CAPTULO 10

Optimizacin esttica
La mayor parte de los problemas que se presentan en economa involucran a individuos racionales que
resuelven algn tipo de problema de optimizacin. En este captulo se recordarn algunos conceptos b-
sicos de anlisis convexo y optimizacin esttica que servirn para el desarrollo posterior de los conceptos
fundamentales de optimizacin dinmica. En realidad, nos desviaremos brevemente del tema funda-
mental de este libro, que es el estudio de las matemticas de los procesos que cambian con el tiempo.
Incluimos, es este punto este repaso ya que es de suma importancia que se tengan claros los conceptos de
optimizacin esttica antes de comenzar con la optimizacin dinmica. Que sirva este captulo como un
intermezzo.
10.1 Anlisis convexo
La nocin de convexidad es crucial dentro de la teora de optimizacin. Por una parte se tiene la deni-
cin general de un conjunto convexo y partiendo de ella se denen a las funciones cncavas, convexas,
cuasicncavas, cuasiconvexas, etc. La razn para denir estos conceptos es que, bajo ciertas condiciones
de convexidad, las condiciones necesarias para un ptimo local son tambin sucientes para un ptimo
global.
Denicin 10.1.1 Sea X R
n
. Se dice que X es convexo si para todo x, y X y para toda (0, 1)
se cumple x + (1 ) y X.
Notemos que todos los puntos del segmento entre x y y tienen la forma x + (1 ) y, donde
0 1. Por lo tanto, la denicin anterior en realidad dice que dados cualquier par de puntos de
un conjunto convexo, todo el segmento que los une est totalmente contenido en el conjunto. La gura
10.1 ilustra este concepto.
Matemtica para Economistas II Optimizacin Esttica
1
x
y
x
y
Figura 10.1: Un conjunto convexo y otro no convexo
Proposicin 10.1.2 Sean A y B dos subconjuntos convexos de R
n
. Entonces
a) A B es convexo,
b) A+B = {a +b : a A, b B} es convexo,
c) Para todo k R, el conjunto kA = {ka : a A} es convexo.
Demostracin:
a) Sean x, y A B y (0, 1) . Queremos demostrar que
x + (1 ) y A B.
Esto es, queremos vericar que x + (1 ) y A y x + (1 ) y B. Puesto que x, y
A B, sabemos que x A, x B, y A, y B. Dado que A es convexo, y dado que
x, y A, concluimos que
x + (1 ) y A.
Del mismo modo se puede argumentar que x + (1 ) y B. Por lo tanto,
x + (1 ) y A B.
Los otros dos incisos quedan como ejercicio para el lector.
Denicin 10.1.3 Sea X R
n
un conjunto convexo. f : X R es una funcin convexa si para todos
x
1
= x
2
X y (0, 1) se tiene
f (x
1
+ (1 ) x
2
) f(x
1
) + (1 ) f(x
2
).
Si la desigualdad es estricta se dice que la funcin es estrictamente convexa.
Denicin 10.1.4 Sea X R
n
un conjunto convexo. f : X R es una funcin cncava si para todos
x
1
= x
2
X y (0, 1) se tiene
f (x
1
+ (1 ) x
2
) f(x
1
) + (1 ) f(x
2
).
Si la desigualdad es estricta se dice que la funcin es estrictamente cncava.
Matemtica para Economistas II Optimizacin Esttica
2
En la primera grca de la gura 10.2 se muestra una funcin cncava que no es estrictamente
cncava; esto se debe a la parte plana de la grca. Tambin se muestran las grcas de funciones
estrictamente cncavas y convexas. Notamos que la denicin nos dice que el segmento que une los
puntos (x
1
, f(x
1
)) y (x
2
, f(x
2
)) est por debajo de la grca de la funcin si sta es cncava y por
encima si es convexa.
y = f(x)
x
y
x
1
x
2
y = f(x)
x
y
x
1
x
2
y = f(x)
x
y
Cncava Estrctamente
cncava
Estrctamente
convexa
Figura 10.2: Ejemplos de funcin cncava, estrictamente cncava y estrictamente convexa.
Denicin 10.1.5 Sea X R
n
y f : X R una funcin.
a) La grca de f es el conjunto G
f
= {(x, r) X R : f(x) = r} .
b) El epgrafo de f es el conjunto E
f
= {(x, r) X R : f(x) r} .
c) El hipgrafo de f es el conjunto H
f
= {(x, r) X R : f(x) r} .
La gura 10.3 ilustra estos conceptos si f es la funcin f(x) = x
2
.
Teorema 10.1.6
Sean X R
n
un conjunto convexo.
a) Una funcin f : X R es convexa si y slo si E
f
es un conjunto convexo de R
n+1
.
b) Una funcin f : X R es cncava si y slo si H
f
es un conjunto convexo de R
n+1
.
Matemtica para Economistas II Optimizacin Esttica
3
Figura 10.3: Grca, epgrafo e hipgrafo de f(x) = x
2
.
Demostracin
Se demostrar el inciso b.
Necesidad.
Supongamos que f es cncava veamos que H
f
es convexo. Sean (x, r) , (y, s) dos elementos de
H
f
. Sea (0, 1) . Entonces
(x, r) + (1 ) (y, s) = (x + (1 ) y, r + (1 ) s) .
Sabemos que
f (x + (1 ) y) f(x) + (1 ) f(y)
r + (1 ) s,
pues (x, r) H
f
es equivalente a decir f(x) r. Por lo tanto,
(x + (1 ) y, r + (1 ) s) H
f
.
Suciencia.
Supongamos que H
f
es convexo. Notemos que para todo x, y X se tiene que (x, f(x)) H
f
y (y, f(y)) H
f
. Dado que H
f
es convexo, entonces para toda (0, 1)
(x, f(x)) + (1 ) (y, f(y)) H
f
.
Esto implica que (x + (1 ) y, f(x) + (1 ) f(y)) H
f
. Esto es equivalente a decir que
f (x + (1 ) y) f(x) + (1 ) f(y)
para todo (0, 1) . Concluimos que f es cncava.
Proposicin 10.1.7 Sea X R
n
un conjunto convexo. Sean f : X R y g : X R dos funciones
cncavas y R.
Matemtica para Economistas II Optimizacin Esttica
4
a) Si > 0, entonces f es cncava.
b) Si < 0, entonces f es convexa.
c) f +g es cncava.
d) Sea h : Y R una funcin cncava y creciente tal que g(X) Y R. Entonces, h g es cncava.
La demostracin de la proposicin anterior se deja como ejercicio para el lector.
Una pregunta natural acerca de las funciones cncavas (convexas) es si son continuas; el siguiente
ejemplo nos da la respuesta:
Ejemplo
Ej 10.1.1 Sea f : [0, 1] R la funcin dada por
f =
_
0
1
si x [0, 1],
si x = 1.
Claramente esta funcin tiene una discontinuidad en x = 1, sin embargo, es cncava pues su hipgrafo
es un conjunto convexo como se ilustra en la gura 10.4.
x
y
-1
1
hipgrafo
Figura 10.4: El rea sombreada representa el hipgrafo de la funcin.

En el ejemplo anterior el dominio de la funcin es un conjunto cerrado. Si el dominio es un conjunto

abierto, entonces la concavidad (convexidad) de la funcin implica continuidad. Para una demostracin
de este resultado remitimos al lector a [PM92]. El caso particular en el cual el dominio de la funcin es
un intervalo (a, b) en R se deja como ejercicio al lector (vase ejercicio 10.3).
Matemtica para Economistas II Optimizacin Esttica
5
10.1.1 Caracterizacin de las funciones cncavas y convexas
Sea f C
1
(X), es decir, f : X R es una funcin diferenciable con X R
n
. Recordemos que el
gradiente de f es el vector de las derivadas parciales de f dado por
f(x) =
_
_
_
_
f
x
1
.
.
.
f
x
n
_
_
_
_
.
Si adicionalmente, f C
2
(X), es decir, f es doblemente diferenciable, entonces podemos denir el
hessiano de f como la matriz de las segundas derivadas dada por
Hf(x) =
_
_
_
_
_
_
_
_
_
_
_

2
f
x
2
1

2
f
x
1
x
2


2
f
x
1
x
n

2
f
x
2
x
1

2
f
x
2
2


2
f
x
2
x
n
.
.
.
.
.
.
.
.
.
.
.
.

2
f
x
n
x
1

2
f
x
n
x
2


2
f
x
2
n
_
_
_
_
_
_
_
_
_
_
_
.
Ntese que el hessiano es una matriz simtrica.
Ejemplo
Ej 10.1.2 Sea f : R
3
R dada por f (x, y, z) = 15x+xy 4x
2
2y
2
z
2
+2yz +7. Encontrar la
matriz hessiana de f. Las segundas derivadas parciales estn dadas por f
xx
= 8, f
yy
= 4, f
zz
= 2,
f
xy
= f
yx
= 1, f
xz
= f
zx
= 0 y f
yz
= f
zy
= 2. Por ende, el hessiano est dado por
Hf
_
_
_
x
y
z
_
_
_
=
_
_
_
8 1 0
1 4 2
0 2 2
_
_
_
.

El siguiente teorema da la relacin que existe entre funciones convexas (cncavas) y sus planos (o
hiperplanos si n > 2) tangentes. Geomtricamente dice que la funcin es convexa si y slo si el plano
tangente est por debajo de la grca y cncava si est por arriba de la grca. El caso ms sencillo,
cuando n = 1, se ilustra en la gura 10.5.
Teorema 10.1.8
Sea X R
n
un conjunto convexo. Suponer que f C
1
(X). Entonces
a) f es convexa si y slo si para todo x, y X, f(y) f(x) + (y x)
T
f(x).
b) f es cncava si y slo si para todo x, y X, f(y) f(x) + (y x)
T
f(x).
Matemtica para Economistas II Optimizacin Esttica
6
y = f(x)
y = f(x)
x x
y y
plano
tangente
plano
tangente
Figura 10.5: Plano tangente (en este caso recta tangente) para una funcin cncava y una funcin convexa.
Demostracin:
Se demostrar el inciso b.
Necesidad.
Supongamos que para todo x, y X,
f(y) f(x) + (y x)
T
f(x).
Sean y, z X y (0, 1) . Demostraremos que
f(y) + (1 ) f(z) f (y + (1 ) z) .
Denimos x = y + (1 ) z. Entonces
f(y) + (1 ) f(z)
_
f(x) + (y x)
T
f(x)
_
+ (1 )
_
f(x) + (z x)
T
f(x)
_
= f(x) +
_
(y x)
T
+ (1 ) (z x)
T
_
f(x)
= f(x) + (y + (1 )z x (1 )x)
T
f(x)
= f(x) + (x x)
T
f(x)
= f (y + (1 ) z) .
Suciencia.
Supongamos que f es cncava. Sean x, y X. Denimos para todo [0, 1] la funcin
() = f(x) + (1 ) f(y) f (x + (1 ) y) .
Matemtica para Economistas II Optimizacin Esttica
7
La concavidad de f implica que () 0 para todo [0, 1] . Adems
(0) = 0,
(1) = 0.
Las condiciones en implican que

(0) 0 y

(1) 0. Dado que

() = f(x) f(y) (x y)
T
f (x + (1 ) y) ,
para = 0 tenemos

(0) = f(x) f(y) + (x y)

T
f(y) 0
y, anlogamente para = 1

(1) = f(x) f(y) (x y)

T
f(x) 0.
Por lo tanto, de esta ltima desigualdad se tiene que f(x) + (y x)
T
f(x) f(y).
10.1.2 Matrices denidas
Denicin 10.1.9 Sea A una matriz simtrica. Se dice que
a) A es positiva denida si para todo x = 0 se tiene que x
T
Ax > 0.
b) Aes negativa denida si Aes positiva denida, es decir, si para todo x = 0 se tiene que x
T
Ax < 0.
c) A es positiva semidenida si para todo x se tiene que x
T
Ax 0.
d) A es negativa semidenida si A es positiva semidenida, es decir, si para todo x se tiene que
x
T
Ax 0.
Ejemplo
Ej 10.1.3 La siguiente matriz es positiva semidenida, pero no positiva denida:
A =
_
3 0
0 0
_
.
Para vericarlo, sea x
0
=
_
0
1
_
, es decir x
0
= 0, y sin embargo x
T
0
Ax
0
= 0. Veriquemos que A es
positiva semidenida. Sea x =
_
a
b
_
, entonces
x
T
Ax = (a b)
_
3 0
0 0
__
a
b
_
= 3a
2
0.

Matemtica para Economistas II Optimizacin Esttica

8
Toda matriz positiva denida es positiva semidenida y toda matriz negativa denida es negativa
semidenida.
Denicin 10.1.10 Sea A una matriz de n n. La matriz B es una submatriz principal
1
de A si B
se obtiene a partir de A eliminando los ltimos k renglones y columnas, k = 0, 1, ..., n.
Denicin 10.1.11 Sea A una matriz de nn. Los menores principales de A son los determinantes de
las submatrices principales.
Ejemplo
Ej 10.1.4 Encontrar las submatrices y menores principales de la matriz
B =
_
_
_
5 0 7
3 2 2
1 10 3
_
_
_
.
Usando la denicin 10.1.10, podemos ver que las submatrices principales son B,
_
5 0
3 2
_
y (5) .
los menores principales son los determinantes correspondientes, es decir, 154, 10 y 5.

El siguiente teorema da una manera fcil de vericar que una matriz es positiva denida, negativa
denida, etc. La demostracin se puede encontrar en [BS94].
Teorema 10.1.12
Sea A una matriz simtrica.
a) A es positiva denida si y slo si todos sus menores principales son positivos.
b) A es positiva semidenida si y slo si todos sus menores principales son no negativos.
Finalmente, el siguiente teorema nos da una forma de determinar la concavidad de una funcin
mediante su matriz hessiana.
Teorema 10.1.13
Sea X R
n
un conjunto convexo. Sea f : X R una funcin de clase C
2
. Entonces,
a) f es cncava si y slo si para todo x X el hessiano Hf(x) es negativo semidenido.
b) f es convexa si y slo si para todo x X el hessiano Hf(x) es positivo semidenido.
c) Si para todo x X Hf(x) es negativa denida, entonces f es estrictamente cncava.
d) Si para todo x X Hf(x) es positiva denida, entonces f es estrictamente convexa.
La demostracin de este teorema se deja como ejercicio.
1
En ocasiones se dene submatriz principal de una matriz A de n n como aquella que se obtiene de eliminar cualesquiera
k renglones y sus columnas correspondientes. Si se trata de los ltimos k renglones y columnas entonces se denomina submatriz
principal dominante. Vase por ejemplo [BS94].
Matemtica para Economistas II Optimizacin Esttica
9
Ejemplo
Ej 10.1.5 Vericar que la funcin del ejemplo 10.1.1 es estrictamente cncava. Sabemos que el hessiano
es
Hf
_
_
_
x
y
z
_
_
_
=
_
_
_
8 1 0
1 4 2
0 2 2
_
_
_
.
Veremos que H es una matriz positiva denida.
H =
_
_
_
8 1 0
1 4 2
0 2 2
_
_
_
.
Las submatrices principales son
(8) ,
_
8 1
1 4
_
y H,
y los menores principales correspondientes: 8, 31 y 30. Por lo tanto, H es negativa denida y la funcin
es estrictamente cncava.

10.1.3 Funciones cuasi cncavas y cuasi convexas

Denicin 10.1.14 Sean X R
n
un conjunto convexo y f : X R.
a) El contorno de f en k es el conjunto C
f
(k) = {x X : f(x) = k} .
b) El contorno superior de f en k es CS
f
(k) = {x X : f(x) k} .
c) El contorno inferior de f en k es CI
f
(k) = {x X : f(x) k} .
Los contornos pueden ser conjuntos vacos.
Ejemplo
Ej 10.1.6 Encontrar el contorno superior e inferior de la funcin f(x, y) = xy en k = 1. La gura
10.6 ilustra los contornos correspondientes, ntese que el contorno superior es convexo.

Proposicin 10.1.15 Para una funcin cncava f el contorno superior CS

f
(k) siempre es convexo.
Matemtica para Economistas II Optimizacin Esttica
10
C (1)
f
x
y
CS (1)
f
x
y
CI (1)
f
x
y
Figura 10.6: Contorno, contorno superior y contorno inferior de f(x, y) = xy en k = 1.
Demostracin
Sea f : X R una funcin cncava. Sea k en la imagen de f. Por denicin,
CS
f
(k) = {x X : f(x) k} .
Demostraremos que CS
f
(k) es un conjunto convexo. Sean a, b CS
f
(k) y (0, 1) . Sabemos que
f(a) k, f(b) k y que f es cncava. Entonces
f (a + (1 ) b) f(a) + (1 ) f(b)
k + (1 ) k = k.
Por lo tanto, a + (1 ) b CS
f
(k), lo que implica que CS
f
(k) es convexo.
De igual modo podemos relacionar el contorno inferior con las funciones convexas.
Proposicin 10.1.16 Si f es una funcin convexa, CI
f
(k) es un conjunto convexo para todo k en la
imagen de f.
Las anteriores son condiciones necesarias ms no sucientes. Si f es cncava (convexa), entonces el
conjunto CS
f
(k) (CI
f
(k)) es convexo, pero si el conjunto es convexo, no necesariamente f es cncava
(convexa). Es decir, existen funciones que cumplen con la condicin de que todos los contornos superiores
(inferiores) son conjuntos convexos y, sin embargo, no son funciones convexas (cncavas).
Ejemplo
Ej 10.1.7 Sea f : R R la funcin dada por f(x) = x
3
. Notemos que CI
f
(k) =
_
,
3

k
_
.
Claramente f no es convexa; sin embargo, CI
f
(k) es un conjunto convexo para toda k.

El ejemplo anterior motiva la siguiente denicin.

Matemtica para Economistas II Optimizacin Esttica
11
Denicin 10.1.17 Sea X R
n
un conjunto convexo. Se dice que una funcin f : X R es
cuasi cncava si, para todo k en la imagen de f, el conjunto CS
f
(k) es convexo. Se dice que una funcin
f : X R es cuasi convexa si, para todo k en la imagen de f, el conjunto CI
f
(k) es convexo.
Ejemplos
Ej 10.1.8 La funcin de la gura 10.7 claramente no es cncava. El contorno superior CS
f
(k) siempre
es convexo por lo que se trata de una funcin cuasi cncava.
x
y
k
a
b
Figura 10.7: Funcin cuasi cncava con con CS
f
(k) = [a, b].
Ej 10.1.9 La gura 10.8 representa una funcin Cobb-Douglas dada por f(x, y) = x
1
3
y
5
3
. Una curva
de nivel tpica se muestra en la gura 10.9, en donde se aprecia que el contorno superior dado por
CS
f
(k) = {(x, y) R
2
| x
1
3
y
5
3
k} es convexo.

Podramos establecer una especie de equivalente del teorema 10.1.13 deniendo la matriz conocida
como hessiano orlado; esto nos dara otro criterio para determinar la cuasi concavidad (cuasi convexidad)
de una funcin. Aqu simplemente utilizaremos el criterio de la convexidad de los contornos superiores
(inferiores), puesto que la mayora de las funciones consideradas tienen dominios en R o en R
2
, con lo
cual este criterio es fcil de visualizar geomtricamente.
El siguiente teorema, que se enuncia sin demostracin, nos da una forma de obtener funciones cuasi
cncavas.
Teorema 10.1.18
Sean X R
n
un conjunto convexo, g : X R una funcin cuasi cncava y h : Y R R una
funcin creciente donde g(X) Y. Entonces h g es cuasi cncava.
Matemtica para Economistas II Optimizacin Esttica
12
x
y
z
0
0
1
1
Figura 10.8: Funcin Cobb-Douglas
Ejemplo
Ej 10.1.10 Sea g cuasi cncava. Entonces log (g) y exp(g) son cuasi cncavas. En particular, log(xy)
es cuasi cncava.

10.2 Optimizacin esttica.

El problema general de optimizacin consiste en maximizar (minimizar) una funcin en un conjunto X,
cumpliendo adicionalmente ciertas restricciones. Es decir, deseamos encontrar un punto x

X R
n
y
x
0
Figura 10.9: Contorno superior de una funcin Cobb-Douglas
Matemtica para Economistas II Optimizacin Esttica
13
que maximice una funcin f y que adems cumpla con restricciones del tipo
g
1
(x

) 0, ..., g
m
(x

) 0.
donde g
1
, ..., g
m
son funciones de clase C
1
en X. Si las restricciones son de la forma
g
1
(x

) = 0,
.
.
.
g
m
(x

) = 0,
(10.1)
con m < n, se dice que tenemos restricciones de igualdad. Generalmente se piensa que X es un subcon-
junto convexo
2
de R
n
.
El problema clsico de programacin no lineal es el siguiente:
max f(x)
sujeto a x X,
g
1
(x) 0,
.
.
.
g
m
(x) 0.
En caso de que las funciones f y g
k
, k = 1, . . . , m sean lineales, decimos que se trata de un problema
de programacin lineal.
3
Sea X R
n
y f : X R una funcin de clase C
2
. Recordemos que si x

X es un mximo
(mnimo) local de f entonces se tiene que f(x

) = 0. Adicionalmente, si h es un vector de direccin

arbitrario en R
n
, al efectuar el desarrollo en serie de Taylor alrededor de x

se obtiene
f(x

+h) f(x

) +hf(x

) +
1
2

2
h
T
Hf(x

+h)h
= f(x

) +
1
2

2
h
T
Hf(x

+h)h,
en donde es sucientemente pequeo. De esta forma, si la matriz hessiana Hf(x

+h) es negativa
denida (positiva denida), entonces se tiene que f(x

+h) < f(x

) (f(x

+h) > f(x

)), por lo
cual x

es un mximo (mnimo) local. En particular, el teorema 10.1.13 implica que si f es una funcin
cncava (convexa) entonces x

es un mximo (mnimo) global de f. An ms, es posible generalizar este

resultado cuando X es convexo y f es cuasi cncava (cuasi convexa); en este caso, todo extremo local
es un extremo global. Finalmente, si X es un conjunto convexo y la funcin es estrictamente cncava,
entonces, el punto ptimo es nico.
2
Formalmente, el conjunto X debe ser tambin lo que se conoce como un conjunto abierto; sin embargo, aqu no tomaremos
en cuenta estas consideraciones topolgicas.
3
En este caso es comn tambin incluir las condiciones de no negatividad, es decir, x
i
> 0 i = 1, ..., n.
Matemtica para Economistas II Optimizacin Esttica
14
10.2.1 Restricciones de igualdad
El problema de programacin no lineal (PNL) con restricciones de igualdad es
max f(x)
sujeto a x X,
g
1
(x) = 0,
.
.
.
g
m
(x) = 0.
Para resolver PNL con restricciones de igualdad, deniremos una nueva funcin llamada lagrangiano.
Denicin 10.2.1 Sea X R
n
. Sean f : X R de clase C
1
y g
1
, ..., g
m
, tambin de clase C
1
en X.
El lagrangiano asociado al problema de programacin no lineal
max f(x)
sujeto a x X,
g
1
(x) = 0,
.
.
.
g
m
(x) = 0,
es la funcin L : X R
m
R, dada por,
L(x, ) = f(x)
m

k=1

k
g
k
(x).
En trminos econmicos, la funcin f podra ser una funcin de benecios netos dependiente de x y
las g
k
podran representar restricciones de recursos. En el diagrama 10.10, el mximo no est en la curva
f = f
1
, pues con la misma restriccin, g = 0, se puede mejorar la utilidad; tampoco est en f = f
3
pues
estaramos fuera del presupuesto. La utilidad, por lo tanto, se maximiza en donde la funcin es tangente
a la curva presupuestal, en f = f
2
.
Notamos que en el mximo, el gradiente de la funcin a maximizar es paralelo al gradiente de la
restriccin; es decir, si estamos considerando
max f(x)
sujeto a g(x) = 0;
entonces, en el mximo x

, se tiene f(x

) =

g(x

) para alguna

R. Tenemos as dos
condiciones necesarias, siempre y cuando g(x

) = 0:
g(x

) = 0,
f(x

) =

g(x

),
para alguna

. El lagrangiano es en este caso

L(x, ) = f(x) g(x),
Matemtica para Economistas II Optimizacin Esttica
15
x
y
g = 0
f = f
2
f = f
3
f = f
1
f
g
Figura 10.10: Solucin al problema de maximizacin.
y su gradiente es
L(x, ) =
_
_
_
_
_
_
f
x
1

g
x
1
.
.
.
f
x
n

g
x
n
g(x)
_
_
_
_
_
_
=
_
f(x) g(x)
g(x)
_
.
Por lo tanto, si x

es solucin del PNL, entonces tambin existe

tal que L(x

) = 0. La
siguiente proposicin generaliza estas consideraciones.
Proposicin 10.2.2 (Condiciones necesarias) Sea X R
n
. Sean f : X R y g
1
, . . . ,
g
m
: X R funciones de clase C
1
con m < n. Supongamos que x

es una solucin del problema

max f(x)
sujeto a x X,
g
1
(x) = 0,
.
.
.
g
m
(x) = 0.
Si suponemos que en x

el conjunto de vectores {g
k
(x

)}
m
k=1
es linealmente independiente, entonces se
puede escribir f(x

) como combinacin lineal de estos vectores, es decir, existen

1
, ...,

m
R tales que el
gradiente del lagrangiano es cero, o bien
f(x

) =

m
k=1

k
g
k
(x

),
g
1
(x

) = ... = g
m
(x

) = 0.
En los ejercicios de este captulo se pide la demostracin formal para el caso particular de n = 2 y
m = 1. Para una prueba del caso general se remite al lector a [BS94].
Matemtica para Economistas II Optimizacin Esttica
16
En analoga al caso de optimizacin libre se tiene la siguiente proposicin.
Proposicin 10.2.3 (Condiciones sucientes) Con la misma notacin que antes, supongamos que
X R
n
es convexo y sea (x

) tal que L(x

) = 0; entonces, si L(x

) es cuasi cncava, x

es
un mximo global para el problema de la proposicin 10.2.2.
Como caso particular se tiene el siguiente corolario:
Corolario 10.2.4 Si f es cuasi-cncava y g
k
es lineal para toda k = 1, ..., m, entonces x

es un mximo
global para el problema de la proposicin 10.2.2.
Es claro que se cumplen los resultados anlogos para el caso de un problema de minimizacin.
Ejemplos
Ej 10.2.1 Encontrar la distancia mxima entre la circunferencia x
2
+y
2
= 1 y el punto (3, 4) . Tenemos
x
y
(3,4)
(-1/5,-4/5)
Figura 10.11: Distancia mxima entre (3, 4) y la circunferencia x
2
+y
2
= 1.
que elegir la funcin a maximizar y la restriccin. En este caso, tenemos la siguiente restriccin de
igualdad:
g (x, y) = x
2
+y
2
1
y la funcin a maximizar es f(x, y) = (x 3)
2
+ (y 4)
2
= (d [(x, y) , (3, 4)])
2
. El lagrangiano es,
por ende,
L(x, y, ) = f(x, y) g(x, y)
= (x 3)
2
+ (y 4)
2

_
x
2
+y
2
1
_
Matemtica para Economistas II Optimizacin Esttica
17
El gradiente del lagrangiano es
L(x, y, ) =
_
_
_
2 (x 3) 2x
2 (y 4) 2y

_
x
2
+y
2
1
_
_
_
_
.
Queremos resolver el siguiente sistema de ecuaciones:
2 (x 3) 2x = 0,
2 (y 4) 2y = 0,
x
2
+y
2
= 1.
Existen dos soluciones que satisfacen este sistema de ecuaciones, concretamente
(x
1
, y
1
,
1
) = (
3
5
,
4
5
, 4) y
(x
2
, y
2
,
2
) = (
3
5
,
4
5
, 6).
Sabemos, por la gura 10.11, que el mximo se satisface en x =
3
5
y y =
4
5
, por lo tanto la distancia
mxima es de 6.
Ej 10.2.2 Consideremos el siguiente problema:
max f(x, y) = y
sujeto a y
3
x
2
= 0.
De la gura 10.12 se inere que el mximo de la funcin se obtiene en el punto (0, 0); sin embargo,
x
y
f(x,y) = 0
f(x,y) = 1
f(x,y) = -1
y - x = 0
3 2
f
Figura 10.12: El vector g(0, 0) es nulo.
Matemtica para Economistas II Optimizacin Esttica
18
observemos que f(x, y) =
_
0
1
_
y g(x, y) =
_
2x
3y
2
_
, de manera que en (0, 0) se tiene
g(0, 0) =
_
0
0
_
y no puede existir

tal que f(0, 0) =

g(0, 0). Aqu el punto ptimo no

satisface la condicin necesaria de la proposicin 10.2.2, pero no la contradice puesto que el conjunto de
vectores {g
k
(x

)}
m
k=1
no es linealmente independiente; concretamente, aqu se tiene k = 1 y el vector
g(0, 0) es nulo.

10.2.2 Dos aplicaciones microeconmicas.

10.2.2.1 Problema del consumidor
Consideremos n bienes x
1
, ..., x
n
. Supongamos que se tiene una funcin de utilidad que es el logaritmo
de una funcin tipo Cobb-Douglas, es decir,
U(x
1
, ..., x
n
) =
n

k=1

k
log(x
k
),
donde
1
+ ... +
n
= 1. Suponemos que la utilidad se mide en unidades de utilidad, normalmente
llamadas tiles. Supongamos, adems, que en el mercado los bienes tienen precios p
1
, ..., p
n
. Tambin
tenemos la siguiente restriccin presupuestal, basada en la dotacin inicial, c,
n

k=1
p
k
x
k
= c.
El problema es encontrar la canasta ptima x

= (x

1
, ..., x

n
) que maximiza U sujeta a la restriccin
presupuestal.
El espacio en donde se trabaja es X = R
n
++
, es decir,
X = {(x
1
, ..., x
n
) R
n
| x
1
> 0, ..., x
n
> 0} .
La funcin a maximizar es U : X R, donde
U(x
1
, ..., x
n
) =
n

k=1

k
log(x
k
).
Si g : X R es g(x
1
, ..., x
n
) =
n

k=1
p
k
x
k
c, entonces la restriccin es g(x) = 0. Resolvamos ahora
el problema
max U (x)
sujeto a x X,
g(x) = 0.
Matemtica para Economistas II Optimizacin Esttica
19
El lagrangiano es L(x
1
, ..., x
n
, ) = U(x
1
, ..., x
n
) g(x
1
, ..., x
n
). Una condicin necesaria dada por
la proposicin 10.2.2 es L(x
1
, ..., x
n
, ) = 0. En este caso
L(x
1
, ..., x
n
, ) =
_
_
_
_
_
_

1
x
1
p
1
.
.
.

n
x
n
p
n
g(x
1
, . . . , x
n
)
_
_
_
_
_
_
=
_
_
_
_
_
_
0
.
.
.
0
0
_
_
_
_
_
_
.
Obtenemos, de este modo, el sistema de ecuaciones

1
= p
1
x
1
,
.
.
.

n
= p
n
x
n
,
c =

n
k=1
p
k
x
k
.
Si sumamos las primeras n ecuaciones, tenemos que
1 =
n

k=1
p
k
x
k
= c,
por lo que concluimos que

=
1
c
y, por lo tanto, la canasta ptima est dada por
x

1
=

1
p
1
=

1
c
p
1
,
.
.
.
x

n
=

n
p
n
=

n
c
p
n
.
10.2.2.2 Problema del productor
Se tiene una fbrica y se supone que el nivel de produccin se modela con una funcin Cobb-Douglas
f(K, L) = AK

. Se necesita producir q unidades y los precios de L y K son w y r, respectivamente.

Se desea obtener una funcin que represente el costo de producir bajo estas condiciones. Es decir, C =
C(w, r, q). Esta funcin es la solucin del siguiente problema de optimizacin:
min wL +rK
sujeto a f(K, L) = q.
Denimos el siguiente lagrangiano:
L(K, L, ) = wL +rK
_
AK

q
_
.
Las condiciones de primer orden son
L
K
= r AK
1
L

= 0,
L
L
= w AK

L
1
= 0,
L

=
_
AK

q
_
= 0.
Matemtica para Economistas II Optimizacin Esttica
20
Entonces
r = AK
1
L

,
w = AK

L
1
,
r
w
=
_

__
L
K
_
y por lo tanto
L =
_

_
_
r
w
_
K.
Esta ltima expresin implica
q = AK

= AK

_
r
w
_

y de aqu se obtiene
K
+
=
_
q
A
_
_

_
w
r
_

,
con lo cual obtenemos nalmente los valores ptimos
K

=
_
q
A
_ 1
+
_

_

+
_
w
r
_

+
,
L

=
_
q
A
_ 1
+
_

_
+
_
r
w
_
+
.
Concluimos que C = C (w, r, q) = rK

+ wL

, esto es, el costo de producir q unidades usando los

valores ptimos, K

y L

. Al simplicar se obtiene
C (w, r, q) =
_
_

_

+
+
_

_
+
_
_
_
q
A
_ 1
+
w

+
r

+
_
.
Observemos que el cambio en el costo con respecto al precio de los insumos es
C
w
=
_
_

_

+
+
_

_
+
_
_
_
q
A
_ 1
+
_

+
_
w

+
r

+
_
=
_

_
+
_
q
A
_ 1
+
_
r
w
_
+
= L

,
y del mismo modo
C
r
= K

.
Posteriormente, daremos una explicacin de este hecho (cf. lema 10.2.6).
Matemtica para Economistas II Optimizacin Esttica
21
10.2.3 Condiciones de Kuhn-Tucker
Queremos ahora resolver el siguiente problema con restricciones de desigualdad:
max f(x)
sujeto a g
1
(x) 0,
.
.
.
g
m
(x) 0,
donde x X R
n
, con X convexo, y las funciones f, g
1
, ..., g
m
son de clase C
1
. En este caso no es
necesario pedir m < n dado que se trata de restricciones de desigualdad. Al igual que antes, se dene el
lagrangiano como
L(x,
1
, ...,
m
) = f(x)
m

k=1

k
g
k
(x).
Sea (x

1
, ...,

m
) un mximo de f. Las restricciones pueden satisfacerse de dos maneras: con la igual-
dad, y entonces decimos que la restriccin est activa, o con la desigualdad estricta, y entonces decimos
que est inactiva. Sean g
1
, ..., g
h
, con h m, las restricciones que estn activas en el punto ptimo y
supongamos que el conjunto de vectores {g
k
(x

)}
h
k=1
es linealmente independiente (sta se conoce
como condicin de cualicacin de las restricciones y puede ser reemplazada por otras condiciones;
remitimos al lector a [Tak85]. En este caso, unas condiciones necesarias para que (x

1
, ...,

m
) sea
mximo son las llamadas condiciones de Kuhn-Tucker (CKT):
L
x
j
= 0, j = 1, . . . , n, (10.2)
g
k
(x

) 0, (10.3)

k
0, (10.4)

k
g
k
(x

) = 0, k = 1, . . . , m. (10.5)
Las condiciones (10.5) son conocidas como condiciones de holgura y nos dicen que si

k
> 0, entonces
g
k
(x

) = 0 (la restriccin est activa) y

k
= 0 cuando g
k
(x

) < 0 (la restriccin no est activa).

Intuitivamente,CKT generaliza el caso en el cual todas las restricciones son de igualdad dado por la
proposicin 10.2.2, ya que f(x

) es una combinacin lineal del conjunto de gradientes {g

j
(x

)}
A
,
en donde A es el conjunto de restricciones activas, es decir, se cumple g
j
(x) = 0 j A. Sin
embargo, aqu se tiene que la combinacin lineal es positiva puesto que
k
0 para k = 1, . . . , m, o
bien que f(x

) pertenece al cono positivo generado por el conjunto {g

j
(x

)}
A
. La demostracin
de este hecho, aparentemente inocuo, no es trivial y remitimos al lector a [Lue84].
Las condiciones de suciencia son un poco ms elaboradas para este caso y quedan resumidas por la
siguiente proposicin.
Proposicin 10.2.5 (Condiciones de suciencia) Sean f, g
1
, ..., g
m
funciones de clase C
1
con
dominio convexo, X R
n
. Sea
D ={x X | g
i
(x) 0, i = 1, ..., m},
Matemtica para Economistas II Optimizacin Esttica
22
entonces, si se satisface CKT para x

D, f es cuasicncava y las funciones g

1
, ..., g
m
son cuasiconvexas, se
tiene que x

es un mximo global en D si al menos una de las siguientes se cumple:

a) f(x

) = 0,
b) f es cncava.
Ejemplos
Ej 10.2.3
max f(x, y) = x
x
2
2
+y
2
sujeto a
x
2
2
+y
2

9
8
,
y 0.
Escribimos primero el lagrangiano correspondiente:
L(x, y, , ) = x
x
2
2
+y
2

_
x
2
2
+y
2

9
8
_
(y) .
Las condiciones de Kuhn-Tucker son
L
x
= 1 x x = 0,
L
y
= 2y 2y + = 0,
x
2
2
+y
2

9
8
, y 0,
0, 0,

_
x
2
2
+y
2

9
8
_
= 0, (y) = 0.
Consideremos cuatro casos
a) = 0, = 0; esto implica
1 x = 0
2y = 0
Por lo que x = 1 y y = 0. Tenemos que vericar si x = 1, y = 0 satisface las otras CKT.
Sustituyendo, es fcil ver que, en efecto, las satisface.
b) > 0, = 0; al ser > 0, la restriccin correspondiente se activa, es decir,

_
x
2
2
+y
2

9
8
_
= 0,
lo que implica
x
2
2
+y
2

9
8
= 0.
Si = 0, entonces
2y 2y = 0,
Matemtica para Economistas II Optimizacin Esttica
23
es decir, (1 ) y = 0. Resolvemos el sistema
1 x x = 0,
(1 ) y = 0,
x
2
2
+y
2
=
9
8
.
Si = 1, entonces y = 0 y x =
3
2
. Si x =
3
2
entonces
1
3
2

3
2
= 0,
lo que implica =
1
3
; adems, si x =
3
2
, entonces
1 +
3
2
+
3
2
= 0,
lo que implica =
5
3
. Dado que se supuso > 0, el caso = 1 no cumple con CKT, entonces
slo es posible = 1, con x =
1
2
y y = 1. La igualdad y = 1 viola CKT, por lo tanto, slo se
considerar y = 1. Concluimos as que slo el punto x =
1
2
, y = 1 cumple con CKT.
c) = 0, > 0; si = 0, entonces x = 1, y dado que > 0, la restriccin correspondiente es
activa, es decir,
y = 0,
o sea, x = 1, y = 0, posiblemente satisface CKT. Para ello, debe satisfacer 2y 2y + = 0 y
por lo tanto = 0. Esto contradice la suposicin de que > 0.
d) > 0, > 0; de igual modo, > 0 nos lleva a una contradiccin. Por lo tanto, este caso tambin
es imposible.
Consideraremos slo las siguientes posibilidades:
x
1
= 1, y
1
= 0;
x
2
=
1
2
, y
2
= 1.
Comparando el valor de f(x, y) en (1, 0) y
_
1
2
, 1
_
, concluimos que el mximo ocurre en (x

, y

) =
_
1
2
, 1
_
, para el cual f
_
1
2
, 1
_
=
11
8
. La gura 10.13 ilustra este resultado.

La restriccin y 0 dada en el ejemplo anterior aparece en la mayor parte de los problemas de

economa ya que es simplemente una restriccin de no negatividad: y 0. Es fcil ver que CKT para las
restricciones de no negatividad dadas por x
1
, ..., x
n
0 equivale a las siguientes:
L
x
j
0, j = 1, . . . , n,
x
j
L
x
j
= 0, j = 1, . . . , n. (10.6)
Matemtica para Economistas II Optimizacin Esttica
24
x
y
(1/2, 1)
2
1.5
1
0.5
-1.5 -1 -0.5 0 0.5 1 1.5 2
x
2
2
x -
+ y
2
=
11
8
x
2
2
+ y
2
9
8
=
Figura 10.13: Solucin al problema de optimizacin 10.2.3.
Ej 10.2.4 La mayora de los problemas de optimizacin que surgen en economa requieren de las con-
diciones de no negatividad para las variables. Si las aplicamos, por ejemplo, al problema del consumidor
descrito en 10.2.2.1 se tiene que las condiciones necesarias de primer orden deben ser sustituidas por
u
x
i
=

i
x
i
p
i
,
_

i
x
i
p
i
_
x
i
= 0,
para toda i = 1, ..., n. Si pensamos a u
x
i
como la valuacin marginal subjetiva del bien i y a p
i
como la
valuacin real del mismo bien, ambas medidas en tiles, entonces estas condiciones nos dicen lo siguiente:
si para un bien la valuacin subjetiva es estrictamente menor que la valuacin real, el ptimo es consumir
cero unidades de dicho bien (en este caso se dice que tenemos una solucin de esquina); anlogamente,
si en el ptimo se consume una cantidad positiva del bien, entonces la valuacin subjetiva es igual a la
valuacin real. Notemos que implcitamente estamos pensando al multiplicador como el equivalente,
en tiles, del valor marginal de una unidad de riqueza nominal (i.e. pesos). Esta interpretacin se aclara
en el ejercicio 10.2.7 de la siguiente seccin. La gura 10.14 ilustra estas consideraciones. Observemos
que el punto A sobre la curva de indiferencia, U
1
, es el punto ptimo sin la restriccin de no negatividad;
dado que ah x
2
< 0, este punto no resuelve el problema de optimizacin. La mejor opcin para el
consumidor es consumir x
2
= 0 en el punto B, sobre la curva de indiferencia U
2
.
Matemtica para Economistas II Optimizacin Esttica
25
x
x
U
U
1
1
2
2
A
B
Figura 10.14: Solucin de esquina.
10.2.4 Teorema de la envolvente
En muchas situaciones, las funciones a maximizar y las restricciones dependen de parmetros a =(a
1
, . . . , a
k
) .
Sea V (a) el valor del mximo del problema de optimizacin. Sea x

(a) el punto que resuelve el problema

max f(x, a)
sujeto a g
1
(x, a) 0
.
.
.
g
n
(x, a) 0.
Entonces se dene la funcin valor como V (a) = f(x

(a), a). Un resultado no trivial, cuya demostra-

cin omitiremos es que, con las hiptesis dadas, los ptimos, x

, son funciones continuas y diferenciables

en los parmetros.
4
Cuando esto se cumple se tiene el siguiente teorema:
Teorema 10.2.6 (Envolvente)
Sea x

(a) el punto que maximiza el problema de optimizacin con parmetros a y supongamos que
todas las restricciones estn activas. Si L(x

(a),

(a), a) es el lagrangiano en el ptimo, entonces se

cumplen
a) V (a) = L(x

(a),

(a), a) ,
b)
V
a
j
(a) =
L
a
j
(x

(a),

(a), a) .
4
Se reere al lector a [MCWG95] y a [Sun96] para profundizar sobre este tema.
Matemtica para Economistas II Optimizacin Esttica
26
Demostracin:
La primera parte del teorema es inmediata puesto que estamos evaluando en el ptimo as que probaremos
nicamente la segunda parte. De las condiciones de primer orden sabemos que
L
x
i
(x

(a),

(a), a) = 0, i = 1, . . . , n,
L

k
(x

(a),

(a), a) = 0, k = 1, . . . , m.
Por la regla de la cadena
V
a
j
=
n

i=1
_
L
x
i
__
x

i
a
j
_
+
m

k=1
_
L

k
__

k
a
j
_
+
L
a
j
,
donde todas las funciones estn evaluadas en (x

(a),

(a), a). Por las condiciones de primer orden, los

primeros trminos desaparecen y nos queda
V
a
j
=
L
a
j
.

La gura 10.15 ilustra el teorema de la envolvente para el caso de un parmetro a y V (a) =

max f(x, a).
y
a
1
a
2
a
3
a
3
y = f(x*(a ),a )
1
y = f(x*(a ),a )
2
y = f(x*(a ),a )
y = V(a) = f(x*(a),a)
Figura 10.15: Teorema de la envolvente.
Ejemplos
Ej 10.2.5 Nos interesa aplicar el teorema de la envolvente 10.2.6 al problema de costos. En este caso,
L(K, L, , w, r, q) = wL +rK
_
AK

q
_
.
Matemtica para Economistas II Optimizacin Esttica
27
Identicando las variables del teorema, se tiene que x =
_
K
L
_
y a =
_
_
_
w
r
q
_
_
_
. Sea (K

, L

) el
punto donde se cumplen las condiciones de primer orden. Entonces
C (w, r, q) = L(K

, L

, w, r, q)
= rK

+wL

= rK

(w, r, q) +wL

(w, r, q) .
Por el teorema de la envolvente,
C
w
=
L
w
= L

C
r
=
L
r
= K

C
q
=
L
q
=

Ej 10.2.6 (Lema de Shepard) Sea f : R

n
++
R una funcin de produccin (f es homognea de
grado menor que 1, continua y cuasi cncava) y x

(w, q) una solucin al problema

min w
T
x
sujeto a f(x) = q.
Sea C(w, q) = w
T
x

(w, q) el costo mnimo; entonces se cumple

C
w
j
= x

j
(w, q) j = 1, . . . , n.
Usaremos el teorema de la envolvente para probar esta igualdad. En este caso
L(x, w, q, ) = w
T
x (f(x) q) .
Sabemos que si x

(w, q) es la solucin, entonces

C(w, q) = L(x

(w, q), w, q,

(w, q)) .
Por el teorema de la envolvente,
C
w
j
=
L
w
j
(x

(w, q), w, q,

(w, q)) = x

j
(w, q).
Ej 10.2.7 (Identidad de Roy) Sea R
n
+
= {(x
1
, x
2
, . . . , x
n
) R
n
| x
i
0 i}. Supongamos que
un consumidor tiene una funcin de utilidad U(x), donde x R
n
+
. El consumidor tiene la siguiente
restriccin presupuestal:
p
T
x = m,
donde p es un vector de precios y m es el ingreso o presupuesto. Si suponemos que U es cuasi cncava,
el siguiente problema tiene solucin:
max U(x)
sujeto a p
T
x = m.
Matemtica para Economistas II Optimizacin Esttica
28
Supongamos que U es diferenciable y que el problema de maximizacin tiene una nica solucin x

(p, m)
(demanda marshaliana o de Marshall). La utilidad mxima la denotaremos V (p, m):
V (p, m) = U (x

(p, m)) .
Esta funcin se conoce como la funcin de utilidad mxima o funcin de utilidad indirecta. Bajo las
condiciones anteriores, se tiene el siguiente resultado conocido como la identidad de Roy:
x

j
(p, m) =

V
p
j
V
m
.
Usaremos el teorema de la envolvente para probar esta identidad. El lagrangiano, en este caso, es
L(x, , p, m) = U(x)
_
p
T
x m
_
.
Sabemos que existe

(p, m) tal que

L(x

(p, m) ,

(p, m) , p, m) = V (p, m)
y que x

(p, m) y

(p, m) cumplen las condiciones de primer orden. El teorema de la envolvente dice

que
V
p
j
=
L
p
j
(x

(p, m) ,

(p, m) , p, m)
=

(p, m) x

j
(p, m) .
Por otro lado
V
m
=
L
m
(x

(p, m) ,

(p, m) , p, m) =

(p, m) .
Esta ltima relacin dice que, en el ptimo, el multiplicador representa el valor (en tiles) de la unidad
marginal de riqueza. Podemos concluir entonces que x

j
=
V
p
j

V
m
.

Matemtica para Economistas II Optimizacin Esttica

29
Ejercicios
10.1 Demostrar los incisos b y c de la proposi-
cin 10.1.2.
10.2 Demostrar la proposicin 10.1.7.
10.3 Sea f : (a, b) R una funcin cncava
(convexa).
a) Demostrar que si a < z
1
< z
2
< z
3
< b
entonces,
f(z
2
) f(z
1
)
z
2
z
1

f(z
3
) f(z
2
)
z
3
z
2
.
b) Sea x (a, b). Explicar porqu se pueden
escoger nmeros r, s, t, u tales que
a < r < s < x < t < u < b.
c) Si x, r, s, t y u estn dados como en el inciso
anterior y y es tal que x < y < t entonces,
C
1

f(y) f(x)
y x
C
2
,
donde C
1
=
f(s)f(r)
sr
y C
2
=
f(u)f(t)
ut
.
d) Concluir, del inciso anterior, que se tiene el
siguiente lmite:
lim
yx
+
f(y) = f(x).
Del mismo modo se puede demostrar que
lim
yx

f(y) = f(x) y, por lo tanto, f es con-

tinua en x. Dado que x es cualquier punto
en (a, b), f es continua en todo el intervalo.
10.4 Demostrar el teorema 10.1.13 (sugerencia:
utilizar el desarrollo de Taylor de segundo orden
junto con el teorema 10.1.8).
10.5 Probar las siguientes armaciones:
a) f(x, y) = xy con x, y 0, es cuasicnca-
va.
b) f(x, y) = (x +y)
2
es convexa.
c) f(x, y) = x
2
+y
2
es estrictamente convexa
10.6 Demostrar el teorema 10.2.2 para el caso
n = 2, m = 1. (Sugerencia: g(x

, y

) = 0
g
x
(x

, y

) = 0 o bien g
y
(x

, y

) = 0. Sin pr-
dida de generalidad suponer que g
x
(x

, y

) = 0,
por lo que se puede aplicar el teorema de la funcin
implcita alrededor de (x

, y

) para obtener x =
x(y) y
dx
dy
=
g
y
g
x
. Considerar f(y) = f(x(y), y)
y resolver el problema como un problema de opti-
mizacin sin restricciones.)
10.7 Considerar la funcin de costos C(w, q)
denida en el ejemplo 10.2.6. Probar que se cum-
plen las siguientes propiedades de la funcin de cos-
tos:
a) Si w
1
> w
2
, entonces C(w
1
, q) >
C(w
2
, q). (Aqu w
j
= (w
j
1
, ..., w
j
k
), j =
1, 2, y w
1
> w
2
signica que w
1
i
> w
2
i
,
i = 1, . . . , k.)
b) Si t > 0, entonces C(tw, q) = tC(w, q).
es decir, C es homognea de grado 1 en w.
c) C es cncava en w.
10.8 Resolver los siguientes problemas de opti-
mizacin:
a) max(50x
1
2
y
2
) sujeto a x +y = 80000.
b) Encontrar la distancia mnima de la elipse
x
2
+xy +y
2
= 3.3 al origen.
c) max(ln x + ln(y + 5)) sujeto a x +y 4,
x > 0, y 0.
d) min(x
2
+y
2
) sujeto a xy 25, x, y 0.
e) max(xyz) sujeto a x + y + z 4. x 1,
y 2, x, y, z 0.
Matemtica para Economistas II Optimizacin Esttica
30
10.9 Considera el siguiente problema de maxi-
mizacin de utilidad de un individuo:
max(
1
3
ln x +
1
3
ln y)
sujeto a
3x +y A,
x +y 40,
x, y 0,
donde A (40, 120) representa el ingreso.
a) Escribir las condiciones de Kuhn-Tucker pa-
ra este problema. Por qu se debe restringir
el ingreso al intervalo (40, 120)?
b) Dar las soluciones para los siguientes casos y
representar grcamente la solucin para ca-
da uno:
i) A (40, 60),
ii) A [60, 80),
iii) A [80, 120).
10.10 Sea f : R
n
+
R una funcin de pro-
duccin. Consideremos el problema de maximizar
ganancias dado un nivel de produccin, q, si el pre-
cio del producto es p y los precios de los insumos
x =(x
1
, ..., x
n
) estn representados por un vector
w =(w
1
, ..., w
n
):
max pq w
T
x
sujeto a f(x) = q
x
i
0, i = 1, . . . , n.
Supongamos que x

(w, p) es la solucin del pro-

blema y el nivel de produccin correspondiente es-
t dado por q

(w, p) = f (x

(w, p)) . Entonces

denimos la funcin de mxima ganancia como:
(w, p) = pq

(w, p) w
T
x

(w, p) .
Probar que se cumplen,

p
(w, p) = q

(w, p) ,

w
j
(w, p) = x

j
(w, p) j = 1, . . . , n.
A este resultado se lo conoce como lema de Hote-
lling.
10.11 Considerar la misma notacin que en el
ejemplo 10.2.7 y el problema relacionado de mini-
mizar el gasto sujeto a un nivel jo de utilidad U.
min p
T
x
sujeto a U(x) = U.
Sea x
h
(p, U) la solucin del problema de mini-
mizacin conocida como demanda hicksiana o
de Hicks. A la funcin denida por E(p, U) =
p
T
x
h
(p, U) se la llama funcin de gasto. Probar
que se cumple
x
h
j
_
p, U
_
=
E
p
j
_
p, U
_
.
10.12 Sean x

y x
h
las demandas de Marshall y
de Hicks, y V y E las funciones de utilidad mxi-
ma y de gasto. Probar que se cumplen las siguientes
armaciones:
x
h
(p, V (p, m)) = x

(p, m), (D1)

x

(p, E
_
p, U
_
) = x
h
_
p, U
_
, (D2)
V (p, E
_
p, U
_
) = U, (D3)
E (p, V (p, m)) = m. (D4)
10.13 Sean + = 1 y sea U(x, y) =
log x + log y.
a) Obtener las demandas de Marshall resolvien-
do el problema de maximizacin
max U(x, y)
sujeto a p
1
x +p
2
y = m.
b) Obtener la funcin de utilidad mxima,
V (p, m) = U (x

(p, m), y

(p, m)) .
Matemtica para Economistas II Optimizacin Esttica
31
c) Obtener la funcin de gasto, E
_
p, U
_
.
d) Obtener las demandas de Hicks, x
h
_
p, U
_
y y
h
_
p, U
_
.
10.14 Sea r < 0 y U(x, y) = (x
r
+y
r
)
1
r
.
a) Obtener las demandas de Marshall.
b) Obtener la funcin de utilidad mxima.
c) Obtener la funcin de gasto.
d) Obtener las demandas de Hicks.
10.15 Probar la siguiente relacin entre las de-
mandas, en donde j, k = 1, ..., n:
x

k
(p, m)
p
j
=
x
h
k
p
j
(p, V (p, m))
. .
Efecto sustitucin
x

j
(p, m)
x

k
m
(p, m)
. .
Efecto ingreso
A esta relacin se la conoce como ecuacin de
Slutsky. (Sugerencia: considerar (D1) o (D2) del
ejercicio 10.12.)
Matemtica para Economistas II Optimizacin Esttica
32