Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Optimización en varias variables con restricciones de igualdad Aplicaciones Matemáticas para Economía y Negocios Sección 3 Apuntes #5 Ultima actualización: 18 de mayo de 2020 1. Introducción 2 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Introducción • Hasta ahora hemos trabajado con problemas sin restricciones • Problema sin restricción ⇒ Maximizar una función en todo su dominio • Todavía, muchos problemas involucran restricciones: • Un consumidor maximiza su utilidad sujeto a su restricción presupuestaria • Una empresa puede minimizar costos sujeto a alcanzar un nivel de producción • Una administradora de fondos de pensiones puede maximizar retornos sujeto a un nivel máximo de riesgo permitido por la regulación • Un estudiante decide cuanto estudiar para cada curso sujeto a una restricción de tiempo disponible 3 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Roadmap • Por razones didácticas, en la primera parte de estos apuntes vamos nos enfocar en problemas como: máx x ,y f (x ,y) s.a. g(x ,y) = c (2 variables, 1 restricción) donde g y f son funciones de dos variables, y c es un constante • Estudiaremos también minimización. Tenga en cuenta que: ḿın x ,y f (x ,y) s.a. g(x ,y) = c ⇐⇒ máx x ,y − f (x ,y) s.a. g(x ,y) = c • En la parte final vamos generalizar los resultados presentados para problemas con n > 2 variables y/o m > 1 restricciones 4 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización 2. Lagrange 5 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Introducción • Ya sabemos como representar gráficamente la solución de muchos problemas que pueden ser escritos como máx x ,y f (x ,y) s.a. g(x ,y) = c (P1) • De hecho, con el teorema de la función implícita y un poco de intuición geométrica, muchas veces logramos obtener una solución explicita para problemas como este 6 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo 1: Solución gráfica de (P1) x y z curvas de nivel de f (x , y)f (x , y) g(x , y) = c f (x , y) para (x , y) en conjunto restricción x y curvas de nivel de f (x , y) g(x , y) = c óptimo curvas de nivel de f (x , y) 7 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo 2: Minimización de costos • Considere una empresa que quiera minimizar costos sujeto a alcanzar determinado nivel de producción • Como ye hemos visto, muchas veces podemos representar la solución de la siguiente manera: L K isocostos isocuanta L∗ K∗ óptimo 8 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo 3: Problema del consumidor • Considere el problema de un consumidor que tiene que eligir entre dos bienes sujeto a su restricción presupuestaria • Sabemos que muchas veces la solución puede ser representada como: x∗ y∗ óptimo curvas de indiferencia restricción presupuestaria x y 9 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Método de Lagrange • Ahora vamos ver una manera más sistemática para resolver problemas como (P1) (el método de Lagrange) Observaciones preliminares: • Siempre que utilizamos términos como “solución del problema, máximo (mínimo), óptimo, etc” estamos hablando de máximos (o mínimos) globales del problema que estamos analizando • Cuando queremos referirnos a máximos/mínimos locales adicionamos la palabra “local” explícitamente 10 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Método de Lagrange Teorema (Teorema de Lagrange) Sea f ,g : R2→ R dos funciones con derivadas continuas, y c ∈ R. Suponga que x∗ = (x∗1 ,x∗2 ) es una solución del siguiente problema máx x1,x2 f (x1,x2) s.a. g(x1,x2) = c, y que x∗ no es un punto critico de g. Entonces, existe un numero real λ∗ tal que( x∗1 ,x∗2 ,λ∗ ) es un punto critico de la función lagrangiana dada por L(x1,x2,λ) = f (x1,x2)−λ [g(x1,x2)− c] , En otras palabras, en ( x∗1 ,x∗2 ,λ∗ ) tenemos ∇L= 0, o sea ∂L ∂x1 = 0, ∂L ∂x2 = 0, ∂L ∂λ = 0. • El resultado también se aplica al problema de minimización de f (x1,x2) sujeto a g(x1,x2) = c 11 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Algunas observaciones • λ∗ es llamado de multiplicador de Lagrange • ∇g(x∗) 6= 0 es llamada de calificación de restricción (en este problema especifico) • Las condición que ∇L= 0 es una condición necesaria para un óptimo que satisface la calificación de restricción, mas no es una condición suficiente • El método de Lagrange nos entrega candidatos a solución • Suponemos que el dominio de f y g es R2, pero el resultado también vale si el dominio es un subconjunto abierto de R2 (o si la solución está en el interior del dominio) • El libro define la función lagrangiana como L(x1,x2) (sin incluir λ) y presenta el resultado de manera un poco diferente (mas equivalente) 12 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Paso a paso Para maximizar f : R2→ R sujeto a g(x1,x2) = c seguimos los siguientes pasos: 1 Verificar si la restricción g(x1,x2) tiene puntos críticos que satisfacen g(x1,x2) = c. Si lo tiene, guardar estos puntos como candidatos a máximo global. 2 Escribir la lagrangiana L(x1,x2,λ) = f (x1,x2)−λ [g(x1,x2)− c]. 3 Encontrar todos puntos críticos de L(x1,x2,λ). 4 Evaluar f (x1,x2) en los puntos críticos de L (paso 3) y de g (paso 1) encontrados. Dejar solamente el (los) punto(s) que llevan a un mayor valor de f como candidatos. 13 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Paso a paso (cont’d) • Después de seguir estos pasos, garantizamos que si un punto de máximo existe, entonces son los puntos que quedan después del paso 4 • Todavía, aun puede ser que un máximo no exista... • Ahí podemos usar Weierstrass si el conjunto restricción R = {(x1,x2) : g(x1,x2) = c} es cerrado y acotado • Si R no es cerrado y acotado y no sabemos si un máximo existe tenemos que ser creativos • O podemos intentar usar condiciones suficientes que veremos más adelante 14 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso Lagrange • Antes de entender de donde viene el método del Lagrange vamos hacer un ejemplo para garantizar que sabemos como utilizarlo • Considere el problema máx x1,x2 x21 x2 s.a. 2x21 + x22 = 3 Paso 1: • Lo único punto crítico de g(x1,x2) = 2x21 +x22 es (0,0), que no está en conjunto restricción • Luego, en este ejemplo no llevamos ningún punto del paso 1 como candidato 15 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso Lagrange Paso 2: • La lagrangiana es L(x1,x2,λ) = x21 x2−λ [ 2x21 + x22 −3 ] Paso 3: • Las CPO de L son: ∂L ∂x1 = 2x1x2−4λx1 = 0, ∂L ∂x2 = x21 −2λx2 = 0, ∂L ∂λ =−2x21 −x22 +3= 0 • Después de alguna álgebra, encontramos los siguientes puntos críticos (x1,x2,λ) de L:( 0, √ 3,0 ) , ( 0,− √ 3,0 ) , (1,1,0,5) , (−1,−1,−0,5) , (1,−1,−0,5) , (−1,1,0,5) 16 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso Lagrange Paso 4: • Reemplazando cada uno de los seis puntos del paso anterior en f (x1,x2) = x21 x2 quedamos con dos candidatos a máximo: (x1,x2) = (1,1) y (x1,x2) = (−1,1) Existencia: • ¿Son (1,1) y (−1,1) máximos globales? • Perciba que R = { (x1,x2) ∈ R2 : 2x21 + x22 = 3 } es una elipse (y f (x1,x2) = x21 x2 es continua) • Luego, R es cerrado y acotado ⇒ máximoexiste ⇒ (1,1) y (−1,1) son máximos globales 17 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Método de Lagrange Ejercicio Encuentre candidatos a solución del siguiente problema: máx x1,x2 f (x1,x2) = x1x2 s.a. g(x1,x2) = x1 +4x2 = 16 18 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Método de Lagrange Ejercicio Encuentre candidatos a solución del siguiente problema: ḿın x1,x2 f (x1,x2) = 0,5x21 + x2 s.a. g(x1,x2) = (x1 + x2)2 = 0 19 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Bosquejo de la prueba • Considere el problema de maximizar f (x1,x2) sujeto a g(x1,x2) = c • Por simplicidad, suponga aquí que en el máximo x∗ = (x∗1 ,x∗2 ): ∂f ∂x1 (x∗), ∂f ∂x2 (x∗), ∂g ∂x1 (x∗), ∂g ∂x2 (x∗) 6= 0 • Por el teorema de la función implícita, la pendiente de las curvas de nivel de f y g en x∗ son: − ∂f ∂x1 (x ∗) ∂f ∂x2 (x ∗) y − ∂g ∂x1 (x ∗) ∂g ∂x2 (x ∗) 20 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Bosquejo de la prueba (cont’d) • Usando que las curvas de nivel de f y g son tangentes en el optimo: ∂f ∂x1 (x ∗) ∂f ∂x2 (x ∗) = ∂g ∂x1 (x ∗) ∂g ∂x2 (x ∗) ⇒ ∂f ∂x1 (x ∗) ∂g ∂x1 (x ∗) = ∂f ∂x2 (x ∗) ∂g ∂x2 (x ∗) ≡ λ∗ • Que implica: ∂f ∂x1 (x∗)−λ∗ ∂g ∂x1 (x∗)︸ ︷︷ ︸ = ∂L∂x1 (x ∗ 1 ,x ∗ 2 ,λ ∗) = 0 y ∂f ∂x2 (x∗)−λ∗ ∂g ∂x2 (x∗)︸ ︷︷ ︸ = ∂L∂x2 (x ∗ 1 ,x ∗ 2 ,λ ∗) = 0 • Para concluir: la condición ∂L∂λ = 0 es equivalente a g(x1,x2) = c 21 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Relación con el gradiente • Recuérdense que el gradiente de una función f es ortogonal a la recta tangente a la curva de nivel x1 x2 x∗1 x∗2 recta tangente con pendiente − f1(x ∗ 1 ,x ∗ 2 ) f2(x ∗ 1 ,x∗ 2 ) ∇f (x∗1 , x∗2 ) = (f1(x∗1 , x∗2 ), f2(x∗1 , x∗2 )) ( 1,− f1(x ∗ 1 ,x∗ 2 ) f2(x ∗ 1 ,x∗ 2 ) ) ∇f (x∗ 1 , x∗ 2 ) 90◦ curva de nivel de f (x1, x2) 22 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Lagrange: Relación con el gradiente (cont’d) • Como las curvas de nivel de f y g son tangentes en el óptimo: ∇f (x∗) = Constante×∇g (x∗) • Las condiciones de Lagrange requieren que ∇f (x∗) = λ∗∇g (x∗) x1 x2 ∇f (x∗1 , x∗2 ) curva de nivel de f (x1, x2) ∇g(x∗1 , x∗2 ) g(x1, x2) = c 23 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización 3. Suficiencia global 24 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia global de las condiciones de Lagrange • En lo anterior derivamos condiciones necesarias para una solución del problema con restricción de igualdad • Pero muchas veces nada garantizaba que el candidato a optimo era efectivamente un óptimo • Pregunta: ¿Cuando las condiciones de Lagrange son también suficientes para el óptimo? • Respuesta: Si la función lagrangiana es cóncava (para maximización) o convexa (para minimización) • Más detalles en el próximo teorema 25 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia global de Lagrange Teorema (Suficiencia global de las condiciones de Lagrange) Sea f ,g : R2→ R dos funciones con derivadas continuas y c ∈ R. Considere los siguientes problemas: ḿın x1,x2 f (x1,x2) s.a. g(x1,x2) = c y máx x1,x2 f (x1,x2) s.a. g(x1,x2) = c Sea (x∗1 ,x∗2 ,λ∗) un punto critico de la función lagrangiana L(x1,x2,λ) = f (x1,x2)−λ [g(x1,x2)− c] . Defina L̃(x1,x2) = L(x1,x2,λ∗). Entonces: • L̃(x1,x2) cóncava ⇒ (x∗1 ,x∗2 ) resuelve el problema de maximización. • L̃(x1,x2) convexa ⇒ (x∗1 ,x∗2 ) resuelve el problema de minimización. • El resultado también vale si el dominio de g y f es un subconjunto abierto de R2 o si la solución está en el interior del dominio 26 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia global de Lagrange Demostración (para maximización): • Sea (x∗1 ,x∗2 ,λ∗) un punto critico de L(x1,x2,λ) • Entonces (x∗1 ,x∗2 ) es un punto critico de L̃(x1,x2) = L(x1,x2,λ∗) • Si L̃(x1,x2) es cóncava tenemos que (x∗1 ,x∗2 ) maximiza L̃(x1,x2) (ver Apuntes #4, pg. 27) • Luego, para cualquier (x1,x2): L̃(x∗1 ,x∗2 ) = f (x∗1 ,x∗2 )−λ∗ [g(x∗1 ,x∗2 )− c] ≥ f (x1,x2)−λ∗ [g(x1,x2)− c] = L̃(x1,x2) • Pero entonces, para cualquier (x1,x2) que satisface g(x1,x2) = c: L̃(x∗1 ,x∗2 ) = f (x∗1 ,x∗2 )≥ f (x1,x2) = L̃(x1,x2) 27 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia de Lagrange: Observaciones • La suma de funciones cóncavas (convexas) es una función cóncava (convexa) • h(x1,x2) es cóncava ⇒ −h(x1,x2) es convexa (y viceversa) • Funciones lineales son cóncavas y convexas • Luego, por ejemplo:{ f (x1,x2) cóncava g(x1,x2) lineal =⇒ L̃(x1,x2) cóncava para todo λ∗{ f (x1,x2) convexa g(x1,x2) lineal =⇒ L̃(x1,x2) convexa para todo λ∗ f (x1,x2) convexa g(x1,x2) cóncava λ∗≥ 0 =⇒ L̃(x1,x2) convexa • etc... *Para verificar concavidad/convexidad de una función, revisar Apuntes #4 28 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Suficiencia de Lagrange Ejercicio Considere el problema de una firma con función de producción F : R2+→ R dada por F (K ,L) = AKαLβ , con A> 0, α+β ≤ 1. El salario es denotado por w > 0 y el precio del capital es r > 0. La empresa quiere producir 2 unidades, minimizando su costo, o sea, quiere resolver: ḿın K ,L≥0 wL + rK s.a. AKαLβ = 2, La función de producción es cóncava (no necesitas verificar, pero igual saben como hacerlo usando los resultados en Apuntes #4). 1 Si el problema tiene solución, ¿la solución esta en el interior de R2+ (i.e., K > 0, L> 0 en el óptimo)? Explique. 2 ¿Las condiciones de Lagrange son suficientes para el óptimo? Explique. 29 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Remuneración óptima Ejercicio La propietaria de una empresa quiere contratar una CEO. Las ganancias de esta empresa son aleatorias, y dependen de varios factores. En particular, el flujo de caja π de la empresa es: π = { VH con probabilidad p VL con probabilidad 1−p donde VH > VL > 0 y p ∈ (0,1) son parámetros. π denota todo dinero que queda en la empresa después de pagar sus proveedores y trabajadores (sin incluir la CEO). La propietaria tiene que proponer un contrato para la CEO que especifica su remuneración como una función de la ganancia realizada π. De otra manera, deben ponerse de acuerdo en como dividir las ganancias para cada realización de π. 30 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio (cont’d) Denote por wH ≥ 0 la remuneración ofrecida para la CEO caso π = VH y wL ≥ 0 la remuneración ofrecida caso π = VL. La utilidad de la CEO es una función de su renta: si tienes w unidades de renta con certidumbre su función utilidad es u(w), donde u(w) es cóncava y u′(w)> 0,∀w . Su utilidad esperada U(wH ,wL) para una dada política de remuneración es definida como un promedio ponderado de su utilidad: U(wH ,wL) = pu(wH) + (1−p)u(wL) La utilidad de la propietaria es similar, pero dada por una función h(w), también cóncava y con h′(w)> 0,∀w . Su utilidad esperada es: H(wH ,wL) = ph(VH −wH) + (1−p)h(VL−wL) La CEO tiene una otra oferta empleo que paga un sueldo que le da una utilidad esperada de c ∈ R. El problema de la propietaria es ofrecer un contrato a la CEO de manera a maximizar su propia utilidad esperada, pero sujeto a que este contrato entregue utilidad esperada c a la CEO (no hay motivo para darle mas utilidad que el necesario, pero tieneque garantizar la CEO va aceptar la oferta de empleo). Suponga ademas que ĺımw→0 u(w) =−∞, y u(w) finito para w 6= 0. 31 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio (cont’d) 1 Escriba formalmente el problema de la propietaria de la empresa. 2 ¿La solución es interior (i.e., wH ,wL > 0 en el óptimo)? Explique. 3 ¿La calificación de restricción es satisfecha? 4 Derive las condiciones de primer orden de la lagrangiana. 5 Muestre que las condiciones de Lagrange son suficientes para el optimo. 6 Suponga h(w) = w y u(w) es estrictamente cóncava. ¿Que podemos decir sobre la remuneración optima? ¿Cual la intuición económica? 7 Suponga que u(w) = w y h(w) es estrictamente cóncava. ¿Que podemos decir sobre la remuneración optima? ¿Cual la intuición económica? 32 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización 4. Suficiencia local 33 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Condiciones suficientes para óptimo local • Algunas veces las condiciones suficientes para un óptimo global fallan • La lagrangiana no es cóncava/convexa • Así, nos quedamos sin saber si, por ejemplo, si un candidato que es un punto critico de la lagrangiana es un máximo/mínimo global • Las condiciones que veremos adelante por lo menos van ayudarnos algunas veces a clasificar estos puntos como máximos/mínimos locales 34 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Hessiana Orlada • Sea considere el problema de maximizar/minimizar f (x ,y) sujeto a g(x ,y) = c • La hessiana orlada asociada a este problema es definida como: H̃(x ,y ,λ) = 0 gx (x ,y) gy (x ,y)gx (x ,y) fxx (x ,y)−λgxx (x ,y) fxy −λgxy (x ,y) gy (x ,y) fyx (x ,y)−λgyx (x ,y) fyy (x ,y)−λgyy (x ,y) 35 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Condiciones suficientes para óptimo local Teorema (Condiciones suficientes para óptimo local) Sea f ,g : R2→ R dos funciones con segunda derivadas continuas. Considere los problemas de minimizar/maximizar f en el conjunto restricción R = {(x ,y) : g(x ,y) = c}: ḿın x1,x2 f (x ,y) s.a. g(x ,y) = c y máx x1,x2 f (x ,y) s.a. g(x ,y) = c Sea (x∗,y∗,λ∗) un punto critico de la función lagrangiana, y denote por D = ∣∣H̃(x∗,y∗,λ∗)∣∣ el determinante de la hessiana orlada asociada evaluada en (x∗,y∗,λ∗). Entonces: • D > 0 ⇒ (x∗,y∗) es un máximo local de f en R. • D < 0 ⇒ (x∗,y∗) es un mínimo local de f en R. • Si D = 0 puede ser silla, mínimo o máximo local 36 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Condiciones suficientes para óptimo local • La idea por detrás del teorema anterior es similar a las condiciones suficientes para problemas sin restricción • Todavía, miramos ahora la hessiana de la lagrangiana con respecto a x e y • Ademas, no necesitamos que la forma cuadrática asociada sea negativa/positiva definida en todos puntos, sino que solamente sea positiva/negativa definida a lo largo de una aproximación lineal del conjunto restricción • Esto es el papel de la “orla” • Por esto las condiciones no son exactamente las mismas que para los problemas sin restricciones 37 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Computando determinantes • Sea A la siguiente matriz A = a11 a12 a13a21 a22 a23 a31 a32 a33 • Varias maneras de computar |A|, por ejemplo, con adjuntos: |A|= a11 ∣∣∣∣∣ a22 a23a32 a33 ∣∣∣∣∣−a12 ∣∣∣∣∣ a21 a23a31 a33 ∣∣∣∣∣+a13 ∣∣∣∣∣ a21 a22a31 a32 ∣∣∣∣∣ 38 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Condiciones suficientes Ejercicio Considere el problema de encontrar los valores extremos de f (x1,x2) = x1x2 sujeto a x1 +4x2 = 16. Clasifique los puntos críticos de la función lagrangiana como máximo local o mínimo local, cuando posible. (Ya encontramos los puntos críticos de L en un ejercicio anterior). 39 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización 5. Envolvente 40 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teoremas de Envolvente Teoremas de envolvente buscan responder la siguiente pregunta: • ¿Como cambia el valor máximo/mínimo de un problema de optimización cuando cambiamos algún parámetro del problema? Ejemplos: • ¿Cuanto cambia la utilidad máxima del consumidor cuando cambiamos su renta o el precio de un bien? • ¿Cuanto cambian los costos de una empresa cuando cambiamos el nivel producción deseado o el precio de un factor? 41 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teoremas de Envolvente • Para contestar estas preguntas, en muchos casos uno puede: 1 Resolver el problema de optimización para un dado parámetro 2 Evaluar la función objetivo en el óptimo y derivar la función que resulta con respecto al parámetro deseado • Todavía, el Teorema de Envolvente muchas veces nos entregara una manera mas fácil de hacer esto • Más importante: el Teorema de Envolvente nos dará una interpretación económica del multiplicador de Lagrange en muchos problemas • Hasta ahora hemos tratado el multiplicador como una variable con poco significado económico, pero veremos que este no es el caso 42 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Función valor • Representamos f (x ,y) para un dado parámetro α como f (x ,y ;α) • Considere el problema máx x ,y (ḿın) f (x ,y ;α) s.a. h(x ,y ;α) = 0 (P1) • Por ejemplo, si la restricción es g(x ,y) = α, h(x ,y ;α) = g(x ,y)−α • Sea (x∗(α),y∗(α)) una solución de este problema • Escribimos (x∗(α),y∗(α)) para enfatizar que pueden depender de α • Definimos la función valor de (P1) como f ∗(α) = f (x∗(α),y∗(α);α) • Estamos interesados en computar df ∗ dα 43 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teorema de la Envolvente Teorema (Teorema de la Envolvente, 2 variables, 1 restricción) Considere el siguiente problema: máx x,y (ḿın) f (x1,x2;α) s.a. h(x1,x2;α) = 0 (P1) Sea x∗(α) = ( x∗1 (α),x∗2 (α) ) una solución de este problema para un dado α y suponga que los siguientes supuestos técnicos se cumplen: • La calificación de restricción es satisfecha en x∗(α), i.e., ∇h ( x∗1 (α),x∗2 (α) ) 6= 0. • El multiplicador de Lagrange asociado a x∗(α), denotado por λ∗(α), tiene derivada continua con respecto a α. Entonces: df ∗(α) dα = d dα f (x∗1 (α),x∗2 (α)) = ∂ ∂α L(x∗1 (α),x∗2 (α),λ∗(α);α) donde L(x1,x2,λ;α) es la lagrangiana para un dado α y f ∗(α) es la función valor. 44 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teorema de la Envolvente: Observación • Perciba que: ∂ ∂α L(x∗1 (α),x∗2 (α),λ∗(α);α) 6= d dαL(x ∗ 1 (α),x∗2 (α),λ∗(α);α) • Manera correcta de usar el Teorema de la Envolvente: • Diferenciar L(x1,x2,λ;α) con respecto a α • Evaluar dLdα en (x ∗ 1 (α),x∗2 (α),λ∗(α);α) • Manera incorrecta de usar el Teorema de la Envolvente: • Computar s(α)≡ L(x∗1 (α),x∗2 (α),λ∗(α);α) • Diferenciar s(α) usando la regla de la cadena • Esta manera va llevar al resultado correcto, pero es mas trabajosa 45 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Envolvente: Bosquejo de la prueba • Sea (x∗1 (α),x∗2 (α),λ∗(α)) un punto de óptimo de (P1) y un punto critico de la lagrangiana • Entonces, usando f ∗(α) = f (x∗1 (α),x∗2 (α);α), por la regla de la Cadena (los argumentos están omitidos): df ∗ dα = ∂f ∂x1 dx∗1 dα + ∂f ∂x2 dx∗2 dα + ∂f ∂α • Pero por las CPO de L sabemos que en un puntocritico de L: ∂f ∂x1 = λ∗ ∂h ∂x1 y ∂f ∂x2 =λ∗ ∂h ∂x2 • Luego: df ∗ dα = λ ∗ ( ∂h ∂x1 dx∗1 dα + ∂h ∂x2 dx∗2 dα ) + ∂f ∂α 46 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Envolvente: Bosquejo de la prueba (cont’d) • Diferenciando con respecto a α de los dos lados de h (x∗1 (α),x∗2 (α);α) = 0: ∂h ∂x1 dx∗1 dα + ∂h ∂x2 dx∗2 dα + ∂h ∂α = 0⇒ ∂h ∂α =− ( ∂h ∂x1 dx∗1 dα + ∂h ∂x2 dx∗2 dα ) • Luego: df ∗ dα = λ ∗ ( ∂h ∂x1 dx∗1 dα + ∂h ∂x2 dx∗2 dα ) ︸ ︷︷ ︸ =− ∂h∂α + ∂f ∂α = ∂f ∂α −λ∗ ∂h ∂α = ∂L ∂α 47 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Envolvente y multiplicador de Lagrange • Considere el problema ḿın x ,y f (x ,y) s.a. g(x ,y) = c ⇒ L(x ,y ,λ) = f (x ,y)−λ [g(x ,y)− c] • Aplicando el Teorema de la Envolvente: df ∗ dc = λ ∗ • El multiplicador de Lagrange captura como c afecta la función valor 48 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Aplicación del Teorema de la Envolvente: Problema del consumidor • Considere el problema usual de un consumidor: maximizar u(x ,y) sujeto a la restricción presupuestaria pxx +pyy = I • El multiplicador λ∗ captura como cambia la utilidad en el óptimo (u∗) cuando cambia la renta: du∗ dI = λ ∗ 49 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Aplicación del Teorema de la Envolvente: Minimización de costos • Considere el problema usual de minimizar costos wL+ rK sujeto a alcanzar un nivel de producción Y , i.e., F (K ,L) = Y • El multiplicador λ∗ captura como suben los costos C∗ en el optimo cuando sube el nivel de producción deseado: dC∗ dY = λ ∗ • O sea, λ∗ representa el costo marginal (el costo de producir una unidad más) 50 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: El valor de la liquidez Ejercicio Una empresa tiene función de producción F (L) = √ L, donde L≥ 0 son horas trabajadas y el precio de su producto es igual a p = 2. Salarios son iguales a w = 2. La empresa cuenta con 10 pesos disponibles en su caja. La empresa debe pagar sus trabajadores antes de producir. Hay dos usos posibles para el dinero en caja: (i) usarlo para pagar los trabajadores; (ii) usarlo para invertir en una cuenta de ahorro que paga una tasa de interés neta de η = 50% después de terminado el proceso productivo. Denota por Z ≥ 0 el monto invertido en la cuenta de ahorro. 51 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio (cont’d) 1 Plantee el problema de optimización de esta empresa. 2 Encuentre la solución del problema de la firma usando el método de Lagrange y las condiciones suficientes vistas. 3 Suponga ahora que una inversionista tiene dinero disponible y propone hacer un préstamo de 1 peso a la empresa (antes de producir). Después de producir, la empresa paga i a la inversionista (i denota la tasa de interés bruta). ¿Cual la tasa de interés máxima que la inversionista puede cobrar de la firma? (Su respuesta puede ser una aproximación y debes usar el Teorema de la Envolvente). 4 Suponga ahora que esta empresa tiene un monto � en caja, donde � es muy próximo a cero. ¿Como crees que esto cambiaría su respuesta al ítem anterior? No necesitas resolver formalmente (todavía sabes como hacerlo), intente ejercitar su intuición. 52 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización 6. Generalización 53 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Generalización • Ahora vamos generalizar algunos de los resultados presentados para problemas con m > 1 restricciones y n > 2 variables • El problema que vamos estudiar es: máx x1,...,xn (min) f (x1,x2, ...,xn) s.a. g1(x1,x2, ...,xn) = c1 g2(x1,x2, ...,xn) = c2 ... gm(x1,x2, ...,xn) = cm (Pm,n) • Donde f ,g1, ...,gm son funciones de m variables c1, ...,cm son constantes • Ojo en la notación: gi acá no representa la derivada parcial 54 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Jacobiana del conjunto restricción • Considere el problema con n variables y m restricciones Pm,n • Definimos la Jacobiana del conjunto restricción como la matriz Jg (x) = ∂g1 ∂x1 (x) · · · ∂g1 ∂xn (x) ∂g2 ∂x1 (x) · · · ∂g2 ∂xn (x) ... . . . ... ∂gm ∂x1 (x) · · · ∂gm ∂xn (x) 55 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Calificación de restricción: Generalización • Decimos que la calificación de restricción del problema Pm,n es satisfecha en un punto x = (x1, ...,xn) si el rango de Jg(x) es is igual al m, o sea, si rango de Jg(x) = # de restricciones • Si m = 1 esta condición es equivalente a( ∂g1 ∂x1 (x) , . . . , ∂g1 ∂xn (x) ) 6= (0, . . . ,0) 56 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Repaso álgebra lineal • El rango de una matriz A, denotado por rank(A) es el número máximo de columnas linealmente independientes de A • O de otra manera, es el número de filas linealmente independientes • Recuérdense de sus clases de álgebra lineal que dimensión espacio columna = dimensión espacio fila • Un conjunto de vectores {u1,u2, ...,ur} son linealmente independientes (LI) si el sistema k1u1 +k2u2 + ....+krur = 0 tiene solamente k1 = k2 = . . .= kr = 0 como solución 57 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teorema de Lagrange: Generalización Teorema (Teorema de Lagrange, generalización) Sea f ,g1, ...,gm : Rn→ R funciones con derivadas continuas, y c1, ...,cm números reales. Suponga que x∗ = (x∗1 , ...,x∗n ) es una solución del problema de maximizar o minimizar f sujeto a gi (x1, ...,xn) = ci para todo i = 1, ...,m. Además, suponga que x∗ satisface la calificación de restricción. Entonces, existen números reales (λ∗1 , ...,λ∗m) tales que ( x∗1 , ...,x∗n ,λ∗1 , ...,λ∗m ) es un punto critico de la función lagrangiana dada por L(x1, ...,xn,λ1, ...,λm) = f (x1, ...,xn)− m∑ j=1 λj [gi (x1, ...,xn)− ci ] En otras palabras, en ( x∗1 , ...,x∗n ,λ∗1 , ...,λ∗m ) tenemos ∇L= 0. • Como antes, el resultado también se cumple si el dominio de f y g1, ...,gm es abierto, o si sabemos que el óptimo es interior 58 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia global de Lagrange: Generalización Teorema (Suficiencia globa de Lagrange, generalización) Sea f ,g1, ...,gm : Rn→ R funciones con derivadas continuas, y c1, ...,cm números reales. Considere los problemas de maximizar y minimizar f sujeto a gi (x1, ...,xn) = ci para todo i = 1, ...,m. Sea (x∗1 , ...,x∗n ,λ∗1 , ...,λ∗m) un punto critico de la función lagrangiana L(x1, ...,xn,λ1, ...,λm) = f (x1, ...,xn)− m∑ j=1 λj [gi (x1, ...,xn)− ci ] Defina L̃(x1, ...,xn) = L(x1, ...,xn,λ∗1 , ...,λ∗m). Entonces: • L̃(x1, ...,xn) cóncava ⇒ (x∗1 , ...,x∗n ) resuelve el problema de maximización. • L̃(x1, ...,xn) convexa ⇒ (x∗1 , ...,x∗n ) resuelve el problema de minimización. • El resultado también vale si el dominio de f y g1, ...,gm es abierto o si la solución está en el interior del dominio 59 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Teorema de la Envolvente: Generalización Teorema (Teorema de la Envolvente, generalización) Considere los problemas de maximizar o minimizar f sujeto a gi (x1, ...,xn) = ci para todo i = 1, ...,m. Sea x∗(α) = ( x∗1 (α), ...,x∗n (α) ) una solución de este problema para un dado α y suponga que los siguientes supuestos técnicos se cumplen: • La calificación de restricción es satisfecha en x∗(α); • Los multiplicadores asociadosa x∗(α), denotados por λ∗1 (α), ...,λ∗m(α), tienen derivada continua con respecto a α. Entonces: df ∗(α) dα = d dα f (x∗1 (α), ...,x∗n (α)) = ∂ ∂α L(x∗1 (α), ...,x∗n (α),λ∗1 (α), ...,λ∗m(α);α) donde L(·;α) es la lagrangiana para un dado α y f ∗(α) = f ( x∗1 (α), ...,x∗n (α) ) es la función valor. • Naturalmente, la interpretación de los multiplicadores se generaliza: df ∗ dci = λ∗i para i = 1,2, ...,m 60 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Suficiencia local: Generalización • Los resultados de suficiencia local también se generalizan • Todavía, no vamos presentarlos por razones de tiempo 61 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso, n = 3, m = 2 • Considere el siguiente problema: máx x1,x2,x3 f (x1,x2,x3) = x1x2x3 s.a. g1(x1,x2,x3) = x21 + x22 = 1 g2(x1,x2,x3) = x1 + x3 = 1 62 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso, n = 3, m = 2 Paso 1: • La Jacobiana del conjunto restricción es Jg (x) = ( 2x1 2x2 0 1 0 1 ) • Para verificar número de filas LI considere el sistema: 2x1 12x2 0 0 1 ( k1k2 ) = 0 ⇒ 2x1k1 +k2 = 0 2x2k1 = 0 k2 = 0 ⇒ { 2x1k1 = 0 2x2k1 = 0 • (x1,x2) 6= (0,0) ⇒ (k1,k2) = (0,0) es la única solución del sistema Calificación de restricción es satisfecha para todo (x1,x2) 6= (0,0) • Si (x1,x2) = (0,0), la restricción no es satisfecha (g1(0,0,x3) = 0< 1) • Luego, la calificación de restricción es satisfecha en todo el conjunto restricción • No llevamos ningún candidato del paso 1 63 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejemplo: Paso a paso, n = 3, m = 2 Paso 2: • La función lagrangiana es L(x1,x2,x3,λ1,λ2) = x1x2x3−λ1 [ x21 + x22 −1 ] −λ2 [x1 + x3−1] Paso 3: • Las condiciones de primer orden de L son: x2x3−2λ1x1−λ2 = 0, x1x3−2λ1x2 = 0, x1x2−λ2 = 0 − ( x21 + x22 −1 ) = 0, −(x1 + x3−1) = 0 • Después de mucha álgebra, llegamos en 4 soluciones (x1,x2,x3,λ1,λ2) a este sistema Paso 4: • Reemplazando cada una de las soluciones de paso 3 en f (x1,x2,x3) nos queda solamente un candidato (x1,x2,x3)≈ (−0,76,−0,64,1,76) 64 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio: Capacidad limitada Ejercicio Una empresa produce tres bienes, 1, 2 y 3 (pi y qi denotan el precio y cantidad producida de cada bien). Los precios de cada bien son dados por p1 = 10, p2 = 8, p3 = 2. La empresa utiliza dos insumos, A e B, que tiene en stock para producir estos bienes. La cantidad disponible de cada insumo esta fija: hay 2 unidades del insumo A y 1 unidad del insumo B (perfectamente divisibles). Los costos de comprar los insumos A y B son un costo hundido. La tecnología de la empresa es dada por: • Para cada unidad producida del bien 1, la empresa necesita 1 unidad del insumo A y 1 unidad del insumo B; • Para cada unidad producida del bien 2, la empresa necesita 2 unidades del insumo A (el insumo B no es utilizado); • Para cada unidad producida del bien 3, la empresa necesita 1 unidad del insumo B (el insumo A no es utilizado); • Además, para producir el bien 1 la empresa también necesita electricidad, por lo que incurre un costo adicional que depende de la cantidad producida del bien 1, dado por C(q1) = 3q21 . 65 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización Ejercicio (cont’d) 1 Escriba el problema de optimización de la firma. 2 Escriba la función lagrangiana. ¿Las condiciones de Lagrange son suficientes para un óptimo? 3 Resuelva el problema de la firma. 4 ¿Aproximadamente, cual el valor máximo que esta empresa pagaría por 1 unidad más de cada insumo? 66 1. Introducción 2. Lagrange 3. Suficiencia global 4. Suficiencia local 5. Envolvente 6. Generalización ¿La función L̃(x , y) es cóncava para cualquier λ? Si No¿La función L(x , y ,λ) tiene puntos cŕıticos? Los puntos criticos de L(x , y ,λ) son puntos de máximo global. ¿El conjunto restricción es cerrado e acotado y to- dos puntos en el conjunto restricción estan en el in- terior del dominio? Si No Por Weierstrass un máximo global existe. Pasos 1 a 4 en Apuntes #5 van detectar to- dos máximos globales. Aplique pasos 1 a 4 en Apuntes #5. ¿Hay can- didatos? ¿Para algun punto cŕıtico, la función L̃(x , y) es cóncava (dado el λ asoci- ado a este punto cŕıtico)? Este punto cŕıtico es un máximo global. Evalue el determinante D de la matriz hessiana orlada evaluada en cada punto. Para cada punto: Si D > 0 tienes un máximo local; Si D < 0 tienes un ḿınimo lo- cal; Si D = 0 no puedes decir nada. De cualquier manera, no puedes garanti- zar que es global. Hay dos posibilidades: o un máximo no existe, o está en la frontera del doḿınio. In- tentar K-T es una opción. No Si No Si Si max (x ,y) f (x , y) s.a. g(x , y) = c L(x , y ,λ) = L̃(x , y) = f (x , y)− λ [g(x , y)− c] Problema: Notación: ¿Hay candidatos que sean pun- tos cŕıticos de L(x , y ,λ)? Si No Tu candidato(s) es (son) puntos que violan la calificación de restricción si llegaste aqui. Pero no tienes una man- era óbvia de saber si efectivamente es máximo, ni si es global/local. ¿Como verifico si una función es cóncava? Verifica si la hessiana es negativa semi-definida en todo el do- minio. Para convexidad, verificar si es positiva semi-definida. f y g tienen derivadas cont́ınuas Obs: para minimización reemplazar cóncava por convexa. No Introducción Lagrange Suficiencia global Suficiencia local Envolvente Generalización
Compartir