Documento 7

Matematicas II
Grado en Economa
Curso 2011-2012
Tema 6
UniversidaddeValladolid
Departamento de
Economa Aplicada
6. Programaci on matematica
6.1 Conceptos generales
6.2 Programacion clasica sin restricciones
6.3 Programacion clasica con restricciones de igualdad
6. Programacion matematica 6.1 Conceptos generales
Conjuntos convexos
Denicion
C IR
n
es convexo si para cualesquiera x, y C y [0, 1] se verica:
x + (1 ) y C.
Ejemplos
En IR: , un punto, un intervalo (ya sea o no acotado).
En IR
2
: , un punto, un segmento, una recta, una semirrecta, un
crculo, etc.
En IR
3
: ademas de los anteriores, un plano, un semiplano, una bola,
etc.
Dpto. de Economa Aplicada (UVa) Matematicas II 2011-2012 3 / 34
Funciones convexas y c oncavas
Denicion
Sean = D IR
n
, f : D IR y = C D convexo.
La funcion f es convexa en C si para cualesquiera x, y C y
[0, 1] se verica:
f( x + (1 ) y) f( x) + (1 ) f( y).
La funcion f es concava en C si para cualesquiera x, y C y
[0, 1] se verica:
f( x + (1 ) y) f( x) + (1 ) f( y).
Funciones estrictamente convexas y concavas
Denicion
Sean = D IR
n
La funcion f es estrictamente convexa en C si para cualesquiera
x, y C tales que x = y y (0, 1) se verica:
f( x + (1 ) y) < f( x) + (1 ) f( y).
La funcion f es estrictamente concava en C si para cualesquiera
x, y C tales que x = y y (0, 1) se verica:
f( x + (1 ) y) > f( x) + (1 ) f( y).
Resultados de convexidad y concavidad funcional
Propiedades
Sean = D IR
n
1
Si f es estrictamente convexa (resp. estrictamente concava) en C,
entonces f es convexa (resp. concava) en C.
2
f es convexa (resp. concava) en C si y solo si f es concava (resp.
convexa) en C. Analogo para el caso estricto.
Observaciones:
1
El dominio de una funcion es crucial en el analisis de su convexidad o
concavidad. As, la funcion seno con dominio en IR no es convexa ni
c oncava, es concava en [0, ] y convexa en [, 2].
2
Los conceptos de funci on convexa y funcion concava no son exhaustivos ni
contrarios entre s: existen funciones que no son ni convexas ni concavas
(como la funcion seno con dominio en IR) y funciones que son a la vez
convexas y concavas (las funciones lineales).
Funciones de clase C
2
: hessianas y sus formas cuadraticas
Observaci on:
Sean = D IR
n
abierto y f : D IR de clase C
2
en D. El teorema
de Schwarz asegura que la matriz hessiana de f en cada punto x
0
D,
Hf( x
0
), es simetrica, de manera que tiene asociada una forma cuadratica
denida sobre IR
n
: Q( x) = x
t
Hf( x
0
) x.
En lo que sigue se identicara la matriz hessiana con su forma cuadratica
asociada.
Caracterizaci on de funciones convexas y c oncavas C
2
Teorema
Sean = D IR
n
, f : D IR de clase C
2
en D y = C D
convexo. Se verica:
1
f convexa en C x C Hf( x) denida positiva o semidenida
positiva.
2
f concava en C x C Hf( x) denida negativa o semidenida
negativa.
3
x C Hf( x) denida positiva f estrictamente convexa en C.
4
x C Hf( x) denida negativa f estrictamente concava en C.
5
Si Hf( x) es indenida para alg un x C, entonces f no es convexa
ni concava.
6
Si Hf( x) y Hf( y) son denidas o semidenidas y no nulas, positiva
y negativa, respectivamente, para alg un par de puntos x, y C,
entonces f no es convexa ni concava.
Maximos y mnimos locales de una funci on real
Deniciones
Sean = D IR
n
, f : D IR y x
0
D.
x
0
es un maximo local (o relativo ) de f si existe r > 0 tal que
f( x
0
) f( x) para cualquier x B
r
( x
0
) D.
Si la desigualdad es estricta (>) siempre que x = x
0
, entonces x
0
es
un maximo local estricto.
x
0
es un mnimo local (o relativo ) de f si existe r > 0 tal que
f( x
0
) f( x) para cualquier x B
r
( x
0
) D.
Si la desigualdad es estricta (<) siempre que x = x
0
, entonces x
0
es
un mnimo local estricto.
Observacion:
Cuando se habla indistinta o conjuntamente de maximos y mnimos locales
se les denomina extremos (u optimos ) locales.
Maximos y mnimos globales de una funcion real
Deniciones
Sean = D IR
n
, f : D IR y x
0
D.
x
0
es un maximo global (o absoluto ) de f si para cualquier x D
se verica f( x
0
) f( x).
0
, entonces x
0
es
un maximo global estricto.
x
0
es un mnimo global (o absoluto ) de f si para cualquier x D se
verica f( x
0
) f( x).
0
, entonces x
0
es
un mnimo global estricto.
Observacion:
Cuando se habla indistinta o conjuntamente de maximos y mnimos
globales se les denomina extremos (u optimos ) globales.
Resultados utiles de optimalidad
Propiedades
Sean = D IR
n
, f : D IR y x
0
D.
1
Los extremos globales de f tambien son locales.
2
Los extremos globales estrictos de f, si existen, son unicos.
3
x
0
es un maximo local/global (resp. estricto) de f si y solo si x
0
es
un mnimo local/global (resp. estricto) de f.
4
Sea g : E IR estrictamente creciente con Im f E. Entonces,
x
0
es un maximo local/global (resp. estricto) de f si y solo si lo es de
g f. Idem para mnimo local/global (resp. estricto).
Observacion:
Es necesario distinguir entre el extremo x
0
D IR
n
y el valor extremo
f( x
0
) IR.
Existencia de extremos globales
Teorema de Weierstrass
Sean = K IR
n
y f : K IR. Si K es compacto y f es continua en
K, entonces existen x
1
, x
2
K tales que para cada x K se cumple
f( x
1
) f( x) f( x
2
),
o sea, x
1
es un mnimo global de f y x
2
es un maximo global de f.
Observacion:
El teorema de Weierstrass es meramente existencial: garantiza que se
alcanzan los extremos globales, pero no informa de cuales son.
Programas matematicos: introducci on
Un programa matematico se expresa como
opt f( x) s.a: x S, (1)
donde = D IR
n
, f : D IR y S D. El smbolo opt (optimizar)
contempla tanto max (maximizar) como min (minimizar).
f es la funcion objetivo y S el conjunto factible de (1).
El programa (1) es imposible si S = .
Un punto x
0
D es factible si x
0
S. En caso contrario es no
factible.
Un punto factible x
0
es solucion local (resp. global ) de (1) si x
0
es
un extremo local (resp. global) de f
|
S
.
Programas matematicos: tipologa
Atendiendo a las condiciones requeridas a los optimos:
El problema (1) es un programa clasico sin restricciones si
S =Dom f.
El problema (1) es un programa clasico con restricciones de igualdad
si
S = { x D | g
1
( x) = b
1
, . . . , g
m
( x) = b
m
},
donde g
i
: D IR i {1, . . . , m}, b
1
, . . . , b
m
IR y m < n.
Adicionalmente:
El problema (1) es un programa convexo para mnimos si S es
convexo, opt min y f es convexa en S.
El problema (1) es un programa convexo para maximos si S es
convexo, opt max y f es concava en S.
Resoluci on graca de programas matematicos (2 variables)
Proposicion
Sean = D IR
2
, x
0

D
y f : D IR de clase C
1
en
D
.
1
La direccion de mayor crecimiento de f a partir de x
0
viene dada por
el vector gradiente, f( x
0
).
2
El vector gradiente, f( x
0
), es ortogonal a la curva de nivel C
k
que
contiene a x
0
.
Metodo graco para problemas de 2 variables
Pueden encontrarse las soluciones globales de (1) mediante la
superposicion de las curvas de nivel de f al conjunto factible S. Los
puntos de S contenidos en C
k
con mayor (resp. menor) valor para k IR,
si existen, son maximos (resp. mnimos) globales de f sobre S. El vector
gradiente permite conocer en cada punto la direccion de mayor
crecimiento de f.
6. Programacion matematica 6.2 Programacion clasica sin restricciones
Programaci on clasica sin restricciones:
planteamiento del problema
Se considera el programa matematico:
opt f( x) (2)
donde = D IR
n
y f : D IR.
Observese que no hay ninguna condicion impuesta a los extremos buscados
salvo la de que la funcion objetivo este bien denida en tales puntos.
Condiciones necesarias de primer orden
Proposicion
Sean = D IR
n
1
en x
0

D
.
Si x
0
es un extremo local de f, entonces f( x
0
) =

0, es decir, x
0
es
solucion del sistema
_
_
f
x
1
( x) = 0

f
x
n
( x) = 0.
Deniciones
Sean = D IR
n
1
en x
0

D
.
x
0
es un punto crtico (o estacionario ) de f si f( x
0
) =

0.
x
0
es un punto de silla de f si x
0
es un punto crtico que no es
extremo local de f.
Optimizaci on de programas convexos
Si (2) es un programa convexo, entonces las condiciones necesarias
anteriores tambien son sucientes y ademas aseguran optimalidad global.
Proposicion
Sean = C IR
n
convexo y f : C IR de clase C
1
en un punto
crtico x
0

C
de f. Se verica:
1
f convexa en C x
0
mnimo global de f.
2
f concava en C x
0
maximo global de f.
3
f estrictamente convexa en C x
0
mnimo global estricto de f.
4
f estrictamente concava en C x
0
maximo global estricto de f.
Condiciones necesarias y sucientes de segundo orden
Proposicion
Sean = C IR
n
convexo y f : C IR de clase C
2
en un punto
crtico x
0

C
de f. Se verica:
1
x
0
maximo local de f Hf( x
0
) denida negativa o semidenida
negativa.
2
x
0
mnimo local de f Hf( x
0
) denida positiva o semidenida
positiva.
3
Hf( x
0
) denida positiva x
0
mnimo local estricto de f.
4
Hf( x
0
) denida negativa x
0
maximo local estricto de f.
5
Hf( x
0
) indenida x
0
punto de silla de f.
6. Programacion matematica 6.2 Programacion clasica con restricciones de igualdad
Programaci on clasica con restricciones de igualdad:
planteamiento del problema
opt f( x) s.a: x S, (3)
donde = D IR
n
, f, g
1
, . . . , g
m
: D IR, m < n y
S = { x D | g
1
( x) = b
1
, . . . , g
m
( x) = b
m
}.
Resoluci on mediante eliminacion de variables
Si en el programa (3) es posible encontrar una funcion continua h que
permita expresar m variables (mediante una reordenacion se pueden
suponer que son las primeras) en funcion de las n m restantes:
(x
1
, . . . , x
m
) = h(x
m+1
, . . . , x
n
)
de manera que este sistema de ecuaciones equivalga a
g
1
( x) = b
1
, . . . , g
m
( x) = b
m
,
entonces x
0
= (x
0
m+1
, . . . , x
0
n
) es solucion del problema sin restricciones
opt f(h(x
m+1
, . . . , x
n
), x
m+1
, . . . , x
n
)
si y solo si (h( x
0
), x
0
) es solucion de (3).
Funci on lagrangiana. Regularidad
Denicion
La funcion lagrangiana de (3) viene dada por
L( x,
) = f( x) +
1
(b
1
g
1
( x)) + +
m
(b
m
g
m
( x)),
donde x = (x
1
, . . . , x
n
) D y

= (
1
, . . . ,
m
) IR
m
.
Denicion
Sea el programa (3) donde g
1
, . . . , g
m
: D IR son de clase C
1
en
D
.
Se dice que x S
D
es un punto regular de (3) si
{g
1
( x), . . . , g
m
( x)} es un sistema libre de vectores.
Condiciones necesarias de primer orden (Lagrange)
Teorema de Lagrange
Sean f, g
1
, . . . , g
m
: D IR de clase C
1
en
D
y x
0
S
D
regular.
Si x
0
es solucion de (3), entonces existe un unico vector
0
= (
0
1
, . . . ,
0
m
) IR
m
tal que ( x
0
,
0
) es un punto crtico de la
funcion lagrangiana de (3), es decir, ( x
0
,
0
) es solucion del sistema
_
_
L
x
1
( x,
) = 0
L
1
( x,
) = 0 g
1
( x) = b
1

L
x
n
( x,
) = 0
L
m
( x,
) = 0 g
m
( x) = b
m
.
Denicion
Si ( x
0
,
0
) es un punto crtico de la funcion lagrangiana de (3), entonces
se dice que x
0
es un punto crtico de f condicionado por S y que
0
1
, . . . ,
0
m
IR son sus multiplicadores de Lagrange asociados.
Optimizaci on de programas convexos
Si (3) es un programa convexo, entonces las condiciones necesarias
anteriores tambien son sucientes y ademas aseguran optimalidad global.
Proposicion
1
Si S es convexo, f es convexa (resp. estrict. convexa) en S y x
0
S
verica las condiciones necesarias de primer orden del programa (3),
entonces x
0
es un mnimo global (resp. mnimo global estricto) de f
en S.
2
Si S es convexo, f es concava (resp. estrict. concava) en S y x
0
S
verica las condiciones necesarias de primer orden del programa (3),
entonces x
0
es un maximo global (resp. maximo global estricto) de f
en S.
Un resultado util de optimalidad global
Observacion:
Si en el programa (3) el conjunto factible S = es compacto y f es
continua en S, el teorema de Weierstrass garantiza la existencia de
soluciones globales. Como estas han de estar entre los puntos crticos de f
condicionados por S, se determinaran evaluando dichos puntos crticos
mediante la funcion objetivo; los valores extremos obtenidos indican los
maximos y mnimos globales de f en S.
Condiciones sucientes de segundo orden (n = 2 y m = 1)
opt f(x, y) s.a: g(x, y) = b, (4)
donde = D IR
2
y f, g : D IR.
Deniciones
Sean f, g de clase C
2
en
D
y (x
0
, y
0
) S
D
.
La matriz hessiana de L respecto de x, y en el punto
(x
0
, y
0
,
0
)
D
IR viene dada por:
H
x,y
L(x
0
, y
0
,
0
) =
_
_
_
2
L
x
2
(x
0
, y
0
,
0
)

2
L
xy
(x
0
, y
0
,
0
)
2
L
y x
(x
0
, y
0
,
0
)

2
L
y
2
(x
0
, y
0
,
0
)
_
_
_
.
El subespacio tangente a la restriccion en el punto (x
0
, y
0
) viene
dado por T
g
(x
0
, y
0
) = {(x, y) IR
2
| g(x
0
, y
0
) (x, y) = 0}.
Proposicion
2
en
D
y (x
0
, y
0
) S
D
un punto regular de (3)
que verica las condiciones necesarias de primer orden, con multiplicador
asociado
0
. Entonces
1
Si la forma cuadratica H
x,y
L(x
0
, y
0
,
0
) restringida al subespacio
tangente T
g
(x
0
, y
0
) es denida positiva, entonces (x
0
, y
0
) es un
mnimo local estricto de f en S.
2
x,y
L(x
0
, y
0
,
0
tangente T
g
(x
0
, y
0
) es denida negativa, entonces (x
0
, y
0
) es un
maximo local estricto de f en S.
3
x,y
L(x
0
, y
0
,
0
tangente T
g
(x
0
, y
0
) es indenida, entonces (x
0
, y
0
) no es ni maximo
ni mnimo local de f en S.
Observaci on:
Se puede resolver el problema anterior de clasicacion de una forma
cuadratica de n = 2 variables y m = 1 restriccion despejando una de las
variables en funcion de la otra en g(x
0
, y
0
) (x, y) = 0 y transformando
el problema anterior en el de clasicar una forma cuadratica de
n m = 2 1 = 1 variable sin restringir.
O bien, se puede estudiar el signo de los ultimos n m menores (en
nuestro caso, como n m = 1, del ultimo menor, o sea, del determinante)
de la matriz hessiana orlada que se introduce a continuacion.
Denicion
Si L es la funcion lagrangiana de (4) con f, g de clase C
2
en
D
, se dene
la matriz hessiana orlada en el punto (x
0
, y
0
,
0
)
D
IR como
HL(x
0
, y
0
,
0
) =
_
O Jg(x
0
, y
0
)
(Jg(x
0
, y
0
))
t
H
x,y
L(x
0
, y
0
,
0
)
_
.
A det

HL(x
0
, y
0
,
0
) se le denomina hessiano orlado.
Proposicion
2
en
D
y (x
0
, y
0
) S
D
un punto regular de (3)
que verica las condiciones necesarias de primer orden, con multiplicador
asociado
0
. Entonces:
det

HL(x
0
, y
0
,
0
) > 0 (x
0
, y
0
) maximo local de (4).
det

HL(x
0
, y
0
,
0
) < 0 (x
0
, y
0
) mnimo local de (4).
Interpretaci on economica de los multiplicadores de
Lagrange para n = 2 y m = 1
La funcion valor optimo asociada a (4) es
V (b) = max {f(x, y) | g(x, y) = b}.
Proposicion
Si (x
0
, y
0
) es una solucion regular de (4) con multiplicador asociado
0
y
se verica det

HL(x
0
, y
0
,
0
) = 0, entonces V es de clase C
1
en un
entorno abierto B de b y ademas
0
= V
(b).
Interpretaci on economica de los multiplicadores de
Lagrange para n = 2 y m = 1
Denicion
El multiplicador de Lagrange
0
asociado al extremo (x
0
, y
0
) mide la
sensibilidad de la funcion valor optimo respecto a variaciones de la
constante b, y se denomina precio sombra o valor marginal de una unidad
adicional de b.
Observacion:
En las condiciones establecidas, si b vara en b 0, entonces
V (b + b) V (b)
0
b.
En particular, si el incremento es unitario, es decir, b = 1, entonces
V (b + 1) V (b)
0
.
Apendice: maximizaci on de la utilidad conjunta va RMS
Denicion
Dada la funcion de utilidad U : [0, ) [0, ) IR concava, creciente
en cada variable y de clase C
1
en (0, ) (0, ), la relacion marginal de
sustitucion, RMS(x
1
, x
2
), se expresa en funcion de las utilidades
marginales como
RMS(x
1
, x
2
) =
U
x
1
(x
1
, x
2
)
U
x
2
(x
1
, x
2
)
.
Apendice: maximizaci on de la utilidad va RMS
Proposicion
Sea U : [0, ) [0, ) IR concava, creciente en cada variable y de
clase C
1
en (0, ) (0, ). La solucion del problema
max U(x
1
, x
2
) s.a: p
1
x
1
+p
2
x
2
= m,
donde p
1
, p
2
y m son constantes, se determina resolviendo el sistema
_
_
_
RMS(x
1
, x
2
) =
p
1
p
2
,
p
1
x
1
+p
2
x
2
= m.
(equivalente a las condiciones de Lagrange del problema).
6. Programacion matematica Bibliografa
Bibliografa
Barbolla, R., Cerda, E, Sanz, P. (2010): Optimizacion: Programacion
Matematica y Aplicaciones a la Economa. Garceta, Madrid.
Besada Morais, M., Garca Cutrn, F.J., Miras Calvo, M.A., Vazquez
Pampn, M.C. (2011): Calculo Diferencial de Varias Variables.
Garceta, Madrid.
Perez-Grasa, I., Minguillon, E., Jarne, G. (2001): Matematicas para la
Economa. Programacion Matematica y Sistemas Dinamicos.
Editorial McGraw-Hill, Madrid.
Sydsaeter, K., Hammond, P.J. (1996): Matematicas para el Analisis
Economico. Editorial Prentice Hall, Madrid.

Documento 7

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Documento 7

Diunggah oleh

Hak Cipta:

Format Tersedia

Matematicas II

Anda mungkin juga menyukai