APLICACIONES
A LA ECONOMIA
Y AL MERCADO DE CAPITALES
CONSIDERACIONES PREVIAS
Combinacin convexa de vectores
Sea V = { Rn; ; R; } un espacio vectorial
de n-sima
i m i N / w = k i v (i )
i =1
Cuando ki [0; 1]
k
i =1
Funcin convexa
Sea f : X R con X Rn convexo, f es una funcin convexa
Funcin cncava
Sea f : X R con X Rn convexo, f es una funcin cncava
las
derivadas,
por
tanto,
no
requieren
la
diferenciabilidad.
Si la funcin es diferenciable, la concavidad y la convexidad
pueden tambin definirse en trminos de sus derivadas
primeras:
f
( 2)
(1)
f ( x ( 2 ) ) f ( x (1) ) +
( xi xi )
i =1 x i x (1)
funcin
es
estrictamente
cncava
(convexa)
si
pero
el
recproco
no
es
cierto.
n f
( 2)
(1)
( xi x i )
i =1 xi x (1)
f ( x ( 2 ) ) f ( x (1) ) n
0
f ( x ( 2) x (1) )
i
i
i =1 xi x ( 2 )
2 = 0 f1
f1 f11
3 =
0 f1 f2
f1 f11 f12
f2 f21 f22
......... n =
0 f1 f2 .....fn
f1 f11 f12 ..... f1n
f2 f21 f22 ..... f2n
.........................
fn fn1 fn2 ..... fnn
Alain
C.
Enthoven
en
su
trabajo
Programacin
Condicin suficiente de
<0
<0
>0
<0
<0
<0
>0
<0
0 si i es par
< 0 si i es par
0 si i es impar
> 0 si i es impar
<0
CONDICIONES DE KUHN-TUCKER
Un problema de programacin no lineal suficientemente
general es el siguiente:
max. f(x1; x2;.......xn) s.a. g(1) (x1; x2;.......xn) c1
(I)
puede escribir
g j ( x) c j
j
g ( x) c j
g j ( x) c j
j
g ( x) c j
10
sencillas de verificar.
2Pero
con 1 j m
es lineal, se cumple la
cualificacin de restricciones.
con 1 j m
Para su enunciacin ver, por ejemplo, Alpha Chiang; Fernandez Pol, Jorge
Eduardo; Uribe, Diego Escobar
11
Si
cada
funcin
de
restriccin
es
diferenciable,
con 1 j m
gj(x*) 0
x0
f f
f
;.........
...
f ( x 0 ) = ;
x n x 0
x1 x 0 x 2 x 0
12
x1 0
x2 0
1-x1-x2 0
x2 0
g(1-x1-x2)3 0
(1)
(2)
3(1 x1 x 2 ) 2
0
= (linealmente dependiente)
g =
2
3(1 x1 x 2 ) (1 / 2;1 / 2) 0
no la satisface.
La funcin objetivo no tiene nada que ver con esta hiptesis
de regularidad denominada C.R.
13
s. a. g j (x) c j con 1 j m x R n
no
estando
que
se
verifica
la
cualificacin
de
las
f ( x ( 0 ) ) m
g j
j
= 0 con 1 i n
xi
xi
j =1
b)
g j ( x ( 0) ) 0
j 0 j g j ( x ( 0) ) = 0 con 1 j m
L( x; ) = f ( x) + j c j g j ( x)
j =1
14
a)
b)
L
= 0 1 i n
xi
L
0
j
j 0
L
=0
j
1 j m
(II)
embargo
para
no
tener
que
manejar
demasiados
15
x0
y0
condiciones de no negatividad
g(3)(x,y) = -y
L f
g (1)
=
1
+ 2 = 0
x x
x
(a)
L f
g (1)
=
1
+ 3 = 0
y y
y
(b)
L
= c - g(1)(x;y) 0
1
16
1 0
1 [c - g(1)(x;y)] = 0
(c)
L
=x 0
2
2 0
x 2 = 0
(d)
3 0
y 3 = 0
(e)
L
=y 0
3
de (a) se obtiene
f
g (1)
1
- 2 =
x
x
(a1)
de (d)
2 0
x 2 = 0
(d1)
f
g (1)
1
0
x
x
y,
f
g (1)
1
x
x
x = 0
de (b)
- 3 =
g (1)
f
1
y
y
(b1)
17
de (e)
3 0
y 3 = 0
(e1)
y,
f
g (1)
1
y
y
y = 0
max . f ( x)
s. a. g j (x) c j con 1 j m x 0 x R n
m
L = f ( x) + j c j g j ( x)
j =1
sern:
suponiendo que x(0) Rn resuelve el problema siendo la
funcin
objetivo
continuamente
las
diferenciables
restricciones
y
suponiendo
funciones
que
se
L
0
xi x ( 0 )
a)
b)
0
x
xi 0
xi
j 0
(0)
L
=0
xi x ( 0 )
=0
x
1 i n
con 1 j m
(0)
max. f (x)
y las
L
=0
xi x ( 0 )
b)
0
x(0)
1 i n
j 0
=0
con 1 j m
x(0)
19
L
0
xi x ( 0 )
xi 0
xi
L
=0
xi x ( 0 )
1 i n
s. a. g j (x) c j con 1 j m x 0 x R n
equivale a
max. - f ( x)
20
s. a. - g j (x) c j con 1 j m x 0 x R n
Sea el problema
s. a. g j (x) c j con 1 j m x 0 x R n
max. f ( x)
donde
la
funcin
objetivo
las
restricciones
son
b)
c)
d)
0
x
xi 0
j 0
xi
L
=0
xi x (0)
j L
(0)
con 1 i n
=0
x
con 1 j m
(0)
m en el ortante no negativo
e) Se satisface una cualquiera de las siguientes:
e-i
f
< 0 para al menos una variable xi
xi x ( 0 )
e-ii f
x
i
x(0 )
21
s.a. 2 x 0
x0
g j (x) 0 con 1 j m x n }
3( x 1) 2
3( x 1) 2
6( x 1)
= -9(x-
1)4 < 0
a)
L
= 3 (x 1)2 2 0
x
b)
L
= 2 2x 0
x 0
x.[ 3 (x 1)2 2 ] = 0
(2 2x) = 0
23
Tucker
sean
necesarias
se
debe
verificar
la
en
el
que
se
comprueba
la
cualificacin
24
de
los
modelos
funciones
econmicos
dependientes
de
aparecen
variables
frecuentemente
discretas
y,
en
consecuencia, no diferenciables.
Si un problema de programacin no lineal resulta ser no
diferenciable, las tcnicas expuestas hasta ahora no son
aplicables. As, es necesario encontrar otros mtodos que
faciliten la solucin de este tipo de problemas, mtodos que
tambin, por otra parte, son vlidos para resolver problemas
diferenciables.
Para ello es necesario definir el punto silla del Lagrangeano y
ver su relacin con la solucin, tema que no trataremos en
este trabajo.
Caso en que las condiciones de Kuhn y Tucker son
necesarias pero un punto que las satisface no es el ptimo
Sea max. z = x2 + y2 8
s. a.
x 1 ; -y 0; x2 + y2 4
L
= 2 x - 1 2 3 x = 0
x
L
= 2 y + 2 2 3 y = 0
y
L
=1x0
1
L
=y0
2
1 0
2 0
L
= 4 x2 y2 0
3
1 (1 x) = 0
2 y = 0
3 0
3 (4 x2 y2 ) = 0
g(2)(1;0) =
26
en
que
no
se
satisface
la
cualificacin
de
s. a.
g(x;y) = (x + y 2)2 0
L
= y-=0
x
L
= x-=0
y
L
=2xy=0
27
L
= y 2 (x + y - 2) = 0
x
L
= x 2 (x + y - 2) = 0
y
L
= -(x + y - 2)2 0
- (x + y - 2)2 = 0
y = 1 se obtiene la
28
z = x y en el ortante positivo:
0
B = y
x
x
0 1 ;
1 0
y
0
y
y
= y2 < 0
0
x,y > 0
la restriccin g = ( x + y 2)2 es convexa (cuasiconvexa)
En efecto su matriz hessiana
2 2
H =
2 2
2 > 0 y |H| = 0
es semidefinida positiva
y0
L = - 8 x2 10 y2 + 12 x y 50 x + 80 y + 1(1 x - y) +
+ 2 (2- 8 x2 y2)
29
L
= - 16 x + 12 y 50 - 1 16 2 x 0
x
L
= -20 y + 12 x + 80 - 1 2 2 y 0
y
x 0
L
=0
x
y0
L
=0
y
L
=1xy0
1
1 0
1 (1 x - y) = 0
L
= 2 8 x2 y2 0
2
2 0
2 (2 8 x2 y2 ) = 0
16 12
H =
12 20
-16 < 0
30
(condicin de Slater)
L
(0;1) = -98
x
x 0
L
=0
x
L
(0;1) = 0
y
y0
L
=0
y
z(0;1) = 70
Aplicacin de las condiciones de Kuhn y Tucker al
problema
estandar
en
teora
de
la
demanda
del
consumidor
Max. U(x)
31
1in
pi > 0
que
es
continuamente
diferenciable
a)
L U
=
pi 0
xi xi
b)
n
L
= I pi xi 0
i =1
xi 0
U
xi
pi = 0 con 1 i n
xi
i =1
I p i xi = 0
U
son cero, o sea que se supone que para algn
xi x ( 0 )
Min. wTx
s.a. A x b
x 0 A Rmxn b Rm
w;x Rn
s.a.
-Ax-b
x0
b Rm
L = - wTx + T (- b + A x )
L
= - wT + T A 0
x
x 0
b)
L
=-b+Ax 0
- wTx + T A x = 0
wTx = xT AT
(1)
T (- b + A x) = 0
bT = xT AT
(2)
33
xT AT y xT w (4)
bT y - bT = bT y - xT AT
de (2)
bT y - bT xT AT y - xT AT 0
ya que de (1) xT AT = wTx = xT w
y de (4) xT AT y xT w
Es decir
xT (AT y - AT ) 0
bT y = bT = xT AT = wTx
34
Programacin cuadrtica
Consideremos el caso de maximizar una forma cuadrtica
(como funcin objetivo) sujeta a restricciones lineales:
Mx. f(x) = cT x xT Q x s.a. g(j)(x) bj que equivale a A x
b (por ser
restricciones
lineales) x 0
donde:
c1
x1
b1
a11.............a1n
q11.........q1n
c2
x2
b2
a21.............a2n
q21.........q2n
c=
x=
cn
b=
xn
A=
bm
Q=
am1............amn
qn1.........qnn
cuando
en
el
problema
de
programacin
ver Anexo II
35
Algoritmo de Wolfe
Consiste en aplicar las condiciones de Kuhn y Tucker al
problema
de
programacin
cuadrtica,
reduciendo
el
(cT x xT Q x) -
g
j =1
( j)
j + = 0 (1)
xi 0
b- A x 0
(2)
x = 0
(b - Ax) = 0
j 0
(2)
siendo
1
0
=
#
2
#
0
0
..... 0
..... #
..... n
1
0
=
#
.....
como (cT x xT Q x) = c Q x
0
..... 0
..... #
..... n
.....
2
#
0
m
g
j =1
( j)
j = AT
sustituyendo en (1)
c Q x AT + = 0
de (2) A x b
Q x + AT - = c
s1
s
s= 2
#
sm
Ax+s=b
siendo s = 0
por (2)
>0
s=0 Ax=b
=0
s0 Axb
Ax+s=b
El
sistema
x = 0
j 0
s=0
anterior
puede
ser
resuelto
(3)
s0
(4)
utilizando
embargo,
si
definimos
un
conjunto
de
variables
0
c2
#
0
0
..... 0
..... #
..... c n
.....
Min
W =
z
i =1
xi 0
x = 0
j 0
Q x + AT - + C z = c
s.a.
s=0
s.a.
s0
Ejemplo:
Max. f(x) = 10 x1 + 20 x2 + x1 x2 2 x12 2 x22
x2 0
x1 x2 0
x1 0
x2 0
en forma matricial:
x
max. f(x) = [10 20] 1 x2
[x1
4 1 x1
0 1 x1 8
x2 ]
s.a.
1 4 x 2
1 1 x 2 10
x1 0
x2 0
z
Min. W = [1 1] 1
z2
4 1 x1
1 4 x +
s.a.:
0 1 1 1
10 0
1 1 - + 0 20
2 2
z1
10
z = 20
2
0 1 x1 s1 8
1 1 x + s = 10
2 2
s
[1
2 ] 1 = 0
s
[ 1
2 ] 1 = 0
x
xi tampoco
U
>0
E (RP )
U
>0
(RP )
donde:
E(RP) es el valor esperado de la rentabilidad del portafolio
s.a. E(R P ) = wi Ri
i =1
con wi 0
wi = 1
i =1
1in iN
w2 " wn ]
11 12 " 1n w1
21 22 " 2 n w2
#
#
# #
n1 n 2 " nn wn
41
funcin lineal),
con wi 0
w
i =1
= 1
1in iN
E ( RP )
*
el valor ptimo v[E (RP)] de
1
( RP) =
V ( RP )
ver Anexo II
v[E(RP)] es no decreciente en la variable E(RP), ya que si sta crece (baja) y la otra
restriccin permanece fija, la exigencia de una mayor rentabilidad del portafolio, har que
el riesgo medido por v[E(RP)] aumente (disminuya)
42
9
Grficamente:
( RP)
E(RP)
o como ms frecuentemente se presenta
E(RP)
( RP)
Observacin:
El problema de seleccin de la cartera de valores, si se levanta
el supuesto de que las ponderaciones sean no negativas (wi
0) lo que implica desde el punto de vista financiero aceptar
venta descubierta (en ingls: short sale)10, se puede
10
ANEXO I
Propiedades de la funcin valor:
El valor de la funcin objetivo f(x) depende de c = (c1; c2;
c3;.....;cm)
La funcin definida por: v(c) = max { f(x) sujeta a gj(x) cj con
1 j m j N x Rn}
asigna a cada vector c el valor ptimo v(c) de f y se llama
funcin valor para el problema.
Si f(x) es cncava y g(1)(x); g(2)(x);.......... g(m)(x) son todas
convexas entonces v(c) es cncava.
En efecto, designemos con x(c) a una solucin ptima del
problema cuando el vector de los miembros de la derecha
de las desigualdades es c = (c1; c2; c3;.....;cm).
11
Para un tratamiento del tema ver Seleccin de Inversiones Messuti y otros cap 5 y 12
44
v(c(2)) = f[x(c(2))],
gj[x(c(2))] cj
con 1 j m j N
x = [( 1 -) c(1) + c(2)]
Por definicin
es ptimo de este
(a)
(b)
v(c)
min
f(x)
sujeta
gj(x)
cj
con 1 j m j N x Rn}
con f(x) convexa y g1(x); g2(x);..........gm(x) todas cncavas, de
forma similar, se puede demostrar que la funcin valor v(c) es
convexa.
46
ANEXO II
Una forma cuadrtica semidefinida positiva (negativa), es una
funcin convexa (cncava) sobre Rn.
Se demostrar esta propiedad para una forma cuadrtica
semidefinida positiva.
Sea f(x) = xT A x 0 para todo x distinto del vector nulo con
x Rn y nAn simtrica.
Tomando dos puntos cualesquiera x(1) y x(2) y sea z = [( 1 -)
x(1) + x(2)]
con [0; 1] .
zT A z = 2 x(2)TA x(2) + x(1)TA x(2) - 2 x(1)TA x(2) + x(2)TA x(1) - 2 x(2)TA x(1) + x(1)TA x(1) - 2 x(1)T A x(1) + 2 x(1)TA x(1)
aplicando x(1)TA x(2) = [x(1)TA x(2)]T = x(2)TA x(1) en
el 4 trmino ()
zT A z = 2 x(2)TA x(2) + x(1)TA x(2) - 2 x(1)TA x(2) + x(1)TA x(2) - 2 x(2)TA x(1) + x(1)T A x(1) - 2 x(1)T A x(1) + 2 x(1)TA x(1)
sumando el 2 y el 4 trmino
zT A z = 2 x(2)TA x(2) + 2 x(1)TA x(2) - 2 x(1)TA x(2) - 2 x(2)TA x(1)
+ x(1)T A x(1)- 2 x(1)T A x(1) + 2 x(1)TA x(1)
zT A z = 2 (x(2)TA x(2) - x(1)TA x(2) - x(2)TA x(1) + x(1)TA x(1)) +
+ 2 (x(1)TA x(2) - x(1)T A x(1)) + x(1)T A x(1)
zT A z = 2 (x(2) - x(1))TA x(2) (x(2) - x(1))TA x(1)) +
+ 2 x(1)TA (x(2)- x(1)) + x(1)T A x(1)
zT A z = 2 (x(2) - x(1))TA (x(2) x(1)) + 2 x(1)TA (x(2) - x(1)) +
+ x(1)T A x(1)
48
50
Funcin convexa
Sea f : X R con X Rn convexo, f es una funcin convexa
f (x(1) )
f (x ) f (x ) f .x + (1 )).x
(2)
f (x )
(2)
(1)
(1)
(2)
n f
( 2)
(1)
(
)
x
x
i
i
i =1 xi x (1)
( 2)
(1)
f (x ) f (x ) n
0
(
2
)
(
1
)
( xi xi )
i =1 i x ( 2 )
Para la cuasiconcavidad y cuasiconvexidad estrictas la
desigualdad de la derecha tendr que ser sustituda por la
desigualdad estricta > 0
Si la funcin es dos veces continuamente diferenciable, la
cuasiconcavidad y cuasiconvexidad, en el ortante no negativo,
pueden verificarse estudiando el signo de los siguientes
menores principales de la matriz hessiana :
0 f1 f2 .....fn
f1 f11 f12 ..... f1n
f2 f21 f22 ..... f2n
........................
fn fn1 fn2 ..... fnn
52
2 = 0 f1
3= 0 f1 f2
f1 f11
f1 f11 f12
f2 f21 f22
f2 f21 f22..f2n
...
n =
0 f1 f2 ...fn
....................
fn fn1 fn2.. fnn
Condiciones de Arrow-Enthoven
Son vlidas en el ortante no negativo.
Condicin necesaria
cuasiconcavidad
cuasiconvexidad
Condicin suficiente
cuasiconca-
cuasicon-
vidad
vexidad
>0
<0
<0
<0
>0
<0
<0
<0
si i es par
si i es par
>0
si i es impar
n
<0
si i es impar
0
<0
53
Si
cada
funcin
(condicin de Slater)
de
restriccin
es
diferenciable,
con 1 j m
gj(x*) 0
restricciones
an
cuando
54
no
es
una
limitacin
x ( 0 ) = ( x 1( 0 ) ; x 2( 0 ) ;........ x n( 0 ) )
que
resuelve
el
problema:
max. f (x)
f ( x ( 0 ) ) m
g j
j
= 0 con 1 i n
xi
xi
j =1
b)
max. f (x)
L = f ( x) + j c j g j ( x)
j =1
Sern:
Suponiendo que x(0) Rn resuelve el problema siendo la funcin
objetivo
las
restricciones
funciones
continuamente
entonces
existen
unos
nicos
nmeros
1;
a)
L
0
xi x ( 0 )
xi 0
b)
L
0
j ( 0 )
x
j 0
xi
L
=0
xi x ( 0 )
L
=0
j ( 0 )
x
max. f (x)
Donde
la
s.a. g j (x) c j
funcin
con 1 j m x 0 xRn
objetivo
las
restricciones
son
L
=0
xi x ( 0 )
b)
56
0
x
(0)
1 i n
j 0
=0
x
(0)
con 1 j m
a)
L
0
xi x ( 0 )
xi 0
xi
L
=0
xi x ( 0 )
max. f ( x)
Donde
la
s. a. g j (x) c j con 1 j m x 0 x R n
funcin
continuamente
objetivo
diferenciables.
las
restricciones
Suponiendo
que
son
existen
57
a)
b)
L
0
xi x ( 0 )
L
c)
d)
xi 0
j 0
0
x( 0)
xi
L
=0
xi x (0)
L
=0
j ( 0 )
x
f
< 0 para al menos una variable xi
xi x ( 0 )
e-ii
f
> 0 para alguna variable xi que pueda tomar un
xi x ( 0 )
(0)
un entorno de x(0)
e-iv f(x) es cncava
Entonces en x(0) la funcin se maximiza.
58
estandar
en
teora
de
la
demanda
del
consumidor
Max.U(x) s. a. p1x1 + p2x2 + p3x3 +......+pnxn I
Suponiendo
que
es
continuamente
diferenciable
L U
=
p i 0
xi xi
b)
n
L
= I p i xi 0
i =1
xi 0
xi U pi = 0
xi
i =1
I p i xi = 0
U
son cero, o sea que se supone que para algn
xi x ( 0 )
px
i
i =1
= I por b).
s.a. g(j)(x) bj
x1
b1
a11.............a1n
q11.........q1n
c2
x2
b2
a21.............a2n
q21........q2n
c=
x=
cn
b=
xn
A=
bm
Q=
am1............amn
qn1........qnn
cuando
en
el
problema
de
programacin
de
programacin
cuadrtica,
reduciendo
el
Ax+s=b
siendo s = 0
>0
s=0 Ax=b
=0
s0 Axb
Min W =
z
i =1
s.a. Q x + AT - + C z = c xi 0
j 0 s = 0
x = 0
A x + s =b
s0
61
U
>0
E (R P )
U
>0
(RP )
min V(R P )
con wi 0
s.a. E(R P ) = wi Ri
i =1
wi = 1
i =1
1in iN
Donde
V(RP) = [w1
62
w2 " wn ]
11 12 " 1n w1
21 22 " 2 n w2
#
#
# #
n1 n 2 " nn wn
y en E(R P ) min = wi Ri
i =1
(RP)min
(RP)
s.a.
w R
i =1
= E*(RP) wi = 1
con wi 0
i =1
V ( RP ) .
(RP)
(RP)min 1(RP) 2(RP) 3(RP) 4(RP) 5(RP)
64
Bibliografa
ARMITANO O., EDELMAN J. y PALOMARES GARCA U.(
1985), Programacin no Lineal., Mxico, Limusa
BALBS A. y
Alpha
C.(1987),
Mtodos
Fundamentales
de
Iberoamericana
FERNNDEZ-POL
Jorge
Eduardo,(1980),
Lecciones
de
Prentice Hall.
66
67