Matemáticas IV

UNIDAD 1: OPTIMIZACIÓN ESTÁTICA

1.4 OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES
 El Problema

max 𝑓 𝒙

Condición Necesaria de Primer Orden (CNPO): si 𝒙∗ es un

máximo local, entonces 𝜵𝒇 𝒙∗ = 0.

Condición Suficiente de Segundo Orden (CS2O): si 𝒙∗ satisface

la CNPO y 𝐻𝑓 𝒙∗ es una matriz definida negativa, entonces 𝒙∗ es
un máximo local para este problema.

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 2

 Condición Suficiente de segundo orden

Sean 𝒙𝟎 y 𝒙 dos puntos que pertenecen a 𝑆 y supongamos que

𝒙 = 𝒙𝟎 + 𝒉 (𝒙 se encuentra en una localidad alrededor de 𝒙𝟎 )

Condición necesaria implica: si 𝒙𝟎 es un máximo local, entonces

𝜵𝒇 𝒙𝟎 = 𝟎

Realizamos una aproximación a través del polinomio de Taylor,

centrada en 𝒙𝟎 (porque estamos enfocados en un máximo local)
′ 1 ′
𝑓 𝒙 ≈𝑓 𝒙𝟎 + 𝜵𝒇 𝒙𝟎 𝒙 − 𝒙𝟎 + 𝒙 − 𝒙 𝐻𝑓 𝒙𝟎 𝒙 − 𝒙𝟎
𝟎
2

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 3

 Condición Suficiente de segundo orden

Si 𝜵𝒇 𝒙𝟎 = 𝟎:
1 ′
𝑓 𝒙 ≈𝑓 𝒙𝟎 + 𝒙 − 𝒙 𝐻𝑓 𝒙𝟎 𝒙 − 𝒙𝟎
𝟎
2
Para garantizar que 𝒙𝟎 es un máximo en esta localidad, es decir:
𝑓 𝑥 ≤ 𝑓 𝑥 0 debe cumplirse que la forma cuadrática
1 ′
𝒙 − 𝒙 𝐻𝑓 𝒙𝟎 𝒙 − 𝒙𝟎
𝟎
2

sea definida negativa.

Esto se cumple cuando 𝐻𝑓 𝒙𝟎 es una matriz definida negativa.

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 4

 Condición de concavidad y máximo global

𝑓 es cóncava en 𝑆 si y solo si, para todo 𝒙𝟎 , 𝒙 ∈ 𝑆,

′
𝑓 𝒙 − 𝑓 𝒙 ≤ 𝒙 − 𝒙 𝛻𝑓 𝒙𝟎
𝟎 𝟎

Entonces, si 𝜵𝒇 𝒙𝟎 = 0, entonces se cumple: 𝑓 𝒙 − 𝑓 𝒙𝟎 ≤ 0

𝑓 𝒙 ≤ 𝑓 𝒙𝟎

Entonces 𝒙𝟎 es un máximo en todo el dominio (máximo global)

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 5

 𝜵𝒇 𝒙∗ = 0

𝐻𝑓 𝒙∗ es
definida
negativa en 𝒙∗

𝒙∗ es un máximo
local
𝒇 es
𝒇 es
estrict.
cóncava
cóncava

𝒙∗ es un máximo
global

𝐻𝑓 𝒙 es 𝒙∗ es un máximo 𝐻𝑓 𝒙 es definida
negativa en todo
semidefinida global (único)
el dominio
negativa en
todo el dominio

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 6

 Ejemplo 1

Considere una empresa competitiva con la siguiente función

de ganancia:

𝜋 = 𝑃𝑄 − 𝑤𝐿 − 𝑟𝐾

Donde 𝑃 = precio, 𝑄 = producción, 𝐿 = mano de obra, cuyo

precio unitario es 𝑤, 𝐾 = capital, cuyo precio unitario es 𝑟.

Si la función de producción viene dada por 𝑄 = 𝐿𝛼 𝐾 𝛼 ,

1
donde 0 < 𝛼 < , encuentre las funciones de demanda de
2
los insumos (𝐿, 𝐾)

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 7

 Ejemplo 2

Encuentre los puntos óptimos (máximos y mínimos) en la

siguiente función:

𝑓 𝑥, 𝑦 = 2𝑥 4 + 𝑦 4 − 4𝑥 2 − 2𝑦 2

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 8

 Un resultado útil

Maximizar una función equivale a maximizar una transformación

(estrictamente) creciente de esa función.
Teorema:

Sea 𝑓 𝒙 una función definida en 𝑆 ⊆ ℝ𝑛 y F una función de una

variable definida en un dominio que contenga al rango de 𝑓. Sea 𝑔
la función definida en 𝑆 por la expresión: 𝑔 𝒙 = 𝐹 𝑓 𝒙

Entonces:
a) Si 𝐹 es creciente y 𝒄 maximiza (o minimiza) a 𝑓 sobre 𝑆,
entonces 𝒄 maximiza (o minimiza) también a 𝑔 sobre 𝑆.
b) Si 𝐹 es estrictamente creciente, entonces 𝒄 maximiza (o
minimiza) a 𝑓 sobre 𝑆 si y solo si 𝒄 maximiza (o minimiza) a
𝑔 sobre 𝑆.
OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 9
 Un resultado útil

Maximizar una función equivale a maximizar una transformación

(estrictamente) creciente de esa función.

Si c es un punto que maximiza a f:

𝑓 𝒄 ≥𝒇 𝒙

Si F es una función creciente:

𝐹 𝑓 𝑐 ≥𝐹 𝑓 𝑥

𝑔 𝑐 ≥𝑔 𝑥

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 10

 Ejemplo 3

Se busca encontrar el valor óptimo del parámetro 𝜃 que

maximice la siguiente función (un ejemplo de función
de verosimilitud):
𝑛
𝑥𝑖 −𝑥 Τ𝜃
ℓ 𝑥1 , … , 𝑥𝑛 , 𝜃 = ෑ 𝑒 𝑖
𝜃
𝑖=1
Donde 𝑥𝑖 > 0

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 11

 Ejemplo 4

Se busca encontrar el valor óptimo de los parámetros 𝜇

y 𝑣 que maximicen la siguiente función:
𝑛
1 𝑥𝑖 −𝜇 2
ℓ 𝑥1 , … , 𝑥𝑛 ; 𝜇, 𝑣 = ෑ 𝑒 − 2𝑣
𝑖=1
2𝜋𝑣

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 12

 Teorema de la envolvente

Teorema:

Dado el problema de maximizar una función 𝑓 𝒙, 𝒓 , donde 𝒙 es el

vector de variables y 𝒓 es un vector de parámetros. Se define
𝑓 ∗ 𝒓 = 𝑓 𝒙∗ 𝒓 , 𝒓 como la función valor, donde 𝒙∗ 𝒓 es el
vector que maximiza la función objetivo.

𝜕𝑓 ∗ 𝒓 𝜕𝑓 𝒙∗ 𝒓 , 𝒓
=
𝜕𝑟𝑗 𝜕𝑟𝑗

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 13

 Una nota sobre formas matriciales

Forma lineal: 𝑓 𝒙 = 𝒂′ 𝒙

𝜕𝑓 𝒙
=𝒂
𝜕𝒙

Forma cuadrática: 𝑓 𝒙 = 𝒙′ 𝐴𝒙

𝜕𝑓 𝒙
= 2𝐴𝒙
𝜕𝒙

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 14

 Una nota sobre formas matriciales

Ejemplo:
Se busca hallar el vector 𝜷 que minimice la siguiente
función 𝑓 𝜷 = 𝒆′ 𝒆, donde el vector 𝒆 viene definido por:

𝒆 = 𝒀 − 𝑋𝜷

En este caso, asuma que 𝒀 es un vector de nx1, 𝑋 es

una matriz de nxk (n>k) y 𝜷 es un vector de kx1. 𝒀 y 𝑋
están dados.

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 15

Referencias

Chiang, A. Métodos Fundamentales de Economía Matemática. Cuarta

edición, McGraw Hill, México, 2006. (Capítulo 11)
Lomelí, H. y B. Rumbos. Métodos Dinámicos en Economía: otra
búsqueda del tiempo perdido. Instituto Tecnológico Autónomo de
México. 2001. (Capítulo 10)
Sydsaeter K. y P. Hammond. Matemáticas para el Análisis Económico.
Prentice Hall. 1996. (Capítulo 17)

OPTIMIZACIÓN ESTÁTICA SIN RESTRICCIONES 16