidad es
vtkt = 0
Nos dice que el valor del capital que los agentes deciden dejar en el último momento
debe ser cero, ya sea porque la cantidad que deja en cero (kt=0) o por qué el valor o
precio que ese capital tiene es cero (vt=0).
Hemos Derivado las condiciones de primer orden que describen la solución al problema
dinámico cuando el momento termina finito. Note el lector que, si el horizonte temporal
fuera infinito, la derivación del lagrangiano sería exactamente la misma es cierto que el
numerito encima el integrable sería infinito en el lugar T. y no aparece el término T, estas
no varían con la sustitución de T por infinito.
El único cambio aparecería cuando derivamos la condición [A.19]. En este caso, el

producto del capital por su precio implícito en un momento terminal en este caso infinito
debe ser igual a cero. La condición [A.19] debe, pues, ser sustituida por:

vtkt = 0

Esta condición se corresponde con Barro y Sala-i-Martin (1995) en donde se muestra
que en el caso en que el problema no presente una función objetivo donde se descuenta
el futuro, la condición de transversalidad requiere que el valor de Hamiltoniano se acerque
a cero a medida que t si acerque al infinito (condición).
El caso de múltiples variables
Figura 5. Variables
Lectura recomendada

desde la página principal del eje a realizar la lec-
tura complementaria:
Finding Lyapunov Functions, en Dynamics of

Nonlinear Systems, del Massachusetts Institute
of Technology, (pp. 1-4).
A. Megretski
El caso más general en que hay múltiples variables de control y múltiples variables de
estado representa una generalización sencilla de lo expuesto hasta ahora.

Anteriormente vimos un modelo de capital humano con dos variables de control Y
dos variables de estado. Aunque en este libro no se presentan modelos más complicados
que ese, en general se podría pensar en modelos con muchas variables de cada tipo.
Cuando hay un N, variables de control, c1t, c2t, …,cnt y m variable de estado, k1t, k2t,…, knt
el problema es:
u(c1t , c2t,,…, cnt , k1t,… kmt , t) dt
sujeto a (a,1) k1t = g1 [ c1t , c2t, . . . , cnt , k1t,… kmt , t ]

(a,1) k2t = g2 [ c1t , c2t, . . . , cnt , k1t,… kmt , t ]
(a,m) kmt = gm [ c1t , c2t, . . . , cnt , k1t,… kmt , t ].
( b) k10 k20 , . . . , km0 están dadas
(c) k1Te -f T T ≥ 0 , . . . , k1Te -f T T ≥ 0
Ya solucionar este problema es similar al problema con una variable de control de un estado.
• Primer paso: identificación de las variables de control y de estado.
El primer paso para solucionar el problema dinámico es saber cuáles son las
variables de control y cuáles las variables de estado.
Las variables de estado son las variables de control y cuáles las variables de
estado. Las variables de estado son las que aparecen con un puntico.
Las de control son las que no aparecen con un puntito en la restricción
• Segundo paso: Escribimos se hamiltoniano como la suma de La función objeti-
vo-instantánea más que la suma de L de un multiplicador de Lagrange por cada
restricción multiplicado por la parte de la restricción que no tiene un punto. Es decir:
Obsérvese que existe multiplicadora asociado Con una de las restricciones gi en

cada momento t. de ahí que cada multiplicador tenga un subíndice temporal un i,vit
• Tercer paso: se toman la derivada del hamiltoniano con respecto de cada una de
las variables de control Y se iguala a cero:
0 Para cada j = 1 , 2, . . . n

Dónde los subíndices temporales se han ignorado para simplificar la notación.
• Cuarto paso: se toman las derivadas del hamiltoniano con respecto de cada una
de las variables de estado Y se iguala a negativa de la derivada del multiplicador
con respecto del tiempo:
vit para cada i = 1,2,…, m.
• Quinto paso:(la condición de transversalidad) se multiplica cada una de las varia-

bles de estaba en el momento terminal por su multiplicador correspondiente en el
mismo momento y se iguala a cero.
vit kit = 0 para cada i = 1,2,…, m.
En el caso que el horizonte temporal sea infinito, las condiciones de transver-

salidad viene dada por:
vit kit = 0 para cada i = 1,2,…, m.
Estas condiciones describen la solución del problema dinámico en sistemas

lineales o no lineales.
Condiciones de Karush-Kuhn-Tucker
En esta sección se presentan algunas de las condiciones necesarias y suficientes que

deben cumplir los candidatos a solución óptima del problema de optimización PPNL.
Estas condiciones son las llamadas condiciones de Karush-Kuhn-Tucker (CKKT).
Lectura recomendada

desde la página principal del eje a realizar la lectura
complementaria:
A Contextualized Historical Analysis of the Kuhn–Tuc-

ker Theoremin Nonlinear Programming: The Impact
of World War II, (pp.331-338)
Tinne Hoff Kjeldsen
Para una mayor claridad, se dan a continuación las nociones correspondientes a los
problemas de minimización y maximización de forma separada.

Dado el problema
Optimizar ƒ ( xı,…, xn)
Sujeto a hi ( xı,…, xn) = 0 i=1,…,m
gj ( xı,…, xn) ≤ 0 j = 1,…, p
con ƒ, hi, gj : A R funciones de clase un conjunto A⊆
abierto. Diremos que X*= es un (X*1,…, X*)∈ A punto de Karush-Kuhn-
Tucker para el problema 5.8 si y solo si de de
forma que se cumplen las siguientes condiciones:
1. Condición estacionaria :
2. Condiciones de factibilidad:
hi X*1,… X*) = 0, i = 1,…,m
gi X*1,… X*) < 0, j = 1,…, pt
3. Condición de holgura:
4.Condición de signo: Una vez que se cumplen las condiciones anteriores el punto es de :
O de Mínimos (CKKTMin) µj ≥ 0 j = 1,…, p
Máximos (CKKTMix) µj ≤ 0 j = 1,…, p
En ambos casos los valores son los λ1,…, λm, µ1,…, µp llamados multiplicadores y existe
uno por cada restricción del problema: el multiplicador λiestá asociado a la

restricción de igualdad X*1,… X* ) ≤ 0 para j = 1,…, p.
los valores (λ1,… λm) son los multiplicadores de son los multiplicadores de Lagrange
y los valores (µj,… µp) son los multiplicadores de Karush-Kuhn-Tucker.
De la condición de holgura se deduce que si una restricción de desigualdad es no

activa en el punto solución, entonces el multiplicador de Karush-Kuhn-Tucker asociado
debe tomar el valor 0.
Los puntos X*∈ A ∩ Ω siendo el conjunto factible del problema, que cumplen la con-
dición estacionaria se dice que son puntos críticos o estacionarios.
Esta condición estacionaria suele expresarse en términos de la llamada función Lagran-

giana, utilizando la función objetivo y las restricciones como:
O en forma vectorial
siendo
En forma vectorial la condición estacionaria se puede expresar de forma más compacta.

donde el subíndice indica que estamos derivando respecto a las componentes de x.
Para diferenciar los puntos estacionarios de problemas sin restricciones de los corres-
pondientes a problemas con restricciones, a estos últimos se les suele añadir el adjetivo
de condicionados.
¿Cómo encontrar los puntos de KKT?
Para la búsqueda práctica de puntos que cumplan las condiciones de CKKT o puntos de
Karush- Kuhn-Tucker, ya sean de mínimo o máximo, primero hay que resolver el sistema
de ecuaciones compuesto por: la condición estacionaria, la condición de factibilidad para
las restricciones de igualdad y la condición de holgura.
Este sistema está compuesto por (n + m + p) ecuaciones y (n + m + p) incógnitas (las

q coordenadas X*=(X*1,…, X*)de los p multiplicadores de Lagrange y λi los s multipli-
cadores de Karush-Kuhn- Tucker ).
La forma usual de resolver el sistema es comenzar por la condición de holgura com-

plementaria, ya que dichas ecuaciones nos proporcionan dos opciones
Para restricciones de desigualdad tendríamos dos posibles casos.

Una vez resuelto el sistema, para ver cuál o cuáles de las soluciones obtenidas son
puntos de KKT
Hay que, por una parte comprobar que son puntos factibles (notar que solo quedaría
por comprobar si (X1,… Xn) ≤ 0) y por otra que sus multiplicadores de Karush-
Kuhn-Tucker asociados tienen todo el mismo signo, bien todos ≥ 0 para puntos de
mínimo o bien todos ≤ 0 para puntos de máximo
Casos particulares
Las anteriores condiciones de Karush-Kuhn-Tucker se aplican al problema general de
optimización (NLPP), sin embargo, se obtienen expresiones más simplificadas de las
mismas cuando se aplican a problemas sin restricciones o cuando el problema sólo tiene
restricciones de igualdad.
1. Problemas sin restricciones (p = s = 0): Si el problema no tiene restricciones de
ningún tipo, los multiplicadores no son necesarios y tampoco las condiciones rela-
cionadas con ellos. La única condición que queda es la estacionaria
que coinciden ambos objetivos de maximizar y minimizar.
Si además q = 1, es decir, el problema es optimizar una función real de variable real, la

condición estacionaria nos conduce a un resultado bien conocido del cálculo diferencial
X*)
2. Problemas de Lagrange (p = 0): Si el problema solo tiene restricciones de igualdad

el problema considerado es un problema clásico de Lagrange y las condiciones de
Karush- Kuhn-Tucker se obtienen eliminando aquellas ecuaciones relacionadas
con restricciones de desigualdad, quedando por tanto la condición estacionaria y
la condición de factibilidad
que es el resultado que proporciona el teorema clásico de los multiplicadores de

Lagrange. De nuevo las condiciones de KKT para ambos objetivos de maximizar y mini-
mizar coinciden.
A continuación, se presentan algunos ejemplos de búsqueda de puntos de

Karush-Kuhn-Tucker.

Ejemplo
Encuentre los puntos de Karush-Kuhn-Tucker para el problema
x+y+z
( y – 1)² + z² ≤ 1
x² +( y – 1)² + z² ≤ 3
Solución: Se utilizan los multiplicadores correspondientes para construir la función

Lagrangiana, expresando previamente las restricciones en la forma g (x) ≤ 0
L(x ,y ,z) = (x+ y + z) + µ1 (( y – 1)² + z² – 1) + µ2 (x² + ( y – 1)² + z² – 3)

y se plantean cada una de las condiciones de KKT
1. Condición Estacionaria ( xL= 0)
=0 1 + 2 µ2X = 0 (1)
=0 1 + 2 µ1 ( y – 1) = 0 (2)
=0 1 + 2 µ1Z = 0 (3)
2. Condición de factibilidad
(( y – 1)² + z² – 1) ≤ 0
(x² + ( y – 1)² + z² – 3) ≤ 0
3. Condición de holgura
µ1g1(x) = 0 µ1 ( y – 1)² + z² – 1 ) = 0 (4)
µ2g2(x) = 0 µ2 (x² + ( y – 1)² + z² – 3) = 0. (5)
4. Condición de signo
µ1µ2 ≥ 0
µ1µ2 ≤ 0

El sistema que permite localizar los puntos de KKT estará formado por las tres ecua-
ciones que proporciona la condición estacionaria (ecuaciones [1], [2] y [3]) y las dos de
la condición de holgura (ecuaciones [4] y [5]).
Instrucción
Les invitamos a ingresar a la página principal del eje para

revisar la actividad de aprendizaje:
Videopregunta
Conclusiones
Como hemos visto el campo de las ecuaciones es bien complejo. Es de anotar que se
mueven en dos campos igual de amplios y llenos de incertidumbre.
Por un lado, las ecuaciones en diferencias que requieren de una estructura de funcio-
nes discretas, por otro las ecuaciones diferenciales que describen con más amplitud el
movimiento de las variables
Para las primeras, las circunstancias de optimización aluden a hechos ya ocurridos que
sugieren ser descubiertos en el ámbito de varias variables interdependientes. Obtener
la máxima utilidad en una fábrica o el mínimo importe de costes de una producción
específica.
Por otro lado, y lo que respecta a las ecuaciones diferenciales establecen las reglas de
trayectorias y situaciones dinámicas que requieren ser optimizadas con las actividades
macroeconómicas específicamente las financieras, tasa de cambio y sus fluctuaciones
al igual que el dólar. En el siguiente eje veremos cómo las ecuaciones diferenciales se
apoderan del campo de la optimización dinámica. Y se evidencia la importancia de estas
en las posibles aplicaciones en el ámbito micro y macroeconómico.

Bibliografía
Berndt, E., & Christensen, L. (1973). The translog function and the substitution
of equipment, structures, and labor in U.S. manufacturing 1929-68. Journal
of Econometrics, 81-113. Obtenido de https://www-sciencedirect-com.proxy.
bidig.areandina.edu.co/science/article/abs/pii/0304407673900079
Bianco, M. (2015). Optimización dinámica en tiempo discreto: métodos

matemáticos para una aplicación económica. Revista de Investigación en
Modelos Matemáticos Aplicados a la Gestión y la Economía, 9-28. Obtenido
de http://www.economicas.uba.ar/wp-content/uploads/2016/04/2-
Optimizaci%C3%B3n-din%C3%A1mica-en-tiempo-discreto-
m%C3%A9todos-matem%C3%A1ticos-para-una-aplicaci%C3%B3n-
econ%C3%B3mica.-Mar%C3%ADa-Jos%C3%A9-Bianco.pdf
BIBLIOGRAFÍA
Hall, S. (2018). El método de lagrange en economía. Obtenido de https://www.

cuidatudinero.com/13142349/el-metodo-de-lagrange-en-economia
Kjeldsen, T. (2000). A Contextualized Historical Analysis of the Kuhn–Tucker

Theorem in Nonlinear Programming: The Impact of World War II. Historia
Mathematica, 331-361. Obtenido de https://www-sciencedirect-com.proxy.
bidig.areandina.edu.co/science/article/pii/S0315086000922894
Megretski, A. (2003). Lecture 7: Finding Lyapunov Functions. Massachusetts

Institute of Technology. Department of Electrical Engineering and Computer
Science. Obtenido de https://ocw.mit.edu/courses/electrical-engineering-
and-computer-science/6-243j-dynamics-of-nonlinear-systems-fall-2003/
lecture-notes/lec7_6243_2003.pdf
Sato, R., & Koizumi, T. (1973). On the elasticities of substitution and

complementarity. Oxford Economic Papers, 44-56. Obtenido de https://
academic.oup.com/oep/article-abstract /25/1/44/2360586?redirectedFrom=
fulltext

Referente Pensamiento Eje 2 Metodos Matematicos

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

Referente Pensamiento Eje 2 Metodos Matematicos

Cargado por

Copyright:

Formatos disponibles

MÉTODOS

Máximos y mínimos restringidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Método del Lagrangiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Las condiciones de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

El caso de múltiples variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

¿Cómo encontrar los puntos de KKT? . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Una vez entendida la optimización no restringida como la relación entre fun-

Es entonces el momento de observar ciertos casos que no están dentro del

En la primera parte de este curso se provee los fundamentos de la optimización

Luego se vincula herramientas de apoyo fundamental en la optimización para

Antes de iniciar con la temática les invitamos a ingresar a la

Ryuzo Sato, Tetsunori Koizumi,

Resolver un problema de optimización es encontrar, si existen, sus soluciones óptimas,

Métodos matemáticos para economistas - eje 2 analicemos la situación 5

El punto X* será un mínimo local estricto de f (x) en Ω si la desigualdad es estricta

(Máximo local) Consideremos el problema general de optimización PPNL y sea su

Los máximos y mínimos locales de los problemas de optimización también se denomi-

Les invitamos a ingresar a la página principal del eje para

Pódcast con preguntas

Métodos matemáticos para economistas - eje 2 analicemos la situación 6

Figura 2. Métodos matemáticos

Las condiciones de optimalidad descritas en el

L = U (x*+yn) + ( ai -gi) (x1+xn))

La condición (A.2ª) dice que, si x* es el óptimo, entonces la derivada parcial de L con

Métodos matemáticos para economistas - eje 2 analicemos la situación 7

b. Dgi (x*1 , . . ., +y*n) ≤ ai , 0

Optimización dinámica: la teoría de control óptimo

Figura 3. Teorías matemáticas

A pesar de la teoría matemática de la optimización dinámica es muy antigua, los

Métodos matemáticos para economistas - eje 2 analicemos la situación 8

Para ampliar este apartado se invita al estudiante

Optimización dinámica en tiempo discreto: métodos

María José Bianco.

Este método es especialmente útil para solucionar problemas estocásticos de tiempo

Les invitamos a ingresar a la página principal del eje

The translog function and the substitution of equi-

Ernst Berndt, Laurits Christensen

Métodos matemáticos para economistas - eje 2 analicemos la situación 9

Figura 4. Problema típico

El problema típico al que nos enfrentamos es el siguiente. El agente económico (con-

Max V(0) ( ct ,kt, t) dt

a. kt, = (kt, ct, t)

La variable K t (parece con un punto encima en la recepción dinámica) es la variable de

Métodos matemáticos para economistas - eje 2 analicemos la situación 10

La Función objetivo es la suma integral de las funciones objetivos instantáneas, un punto

La cantidad terminal puede ser estrictamente positiva negativa si la tasa de descuento se

Un ejemplo de un problema dinámico como el expresado en el anterior párrafo es un

u(ct, kt,t)= e -pt c t1-0 -1

En este ejemplo, la función objetivo no depende de la variable estado, k

Kt= f(kt)-ct -δkt

Métodos matemáticos para economistas - eje 2 analicemos la situación 11

Las condiciones de primer orden

Para solucionar los problemas dinámicos debemos proceder de la siguiente manera:

• Primer paso: identificación de las variables de control y estado

El primer paso para solucionar el problema dinámico cuál es la variable de control y

• Segundo paso: el hamiltoniano

La función llamada hamiltoniano huelga el mismo papel que juega el lagrangiano

H(kt,ct,t,λ) = u(ct,kt,t) +vtg[kt,ct,t].

Se toma la derivada de hamiltoniano con respecto de las variables de control y se

Donde los subíndices temporales sean ignorados para simplificar la notación.

Métodos matemáticos para economistas - eje 2 analicemos la situación 12

Se toma la derivada del hamiltoniano con respecto de las variables de estado y si

Es importante señalar que la condición de primer orden, con respecto a la variable

• Quinto paso: (la condición de transversalidad)

b. Dgi (x1 , . . ., +yn) ≤ ai , 0

abierto. Diremos que X= es un (X1,…, X*)∈ A punto de Karush-Kuhn-

hi X1,… X) = 0, i = 1,…,m

gi X1,… X) < 0, j = 1,…, pt