Documente Academic
Documente Profesional
Documente Cultură
APLICADAS A LA ECONOMA
Presentacin 13
I Convexidad 15
Introduccin 15
l. Conjuntos convexos 17
1.1. Definicin de conjunto convexo 17
1.2. Combinaciones convexas 18
1.3. Conjuntos convexos y aplicaciones afines 19
1.4. Operaciones con conjuntos convexos 21
1.5. Propiedades topolgicas de los conjuntos eonvexos 23
2. F\rnciones cncavas y funciones convexas 25
2.1. }Unciones cncavas 25
2.2. Caracterizacin de una funcin cncava 29
2.3. F\mciones convexas . . . . . . . . 32
2.4. Funciones cncavas diferenciables 34
2.5. lbrmas cuadrticas. Aplicaciones a la concavidad de
funciones de clase C2 37
2.6. Funciones convexas diferenciables 40
2.7. Funciones estrictamente cncavas 41
2.8. F\mciones estrictamente convexas 42
i 3. Gf'..neralizacin de funciones cncavas y convexas 43
3.1. Funciones cua.sicncavas . . . . . . . 43
3.2. Ms sobre formas cuadrticas. Aplicacin a la cuasi-
concavidad de funciones de clase C2 45
3.3. F\mciones cuasiconvcxas 49
3.4. FUnciones pseudocncavas 50
4. Apndice . . . . . . . . . . . . . 51
4.1. Subespacios afines de Rn. Aplicaciones afines 51
8 IN DICE
11 Complementos de optimizacin 91
Introduccin 91
l. Definiciones, notaciones y ejemplos 93
1.1. Extremos, globales y locales, de una funcin sobre un
conjunto ........ . 93
1.2. Extremos locales de una funcin . . . 94
1.3. Planteamiento de un problema de optimizacin 95
1.4. Problemas de optimizacin con restricciones de igual-
dad y de desigualdad 96
2. Condiciones necesarias de KU!-JN-TUCKER . . . . . . . . 98
2.1. Introduccin . . . . . . . . . . . . .... . 98
2.2. Enunciado general de las condiciones necesarias de
KUHN-TUCKER ......... 98
2.3. Ejemplos de aplicacin de las condiciones de KUHN-
TUCKER. . . . . . . . . . . 101
2.4. Problemas de minimizacin . . . . 111
2.5. Interpretacin de los multiplicadores 115
3. Condiciones necesarias de FRITZ-JOHN 117
3.1. Introduccin 117
3.2. Enunciado general de las condiciones necesarias de
FRITZ-JOHN ....... . 118
4. Condiciones suficientes 120
5. Introduccin a la programacin convexa 129
Resumen 132
Bibliografia . . . . 135
LOS AUTORES
Captulo 1
Convexidad
Alberto A. lvarez Lpez
INTRODUCCIN
l. CONJUNTOS CONVEXOS
1.1. Definici6n de conjunto conve:w
Si x y y son dos puntos de Rn, el segmento que une x y y es el subconjunto
de lRn siguiente:
{>.x+(l- >-)y 1 OS>- S 1}.
Un subconjunto de Rn es convexo s.i contiene todo segmento que una dos
de sus puntos:
{
a1y+a2 + +ap = 1,
entonces de a:Vt+a2v2+ +apVp diremos es una combinacin convexa
de los puntos v, v2, ... , Vp.
'
x = La;v; y '
y= Lfku;,
i=l i=l
y por tanto:
Demostracin. Sea C un subconjunto convexo de Rn, y sea <P una aplicacin afn
de Rn en Rm. Probemos que p[C] es convexo. Es decir, probemos que si w 1 y W2
son dos puntos de </J[C]:
20 CONVEXIDAD
Pero >.v 1 +(1->.)vz es una combinacin convexa de v 1 y v2, y por tanto un punto
del conjunto convexo C. En consecuencia: Aw1 + (1- >.)wz E cp[C].
El conjunto cp[C] es, pues, convexo. c.c.D.
es convexo.
En efecto, aC es la imagen de C por la aplicacin lineal:
es decir: J[O] = aC, y como fes una aplicacin afn -toda aplicacin
lineal ea aplicacin afn-, f[CJ ;;;;; etC ea convexo.
SiC o;; Rn es convexo y vE Rn, el conjunto:
es convexo.
En efecto, V+ e es la imagen de e por la aplicacin afn:
esdecir: Q)[C]=v+C.
Demostracin. Sea C' un subconjunto convexo de R.m, y sea ~ una aplicacin afn
de R.n en JRm. Probemos que ~- 1 [C') es convexo. Es decir, probemos que si v 1
y v2 son dos puntos de ~- 1 [G'], y ..\E [0, 1], entonces:
Ahora bien, como v 1 y v2 son puntos de p- 1[0'], f>(v) y f>(v2) son puntos
del conjunto convexo C', y el segundo miembro de (1) es un punto de C'. En
consecuencia: 1>(Av 1 + (1- >..)v2) E C', es decir: Av1 + (1- A)v2 E 1>- 1\C'].
En conclnsin: p- 1[C'] es convexo. c.Q.D.
donde a 1, a2, ... , an yb son nmeros reales y a1, a2, ... , a.. no son
simultneamente nulos, es un conjunto convexo.
Pues es la imagen inversa del intervalo (-oo,b) por la aplicacin lineal
definida en (2).
Si x y y son dos puntos de C, y). E [0, 1], entonces, para cada i E I, por ser C;
convexo: Aa:: + (1- A)y E C,, y por tanto:
EJEMPLO l. Sean Pl! P2, ... , Pn y w nmeros reales. El conjunto de los pun-
tos (x,X"l, . .. ,xn) de Rn que verifican:
n
D;x;::::;w, y x,~O para1SiSn,
i=l
EJEMPLO 2. El conjunto
EJEMPLO 3. El conjunto lR't es convexo, pues:
La aplicacin:
(3)
Proposicin 10. Dados V}) 112, .. 'Vm, puntos de IRn, el conjunto e de los
puntos que son combinacin convexa de ellos:
es compacto.
Consideremos la sucesin ( ap), donde: aP = (o:p 1, o:P 2, ... , O:pm) Esta sucesin
verifica que sus trminos son puntos del conjunto:
FU!\JCIOT\ES CNCAVAS Y FUNCIONES CONVEXAS 25
~-~-~~=-----
que es compacto (cf. actividad 1, p. 85); existe, pues, una subsucesin (a~(pl) que
converge a un punto de D:
m
lm (a:.,)= lm (xq(p)) = La;v;,
i=L
(x, xz, ... ,x,.) E R." ,...._. f(xi, xz, ... ,x,.) = Lllix +bE R,
i=l
es una funcin cncava sobre R". En efecto, cualesquiera que sean los puntos :r:
y y de R", y el nmero >.de [0, 1], se tiene:
f 1 (x,y,z)=2x-y+z-8 y f2(x,y,z,t)=x-y+7t
x E C~ f(x) =k E R,
es cncava sobre e' pues cualesquiera que sean los puntos z y y de e' y el nmero),
de [0, 1], se tiene:
EJEMPLO 8. La funcin f(z) = -llzll = -J:t~+x~++x~ es cncaVH.l:!O-
bre R.". En efecto, dados z y 'lJ pertenecientes a R", y). perteneciente a [0, 1], de
las propiedades de la norma se deduce:
(4)
es cncava sobre C.
Demostracin. Si a:1 y Z2 son dos puntos de e, y>. E [0, 1], probemos se verifica:
f(>z, + (1- >)z,) 2: Af(z,) + (1- >)f(z,). (5)
En consecuencia:
Proposicin 12. Si f, f2, ... , /11 son funciones cncavas sobre un conjunto
convexo C, y a 1 , a2, ... , a, son nmeros reales mayores o iguales que O,
entonces la funcin
es cncava sobre C.
28 CONVEXIDAD
Demostracin. Si w y y son dos puntos de C, y>. E [0, lj, entonces, de ser cada/;
cncava sobre C, y cada o:, positivo o nulo, se deduce:
'
F(>.x + (1- >.)y)~ L;od;(>.x + (1- >.)y)
i=l
'
;, >.L;od;(x) +(1- >.)L;od;(y) '
i=l i=l
son convexos.
f(>.xl + (1- >.)a:2) 2: Af(x} + (1- >.)f(~2) >>.a+ (1- A)et =o:,
y por tanto Aw1 + (1- A}:c2 es un punto de {x E C 1 j(x) >o:}. Este conjunto
es, pues, convexo.
Argumentando como en el caso anterior se demostrara la convexidad del con-
junto {x E C f(w);;::: a}.
1 C.Q.D.
e) el conjunto:
H = {(z,y) E e X IR 1 Y$ f(z))
es convexo en JRn+l.
Demostracin.
(a) "' (bi
Denotemos por h la funcin real de una variable real:
definida sobre Ic(.x, w). Sean >..1 y A2 dos puntos de Ic(x, w), y seas E [0, 1];
debemos demostrar:
y seas E [0, 1]. Debemos probar que s(a:t,y} + (1- s)(z2,112) E Hj, o lo
+ (1- s):z:2,sy1 + (1- s)Y2) E Ir}; es decir, debemos
que es lo mismo: (s:z:
probar se verifica:
i) S:ll + (1- s)zz E 0,
FU~CIONES CNCAVAS Y FU"JCIONES CONVEXAS 31
es, por hiptesis, cncava sobre Ic(x:z,X- x:z), y adems h(1) = f(xt)
y h(O) = f(x:z). Por tanto, teniendo en cuenta (8) y (7), se tiene:
(o)=> (d)'
Sean (xl!y1 ) y (xz,y 2 ) dos puntos de H, y seas E [0,1]. Debemos
probar que s(xi>y1 ) + (1- s)(x:z,1J2) EH, o lo que es lo mismo:
y en consecuencia:
"
(Xt, X:;r, .. ,Xn) E R" >------+ f(xt, X:;r, . ,Xn) = 2::),x; +bE IR,
i~l
es una funcin convexa sobre Rn, pues cualesqniera que sean los puntos x y y
de IR", y el nmero >.. de [0, 1), se tiene (e f. ejemplo 6, p. 26):
es cmJvcxa sobre C.
Proposicin 16. Si JI, fz, ... , /p son ftmciones convexas sobre un conj1mto
convexo C, y cq, 0:2, ... , ap son nmeros reales mayores o iguales que O,
entonces la funcin
es convexa sobre C.
(xECif(x)<a} y {xECif(x)<:a)
son convexos.
a) f es convexa. sobre C;
b) cualesquiera que sean x E C y w E IRn, la funcin numrica de una
variable real: >. !----)- f(x +Aw) es convexa sobre el intervalo Ic(x, w);
e) el conjunto {(x, y) E C x R y> f(x)} es convexo en Rn+l;
1
es cncava sobre Ic(y, x-y) (cf. proposicin 14, p. 29) y derivable en cada punto t
de este intervalo (cf. Recordatorio, p. 74) con derivada:
Ahora bien, O y 1 son elementos del intervalo abierto Ic(y,z- y), y por tanto
(cf. Clculo 1, p. 239):
y en consecuencia:
f~,(x*) =O para 1 :5 i :5 n,
"
1
Cf. captulo II.
36 COJ\\TEXIDAD
f(x, Xz) - f(Yt, Y2) - dj(x11 x2)( (x11 Xz) - (y, Yz))
= -ax~ - bx~ + ay~ + by~
- ( -2ax~ + 2axy - 2bx~ + 2bx~yz)
= a(x - Yt) 2 + b(xz- 112) 2.
Pero a(x 1 - Yt) + b(x 2 - Y2) 2 2: O, pues a 2: O y b;:: O, luego:
2
EJEMPLO 14. La funcin q(x, x2) = x 1 x2 -x~ es una forma cuadrtica sobre R 2.
La funcin p(x, x2, X.3) = xf- xJ +3xX2X3 no es una forma cuadrtica, pues
no es una funcin homognea de grado 2 (ntese, sin embargo, que es homognea
de grado 3).
La funcin r(x,X2,.1.:3,x4) = x~ es una forma cuadrtica sobre lR 4.
De una forma cuadrtica q sobre IR" diremos es semidefinida negativa
si verifica:
verifica:
es semidefinida negativa precisamente si: a :::; O, e ::; O y b'l - ac S: O;
es definida negativa precisamente si: a < O, e <O y b2 - ac < O;
es semi definida positiva precisamente si: a~ O, e~ O y b2 - ac::; O;
es definida positiva precisamente si: a > O, e > O y b2 - ac < O.
Dada una matriz real A =cuadrada de orden n y simtrica2,
(ai),
llamaremos forma cuadrtica asociada a la matriz A a la siguiente
forma cuadrtica sobre lRn:
n n
q(xt,X2, ,xn) = l:I:aijXiXj.
i=lj=l
n n fPJ
q(v)=q(v,v2, ... ,vn)=LLa B .(:n)v.v;. (16)
-
-1 -1
)-
x, XJ
(17)
h(t) ~f(x+tv),
2
Cf. Problemll8 de Algtlbra Lineal, captulo IV.
FUNCIONES CNCAVAS Y FUNCIOI\ES CONVEXAS 39
es cncava sobre Ic(z,v) y dos veces derivable en cada punto t de este intervalo
con derivada segunda (cf. Recordatorio, p. 76):
lf' f
h"(t) = EEax ax ( +tv)v,v,. (18)
i=lj=l 3
-'-
Ahora bien, O E Ic(z,v) = Ic(z,u), y por tanto (cf. Clculo I, corolario de la
proposicin V.5, p. 242): h"(O) :5O; y con (18) se concluye (17).
La condicin es suficiente. Supongamoo que para cada z E e
la forma
cuadrtica q definida en (16) es semidefinida negativa; y, fijado (z,v) E R", ex
probemos que la funcin: h(t) = f(z + tv) es cncava sobre Ic(z, u).
Si tE Ic(z,v), entonces
Como: xor.-Zyf' > O, y lo mismo acontece con las restantes funciones potencia de
las desigualdades anteriores, estas desigualdades son equivalentes a:
3
Cf. captulo 11.
FU:-.JCIONES CNCAVAS Y FUI\ ClONES CONVEXAS 41
"''
V (x, y) E 0 2 , (x ;"y) = f(x)- f(y) > df(x)(x- y). (20)
42 ~------~C~ONVEXIDAD
-.~,
;~r~r~ll~t~\fit~~;{{t11r~~ ~:~:~1:~}~ri~r~,~J1<~;~ci .
EJEMPlO 16. Si fes una funcin numrica de una variable montona sobre un
intervalo (no vaco) 1 (es decir: f es creciente, o decreciente, sobre !) , entonces f
es cuasiencava sobre I.
l; Si x y y son dos puntos de!, y). E [0, 1:, probemos se verifica:
y si f es decreciente: f(x) :2: f(>.x + (1- >..)y) :2: f(y). En ambos casos, se
infiere (21). La funcin fes efectivamente cuasicncava sobre l.
EJEMPlO 17. Sea g una funcin numrica de una variable, definida sobre un
intervalo cerrado [a,b] (con a< b), con la signiente propiedad: existe e E (a,b)
tal que g es creciente sobre el intervalo [a, e] y decreciente sobre el intervalo [e, b)
(en particular, admite en el punto e un mximo global sobre ;a,b]). Entonces la
funcin g es euasicncava sobre el intervalo [a, b:.
Dados doo puntos X y y del intervalo [a, b), y dado A E [0, 1], debemos probar
se verifica:
Vx E F, q(x) <;O.
Anlogamente se consideran definida positiva restringida a F y semi-
definida positiva restringida a F.
A continuacin, mostramos una condicin necesaria y suficiente para
que una forma cuadrtica sea definida negativa sobre un subespacio vec-
torial determinado por una ecuacin. La enunciamos y demostramos para
formas cuadrticas de dos variables. En ella se hace lL<lO de determinantes5
Proposicin 28. Sea. q una forma cuadrtica sobre JR2 , asociada a la. matriz
simtrica:
(~ :) '
5
Cf. lgebra Lineal, apndice A.
46 _ _ _ _ __ CONVEXIDAD
o p q
p a b >O.
q b e
o p q
d= p a b =-aq2 +21rpq-cp2 ,
q b e
De esta forma, el signo del nmero q(x, y) y el signo de d son opuestos cualquiera
que sea el vector (x, y) no nulo de F. En consecuencia, el que la forma cuadrtica q
sea definida. negativa. sobre F, es decir: q(x,y) <O para todo (x, y) E F- {(0,0)},
es equivalente a que d >O. C.Q.D.
o p q
p a b <0.
q b e
(
-!
1
)
-1 '
GENERALIZACIN DE FUl\ClONES CNCAVAS Y CONVEXAS
--.-~
47
y se tiene:
o 1 1
l -l 1 =4>0.
1 1 -1
o a, o a,
o a, a,l
a, bu bt2 '
a, bu
a, a,
b, bu a, bu ""1
bln:
... '
a, &,, ,, a, b,
a, b,
&,, b231'
b,,
"'' an bn>
o l~(x,y) f~(x, Y)
l~(x, y) f:2(x,y) f~~(x,y) >O,
t;(x,y) l/:11 (x,y) ~~~(x,y)
" (x")
! .,,..,,
que est definida para una funcin numrica 1 de n variables que admite
las n 2 derivadas segundas en un punto :r:, es la matriz bessana de la fun-
cin 1 en el punto a: orlada con loa trminos del gradiente de f en a:. t::.
GENERALIZACIN LJE FUNCTONES C;>.;CAVAS Y COI\VEXAS 49
EJEMPLO 19. Dados dos nmeros positivos c:t y /3, la funcin f(x,y) = ;;C'yf3 es
1
cuasicncava sobre R+ x JR:..
En un punto (x,y) E R.~~ xlR~, la matriz hessiana de f orlada por las derivadas
k--
parciales es:
1'
o:x<>-iyt3
a( a- 1)x"'- 2yJ'
o.{Jx"'-1/-l
4. APNDICE
4.1. Subespacios afines de R.n. Aplicaciones afines
En este apartado se recogen c.onceptos relacionados con subespacios afines
y con aplicaciones afines. Para ms detalles puede consultarse: Algebra
Lineal, captulos VI y VIII.
8Cf. e) texto de los profesores S!MON y BLU).n:, teorema. 21.17, p. 521'!.
9
Cf. d texto citado de las profesoras H. BARBOLLA y P. SANZ, p. 48.
52 _ _ _ _ __'C:~-~!_I_D_A_D
O V+ 0'2V2 + + O'pVp
Hr = {t>.;a;
J=l
1 (>.IJ>.2, ,>.,.) Eli+, t>.j = 1
J=l
y (al,a2, ,a,.) EAr }
que son linealmente dependientes (pues r-1 > n), entonces existen r-1 nmeros
reales {h, {k, ... , {J.., no todos nulos, tales que:
" "
y tomando Pt de suerte que p, =O, se tiene que LP;a; =O; es decir, lm
j=l j=l
nmeros {3, /32, .. , /3.. son no todos nulos y verifican (24).
Si definimos ahora: Aj = >.; +E{);, 1 :5 j :5 r, donde:
y como:
" "
Y= L>.iaJ = L>.ja;,
j=l 1=1
concluimOB que y es una combinacin convexa de menos de r puntos. Es decir:
=
Y E Hr-1 y por tanto: Hr Hr-1 En consecuencia:
{xElR"If(x)Sd} y {xElR"If(x):>d}.
Estos tres subconjuntos de IRn son efectivamente un hiperplano y dos semi-
espacios cerrados, respectivamente, pues toda forma lineal no nula sobre R.n
es de la forma:
VxEA,f(x)2d y VxEB,f(x)<:,d.
(Si se verifica: (Vx E A, J(a:) > d) y (lix E B, f(x) < d), se dice que H
separa estrictamente A y B.)
Se tiene el siguiente teorema12:
v x E e, v. a: ?. o.
(Recurdese que V a: designa el producto cscalm.l 3 de los vectorel:l v y x.)
JGCf. lgeb.ra Lineal, seccin 6 del captulo VIII.
11 Cf. lgeb.ra Lineal, p. 260.
12 Para ver una demostracin puede consultarse el manual del Prof. MICHP.L, sec
cin 23.3.
13 Cf. Reco.rdato.rio, p. 62.
56 CONVEXIDAD
Demostracin. El conjunto:
La aplicacin:
es una forma lineal no nula sobre !Rn; y, fijado :~: 1 E C 1 , podemos escribir:
(28)
Pero (28) se cumple cualquiera que sea ;r; 1 E C 1 , luego podemos escribir:
C.Q.D.
r
1~'
57
Aplicacin econmim15
Sea (w, w2, ... , wn) E (iR~)n (es decir: W > O para cada l ::; i ::; n) el
vector de los recursos disponibles de una economa, y sea d 1 , 1 ::; i :S: n,
la funcin de demanda agregada del bien i, esto es, si p = (p 1 ,p2, .. ,p.,)
es un vector de precios, d;(p) es la cantidad del bien i demandada por
la economa. Supondremos que las ftmciones d son continuas, y tambin
haremos la hiptesis de que :;e verifica la ley de WALRAS, y de que no hay
saturacin. Ms en concreto:
hl} para cada 1 :::; i :::; n, la funcin d, est dcfmida y es continua so-
bre (JR.+)n y toma valores en lR ;
n
2.
w, = f(p') = p.
Ahora bien, con la hiptesis (h2) llegamos a:
pld;(p') S Did;(p') = 1
j=l
(pues todos los suman.cloe oon positivos o nulos), de donde:
d;(p') S ~ = w;.
APEN'DICE 59
"", _
< g(p')
1 < ..!.
_Wj,
Demostracin. Sean "' y y doe puntos de C, y sea ..\ E [0, 1]. Probemo9 se verifica:
es decir:
"
v,(x,- xo.) +w ((!(x)- a)- f(xo)) ~O,
l=l
esto es:
"
v,(x,- xo.) T w (f(x) - f(xo)) ~ wa, (38)
i=l
de lo que se infiere que w ::::; O (si w > O, el conjunto { wo: 1 o:> O} no estara
acotado superiormente, en contradiccin con (38)).
RECORDATORIO: FUNCIONES DE VARIAS VARIABLES 61
pertenece a B(xo, r), y por tanto a C (pues llx- xoll = f lv~o:l < r), Y en consc~
cuencia de (38) se deduce:
n
O o:$ v;(x;- xo;) +0 (f(x)- f(xo)) = -wZ,
i=l
'~ (sin ms que dividir en (38) por -w, que es un nmero positivo); pero ya que (39)
se tiene cualquiera que sea o:> O, se deduce:
l(x- xo)- (f(x)- f(xo)} O> O,
n
X Y= XJY + X2Y2 + + XnYn = LXiYi
i=l
Propiedades:
<> simtrico: x y = y x;
(ox + Jx') oy~ o(xoy) + !l(x' y)
<> bilineal: y
{ x (ay+ {3y1 ) =a:( a:: y)+ f3(x y')
(o: y {3 nmeros reales);
o desigualdad de SCHWARZ: (:~: y) 2 ::; (x x)(y y).
n ) 1/2
d(x,y) ~ llx- Yll ~ (
~(x,- y,) 2
RECORDATORIO: FL"NCIONES DE VARIAS VARIABLES 63
Propiedades:
od(x,y)2:0 y (d(x,y)~o .. x~y);
o d(x, y)~ d(y, x);
o desigualdad triangular: d(x,y) S: d(x,z) +d(z,y).
Bola cerrada de centro xo E IR" y radio r 2': 0:
Conjunto acotado: A ~ lRn est acotado si: existe bE IR tal que todo
vector de A es de norma menor o igual que b: 'V x E A, llxll :5 b.
Propiedades:
o todo subconjunto de un conjrmto acotado est tambin acotado;
o la unin finita de conjuntos acotados es un conjunto acotado;
o las bolas (abiertas o cerradas} y los conjnntos finitos estn aco-
tados.
Condicin necesaria y suficiente: A ~ lRn est acotado precisamente
si, para cada 1 ::; i ::; n, el conjnnto de las i-simas componentes de
los vectores de A est acotado en R.
Una sucesin (xp) est acotada si: la sucesin (llxpll) est. acotada
(en IR).
Condicin necesaria y suficiente: la sucesin (xp) est acotada pro.
cisamente si, para cada 1 :5 i :5 n, la sucesin (xip) est acotada
en Jlt
Propiedades:
o toda subsucesin de nna sucesin acotada est a su vez acotada;
o toda sucesin convergente est acotada.
Teorema de BOLZANO-WEIERSTRASS: toda sucesin acotada de
puntos de Rn admite una subsucesin convergente.
Conjunto compacto: A ~ IRn es compacto si: A es un conjunto
cerrado y acotado.
Condicin necesaria y suficiente: A es compacto precisamente si toda
sucesin cuyos trminos pertenezcan a A admite tma subsucesin con-
vergente con lmite nn pnnto de A.
66 CONVEXIDAD
= B(x,r}.
Entorno de un punto a: E lRn: A es entorno de a: si: a:: es interior
a A, es decir: a:: E Ji.
El conjunto A es abierto precisamente si es entorno de cada uno de
sus puntos.
SI A es entorno de x y (:z:p) es una sucesin que converge a a::, entonces
existe k E N tal que todos los trminos de la sucesin (:z:p) de orden
mayor o igual que k pertenecen a A.
Punto adherente de A: punto a:: E JRn para el que existe una suce-
sin convergente cuyos trminos pertenecen a A y cuyo lmite es igual
a "
Adherencia de A: conjunto de sus puntos adherentes. Se denota: A.
Propiedades:
o A~ A;
o si A ~ B: A ~ B;
o el conjunto A es cerrado precisamente si: A = A;
o "EA=> (Vr>O, B(,,r)nAt0);
o A es un conjunto cerrado;
o si A ~ B y B es cerrado: A~ B (A es el menor cerrado que
contiene el conjunto A);
o B(.,,r) ~ .iJ(,,r).
RECORDATORIO: FUNCIONES DE VARIAS VARIABLES 67
""
entonces: l E C.
Consecuencia: si: lm f(x) = l, y: Vx E A, f(x) =:::;a, enton~
;1!:---J.<eo
EA
ces: l =:: ; a.
Que f(x) tiende a ms infinito (+oo) cuando x tiende a xo, perma-
neciendo x en A, significa:
Va E IR, 36>0, VxEIRn,
(x E A y d(x,xo) <o) => (f(x) >a).
Se denota: lm f(x) = +oo.
;l)---J.::I!o
EA
Que f(x) tiende a menos infinito ( -oo) cuando x tiende a xo, per-
maneciendo X en A, significa:
VaElR, 36>0, 'VxElR.n,
(x E A y d(x,x 0) < 6) => (f(x) <a).
Se denota: lm f(x) = -oo.
<1!---J.<eo
meA
RECORDATORIO: FUNCIONES DE VARIAS VARIABLES ~~~~~~~~~--'69
''
EA
f(z)
lf(z)l, af(z) + /3g(z), f(z)g(z),
g(z)
a 1 (a a9 )
o &x,(fjg)(a) ~ g(a)' ax/a)g(a) -f(a)&x/a) .
Propiedades:
o f es continua sobre A si y slo si cada fi es continua sobre A
(para 1 Si:::::_ m);
o f es continua en xo si y slo si cada Ji es continua en xo (para
1 : : :_ i : : :_ m);
o continuidad de la funcin compuesta: si f es continua so-
breA~ R.n, y g es continua sobre B ~ Rm, y f!AJ ~ B,
entonces g o fes continua sobre A.
(Consideramos un conjunto abierto A ~ D.) La funcin f es deri-
vable sobre A si: cada una de las funciones f~ es derivable sobre A,
1 :::::_ i : : :_ m.
Matriz jacobiana de f en x E A: matriz de orden (m, n) cuyo
trmino de posicin (i,j) es la derivada parcial de la funcin f con
respecto a Xj en el punto x. Se denota: Df(x). Se tiene:
Propiedades:
o si f es cliferenciable en :z:o: f es continua en :z:o, y es derivable
en :z:o (existen las n derivadas parciales fiJxo));
o si f es diferenciable en Xo: la aplicacin afn de la variable x:
f(xo) + df(xo)(x ~ xo) es una aproximacin afn de f en xo;
o operaciones: si f y g son diferenciables en xo, lo mismo acontece
con las funciones: o.f + j3g, Jg, f / g (si: g(xo) # O), y se tiene:
Ei'J Ei'
2 aX2 a ("'o) 8x~ (zo)
D f(.,o) = X:}
a' Ei'J
a ax ("o)
Xn 8xn8x,("'<<)
76 CONVEXIDAD
-
lfm e(o:o, ) =O.
11 E IR">-+ d/(.,)(!1)
= (dh(o:o)(y),<if(.,)(ll), ... , d/m(zo)(y)) E Km.
_ Condicin necesaria y suficiente:
{
/(o;~ = /(.,) + df(.,)(o;- "'') + llo;- "'11 e(o:,o;o),
Propiedades:
-hm e(z, zo) =O.
1
80 CONVEXIDAD
RESUMEN
Conjunto convezoa
Segmento que une dos puntos z y 11 de lRn: el conjunto:
o las bolas, tanto las abiertas como las cerradas, son conjUntos
convexos;
o fijada una cantidad finita de puntos de IR", el conjunto de los
puntos que son combinacin convexa de ellos es convexo y com-
pacto.
Propiedades y ejemplos:
o una aplicacin afin de IRn en 1R es una funcin tanto cncava
como convexa sobre lR"";
o una funcin constante sobre un conjunto convexo es a la vez
cncava y convexa sobre el conjunto;
o si h, h, ... , fp son cncavas sobre e, tambin lo es la funcin:
"'E e>--+ mfo{fl(m), ,(m), ... , {,(z)} E IR;
o s h, /2, ... , / 11 son convexas sobre C, tambin lo es la funcin:
m E e>--+ mx{fl(m), f2(z), ... , f.( m)} E IR;
o la funcin a1!l + a2!2 + + C~p/p, donde a 1, a:2, ... , 0p son
nmeros reales mayores o iguales que O y 11, h, ... , f p son
e
funciones, es cncava o convexa sobre segn sean, respectiva-
mente, cncavas o convexas sobre C las funciones 11, h, ... , f P;
o si f es cncava sobre C, y a: E R, entonces { z E e 1 J(z) > a}
y {z E e 1 f(z) ;"?:a} sn conjun)o~nvexos;
82 CONVEXIDAD
Y(.,,,.,,)EC2 , Y>.E(0,1),
(.,, i .,, ~ f(>,.,, + (1- >.).,,) > >.f(x,) + (1- >.)f(x,).
F\mcin estrictamente convexa sobre C: fes estrictamente con-
e
vexa sobre si:
Y(.,,,.,,)EC2, VJ.E(0,1),
(.,, i .,, ~ f(J..,, + (1- >,).,,) < >./(.,,) + (1- J.)f(.,,).
Propiedades:
o si f es estrictamente cncava sobre e, tambin es cncava so-
bre C; si es estrictamente convexa, tambin es convexa;
e
o (se considera abierto y f diferenciable en cada punto de C) la
funcin f es estrictamente cncava sobre e
si y slo si:
Generalizaciones /
/
Consideramos una funcin numrica J definida sobre un conjunto con-
vexo no va.clo e~ JR:n:
84 CONVEXIDAD
Pl'opieda.dea y ejemplos:
o una funcin de una variable montona. sobre un intervalo es tanto
cuasicncava como cuasicon:vexa sobre el intervalo
o si f es cncava sobre C, tambin es cuasicncava sobre C; si es
convexa, tambin es cu.asiconvexa;
o f es cuasic6ncava sobre C si y slo si: para. cada a: E IR es
convexo el conjunto {a: E e 1 f(a:) ;o o};
y es cuasiconvexa sobre C si y slo si: para cada o: E R es
convexo el conjunto {z E C 1 /{z) :5 a};
o (se considera G abierto y f diferencia.ble en cada punto de G) la
funcin J es cuasicncava sobre e si y slo si:
Propiedades:
o si f es c6ncava sobre C, entonces f ea pseudocncava sobre e;
o si j es pseudocncava sobre C, entonces f es cua.sicncava so-
bree;
(> si f es pseudo cncava sobre e,
y ::e~ es un punto de donde e
se anulan las n derivadas parciales f~ 0 (x*), entonces f admite
en ::e un mximo global sobre C
o la condicin suficiente de cuasiconcavida.d de una funcin de
clase C2 antes ennnciada tambin es condicin suficiente de pseu-
doooncavidad.
ACTIVIDADES RECOMENDADAS
y el hipe:rplano
aea cncava sobre (IR+)" es: <>; E [0, 1) p"'a 1 :> J :> n.
Solucin. La condicin e.s necesaria. Si ~ = (xo1, xo2 1 1xon) es
un punto de (R'f-)'', y e el!!l el i-sim.o vector de la base cannica de R"
(1 Si :S n): e= (O, ... 1 1, ... ,O) (todas las componentes nulas aslvo
la i..si.ma, que es igual a 1), entonces de la proposicin 14 (cf. p. 29)
se deduce que la funcin:
n n
V (.x 1 a:2 1 1 a:n} E Rn 1 E}:BtjXta:'J ~O. (42)
i=lj=l
(43)
y por tanto:
n n &j n n
o .("')v;v; =(a;; +a;;)v;v;
t=:l;:=t 8 x~ x, i=IJ=l
n n n n
= a;;v;v; + a;;V<V;
i=lj=l i=1i=1
n n n n
= L:La;;viv; + LL:a;;v;v
i=l j=l i=l i=l
n n
= 2LLili;vv;:::; o
i=lj=l
(la ltima desigualdad es una consecuencia de (42)), con lo que se
verifica (43). En conclusi6n, fes cncava sobre l!t".
BIBLIOGRAFA
Complementos de
optimizacin
Alberto A. lvarez:. Lpe.z
INTRODUCCIN
\
DEFINICIONES, NOTACIONES Y EJEMPLOS 93
Nota bene. Al definir extremo local se exige que la funcin est definida
sobre un entorno del punto, es decir, se exige que el punto sea interior al
conjunto de definicin de la funcin. En consecuencia, si un punto no m
interior al conjunto de definicin de una funci6n, no tiene sentido preguntanJe
si &Ita admite en dicho punto un extremo local.
Los extremos locales de una funcin tienen que buscarse entre los puntos
interiores de su conjunto de definicin. 8
f(o) $ f(O) ~ 2.
Obsrvese que, como acontece con los extremos sobre un conjunto, una
funcin f admite en un punto un mnimo local preciBamente si la. funcin -/
admite en el mismo punto un mximo local.
maximil:ar j(&r.)
(P) { .. eA
si la funcin f admite en ~ un mximo local sobre A; y diremos es una
solucin global del problema de optim.izacin (P) Bi la. funcin admite
en ~ un mximo global sobre A.
9,~6'__ _ _ _ _ _ _ _ _ _ _ _ _ __'C~O~MP
.. LEMENTOS DE OPTIMIZACIN
EJEMPLO 3. Con IOR datos del f!jP.mplo 1 (p. 94), es decir, la funcin:
o, ," = -3,
f(x) = lxl, ,X E ( -3, 1]- {0},
{2, si z E {O} U (1, ...:...oo),
y el conjunto A =
[-3,+oo), y de acuerdo con lo dieho en este ejemplo citado,
podemos afirmar lo siguiente:
el punto -3 es tanto una solucin local como una solucin global del pro-
blema de optimizacin:
minimizar f(x)
{ z E A;
maximizar f(x)
(P)
{ x E A;
1 minimizar f(z)
l (Q) con [as restricciones: g.;(lll) $.O para 1 $. i '5: p,
{
h(z) =0 para 1 ~ j $. q.
Que un punto z"' es solucin local del problema (P), o lo que es lo
mismo: que la funcin f admite en z"' un mximo local sobre el conjunto A,
en concreto significa:
a) z' es un punto factible: .:z:' E A es decir, el punto z pert)mece al
conjtmto O (conjunto de definicin de /) y verifica las condit:iones:
L:(z)
= f(z)- L;!'ig;(o:)- L;>.jh;(z),
i=l j=l
En las condiciones del teorema. anterior, los nmeros pj, p.2, ... 1 .;,
Aj, A2, ... , A: se llaman multiplicadores de KUHN-TUCKER. Fijada
la. sol~ci6n local z*, y bajo las hiptesis del teorema, estos multiplicadores
son nicos.
Las condiciones (Kl} y (K2) se denominan condiciones necesarias de
KUHN-TUCKER. La condicin (Kl) slo tiene sentido si el problema (P)
tiene restricciones de desigualdad (es decir: p ~ 1); obsrvese que esta
condicin establece, en particular~' que f'i = 0 para i E {1 1 2 1 , ,p}- 1*
(pues si i ~ r' entonces g; (,. ) < o). .
-~ 6
De la. funcin de la variable z:
p q
L:(,) = f(z)- V.g;(o:)- L;>.;h;(.,),
i=l ;=1
que depende de los parmetros p.1, P.2 1 , ..p, >.1, A:?, .. , >.q, diremos es
ellagrangiano del problema de optimizacin (P).
CONDTCTONES NECESARIAS DE KUHNTUCKER 101
maximizar {(;;)
(P)
{ con la restriccin: h(;;) ~o,
maximizar
(P) { con la restricci6n:
La funcin objetivo:
h(x,y)=x+y-1,
tambin tiene por conjunto de definicin llt2 ; como ambas funciones ron de clase C1
sobre Rz (de hecho, son de'"' clase C"'), se verifica le hiptesis (hl). Por otro lado,
se tiene:
h(x,y) =0
CONDICIONES NECESARIAS DE KUHN-TUCKER 103
c:(x,y) =0
~(x,y) =0
{
h(x,y) =0,
es decir:
{
&c 2 +4y-~=O
4%-.\=0 (1)
x+y-1=0.
33:2 -8z+4=0,
=
ecuacin que tiene dos soluciones: .::1 2 y x 2 = 2/3. En consecuencia, todas las
ternas (x,y, A) que verifican el sistema (1) son:
Loe puntos (2,-1) y (2/3, 1/3) son, pUE!EI, candidatos a ser soluciones localE!s del
problema (P).
(P)
m:aximizar
{ con la restriccin:
'
2m 2 +y 2 -3=0.
\
104 COMPLEMENTOS DE OPTIMIZACIN
luego la funcin h admite un punto critico: {0, O); pero este punto no verifica lo.
restriccin del problema (P) (pues: h(O,O) = -3 y!:. 0), ea decir, no Cl!l un punto
factible. En coru;ecuencia, en todo punto factible la restriccin est cualificada.
Ella.grangiano del problema {P) es:
{
~(x,y)= 2cy-u>=O
C~(x,:u)=
h(x,y)=2x 2 +.?-3=0,
x~-2y.\=0
se obtiene que todas las ternas (x, y,>.) que lo verifican son las seis siguientes:
(0, V3), (0, -V3), (1, 1), (1, -1), (-1, 1), (-1, -1)
SOilcandidatos a ser solucin local del problema (P). De hecho, son los nicos pun-
tos de R 2 que es posible sean soluciones locales. (Sobre el punto (O, 0), recurdese
que no es factible, h.!ego no puede ser solucin.)
maximizar f(a:)
(P') {
con las restricciones: h(z) =O
::(.,) 8h'(:o')
8x, ::(:o')
es de rango igual a q. En particular, debe ser q :S n, pues en caso contrario
la condicin de cualifi.cacl6n no se verificara (ms de n vectores de R'l no
pueden ser linealmente independientes).
Las condiciOllell de KUHN-TUCKER: {K!) y {K2), se pueden fonnlliar
de la. siguiente manera: existen q multiplicadores A, A2, ... , >.;tales que
el punto :e es punto ctico de la funcin:
C(a:)
= !("')- E~Jh;{o:).
i=l
Ellagrangiazw del problema (P') es la funcin:_
C(z) '
= f(z)- E~;h;(z),
j=l
que depende, ahora., de los q parmetros>., A2, ... , >.q.
EJEMPLO 6. Consideremos el problema de optimizacin:
maximizar z2 +11 +z2- 3
(P) con las restricciones: z:l + 2y +'~- 6 =O,
{
x+y-z=O,
que tiene dos res,ricciones de igualdad. Busquemos puntos candidatos a ser solu-
cin local del problema (P).
En primer lugar, observamos que la func6n objetivo y 1M dos funcione5 que
definen las restricciones: ~
(De las ecu&eones primera y tercera se deduce la igualdad: 2(1- A1 )(x + z) =O;
si 1 - At = O, se obtienen las dos primeras quntuplas; si .z + z = O, 1M dos
restantes.)
En conclusin, los nicos puntos de R 3 candidatos a ser una solucin local del
problema (P) son:
maximizar /(:e)
{ con la restriccin: g(z) ~O,
En segundo lugar, para cada (:r,y) E R. 2 se tiene: V g(x,y) = (2.x, 2y), que slo
se anula en el punto (0, 0). Ahora bien, Mte punto verifica la restriccin del pro-
blema: g(O,O) = -1 $O, pero no a:m igualdad: g(O,O) <O; es decir, la restriccin
est no saturada en (0,0). Podemos afirmar que la restriccin del problema. (P)
satisface la condicin de <::ualificacin en cualquier punto factible, pues en el punto
factible (0,0) est no saturada, y sobre cualquier otro punto factible (x,y) en el
cnal pueda estar saturada podemos asegurar que el gradiente V g(x, y) es no nulo.
l!lllagrangiano del problema (P) es la. funcin de la. variable (x, y):
que depende del parmetro p. Todo punto (x,y) de R.2 que sea solucin local del
problelllllo (P) debe necesariamente sat!icer la restriccin: g(a:,y) $O, y tiene
que ser punto crtico dellagrangiano para algn .t;::: O tal que: g(x, y) p. = O.
Busquemos, pues, las ternas (x,y,..r.) que verifican:
C~(x,y) =O
.C~(a:,y)
=o
g($,y)"' o
p~O
g{x,y) JJ =O,
e5 decir:
v-2:tp=O
x-'l.YJL=D
:c11 +11-1:::;; o (2)
~~~o
<'+li'-l)p~o.
'!}-2Zj1=0, :t-2yp=0, :t
2
+y3 =1,
son:
r
CONDICIONES NECESARIAS DE KUHN-TUCKER 109
y de entre estas cuatro ternas se desechan las dos ltimas, pues su tercera compo-
nente --el multiplicador- es negativa, y se vulnera la cuarta desigualdad de (2).
En consecuencia, los puntos:
son ks nicos~ R2 que es posible sean soluciones locales del problema {P)j estos
treJ puntos son candidat011 a ser mximos Jocales de la. func16n :cy con la re5tricci6n
de desigualdad: x2 + y 2 - 1 ~ O.
m..Om;,,. y - '
con las restricdones: -x ::::; O,
(P)
{ -y.:::; o,
i'+u'-4-0.
En primer lugar 1 obaervamas que las funciones que intervienen en el problema:
y este ltimo vector slo se anula en el punto (0,0). Las restricciones estn,
pue!! 1 cualificada.s en todo punto factible (:c,y) con x y y positiva!.
<> Si x = O, entonces: '1f =
4 y y ~ O, de donde: y = 2, y el punto (0, 2) es el
nico factible en el que est saturada la primera restriccin de desigualdad.
Las restricciones del problema estn c1mlificad&S en el punto (0,2), pues
en este punto la segunda restriccin de desigualdad no est saturada y los
gradientes de las funciones h y fJt son vectores linealmente independientes:
que depende de 105 parmetros P.ll J.':J y ). (los dos primeros por las restric-
cionet~ de desigualdecl.; el terrero, por la de igualdad). Busquem05 las quntu-
plas (x, y, JLI, JL2, ).) para las que se verifica:
.C~(x,y)=O, ~(x,y)=O,
g,(x,y) :s;o, g,(x,y) :s; o, h(z,y) ~o.
es decir:
Distingamos (;M()tl;
~ S x "#-O y y"#- O, de las dos ltimas ecuaciones se deduce: /.'1 1'2 =O, y =
=
oon las d011 primeras se obtiene: 11 -1/2, en contradiccin con que 11 debe
CONDICIONES NECESARIAS DE KUHN-TUCKER 111
ser positivo o nulo. No hay, puCB1 puntos (a:,y) con ambas componentes no
nulas que satisfagan las condiciones necesarias.
<> Si :1: =O, entonces V= 2 (como se deduce de: x 2 + 72 = 4 y V~ 0), y
t1t:1 obtiene: P1 = P2 = O y = 1/4. El punto (0,2} satisface, pues, las
condiciones necesarias, can los multiplicadores: Pi= Pi= O y x = 1/4.
~ Si y= O, entonces x = 2 pero de la segunda ecuacin e dednce: IL2 = -1 1
en ccmtradcci6n con que Jl'J debe ser positivo o nulo.
En conclusin, el punto (0, 2) C8 el nico de ll2 que es posible sea soluci6n local
del problema ( P).
Para determinar los rofnimos locales con restricciones de una. funcin, po-
dramos, pues, trabajar con el problema equivalente de determinar los m-
ximos locales, con las mismas restrieclones, de la funcin opuesta.
No obstante, podemos actuar de otra manera, sin variar la funcin
objetivo del problema, ni tampooo sus restricciones. ~ mismos a.rgu~
mentos que permiten probar el teorema 1, se pueden enun.cia.r condiciones
n.eoesa.ria.s de mnimo local con restricciones anlogas a. las ya. vistas de
mximo local En concreto:
si las restricciones son iOdas de igualdad, las condiciones necesarias
de mnimo local son las mismas que las de mximo local;
y si hay restricciones de desigualdad, las condiciones necesarias de
mnimo difieren de las de mximo solamente en que se exige que
los multiplicadores asociados a tales restricciones de desigualdad sean
negativos o nulos.
112 COMPLEMENTOS DE OPTIMIZACIN
extremos f (:z)
{ "'EA
resulta obvia: un punto o:r::.. es solucin, local o global, de este problema de
optimizacin si la funcin J admite en ;e un extremo, local o global, sobre
el conjunto A.
ex.tremos
{ con la restriccin: "'+""'
a::+y-1=0.
EJEMPLO 10. Consideremot~ el problema de optimizacin;
s.tremos :z:'-l;
{ con la restriccin: 2x2 + 'lf - 3 = O,
CONDICIONES NECESARIAS DE KUHN-TUCKER 113
que no tiene mM que una reatri.cci6n de igualdad. De acuerdo con lo dicho sobre
problemae de minimizo.ci6n, y teniendo en cuenta los clcul08 llevados a cabo en
el ejemplo 5 (cf. p. 103), podemos asegur~ que los seis puntos
son candidatos a ser solucin local de este problema, y cualquier punto de IR?
distinto de estos seis no es soluc6n.
EJEMPLO 11. Teniendo en cuenta kM, clculos del ejemplo 6 (cf. p. 105), para el
problema de optimizacin:
'"'"
1+0
2 ,1, -1+0)
2 ' (1-VJ
2 ,1, -1-VJ)
2 ' '(3,-6,-3), (-1,2,1).
(
millimizar X!J
(Q) { con la restricci6n: x' +Y' -1 :>O,
maximizar X!J
(P)
{ con la restriccin: "'+Y'-1 :>o.
Ellagrangiano de este problema, y tambin el del problem& (Q), es:
De acuerdo con ]013 clculos llevados a cabo en el ejemplo citado, todas las ter-
nas (x, , f.J.) tales que:
C~(x,y) ~O
y)= o
L:~(.:t,
g(x,y):::; O
{
g(x,y)~J.=O
(ntese que no hay escrita ninguna restriccin sobre el signo de\ multiplicador) son
la terna (0,0,0) y las cuatro ternM:
(0,0),
( J2
2 ' "'")
2
y
( - J2-
2 ' "'")
2
son los nicos de R 2 que es pooiblc sean soluciones locales del problemD. (P) (como
ya sabamos del ejemplo 7). Y si la tercera componente de la terna es negativs o
nula, el punto correspondiente es candidato a ser solucin local del problema de
minimizacin (Q); lotl puntw: ---.___
(0,0),
( J2-
2 '
"'")
2
y
( - J2 "'")
2 ' 2
son, pues, los nieo5 de R 2 que es posible sean soluciones locales del problema (Q).
Ntese que el punto (../2/2,../2/2), por ejemplo, no es solucin local del pro-
blema de minimizad6n, pues su multiplicador correspondiente: 1/2, es positivo.
Como tampoco es solucin local del de maximizaci6n el punto (-./2/2, --./2/2), poT
ejemplo, pues su multiplicador es negativo.
y-;;2
%;:::.: O,
(Q)
y;;?: o,
z2+y2=4.
CONDICIONES NECESARIAS DE KUHN-TUCKER 115
ext"'mos f(x, y)
(P.) { con la restriccin: h(x, y)= a.
{Ntese que para a.= O el problema (Pa) coincide con el problema. {P).)
Supongamos exiten dos funciones: </>(a) ~ (,l,(a),,l 2 (a)) y A(a) de la
variable real a, definidas sobre 1, que verifican:
</>(0) ~ (x', y') y A( O)~ A';
para cada a E I, el punto </>(a)~ (,l,(a),4> 2(a)) es solucin local del
problema de optimizacin (Pa), se verifican las hiptesis del toorema. 1,
116 COMPLEMENTOS DE OPTIMIZACIN
maximizat
(P)
{ con la restrk::ci:n:
y el sistema de ecuaciones:
C,:,(z,y) ~ -2A. ~O
L:~(z,y) ~ 1- :Uy' ~O (7)
{
h(x,y)= x 2
+Jil =0
no tiene solucin (como puede comprobar el lector sin dificultad). Podemos, pues,
afirmar que ningdn punto del conjunto R2 - {(0, O)} es solucin local del pro-
blema (P).
0 X
Por otra parte, el punto (0, O) es efectivamente solucin local de (P), pues
(cf. figura 1) e5 el punto de mayor ordenada entre los del conjunto;
El punto (0,0), aun siendo BOlucin local de (P), no ha sido encontrudo como
candidato a ser soluci6n local utilizando las condiciones necesarias de KUI-IN-
TUCKER.
3.2. Enunciado geneml de l4s condiciones nece.sarias ele FRITZ-
JOHN
maximizar f(z)
(P) con las restricciones: !h(~):::; O para 1:5 i Sp,
{
h;(o:) =o !"" 1,; j,; q.
CONDICIONES NECESARIAS DE FRJTZ-JOHN 119
y existen p + q + lnillleros Jl, t>], J.tj, . , p;, Aj, >.;, ... , A; tales que:
F1} para 1.:::::; i ::;p, se tiene: 1-'t ~O y p.gi(~*) =O;
F2} !'/E {0, 1};
F3} las p + q + 1 nmero9 p., J.Li, p2, ... 1 ..t;, >.., A2, ... , >.; no son
simultne8J7Jente nulas;
.
F4) el punto :~: es punto critico de la funcin:
.
En las condiciones del teorema anterior, de la funcin de la variable ;:e:;
'
9(z) = pof(a:)- L:~'<!li(")- L:~;h;(a:),
j=l
que depende de los parmetros 14J, p, 11-2, . , Pp, J, A2, ... , q, diremos
es ellagrangiano generalizado del problema de optimizacin (P). Ob-
srvese que difiere del lagrangiano .C en que incluye un multiplicador para
la. funcin objetivo.
y utilicemos el teorema 2 para bUBC8l' puntos candidatos a ser solucin local de (P).
Como las funciones f(:c,y) =y y h(.::z:, y) =
x 2 +rl son de clase C 1 sobre R 2
{de hecho, de claae C ), se satisface la hiptesis de regularid&l del teorema 2.
00
'
120 COMPLEMENTOS DE OPTIMIZACIN
es decir:
-2x~, =0
""- 3y'~, =o
{
x2+va=D.
Si p.o =1, este sistema se reduce al (7) (cf. ejemplo 14), que no tiene solucin
si p.o = O, como ..\1 ha de ser no nulo, 88 deduce: a: = 11 = O. En definitiva.,
obtenem011 que slo es solucin del sistema una cuaterna de la forma: {0, 0,0, >.1)
con A1 :f.O. -~
Aplicando el teorema 2 concluinto8, pues, que el punto (0, O) ee el nico de R.~
que es posible 8e8. solucin local de (P).
Recurdese (cf. ejemplo 14) que el punto (0, O) es efectivamente aoluci6n local
<~ .
4. CONDICIONES SUFICIENTES
En esta secci6n estudiamos condiciones suficientes de solucin local de un
problema de optimizacin oon restricciones como los vistos hasta ahora.
Estas condiciones suficientes requerirn que las funciones involucradas sea.n
de clase C'.
Consderelnos una funcin numrica f oon conjunto de definicin un
COlljunto abierto O ~ R'\ p + q funciones numricas 91, 92, ... , g,, h,
h2, ... , hq ron oonjunto de definicin llt", y el problema de optiiWzs.ci6n:
maximizar /(z)
(P) con las restricciones: g(z) :S O para 1 :S i :S p,
{
h;("') =o
para 1 :$ j :$ q.
La siguiente propoeicin establece una primera oondicin suficiente de
solucin local del problema (P). Jut3ga una papel importante en esta condi-
cin suficiente la. forma cuadrti<:a asociada a. la matriz beasiaria del la-
grangiano.
CONDICJONES SUFICIENTES !21
' '
.C(z) =/(a:)- :~::>;g,(z)- LAjh,(z)
i=l j:=]
de A y de (Kl} se deduce:
(8)
Por otre. parte, y de ncuerdo con (K2), se tiene: V .C(z) = O; al ser definida
negativa la forma cuadrtice. asociada a la matriz hessiana D 2 C(z'), la funcin C
admite, entonces, un mximo local1 en z'. Es decir, existe o > O tal que:
Teniendo en cuenta (8) y (9), para cada ~ E An B(.:e*, 01) podemos escribir:
maximilar -:;~ - - ;
(P)
{ con lil restriccin: x-y-1=0.
1
Es la condicin suficieute de segundo orden de mximo loca.l (sin restricciones).
Cf. Clculo II, proposici6n V.8, p. 223.
122 COMPLEMENTOS DE OPTIMIZACIN
La funcin objetivo y la que define la n:stricci6n son de clase C2 sobre R:l (de
hecho de clase COO), y la restriccin verifica la condicin de cualificacin en todo
punto factible. El lagra.ngiano del problema es la funcin:
{
J:~(z,y) ~ -2z- ~ O
~<>~ -2y+J.~o
:c-y-1=0
(
-2
o
o)
-2 '
de forma cuadrtica aeociada definida negativa. El punto {1/2,-1/2) satisface
tambin la condicin del apartado (e) de la condicin suficiente.
En conclusi6n, el punto (1/2, -1/2) ea una soluci6n local del problema (P).
De hecho, es la nica solucin.
..,..;miza /(.,)
(P) con las restricciones: g(:c) S O para1S:$p,
{
h;("') ~o para 1 Sj S.q,
una condicin suficiente de solucin local ms general que la de la pro-
posicin 1 (cf. p. 121), pues se sustituye la condicin {e) por otra. menos
restrictiva: en vez de exigir que la forma cuadrtica asociada a. la matriz
hese.iana dellagrangiano sea definida negativa, pediremos que sea. definid&
negativa restringida a cierto coDjUllto.
CONDICIONES SUFICIEKTES 123
(10)
(ll)
con . ..
_. e:(a:) =O .
lm
'
1
2q(!l~(mJ) + e(Zq(m.J) >O,
y tomando lmites: q(y)/2;::: O, teniendo en cuenta que q es una funcin continua
y el hecho de que la 5U<;.'etlion (~q(m)) converge al punto a: (lo que implica. que
l(m (e(zqm)) = 0). En definitiva, para el vector y se verifico.: q(y);?: O, es decir:
(13)
Por otro lado, prua cada 1 :5 j :::; q, la funcin hi O> -por hip6te~:~i.s- diferen-
ciable en z 1 es decir:
Sustituyendo z por Z(m) y teniendo en cuenta que Zq(m) y z" son puntos de A (y
por tanto: h;{~q(m)) = h;(x~) = 0), y dividiendo por !l:l:q(m)- x11,
se obtiene:
(14)
<lf(x')(y);, O. (16}
De (Kl) se deduce que p =O para ir$. I*, luego podemos eocribir:
<lf(x') ~ L '
pdg,(x') + I:>jdh1(x').
IEI' J=l
'
<lf(x')(Y) ~ I: pdg,(x')(y) + L'idh(x')(y),
u;,. j=l
L "'dg,(x')(y) ~O,
E]'
(17}
(18)
En el ejemplo 9 (cf. p. 112) vimos que los puntos {2,-1) y (2/3, 1/3) son los
nicos de R 2 que e:s posble sean soluciones locales de este problema. EBtudiemotJ si
podemos util~ la condicin suficiente del teorema 3, o su anloga para problemas
d roinimiz8cin, para saber si son efeclivrunen.te !IOluciones l~ales.
Loo puntoo (2, -1) y (2/3, 1/3) ,.tWw:n lao partes (a) y (b) de la oondicin
suficiente, con los multiplicadores 8 y 8/3, respectivamente. Para examinar la
parte (e), debemoo estudiar la forma cuadrtica asociadllt a !G matriz hesaiana
en cada uno de estos puntos de la funcin r. conespondiente. Recordemos el
la.gr8Ilgiano del problema (R):
12 ) (19)
(4 o '
donde hes la funcin que define la restriccin: h(x, 11) = x+y-1. El conjunto F*
es el subespacio vectorial:
F" ~ {(u,o) E R' 1(1,1) (u, o)~ O}~ {(u,o) E R' l+v ~O};
CONDlCIONES SUACIENTES 127
o 1 1
1 12 4 =-4<0.
1 4 o
El punto (2, -1) es efectivamente una solucin local del problema (R); de hecho,
e11 un mnimo local de la funcin z3 + 4xy con ).a restriccin a; +y - 1 =O.
con lo que coincide con el ~rubespacio F' que se obtuvo para el punto (2, -1).
La forma. cuadrtica aSociada a la matriz anterior restringida a F" es definid&
negativa, pues:
o 1 1
1 4 4 = 4 >0.
1 4 o
El punto (2/3, 1/3) es e!octivamente una. solucin local del problema (R); en con-
creto, un mximo local. '
(0,0),
(-v'22 , -v'22)
128 COMPLEMENTOS DE OPTIMIZACIN
Estos tres puntos verifican los apartados (a) y (b) de la condicin suficiente dada
por el teorema 3, con Jos multiplicadores O, 1/2 y 1/2, respectivamente; examine-
mos la parte (e). Recordamos ellagrangiano del problema (P):
(-1 1)1 -1 .
p'dg(l2j2,12/2)(u,v) ~o,
o 1 1
1 -1 1 >o.
l 1 -1
El punto (-./2/2, -/2/2) es, pues, una solucin local del problema (P).
Con clculos similares se comprueba que el punto ( -.,/2/2, -..;2/2) tambin
es una solucin local del problema (P).
Finalmente, en el punto (D,O), de multiplicador J. =O, la matriz hessiana de
la funcin ; correspondiente es:
Nota. Como g(O,O) <O, si el punto (0,0) fuera solucin local de (P),
la funcin xy admitira en (0,0) un mximo local (sin restricciones), y la
INTRODUCCIN A LA PROGRAMACIN CONVEXA IZ9
(~ ~)'
y la forma. cuadrtica asociada a esta matriz es indefinida. El punto (0, O)
no puede ser, pues, solucin local de (P). ~
Por otro lado, y de acuerdo con lo obtenido en el ejemplo 12 (cf. p. 113), los
puntos
son h. nicos de R 2 que es posible aean mnimos locales de la funcin rey con
la restriccin x 2 + y 2 - 1 =O (recurdense tambin los multiplicadores: O, -1/2
y -1/2, respectivamente). Con clculos anlogos a los llevados a cabo en los p-
rrafos precedentes, se comprueba que los puntos ( ../2/2, -;,/2/2) y ( -./2/2, ./2/2)
son efectivamente mnimce lOClllez!. Y d punto (0,0), que no es mximo lOC3l
(como se comprob6 en la nota anterior), tampoco resulta ser mnimo locaL
p '
.C(z) ~ f(z)- L~jg;(z)- L~)h1 (z)
i=l J=l
son cncavas 5obre O, y por tanto ta.mbin la funcin L.; y al ser las funciones j,
9t, 92, .. 1 9p 1 h, h2, . . , hq diferenciables en todo punto del conjunto abierto O,
lo mismo acontece con la funcin L.. En conrecuencia, y dado que V .C(2:) =O,
la funci6n L admite un mximo global sobre O en :z: (c. corolario de la proposi-
cin 19 del captulo I, p. 34).
Por ser a:: un punto que satisface la:o restricciones de (P) y la condicin (Kl)
se tiene:
(20)
siendo A el conjunto factible del problema (P). Si a:: es un punto factible cualquiera
(en partiClllar: z E 0), como J:. admite en a:: un mximo global sobre O, se tie-
ne, L:(~) ,; L:(~'), y de (20) "d.duce' /(~) ,; L:(o) ,; L:(z') = /(<'). En
conclusin, f admite un mximo global sobre A eu a::, esto es: ;z: es solucin
global del problema (P). C.Q.D.
RESUMEN
Definiciones 1J notaciones
ConsideilJ.lDOS una. funcin D'l.Ullrica f Ue n variables, un subconjunto A
del conjunto de definicin de J, y un punto z* de A;
Mximo global sobre el conjunto A: f admite un mximo global
sobre A en z* si se verifica: Vw E A, f(w):::; /(~*).
Mnimo global sobre el conjunto A; f admite un mnimo global
sobre A en w si 11e verifica: Voo E A, f(x) 2: /(z).
Mximo local sobre el coQjunto A; f admite un mximo local
sobre A en ;:: si existe r > O tal que:
(P)
{maximizar !("')
xEA.
{minimizar
y
RESUME~ 133
{"'E O 1 g;(m) <;O para 1::; i :S p, hi(%) =O para 1::; j .:S q},
se escriben:
{ max.m""' !("')
(P) con las restricciones: g;(x) <;O paral;:=;i;::;p,
h;("') ~o para 1 ::; j .:S q,
y
{ mioimizar /(x)
(Q) con las restricciones: g,(.,) <; o pare. 1 ::; . ::; p,
h,(x) ~O para 1 ;:=; j $ q.
Condiciones necesara8
Consideramos el problema. de optimizacin (P) de los prrafos anterio-.
que depende de los parmetros #1-t. IJ2, ... , ,tp, >., >..2, .. , Aq.
Para el problema (Q) de minimizacin: si slo hay restricciones
de desigualdad, se tienen las mismas condiciones necesa.riM si hay
restricciones de desigualdad, 1M condiciones de mnimo difieren de las
de :mximo 80lamen'te en que se exige que l.oti multiplicadores asociados
a tales n:strcciones de desigualdad sean negativos o nulos.
Condiciones necesarias de FHITz....J OHN: Si z"' es una solucin
local de (P), y / y g, 92, ... , gp, ht, 1&2, , h11. son de clase C1
sobre su conjunto de definicin, entonces z" es un punto factible y
existen p + q + 1 nIIlero!3 JJO, 14, f'2, ... , ~. >..i, >..;, ... , );; tales
que:
F1) par& 1 :5 i S p, se tiene: JJi 2: O y f-4fli(m) =O;
n) f'O E {0,1};
F9}losp+q+l nmerosf!O, p, p~, ... ,I'P, Aj, A;, ... , >.qnoson
simultneamente nulas
F4} el punto,. es punto crftico de la funcin:
. ,
g(a:) ~ 1'0/(")- LPiY(")- Liljh(z).
i-1
.
i=l
Condiciones .uficienteB
Consideramos de nuevo el problema de optimizacin (P):
Si f YU1 , !12 , , f}p, h1, ha, .. , h, son de clase C2 sobre su conjWlto de
definicin, un punto z: es sohlci6n local de (P) si es factible, satisfa.oe
las condiciones de KUHN-TucK~ y la fornm. cuadrtica asociada ala
BTBIJOGRAF!A 135
BmLIOGRAFA
Matrices positivas
Mara ngeles A rndiga Bez
INTRODUCCIN
En Econom!a. 1 las matrices de coeficientes tcnicos (definido el consumo in-
termedio en un modelo de produccin) son matrices con trminos positivos
o nulos.
En este captulo, estudiaremos las nociones clsicas y sus propieda-
des (matrices productivas, conjnntos autnomos, productos fundamentales,
matrices indescomponibles). Estudiaremos tambin el teorema de FROBE-
NIUS.
Quienes necesiten repasar algn concepto o resultado pueden consultar
el manual lgebra IJneaJ..
Sobre este captulo, observamos lo siguiente:
Su contenido est dividido en siete secciones ms un apndice.
Como complemento necesario a los conocimientos tericos, ae incluye
un gran nmero de ejemplos en los que tales COllocimientos encuentran
aplicacin prctica.
Tambin se incluyen ejercicios que sirven de a.utocomproba.cin para
el alumno.
138 MATRICES POSTI1VAS
l. MATRICES POSITIVAS
Notacl6n. En este captulo, y siempre que no d lugar a confusin, escri.OOre.
moe: P = (p} para designar una matriz columna P, y 1 para designa:r la
matriz identidad, sin especificar el orden. 6
:E'
,.., ... ~.,.
que son positivos o nulos por serlo todos los trminos IJ y bi<J.
Nataci6n. En lo sucesivo eecribirelllCJE
1
ECifkb.t;. en vez de: Ea,tb~;;,
le 11=1
si no hay lugar a confusin.
'
MATRICES POSITIVAS 139 \
1 o o
o 1 o
E= o ,Bl= o , ... ,.E,n=
o
o o 1
A&~O paral:$i:$m.
DatKtSb'ac:iGn. La coodicia ea necesaria. Si supcwemos que A es positiva, en
tonces, como para cada 1 S i :S m la matriz & es positiva, AE4 resulta ser el
producto de doa matrices positivas, y por tanto poaitlva (cf. propiedad 2).
1m oondici6n u lmficillnt& Si suponei1108 que para cada 1 :::;; i :S m la JD&o
trlz A& es poei.tiva, entonceB A es positiva, pues:
a;>O.
No ocurre lo mismo con las matrices; esto es, si A es una matriz que verifica;
A;?:O y A;i=O,
A= G n
es positiva, no ea nula, y no es estrictamente pooitiva. A
Propiedades. Se verifica.:
1) Si A, By C son tres matrices reales del mismo Drden y o: es un nmero
real positivo, entonces:
donde todos 1015 trminO!! llik son positivos y todos los trminm ~j 110n poeitivos
o nulos. AseguramM que c01 es positivo si al menO& uno de los tkminoe biJj es no
nulo.
Ahora bien,Ia matriz Bes invertible, con lo que ninguna de sus columnas est
_formad.a enteramente por ceros es decir, en cada columna de B hay al menos un
trmino pO&itivo. En conclusi6n; ~J es positivo y le. matriz C = AB es estricta.-
mente positiva.
Si, en vez del producto AB, est definido el producto BA, el razonamiento es
completamente anlogo. C.Q.D.
o bien:
anx1 + +aXj + + GlnXn + Yt =X
llil:t'l + + at;X:J + + amxn + Yi = Xi
C&n1X1 ++a,...; :e; + + llnnXn + Yn = Xn,
y eacrito en forma matricial:
~:) (~).
au a, .. .
A=
(
1121
:
a..1
an .. .
Gn2
: ...
:
.
tlnn
,X-
- (::):
.
Xn
yY-
- ;
'Yn
.
El conjunto de los bienes que la industria j precisa como inputs ser. deno-
tado: D(j) es decir, el conjunto:
D(j) ={iES 1 a;; ;o' O}
es el conjunto de loe bienes que son directamente necesarios para la. produc-
cin del bien j.
1/2 o 1/16)
A=(;)= ( 1 1/2 O
o 1 1/2
la matriz de coeficientes tcncos de la estructura productiva.
Entonces, para producir una unidad del bien 1, la indUBtria. 1 utiliza au = 1/2
unidades del bien 1, a:u = 1 unidades del bien 2 y as1 = O unidades del bien 3;
por tanto, los inputs que la industria 1 necesita son el bien 1 y el bien 2:
D(1) = {1,2).
La industria 2 utiliza 1/2 unidades del bien 2 y 1 unidad del bien 3 para producir
una unid8d del bien 2, y por tanto:
Por ltimo, la industria a utiliza 1/16 unidades del bien 1 y 1/2 unidades del bien 3
para producir una unidad del bien 3:
D(3) ~ {1,3}.
Si, por ejemplo, esta estructura productiva produce 1 unidad del bien l, 3
unidades del bien 2 y 7 unidades del bien 3, entonces la matriz de produccin es:
X=AX+Y1 conX~O,
o bien:
Y.=
("')
112 =.(1/16)
Ya
1/2 ,
1/2
pues con la produccin:
se verifica:
En efecto:
o
1/20
1/16) (1) (1/16)
3+1/2.
1 1/2 7 1/2
En palabraB: si la estructura productiva produce 1 unidarl del bien 1, 3 del
bien 2 y 7 del bien 3, entonces consumir en el proceso de produccin 15/16
unidades del bien 1, 5/2 unidades del bien 2 y 13/2 unidades del bien 3, pudiendo
as atender la. demanda. de 1/16 unidades del bien 11 1/2 unidades del bien 2 y 1/2
unidades del bien 3.
(2)
Pero de (2) no podemos concluir que X 2:: O; sin embargo, si (1- A)- 1 es
una matriz positiva., como Y es positiva, el producto:
3. MATRICES PRODUCTIVAS
3.1. Definicin de matriz productiva. Ejemplos
A~ (0.5o 0.1D)
es productiva, pues, por cjcm}Jlo, la mat.riz columna:
verifica.:
EJEMPLO 4. La. matriz real:
1 D)
( 0 1/2
no es productiva.
En efecto: para qufl !'!P.;~, productiva debP-n existir dos nmeros reales x 1 > O
y :v2 > O tales que:
pero:
con lo que obtenelllOS una matriz columna que no puede ser estrictamente positiva.
En consecuencia, no es productiva la matriz:
(01 1/2D) .
MATRICES PRODUCTIVAS 147
es productiva.
En efecto, si tomamos d011 nmeros rea.Jes :z:-1 > O y :z:-z > O de forma que;
Xt > ax2,
entonces:
es productiva.
Un caso concreto: a= 2. Tomemos, por ejemplo,
X2=l y :&'=21+1=3>:~;2
se tiene:
(~ ~).
Obsrvese que en el caso particular de a= O obtenemos una matriz cero: O,
que es, por tanto, productivn.
1/2 o 1/16)
A= 1
( o
1/2 1/2o '
1
X- AX =
(31) - (1/20
7
1 11/2o 11/16)
O (1)3 (1/16)
/271/2
1/2 .
=
3.!. Canu:terizaci6n de la8 matrices productivas
El siguiente teorema, cuya demostracin puede encontrar el lector en el
apndice (cf. p. 174), caracteriza las matrices productivas.
EJEMPLO 7. Con la ayuda del teorema 1 es fcil comprobar que la matriz real
del ejemplo 4 (cf. p. 146):
no es productiva, En efecto:
A= (1/2 O)
1 1/2
es productiva.
MATRICES PRODUCITVAS 149
Se verifica:
A=
1/2
( 1 1/2 '
o)
EJEMPLO 9. La matriz de coeficientes tcnicos (cf. ejemp]o 6, p. 148):
1/2 o 1/16)
A=
( 1 1/2 O
o 1 1/2
1/2 o -1/16)
I-A= -1 1/2 O ,
( o -1 1/2
o -1/1D
I-A=(~~
p,_-~F,
F3+-F1+F, o -1/8)
1/2 1/2 -1/8
-1 1/2 G -1 1/2
F~.._2F)
o -1/8)
(~ o1 -1/41/4
F5+-Pa+Fo
Fs.... 4F3
F~+-F+(l/4)F~
o
(g o ~) =l,
F 1 - F1 +(1/8)F3
1
ISO MATRJCES POSrTIVAS
I- e
O o
1 o)
O
o o 1
F,+-:IF,
l"a+-~+Ft
n
(~
o
1
o
Gn
lio+-U't.
F.s+-Fa+Fi
o
2
2
F,+-4F"
Fs+-F~+(l/4)Fa
4 1 1/2)
( : - (I -A)-',
Ft+-F+(l/II)Fs
:a
y se veri.Sca que (J- A)-l;;:: O.
EJEMPLO 10. Veamor~ ai es productiva la matriz real:
A-e ~)-
Cakulamcs /-A:
(I -A)-'=(;:~ -~/2),
que no es positiva. Por el teorema 1 (cf. p. 148), A no es productiva.
se verifica.:
X ~ O y X = AX1 +Y.
CONJUNTOS AUTNOMOS 151
4. CONJUNTOS AUTNOMOS
4.1. Dejin.icidn de conjunto autnomo. Propiedad<~
S-T={l,2,4} y {aJiiES-T,jET}={at3,a2a,a.l3},
los conjuntos:
{1}, {2}, {1,2} y {1,2,3}
son autnomas:
S-{1}={2,3}yaz=a~t=0,
S-{2}={1,3}yal2=a32=0,
8-{1,2}={3} ya3t=a:n=O,
S= {1,2, 3} u autnomo por definicin.
Nota bene. En los ejemplos anteriores el conjunto S es el conjunto:
Ahora:
1} De (3) y (4) se deduce que paro. cada. j E Tn V (hay alguno por tratarse de
un conjunto no vaco) basta que i E S-To que i E S- V pare asegurar
=
que av O. En smbolos:
1 o o o 1 o
1 1 o 1 o o
A.=
o o 1 o 1 o
o 1 o 1 o 1
o oo o 1 o
1 o o o o 1
TnV={2,4}(queesnovacfo) y TUV={l,2,3,4,6}
D(j) = {i E S 1 a;# O)
D(j) ~ {i E S] a;;;' O}
j,
y "enlazarlo" oon todos los bienes i, distintos del propio bien j, del con-
junto D(j). Si fuera. D(j) = {j}. o D(j) = 0, no existira. ningn bien i con
estas caractersticas; el algoritmo terminara., y
. M(j) ~ {j}.
j-i.
Tras llevar a cabo este paso, hemos escrito el bien j y todos los bienes
del OODjunto D(j).
156 MATRICES POSITIVAS
EJEMPLO 15. Llevemos a cabo este primer paso en el clculo de M(3) para la
matriz del ejemplo 12 (cf. p. 152):
1/2 1/2
A.- o 1/2 o 1/2 o o)
- ( o 1/2 1/2 o .
1/2 o o 1/2
El conjunto de loo bienes directamente necesarios en la produccin del bien 3
EJEMPI.O 16. &gamos el primer Jl8(JQ ron el bien j = 1 pa.ra la m~riz del
ejemplo 11 (cC. p. 151):
1/2 1/3 1/4)
As=01/20.
( 1/2 1/4 1/4
El conjunto de loa bienes directamente necesw-05 en la. produccin del bien 1
o o
1 o 1 o
o
1 1 1 o o
o o 1 o 1 o
Ae = o 1
o 1 o 1
o o o o 1 o
1 o o o o 1
CONJUNTOS AUTNOMOS 157
Observamos que D(l) = {1 1 2, 6}, luego debemos enlazar el bien 1 con el bien 2
y con el bien 6 1 que son los bienes de D(l) distintos del bien 1; lo representalll06
as
1( 6,
y el primer paso del algoritmo ha concluido.
Segundo paso. Para cada tlllO de los bienes k escritos en el paso anterior
(salvo para. el bien j), llevamos a cabo lo siguiente: enlazamos k con todos
loe bienes que verifiquen:
a} i E D(k),
b} el bien i no ha. sido escrito todava en el desa.rrollo del algoritmo,
y continU&Ill08 de manera anloga con los nuevos bienes que se vayan escri-
biendo. El algoritmo termina cuando las restricciones anteriores: (a) y (b),
impidan continuar el proceso; entonces M(i) es el conjunto de todos los
bienes que han sido escritos.
Obsrvese que en este segundo paso escribimos los bienes que son indi-
rectamente necesarios en la produccin del bien j.
EJEMPLO 18. En el clculo de M(1) para la matriz~
1-3. (5)
Par&. continuar con el segundo paso del algoritmo, observamos que para el
bien k= 3 se verifica:
D(k) = D(3) = {1,3),
'
pero tanto el bien 1 como el bien 3 ya han sido escritos en (5), y por tanto no
podemoo encontrar ningn bien i que verifique Simultneamente las condiciones (a)
y (b).
El algoritmo termina, y el conjunto M(3) es el formado por los bienes escritos:
M(3) ~ {1,3).
158 MATRICES POSITIVAS
el clculo de M(l) noa haba llevado {d. ejemplo 17, p. 156) a.:
(6)
(7)
D(4) ~ {2,4),
y como el bien 2 y el bien 1 ya han sido escritos, no podemos enlazar el bien 6 con
ningn otro.
Al no poder continuar el proceso, el algoritmo termina. El conjunto formado
el bien 1 y los bienes qut: son, direc~ o indirectamente, rtecesarios para producir
el bien 1 es:
M(!)~ {1, 2, 4, 6),
ya que los bienes l, 2, 4 y 6 son !08 bienes que liemos escrito:
.
CONJUNTOS AUTNOMOS 159
Por comodidad, escribamos todos loo conjuntos D(j) {1::::; j :::; 6):
D(4) = {2,4},
y como el bien 2 ya. est escrito, concluimos:
M(2) = {2,4).
4-2,
<<:- 3,
y por tanto: M(5) = {1, 2, 3,4, 5,6}.
M(6): Se escribe:
D(j) ; T, (10)
es decir, los bienes que se escriben en el primer paso del algoritmo son ele-
mentos de T.
En el desarrollo del algoritmo, como partimos de un elemento: j, que por
hiptesis pertenece a T, todos los bienes que son enlazada!! con j -elementos
de DU)- son de T (cC. (10)). Con un razonamiento anlogo, y teniendo en
cuenta (9), comprobamos que todos loe bienes que se escriben en el desarrollo
del algoritmo para construir M(j) pertenecen a T.
En conclusin: M(J') ~ T. c.Q.D.
CONJU~~OSAUTN~O~M~O~S~----------------------------------~~~61
r : M()J. (ll)
Por otro lado, res un conjunto autnomo (cf. apartado (1) de la proposicin 4,
p. 152) al cual pertenece el bien j. Del apartado (2) de la propasici6n 5 obtenemos:
r 2M()). (12)
fE M(i) <;; T,
y en conclusin: f E T.
L8. condicin es guficiente. Si f pertenece a todos los conjuntos autnomos
para A, entonces verifica (13), pues para cada i E S el conjunto M(i) es autnomo
pma A (cf. propo5icin 5 1 p. 160), y en consecuencia f es producto fundamental.
C.Q.D.
lES-F y kEF.
3i E S, 1 ~ M(i),
ae verifica;
M(!)= {1,3}. M(2) = {1, 2, 3} y M(3) = {1, 3},
luego los nicos conjuntos autnomos son:
{1,3} y {1,2,3},
( o~ o~).
1
el dnico ooJnnto autnomo, como se comprueba fcilmente, es {1,2,3}, Y todos
los bienes son produetoa fundamentales.
5. MATRICES INDESCOMPONIBLES
P= 'YBP, {14)
Demostracin. Sea:
MATRICES INDESCOMPONIDLES 165
De (14) se deduce;
n
p;=O y P;>O,
y dA (16) deducimos:
es decir;
-yb,;p1 =o,
y como 'Y y P; son pMitivos; b,3 =O. El conjnnt.o '/'es, pues, autnomo.
Pero B es una matriz indescomponible, y el nico conjunto autnomo que
admite es S, es decir, T =S, o equivalentemente:
P<>O, I$i$n,
(17)
v:,~
P P~
.... ,P;;
Pn
166 MAl'RICES POSITIVAS
v. =Plo - J0-.1
"E'If
p,,
= Plll - 1tc P~: =o
e) V verifica. que V= 'YBV,
En ofecto (cf. (17) y (19))'
A~ ( 1/3 1
1/2 o)
representa una estructura productiva de subsistencia, pues para la matriz de pro-
duccin;
se verifica:
Si la matriz A no es productiva, entonces no necesariamente representa
una producci6n de subsistencia.
I-A=
-1
-1
( -1
-1
-1
-1
-1)o
-2 '
(I -A)X=O,
se verifica: AX = X.
La matrh A ES tambin indcscomponihlc, al ser estrictamente positiva, y por
tanto cualquier matriz que verifique:
(;). conA>O,
P= AtP y P >O.
o bien:
=
Pt auPt +02tP2. ( )
22
{ P2 = a12Pt + ll22P2
tal que:
P' =Atpt,
como Ates indescomponible (cr. corolario de la proposicin 7, p. 164), entonces
(cf. proposicin 9, p. 165) existe >O tal que P= P'. De esta forma, si fijamos
el precio de un bien (numerario), quedan unvocamente determinados b precios
de los dems bienes.
(I-A)x~o,
170 MATRICES POSITNAS
>..>o.
SabeliLCIS que existe una matriz de precios P, estrictamente positiva, para esta
estructura productiva, es decir, teJ que:
P=A'P.
Para encontrarla debemos resolver el sistema:
(I- A')P= O,
siendo P estrictamente positiva. Sus soluciones son las matrices columna de la
forma:
Fijado el precio del primer bien igual a 1, es decir, haciendo~= 1/3, obtenemos
la siguiente matriz de precios:
7. EL TEOREMA DE FROBENIUS
Vemos ahora el importante teorema de FROB~IUS. Dejamos su demostra-
cin para el apndice (cf. p. 178).
Teorema 2 (teorema de FROBENIUS). Sea B una matriz real positiva tal
que para algn nmero real f3 > Ola .matriz {3B no es productiva. Entonces
se verffica:
1) existe un nmero real & > O tal que o.B es productiva precisamente
si: O~ a<&;
2) existe una matriz columna P tal que:
P? O, Pf. O y P=&BP. (23)
EL TEOREMA DE FROBENIUS 171
Por otra parte, si P' es una matriz que verifica (2'), entonces (cf. proposi-
cin 9, p. 165} existe un nmero real positivo 6 tal que: P = P'.
Sea A = {Gii) una matriz productiva. e indescomponible, y por tanto At
es productiva e indesoomponible. En consecuencia., el nmero de FRDBE-
Nrus1 para At: &, es estrictamente m&yor que 1, y existe (cf. (2')) una
matriz oolumna P ~ {>.) tal que P > O Y'
(24)
Si ponemos:
= 1 +t,
la igualdad (24) ""escribe'
(l+f)A'P~P, (26)
o bien:
(1 + f)(au.Pt + a21p2 + + an.tPn) = PI!
y la tasa de ganancia de cada bien es superior a p.. Por tanto, f es una tasa
de ganancia mxima.
1/6 2/3)
A; ( 1/2 1/3
(26)
De (26) se deduce:
es decir:
o bien:
pz=~-~
{
(~-~)PJ=-~
Sustituyen pz en la segunda ecuacin por su vaWr obtenido en la primera, lle-
gamOB a:
es decir:
(+ 3)(5- 6) ~o
9&2 '
=
de 1o que se deduce que = 6/5 o _ -3, y por tanto (pue;; : > O) el nmero
de FROBENIUS de la UUI.I:.riz A' es = 6/5.
El precio del segundo bieu es:
8. APNDICE
8.1. Demo8tmci6n del teorema sobre matrices productivas
En este apartado demostramos la siguiente caracterizacin de las matrices
productivas:
Una. condicin necesaria y suficiente para que la. matriz: real A (cu
drada de orden n y positiva) sea productiva es que I- A sea fuvertible
y (1- A)- 1 positiva.
Demostracin de la condicin suficiente. Demostremos que si I - A es
invertible y (I- A)- 1 es positiva., entonces A es productiva.
Si U es la matriz columna de orden (n, 1) cuyos trminos son todos
iguales a 1, entonces la. matriz columna:
P= (I-At 1U (27)
P>AP. (28)
Se verifica:
1)Z -AZ.
En efecto: multiplicando la ecuaci6n de (a) por 'Pfl/Xr_, resulta:
P1c X= Pk AX =A(P
Zlc Zk Xk
x),
es decir: Z = AZ.
2) p- z "o.
Sea j e {1, 2, ... ,n}. Si zj ::5: O, entonces; z3 ::5: O< Pj Por el contrario,
si Zj > O, entonces:
- p, Pj
z;- -re;:$ -:r:; = Pi
:l:k Xj
... '
no es positiva (cf. proposici6n 1, p. 139).
APNDlCE 177
Y=Yi=(;) y X=Xt=(x;).
Entonces se verifica.:
.
Y>
Pk O
-<
~
y VJE {1, 2 , ... ,n,
} lli< O => Pk p;
-~-.
~
(33)
Se verifica:
1}P- V 2: O.
Seaj E {1,2, ... ,n}. Si y <0, entonces:
Pie p
Vj = -JJ:J :5 ....l.yJ = PJ,
11> y
Vj
.
=
-Yi :50<P:J
3} (I- A)(-V) 2: O.
En efecto, de (32) y de la definici6n de V se obtiene:
(1-A)(-V)~(I-A )(--Y
")
Yk
"'r
~--1-A)Y~--X"O,
Yk
Ylo
ra.que:
-->0 y x;::o .
De (31) y do! apartado 3, se W.duce: (I- A)(P- V)> O, o bien:
P-V> A(P-V).
De ser A 2: O y P- V 2: O (apadado 1) re tiene: P- V> A(P- V)" O,
de donde: P- V> O, en contradiccin con que P- V tiene al menos un
trmino nu1o (apartado 2).
En conclusin: (H') ee falsa; y (I- A)-1 2: O.
entonces:
y, en conclusin,
Proposicin 11. Si A y B son dos matrices positivas del mismo orden tales
que para algn nmero real o: > O se tiene que o:A < B, entonces existe
algn nmero rea1 d > o: tal que:
a' A< B.
B- o:A >O.
P>AP. (34)
Aplicando la proposicin 11 (cf. p. 179) a las matrices positivas P y AP,
y al nmero real > O, de (34) se obtendra la existencia de un nmero
real 1 tal que 1 > y 1 AP < P, y la matriz &1 A sera productiva. Es
decir; ' > y 1 E J, en contradlccin con la suposicin de que J es de
la forma [O, ].
F.:n c.onclusin: J es de la forma [O, ).
As, existe un nmero real > O tal que aA es productiva precisamente
si O ::::: a < .
APNDICE 181
o bien: U+ a:1 APt = Pt; como o: 1 AP1 es una matriz pOBitiva {apartado
anterior), resulta: U :5 P
n
3J EPi~ n.
i=l
En virtud del apartado anterior, cada sumando es mayor o igual que 1,
con lo que:
n
Definimos ahora:
1
"'1 -- Pl+Pi+
--,--,---.,..:'---,-;:
.. +pf
A partir del apartado 3 anterior, es obvio que O < )q :5 lfn.
30bsJ:vese que denotamos los trminos de P con superndices.
1
182 MAJRICES POSITIVAS
1 p;
x'-Ap'- p'-
I .
~- ~-p:+pj++pr ~-pf+p~++pr'
1
3) Xt- etAXt =A U.
De acuerdo con la definicin de X 1 y de .P, resulta:
1
0:2=0-2
APND~I~C~Ec______________________ 183
1
Ctm = & ~ -) con m E N, m 2: 1)
m
(sigue siendo un elemento de J) definimos un nmero real .\m y una matriz
columna Xm = x!n, que verifican:
1} O< Am ,S 1/n,
2)Vi,O<x!.,:s;I,
n
i=l
4) Xm- amAXm = AmU.
Tenemos, de esta forma, varias sucesiones de nmeros reales:
la sucesin (a:m)m?:l que converge a&;
la sucesin (Am.)m;::l la cual, por la propiedad 1 anterior, es acotada;
las sucesiones de las coordenadas:
Para acabar, debernos observar que hemos supuesto que Q > l. Real-
mente, esto no supone prdida de generalidad. En efecto, como > O,
existir un nmero natural m 1 tal que:
o< Htj
< 6.
. l
n,.., =o:-
m1 +m - l
cada O:m resulta as ser rm elemento de J. El resto de la demostracin sera
exactamente iguaL
RESCMF.N 185
RESUMEN
Matrices positivas
Consideramos matrices reales:
Matrices positivdS: todos sus tnnino::; .~on mayores o iguales que O.
Que la malriz A es positiva se denota: A;:::- O, o bien: O.::; A.
Dadas do..'l matrices A y B, A::; B significa: B- A 2 O.
Propiedades:
o la suma de dos matrices positivas es una matriz posi tiv;
o el producto de dos matrices positivas es rma matriz positiva;
o si A E Mnm(IR) y E1, Ez, .. , , F.im son las m matrices columna
de la matriz identidad Im, una rxmdicin necesaria y suficiente
para que A sea positiva es que AEi sr:a positiva para 1 .::; i .::; m.
Matrices estrictamente positivas: todos sus trminos son positi-
vos.
Que la matri,.; A es estrictamente positiva se denota: A> O,
o bien: O< A.
Dadas dos matrices A y B, A< B significa: B- A> O.
Propiedades:
o dado a> O, y dadas tres matrices A, By C:
Matrices productivas
Consideramos una matriz A cuadrada y positiva:
Que la matriz A es productiva significa: existe una matriz X colum-
na tal que X> O y X- AX >O.
Condicin necesaria y suficiente: A es productiva si y slo s ( I - A)
es invertible y (I- A)- 1 es positiva.
Propiedad: la traspuesta de una matriz productiva es tambin una
matri:.~ productiva.
Conjuntos aut6nomos
Consideramos nna matriz A cuadrada de orden n y positiva, y el con-
juntoS={1,2, ... ,n}:
Conjunto autnomo para la matriz A: T ~ S tal que: T = S, o
bien T e S y Vi E S- T, V j E T, aii = O.
Propiedad: la unin de conjuntos autnomos, y la interseccin si no
es vaca, es un conjunto autnomo.
Consideramos que A es la matriz de coeficientes tcnicos de una estructura
productiva:
Que Tes autnomo para A significa: no se necesitan los bienes de S-T
para producir los bienes de T.
RESUMEN 187
Matrices indescomponibles
Consideramos una matriz cuadrada de orden n y positiva:
Matriz indescomponible (o irreducible): si el nico conjunto au-
tnomo que admite es S= {1,2, ... ,n}.
Propiedades:
<> la traspuesta de una matriz indescomponible es indescomponible;
<> si Bes indescomponible y 'Y> O, de (P 2: O, P #-O y P = 7HP)
se deduce: P > O;
y de (P > 0 y P = "{BP) y (P 1 > 0 y P' = 'YBP') se deduce
que existe 8 > O tal que P = 8P1
El teorema de FROBENIUS
Dada una matriz B de coeficientes tcnicos, si existe fJ > O tal que fJB
no es productiva, entonces:
1) existe un nmero real > O tal que a:B es productiva precisa-
mente si O S cr < 6:;
2) existe una matriz columna P tal que:
P ?_ O, P # O y P ~ .BP.
A-
- (o -1)o '
1 e~
2/3 -1/2)
-1/3 3/2 ,
( 3/2 1/3
23 25 72)
D ~
(2 1 1
Solucin. Las matrices A y C no son positivas, pues alguno de sus
trminos es negativo; a fortiori tampoco son estrictamente positivas.
EJERCICIOS Y ACTIVIDADES RECOMENDADA,S~---- 189
Las matrices B 1 D y E son positivas, pues todos sus trminos son po-
sitivos o nulos; las matrices D y E son adems estrictamente positivas,
pues todos sus trminos son positivos (ninguno es nulo).
A~(", x-1)
x2 + 1 ;
estudiar tambin para qu valores es estrictamente positiva.
Solucin. Por delinicin, la matriz A es positiva si todos sus tr-
minos son mayores o iguales que O. La matriz A es, pues, positiva
precisamente si se verifican simultneamente:
X ;::: , X ~ 1 :;::: y x2 + 1 ;:::
(ntese que el trmino de posicin (2, 1) es positivo). La tercera desi-
gualdad se verifica cualquiera que sea el valor del parmetro real x; las
otras dos se verifican simultneamente si y slo si x es mayor o igual
que l. En consecuencia, la matriz A es positiva si y slo si x :;:=:: l.
Por otra parte, de acuerdo con la definicin, la matriz A es estric-
tamente positiva si todos sus trminos son mayores que O. La matriz A
es, pues, estrictamente positiva precisamente si se verifican simultnea-
mente: x > O, x~ 1 > Oy x 2 +1 > O, o, equivalentemente, precisamente
si x > L
3. Si A es una matriz positiva, y a y /3 son dos nmeros reales tales
que o: :::; /3, demostrar que o: A S /3A.
Solucin. Sea A = (a.;j). Por ser A positiva, cada trmino aij es
positivo o nulo, y como o: S (3, se verifica: (/3 ~ o:)aij :;::: O. Como los
trminos de la matriz {3A- o:A = ({3- a:)A son de la forma: (/3- o:)aij,
acabamos de demostrar que la matriz f3A- o: A es positiva, o lo que es
equivalente: o:A S /3A.
4. Sea A una matriz cuadrada de orden n ;:=:: 2, estrictamente positiva e
invertiblc. Demostrar que su inversa: A - 1 , no es una matriz positiva.
Solucin. Si A- 1 fuera positiva, entonces AA- 1 sera el producto
de una matriz estrictamente positiva: la A, y una matriz positiva e
invertible: la A- 1 ; y de la proposicin 2 {cf. p. 140) se deducira que la
matriz AA- 1 es estrictamente positiva. Pero AA- 1 =In, y la matriz
identidad In no es estrictamente positiva si n :;:=:: 2.
En conclusin, la matriz A- 1 no es positiva.
190 MATRICES POSITIVAS
1/~0) .
8/15 30/7
A= 2/75 2/7
(
1/25 4/7 1/2
EJFRCICIOS Y ACTIV1DADES RECOME~DADAS 191
X=
450)
( 6021
e) La matriz AX, producto de la matriz de coeficientes tcnicos y la
matriz de produccin, es nna rnatriz colunma cuyos trminos son
los cons1unos intermedios de los bienes:
8/15 30/7
AX ~ 2/75 2/7 2 ) (450)
1/20 21 (450)
21 ~
( 1/2 60 60
1/25 4/7
Y = X - AX =
450) (450)
( ~~ -
(o)
~~ = ~
Matrices productivas
es decir:
A~("
'
b)
d '
demostrar que una condicin necesana y suficiente para que A sea
productiva es que se verifique:
-b )
1- d .
Por otro lado) como se tiene: a < 1 y d < 1, los cuatro trminos
de (I- A)- 1 son no negativos (al ser A ;;:::: O); es decir, (I ~ At 1 es
positiva.
En segundo lugar, supongamos que la matriz:
(I-A)-'~((1-d)/.:l bj.:l )
c/A (1-a)/.:l
existe y es positiva. No puede ser a negativo. En efecto, se tiene:
{
b~O
A< O= y = A~(!- a)(!- d) <O
e= O
(1-a)/.:l <O
= {
a
(!- d)/.:l <o
(la primera implicacin se justifica de la siguiente manera: si b, o e,
fuese distinto de O) entonces (I- A)- 1 no sera positiva), y si fuera a
1
negativo, podramos deducir que la matriz (I- A)- no es positiva.
Por otro lado, no puede ser a nulo (de ser as, I - A no sera
invertible}.
En conclusin: 6 > O.
De ser 6 > O, se deduce que a # 1 y d # 1, ya que, en caso
contrario) tendramos que .. sera igual a -be, que es negativo.
Para finalizar, de:
se deduce:
1-a>O y 1-d>O.
Hemos probado, entonces, que una condicin necesaria y suficiente
para que I - A sea invertible y (I- A)- 1 sea positiva es:
8/15 30/7 2 )
A~ 2/75 2/7 1/20 .
( 1/25 4/7 1/2
7/15 -30/7 -2 )
I- A~ -2/75 5/7 -1/20 .
( -1/25 -4/7 1/2
Si en esta matriz efectuamos sucesivamente las transformaciones ele--
mentales4 siguientes:
obtenemos la matriz:
-30/7 -2 )
5/7 -1/20 '
o o
que es de rango igual a 2 y por tanto no es invertible. En conclusin,
la matriz A no es productiva.
X~AX+Y.
X = AX +Y con X 2: O,
o bien:
88/3 20/3
X~(!- A)-' Y~ 56/3 16/3 24) (3)
( 68/3 16/3 ~~ i (132)
~ ~~
196 MATRICES POSITIVAS
Conjuntos autnomos
u
jET
o
1~2)
1/2 1/2
A~ O 1/2 o
o 1/2 1/2 o '
( 1/2 o o 1/2
se pide:
a) escribir por extensin los conjuntos D(l), D(2), D(3) y D(4);
b} escribir por extensin los conjuntos M(l), M(2), M(3) y M(4);
e) escribir por extensin todos los conjuntos autnomos;
d) determinar qu bienes son productos fundamentales.
Solucin.
a) El conjunto D(l) es el de los bienes directamente necesarios para
la produccin del bien 1:
1-4-2-3.
198 MATRICES POSITIVAS
2<-4
(como D(2) = {1, 2, 3}, debemos enlazar el bien 2 con dos bienes:
ell y el 3; el propio 2 no se repite). Por tanto:
M(2) = {1,2,3,4).
Como D(3) = {3}, se tiene di'eclamenk M(3) = {3).
Por ltimo, aplicando el algoritmo para construir M(4) llega-
mos a la figura:
y M(4) = {1,2,3,4}.
e) De acuerdo con el ejercicio 11 (cf. p. 196), todo conjunto conjunto
autnomo para A es igual a alguna de las posibles uniones de los
conjuntos M(1), M(2), M(3) y M(4); eetas posibles uniones se
reducen a los conjuntos {3} y {1, 2, 3, 4}; estos dos conjuntos son,
pues, los nicos conjuntos autnomos para la matriz A.
d} De acuerdo con la definicin, un bien es producto fundamental
para A si pertenece a todos los conjuntos M{l), M(2), M(3)
y M(4); como la interseccin de estos cuatro conjuntos es igual
"'{3} n {1,2,3,4} = {3), el b;en 3 es el furico producto funda-
mental.
y fcilmente se obtiene:
14. Probar que para una matriz de coeficientes tcnicos con al menos dos
conjuntos autnomos existe algn bien que no es producto fundamen-
tal.
Soluci6n. Si S es el conjunto de todos los bienes (que por definicin
es autnomo para cualquier matriz) y T es otro conjunto autnomo
(en particular: T C S), los bienes de S - T no pertenecen a todos los
conjuntos autnomos, luego no son productos fundamentales (d. pro-
posicin 6, p. 161).
200 MATRICES POSITIVAS
Matrices indescomponibles
e
tcnicos:
e
a} A,~ O 1/2)
1/4 ' b} Az ~ 1/3
1/2
1/5
o
o +).
1 1/6 1/6 1/4 1/2)
(1/2
1/3 o 1/7 1/2)
o (1/2
1/2 1/3 1/7 3/4
o} A,~ 1/2 o o 3/4 ' d} A,~ 1/3 1/7 2/5 1/5 .
3/5 o 1/3 1/2 3/5 1/3 1/8 1/2
Solucin.
a) El conjunto formado por el bien 1: {1}, es autnomo para la
matriz A 1 , pues es nulo el trmino de posicin (2,1) (de he-
cho: M(l) = {1}). El conjunto de todos los bienes: {1,2}, no
es, pues, el nico conjunto autnomo para la matriz A1: sta no
es indescomponible.
b) Para la matriz A2, la aplicacin del algoritmo para determinar
los elementos de los conjuntos M(i), con i E {1, 2, 3}, permite
escribir:
2-1-3, 3-2--1,
3~~4,
de donde> M(1) ~ M(2) ~ M(3) ~ M(4) ~ {1, 2, 3, 1}, y el
nico conjunto autnomo es el de todos los bienes: {1, 2, 3, 4}. La
matriz A3 es, pues, indescomponible.
d} La matriz A4 es indescomponible por ser estrictamente positiva.
EJERCICIOS Y ACTIVIDADES RECOMENDA~D~A~S'__ _ __ 201
oo)
1 1 , b) Bz =
(313)
a 2 a .
2 3 2 1 1
Solucin.
a) Para ct,talquier a 2::: O, el conjunto {2, 3} es autnomo para lama-
triz Bt (adems del conjunto de todos los bienes). La matriz Bt
no es indescomponible, independientemente de que el parmetro
real a sea positivo o nulo.
b} Si a= O, se tiene:
8/15 30/7 2 )
A~ 2/75 2/7 1/20 .
( 1/25 4/7 1/2
450)
x~ ( ~
(1~) conAER
Si fijamos el precio de uno de los tres bienes (numerario), quedan
automticamente fijados los restantes precios; por ejemplo, toman-
do: PI = 11 los otros precios son: P2 = 10 y P3 = 5.
EJERCICIOS Y ACTMDADES RECOMENDADAS 203
El teorema de FROBENIUS
A~ (280/575 240/40) _
12/575 16/40
b) Se tiene:
295/575 -6)
I- A~ ( -12/575 3/5 '
y esta ltima matriz es invertible; su inversa es:
(1/)p ~ + (12/575)p,,
(280/575)p
{ (1/)p, ~ (240/40)p + (16/40)p,.
204 MATRICES POSITIVAS
& = 15/12.
La tasa de ganancia uniforme mxima: f, es tal que: 1 + f = &, y
por tanto:
15
f = - 1 = 0.25.
12
Podemos afirmar que la tasa de ganancia uniforme mxima es de
un 25%.
EJERCICIOS DE AUTOEVALUACIN
En las siguientes cuestiones, slo una de las cuatro opciones es correcta.
l. La matriz:
1/2 a )
( 1 1/3
es productiva para:
2/3 3 )
( o 1/4
NO es productiva para:
c~ 1~2):
4
real positiva
se verifica:
a) {3} es autnomo para A, b) {2,3} es autnomo para A,
la matriz A es
e ) indescomponible,
d) {1, 3} es autnomo para A.
1- a
A~ ( O
Respuestas correctas: la, 2b, 3c, 4b, 5c, 6b, 7a, 8d, 9c, lOb.
BIBLIOGRAFA
INTRODUCCIN
En el presente captulo se abordan algunos mtodos de resolucin de sis-
temas de ecuaciones recurrentes, as como nna serie de oondiciones de es-_
tabilidad que deben cl.Ullplir sus soluciones. Es importante resaltar que
estas condiciones son de aplicacin en los modelos econmicos en su triple
vertiente: como necesarias y suficientes, solamente como necesarias o sola-.
mente como suficientes.
Es conveniente destacar que, generalmente, estas ecuaciones denomi-
nadas recurrentes son la plasmacin matemtica de fenmenos dinmicos
que pueden explicarse, en su caso, por el comportamiento de alguno o al-
gunos estados anteriores en el tiempo.
Para una mejor comprensin del tema, y para no entrar en un mero
formulismo ms o menos mecnico, es importante el recordatorio previo de
alguno de los conceptos ya estudiados en otros cursos de la carrera y que
hacen referencia, fundamentalmente, a los siguientes:
1) Ecuaciones recurrentes de orden uno, y dentro de ellas las lineales,
que son de las pocas ecuaciones que pueden resolverse explcitamente
y cuya forma. general es del tipo:
para a12 #O
1 au
Zt+1 = -!1<+2- -Yt+l (4)
a12 a12
212 SISTEMAS DE ECUACIONES RECURRENTES DE PRIMER ORDEN
(5)
Para encontrar la solucin general de la ecuacin (5) buscamos solu-
ciones del tipo Yt = >._t, A i- O y tE N.
Sustituyendo en (5) este valor de Yt, y sus correspondientes iteraciones,
obtenemos:
equivalente a:
(6)
Si llamamos
obtenemos la ecuacin:
(7)
denominada ecuacin caracterstica de la ecuacin recurrente lineal (5),
cuyas soluciones son:
\ _a-v'a 2 +4b
'"'2- 2 .
Segn que el valor del discriminante !:l. = a 2 + 4b, sea mayor, igual o
menor que cero, los valores de >.i sern reales y distintos, iguales y reales o
complejos (conjugados}, respectivamente.
Veamos la solucin del sistema para cada uno de los casos citados.
1} Si a 2 + 4b >O, existen dos races reales, >.. 1 y >.2, distintas de cero y
la solucin general ser del tipo:
siendo:
1 _ >.2 - an f3
y {3 - . (10)
a12
1
Zt = -Yt+1-
a12
a uY t = 1- (0:
-
a12 a12
+ f3 (t + 1)) ), (<+1) -an
a-
u ( 0: + ,Bt ) ),.,
.,
- a11 rt(k 1 cos0t+k 2 sen8t) .
1Aplicando la frmula de DE MOIYRE: z' = r'(cos 9t+isen 9t), si z = r(cos 9+i sen 9).
SISTEMAS DE DOS ECUACIONES RECURRENTES 215
Recordando que:
au I=O,
l
au-A-
aat aa2- A
(20)
216 SISTEMAS DE ECUACIONES RECURRENTES DE PRIMER ORDEN
(ai 2), o:~ )) la solucin obtenida para).= >.2. Es decir, para>..= >.1
2
(24)
DI
de donde o: 2 = ~-a,, DI
y de la segunda ecuac16n: o: 2 - ' " " : -
a
a12 >.1 a22
Es decir,
Anlogamente,
a,(1) -_ -
..,au
- -.
~.=-,-, (25)
1.1.3. Ejemplos
..\=5v'24
2
La solucin general ser del tipo:
A.-au 3-2
donde a'= a= --a:= -a:,
a12 -1
P~a
Yo= 1, l=o:+f3,
Zo = 4, 4=a'=-a y /3=5,
por consiguiente la solucin ser:
a2>.t+1 = 3ar>.t.
SISTEMAS DE DOS ECUACIONES RECURRENTES 219
Yt-"-t= 3yt+Zt:,
Zt:+l = -2yt- Zt:,
siendo Y2 = 4 y z2 =-l.
Teniendo en cuenta las ecuac.:i.ones (6) o (21)
>.= 2~ = {1 =A 1 ,
2 1 = >..2,
la solucin general ser del tipo
Yt=-10+7t,
Zt = 27-14t.
220 SISTEMAS DE ECUACIONES RECURRENTES DE PRIMER ORDEN
>. 2 -2-/2>.+4 =o
-
-
2/2 v'8=T6 - 2/2 2/2i -
2 - 2 -
{12 + /2i,
v'2-/2i.
Bs decir:
Por (17)
yt = /-li Y zt = ;,2,
SISTEMAS DE DOS ECUACIONES RECURRENTES 221
donde JLt y J1.2 son constantes pertenecientes a lR, que hay que determinar.
Si JLt y JL2 son solucin particular del sistema, tendrn que verificar:
=
Recurdese que f.it ilt+t = Ji-t y it = Zi+t = Ji-2
Operando, obtenemos el siguiente sistema
( )(
an - 1 a22- 1 - a12a21 ) =
lan-1
a21
""1
a22- 1
< O.
(34)
donde Yt = (ylt, Y2t ... , Ynt) es el vector columna de una funcin desamo-
cicla de tiempo.
Las Yt+l estn definidas de la siguiente forma:
Yt+I = Ylt,
Ylt+l = Y'lt,
Y(n-2)t+1 = Y(n-l)t
Y(n-l)t+l = Ynt
La matriz cuadrada de los coeficientes, A, est. definida por:
au a2
A= an a:n a")
(~~ ~2 ""'"
y g(t) = (g(t),g2(t), ...
"
,9n(t)) es un vector columna de una funcin des-
conocida de tiempo.
(35)
(36)
(37)
(38)
IA-UI
=>.n-c1),n-1++Cr(-l)n+r>.r+ (39)
+ Cn-1( -lt+I >. + (-l)nCn =O,
donde
n
Ct = Laiii
i=l
c2 = suma de todos los menores complementarios de segundo orden de
la matriz A;
La solucin de la ecuacin (39) nos facilita las n races >., >.2, ... , >.n
de la ecuacin caracterstica de la matriz A.
A cada autovalor Aj le oorresponde un o:~j), donde i y j toman valores
de 1 a n, asociado a la ecuacin (38), de forma anloga a oomo se expres
en el caso de un sistema de dos ecuaciones oon dos incgnitas.
224 SIS"IEMAS DE ECUACIO\.IES RECURREI\TES DE PRIMER ORDE:-.1
Es decir:
A (2J,t A (n)
Ylt = A tO(t),t
"1 + 20 "'2 + + na >.,
A (2),t A (n) t
Y2t = A 10:2(1)-t
"'-I + 20:2 "'2 + + nO:z A ,
(40)
(41)
A=P- 1 AP o A=PAP- 1
donde
2.1.9. Ejemplo
Resolver el sistema:
A~ H!: D
Para d.iagonalizar la matriz A recordemos los siguientes pasos:
a) Clculo de la ecuacin caracterstica y de los valores propios. Es decir:
->. -1 3
IA->.Ij~ -3 2->. 3
1 -1 2->.
=->.3 +4>. 2 -A-6=0.
Los valores propios son >.1 = -1, >.2 = 2, >.3 = 3, y la matriz A adopta
la forma:
A~
-1 oo)
O 2 O .
( o o 3
Dado que los tres valores propios son todos reales y distintos la :ma--
triz A es d.iagonalizable 2.
b) Clculo de los vectores propios asociados a cada valor propio.
As: para.\ = -1
por lo que:
Yt =
("")
Y'lt
Y3t
= (~!
-1 8 27) ("!)
8
O 8 27
O a2
a3
.
(45)
CONCEPTOSPcReEcVI"'O"Sc_________________ 227
-----"--
Un+l = f(un), n E N
donde f es una funcin que toma valores reales en el dorn.inio D ~ lR.,
se dice que u E D es Wl punto de equilibrio, de la citada ecuacin
recurrente, si la situacin constantemente igual a u*, (1l*)nEN es solucin
de la misma.
En los sistemas dinmicos discretos, objeto del terna, consideraremos
lo..'l siguientes casos:
a) Sistemas homogneos, del tipo
x(k + 1) ~ Ax(k)"
X=AX.
02~2~8_ _ _ _ _ _~S=ISTEMAS DE ECUACIONES RECURRENTES DE PRIMER ORDEN
3.2. Estabidad
El concepto de estabilidad en los sistemas dinmicos est definido en rela-
cin al punto de equilibrio. Un punto de equilibrio X de un sistema lineal de
ecuaciones recurrentes es estable o asintticamente estable si para un
incremento de las condiciones iniciales la solucin correspondiente tiende
a X. En el caso de inestabilidad, el vector tiende a infinito.
As, si X es un pnnto de equilibrio de la ecuacin x(k + 1) = Ax(k) + b,
tenemos que x(k + 1)- X= Ax(k)- AX + b- b = A(x(k)- X).
La condicin de que x(k) tienda a X es similar a la que z(k) tienda a
cero, en el sistema z(k + 1) = Az(k).
Recurdese que en una ecuacin recurrente de orden uno del tipo
lln+l = f(u,.), n E N,
siendo f una funcin real con dominio D ~ JR, se llama conjunto de es-
tabilidad del punto de equilibrio u, al conjunto formado por los valores
iniciales de las sucesiones (u,.)nEN que son solucin de la ecuacin citada y
convergen a u.
En los sistemas dinmicos discretos, la condicin inicial de estabilidad
es que la matriz A, del sistema x(k + 1) = Ax(k), sea diagonalizable, es
decir:
A= MAM- 1 donde A=
'
An
donde ..\ son las races de la ecuacin caracterstica. Anloga conchu;in se
obtiene de los sistemas no. homogneos.
CONDICIONES DE ESTABIUDAD 229
4. CONDICIONES DE ESTABILIDAD
La estabilidad o inestabilidad en el tiempo de las soluciones del sistema {34)
depende, como se ha visto oon anterioridad, exclusivamente de los valores
de las races}, )2, ... , .\,obtenidas al resolver la ecuacin caracterstica,
sin necesidad de calcular los a.utovalores aY>. Sin embargo, el desarrollo
del determinante ea bastante laborioso si el nmero de variables es elevado,
por lo que se va. a exponer un mtodo para estudiar las condiciones de
estabilidad a partir de los coeficientes a; del sistema.
Recurdese que el estudio de la estabilidad de laa soluciones de un sis-
tema se centra en el anlisis de las condiciones que tienen que tener las
races de la ecuacin caracterstica., ya. sean reales o, complejas, para que
sean menores que la unidad en valor absoluto.
A continuacin enumeraremoa algunas de las condiciones de estabilidad:
1} Sea a;;:::: O (con al menos un coeficiente estrictamente positivo). En-
tonces las condicin necesaria. y suficiente de estabilidad es que los
menores complementarios de la matriz ji- Aj sean todos positivos,
es decir:
1- au
1- a11 >O,
1
-a21 -al2'
1-a22 >O '
1- au -a12 -a13
-a21 1- a22 -a2a >O, ... ,
-aa -a32 1- a33
1- au -al2 -aIn
-au 1-a22 -a:m
>0.
-a, -<>n> 1 -Bnn
2) Sea a; 2:: O.
La condicin necesaria y suficiente de estabilidad es que la ma-
triz ji- Aj tenga una diagonal dominante, es decir, que todos los coe-
ficientes de la diagonal principal sean positivos y existan n nmeros k,
i = 1, ... , n positivos tales que:
n
h;(l- a;;)> Eh;a;; (fila dominante)
,..
J=l
2, 3,0~_ _ _ _ _ _SISTEMAS DE E_C_V_A_C_IC?l\E_S_R_E_C_URRENTES DE PRIMER ORDEN
0
o
n
hi(l- ai) > Lhjaji (columna dominante)
j=l
;;ti
cuando a,j 2 O.
CONDICIONES DE ESTABILIDAD 231
L~i <n.
i=l
4.1. Ejemplo
Sea el sistema homogneo:
1
zt+l = 2Yt + Zt.
Veamos si cumple algunas de las condiciones de estabilidad:
Condicin 1:
Condicin necesaria y suficiente de estabilidad es que:
1-au>O y ~1-an
-a21
-a,
1- a22
1 >o.
En nuestro caso:
3
3 1
1-- -1 1
2
1-- = --2 <0 y = - - <0
2 1 2
1-1
2
232 SISTEMAS DE ECUACIONES RECURRENTES DE PRJMER ORDEN
En nuestro caso:
3 5
an + a22 = 2 + 1 = 2 > 2,
luego no se cumple la condicin de estabilidad.
Es conveniente que el alumno desarrolle, como ejemplo, el resto de las
condiciones.
Yt = o:A~ + ,BA~,
zt = aa' A~ + f.Jff A~,
donde
A2- a u
y (3' = .
""
Supongamos que IA1I < 1 y IA2I >l.
El procedimiento consiste en conocer las relaciones que los valores ini-
ciales deben satisfacer para que f3 = O.
Considerando en las frmulas (9) el valor de la posicin inicial, t = O,
obtenemos:
Yo= + (3,
Q
(47)
zo = O:Ct + (3(3'
1
5.3. Ejemplo
Sea el sistema homogneo expuesto en el apartado 4.1:
3
Yt+l = 2Yt + Zt,
1
Zt+l = 2Yt + zt,
234 SISTEMAS DE ECUACIONES RECURRENTES DE PRIMER ORDEN
1
que tiene por races >.1 = 2 y >.2 = 2.
La solucin del sistema ser de la forma:
Zt
(1)'
= aa:' 2 + f3{3'2t = -a: ; (1)' + 1 ;f32t,
siendo
,
a=
-a
=-
1 Y {3' = >..2- a u = ~.
a12 2
""
Considerando la posicin inicial del sistema obtenemos:
1AJ =a +{3,
de donde
yo+zo=O.
RESUMEN 235
RESUMEN
BIBLIOGRAFA
INTRODUCCIN
Cuando las funciones g1, . .. ,gn de (1) son iguales a cero el sistema
238 SISTEMAS DE ECUACIONES DIFERENCIALES Ll~EALES DE PRIMCR ORDEN
y~ (t) =
y~(t) = -3y1(t) + 2y2(t) +3y3(t)- sen t,
y~(t)= YI(t)-6y:(t)+2y3(t)+6,
y derivando, obtenemos:
1
z'(t) = - y''(t)- " 11 /(t), (5)
llt2 llt2
auy'( t )
-1y"( t ) - - = a2rY (t ) + -
a22y'(t ) - ana22
- - y ()
t ,
a12 a12 a12 a12
o lo que es lo mismo:
(7)
Denotemos por A1 y >.2 las races de la ecuacin anterior; estas races podrn
ser reales y distintas, iguales y reales o complejas (conjugadas). Pasemos a
calcular la solucin general del sistema (3) en funcin de los valores de las
races A y A2.
(8)
(9)
y agrupando trminos:
z (') = t- au >. t
cte 1
+ 2- au e2e >. 2 t (10)
a12 a12
De este modo, hemos obtenido con (8) y (10) la solucin general del
sistema homogneo (3).
es decir:
t
z () = [
(a22-an)c1+2c2
2a12
+ a22-a11
2
e2t
a12
l ,.,
e . (13)
De este modo, hemos obtenido con (11) y (13) la solucin general del
sistema homogneo (3).
242 SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES DE PRIMER ORDEN
i) Races complejas
Si las races son complejas, es decir: >.1 = a+ iO y >.2 = a - i8,
entonces:
(14)
de donde
1/(t) = ae'10t(c1 cos8t +e sen Ot) + eo:t( -8c1 sen 8t + 8c2 cos8t)
(15)
= eat[( oc + Ocz) cos Ot + (acz - Oct) sen Ot].
Sustituyendo (14) y (15) en {4), obtenemos:
""
-a u eo:t(c cos(}t + c2 sen Ot)
+ 012 '
y reordenando trminos:
z (t ) =e"'[(o- a11 )c
a12
+ Oc2 cosvt+
n (a- an)cz- Oc senut
a12
11 l .
(16)
De este modo, hemos obtenido con (14) y (16) la solucin general del
sistema homogneo (3).
1.1.2. Ejemplos
A continuacin se recogen varios ejemplos de resolucin de sistemas de
ecuaciones diferenciales homogneos mediante el mtodo de reduccin.
Sustituyendo ahora (18) y (19) en la segunda ecuacin del sistema (17), se tiene:
y sus races:
A1 = 3, >.2 = 2,
con lo que la solucin del sistema homogneo (17), de acuerdo con (8) y (10), es:
y(t)=c1e 3t+c2e 21 ,
3-2 3t 2-2
z(t) = ----=-lc1e 2t 3t
+ ---=-c2e =-e e ,
siendo c1 y c2 constantes reales arbitrarias.
EJEMPlO 3. Resolver el sistema homogneo:
y derivando, resulta:
Sustituyendo ahora (21) y {22) en la segunda ecuacin del sistema (20), se tiene:
y sus races:
>..t = >..2 = 1,
con lo que la solucin del sistema homogneo (20), de acuerdo con (11) y (13), es:
y derivando, resulta:
Sustituyendo ahora (25) y (26) en la segunda ecuacin del sistema (24), se tiene:
>.. 2 +9=0,
y sus races:
At = 3i, A2 = -3i,
con lo que la solucin del sistema homogneo (24), de acuerdo con (14) y (16), es:
de donde
eAt[(au- >.)vi+ a12v2] = 0>
(29)
e>.t[a21v1 + (a22- >.)v2] =O.
De este modo> las funciones que hemos considerado sern soluciones del
sistema homogneo (27) si y slo si:
V}= > V2 = 0,
que debemos excluir de acuerdo con las condiciones de partida. Como sabe-
mos, para encontrar las soluciones no triviales de un sistema homogneo
debe verificarse que su determinante asociad> sea igual a cero:
au->.
a21
a12
a22 - >.
I=O.
1
o lo que es lo mismo:
246 SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES DE PRIMER ORDEN
es decir:
(31)
(32)
con lo que
SISTEMAS DE ECUACIONES DlFERENCIALE.,Sc2cXc2~------ 247
dond4"1 las constantes arbitrarias c1 , cz, e~, c2 vienen dadas por las rela-
ciooes:
,, ).1 - O.n
,,
_!
,, ~
(39)
(40)
SISTEMAS DE ECUACIONJ::S DIFERENCIALES 2X2 249
(41)
y por tanto (37) coincide con (39). Por otro lado, de las igual-
dades (41) y (37), se infiere:
De este modo, hemos obtenido con ( 42) y ( 43) la solucin general del
sistema homogneo (27), soluciones similares como es lgico a (14)
y (16), las obtenidas con el primer mtodo de resolucin.
1.1.4. Ejemplos
A continuacin se recogen varios ejemplos de resolucin de sistemas de
ecuaciones diferenciales homogneos- mediante el mtodo directo.
>. 2 -4>.-12=0,
y sus races:
).1 = -2, ).2 = 6.
Al ser distintas, la solucin general del sistema (44) viene dada por:
y(t) = c1 e- 2 t +c2t,
z(t) = cie- 2
t + c~ 1
,
y'(t) ~ + a1 ,z(t) + b,
any(t)
(48)
z (t) = a21y(t) + a;nz(t) + b2,
1
y, z.
Como solucin particular intentamos:
con lo que:
(50)
SISTEMAS DE ECUACIONES DIFERENCIALES 2X2 253
A2 - 2>.. + 1 =0,
y(t) = (e + c2t)ee + 1,
z(t) =[(e - c2) + c2t] + 3,
con c 1 y c2 constantes reales arbitrarias.
Sustituyendo las condiciones iniciales en la solucin obtenida, resulta:
y(t) = (1 + 4t)et + 1,
z(t) = !-3 + 4tj + 3.
y, (t) a, g, (t)
Y2(t) au a, a,.)
a,. g,(t)
Y(t) ~
Yn(t)
A~
C' .
a., a.,
.
ann
, G(t) ~
g.(t)
~
-1
Y'(t) ~ : :) Y(t). (59)
( 3 -1
Comprobemoo que las siguientes matrices columna:
(60)
donde ao, a 11 ... ,a.. son constantes reales y g una funcin real de variable real,
puede ser reducida a la forma (58).
M.-2 =Yn.-1>
entonces 71~-l =y(", y por tanto la ecuacin (62) puede escribirse de la forma:
a..
!1. _,(t) ~ --y(t)- a...-1 a2 a1
-y,(t)- ... - - .. _,(t)- -y,_,(t)
g(t)
+- ,
" ao ao ao ao ao
con lo que obtenemos el sistema:
donde:
y o 1 o o o
o o 1 o o
Y(t) ~
"' A~ G(t) ~
Yn.-2 o o o 1 o
=<!& ~
-<>ft-2 .._
1/n.-1
""'"
~ ~
c.Q.D.
SISTEMA DJ:: ECUACIONES DIFERE:-.J:CIALES NXN 259
1
Y =Y1,
Yi = Y2,
-1
~) Y(t).
1
Y'(t) ~ ~ 2 (68)
( 3 -l
donde
Se verifica:
{70)
~
1
Y (t) = 21 1 Y(t),
")
( 3 -1
en notacin matricial:
En primer lugar, como la. matriz A del sistema es cuadrada de orden 3, debemos
buscar exactamente 3 soluciones linealmente independientes.
Consideremos las matrices columna:
-1 1
rango(Z1 (0) 1 Z2(0) 1 Za(O)) =rango ~ 4
(
3
entonces:
Zt (t), Z2(t), Za(t) son linealmente independientes,
y en consecuencia:
Nota bene. La solucin general del sistema (67) puede ser escrita en
trminos de una matriz fundamental llr{t), de la forma:
Y(t) ~ w(t)C,
donde Ces una matriz columna de orden (n, 1) cuyos trminos son constantes
reales arbitrarias:
e ~ (~.:)'
~ con e, ... ,o,. oon3tant" <eah
SISTEMA OC ECllACIONES DIFFREl\CJAl.ES NX,.V 265
~) Y(t).
-1 1
Y'(t) ~ : 2 (72)
( 3 -1
2.1.1.Mtodo de reducci6n
Consideremos el sistema homogneo:
Y'(t)~ (
2
: -1 :) Y(t). (74)
-1 -2 -1
En primer lugar, el sistema (71) se puede escribir de la forma:
con lo que:
y~(t)- 13y,(t)
()
y3t= , (78)
6
y derivando:
Sustituyendo ahora (76), (78) y (79) en la tercera ecuacin del sistema (75) obte-
nemos la ecuacin diferencial:
y sus races:
At =0, ..\.2 = 3, ..\a= -4,
con lo que la solucin general de la ecuacin diferencial (80) es:
(81)
2.1.2.Mtodo directo
ConsideremOB el sistema homogneo:
>.Ve'-t=AVe"',
es decir
(83)
donde
dt = 2:~= 1 au,
d2 =
suma de todos los menores complementarlos de segundo orden de la
matriz A,
L~ {V 1 AV ~>.v),
El siguiente resultado nos indica c6mo obtener la solucin general del sistema
homogneo (82) a partir de las n rafees >.1 , >.2, ... , >.,. de la ecuacin (84). Re-
cuerde que nuestro objetivo es encontrar un conjunto fundamental de soluciones.
SISTEMA DE ECUACIONES DIFERENCIALES NXN 269
~( ~) Y(t).
2
Y'(t) : -1 (85)
-1 -2 -1
1->. 2 1
6 -1-A o ~o
-1 -2 -1- A
y desarrol!ando el determinante, obtenemos:
-A 3 - A2 + 12A =O,
con lo que sus races son:
Al ser distintas, la solucin general del sistema (85) viene dada por:
2
-1- A, 1 )
O l'i=O, (o) con i E {1, 2, 3}. (87)
-2 -1- A, O
270 SISTEMAS DE ECUACIOI\ES DIFERENCIALES LII\EALES DE PRIMER ORDEN
~ ~~ ~) v, ~ (~)o '
( -1 -2 -1
y su solucin es:
v,~(~)~13
(88)
( ~~
-1
~: ~) VF (~) ,
-2 -4 o
y su solucin es:
(89)
y su solucin es:
(90)
Y'(t)~ ( ~
1
o :) Y(t). (91)
-1 -1 -3
Al ser distintas, la solucin general del sistema (91) viene dada por:
( -~,
-1
-A,
-1
:
-3-A,
) V,~ (~),
O
coo i E {1,2,3}. (93)
y su solucin es:
(94)
v,~ (~),
1
1- i :)
-1 -2-1 o
y su solucin es:
SISTEMA DE Ell.'AC!ONES DTFFRFJXCTALFS VX.\' 273
(95)
1
1-i
-1
y su solucin es:
(96)
(97)
~( ~
1
Y'(t) o :) Y(t). (98)
-1 -1 -3
De acuerdo con los resultados del ejemplo 18 (cf. pg. 271), tenamos como
races:
Ahora bien:
-oot ) ( _,.,, )
= -cost+sent e-'+i -cost-sent e-'.
( cost sen t
Y(t)=c1
(-1)
1
( -=t )
e-t+c 2 -cost+sent -~ot ) e-t,
e-'+cs ( -cost-sent
O cost sent
Y'(t) ~ H -2
-2
1 (lOO)
1- -2 2
-2 l- >. -2 =O,
2 -2 1- >.
276 SISTEMAS DE ECUACIONES DIFEREI\CIALES LINJ::ALES DE PRIMER ORDEN
-~ ) V~ (:)o
1-' -2
-2 1- ..\ (101)
(
2 -2 1- ..\
( -~
2 -Z
-~ -~) V~ (:) '
2 O
y su solucin es:
(k,,k,) E 1<'}.
Bn consecuencia: di m/, = Z. Al coincidir multiplicidad geomtrica y algc-
brica y ser iguales a 2, es posible encontrar dos vectores propios Vt y V2
asociados con el valor propio -1 linealmente independientes.
Tornando por ejemplo (k 1 , k 2 ) = ( 1,0) obtenemos V1 , y para (k, k 2 ) = (0, 1)
obtenemos V2, es decir:
(102)
y su solucin es:
Proposicin 8. Se verifica:
d
-eAt=-
dtdt
A t
23!
A t
n!
2 2
d [l+At+--+--++--+
A"t"
3 3
l
A3t2 A"t"-1
=A+A2 t+--+ .. +
2 (n 1)!
+ ...
At At
=A [l+At+--+--+
2 3!
2 2
A"t"
.. +--+
n!
..
3 3
l (106)
~) Y(t).
1 1
Y'(t) ~ O 1 (111)
(
o o 2
La ecuacin caracterstica es igual a:
1->. 1 o
o 1->. o =0,
o o 2->.
y desarrollando el determinante, obtenernm;:
~)v~(~)
1
1->. (112)
o 2- ..\ o
Para la raz..\= 1 el sistema (112) se transforma en:
y sn solucin es:
En consecuencia: di m L =l.
.SISTEMA DE ECUACIONES DIFERENCIALES /1/X,\' 281
En concreto:
obteniendo:
w, m ~" m'
~ = z,(t)
w,~ m=Z,(t)~e' m.
(113)
y su solucin es:
Bn consecuencia: dim [, = l.
282 SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES DE PRJMER ORDEN
(114)
G(t) ~ ~
B (:J, iendo b,, ... ,b. co~tantffi c~le.. (116)
Y.
Como solucin particular intentamos:
AY::::-B, (119}
con lo que:
donde nl, ... 'nm son matrices columna cuyos trminos son constantes 8
determinar y m la multiplicidad algebrica del valor propio >. = O. !':.
Y'(t) = -1 ) Y(t)
( 5 2
+ (-8)
3
. (120)
1
Para calcular una solucin particular del sistema anterior usamos el mtodo
de coeficientes indeterminados, es decir eilS8yamos como solucin:
Y---(~:)'
_"' con w1,w2 constantes a determinar. (121)
284 SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES DE PRJMER ORDEN
(122)
(123)
luego la solucin general del sistema homogneo (123) viene dada por:
(125)
de donde:
7
W E R, W2=W+2,
(127)
La solucin general del sistema (122) ser la suma de (125) y (127), es decir:
Finalmente, la determinacin de las constantes c 1 ,. , Cn que aparecen en la
solucin general del sistema de ecuaciones diferenciales requiere del conocimiento
de una !:erie de condiciones adicionales, las denominadas condiciones iniciales,
que indican el valor de la funcin Y del sistema en un determinado momento,
normalmente t =O (de ah el nombre de condiciones iniciales).
Y'(t) ~
1 o o)
-4 1 O Y(t), Y(O) ~ (-~ ) . (128)
(
3 6 2 -30
1->.
-4 1->.
o oo ) (o)o . v~ (129)
( 3 6 2-..\ o
Para la raz ..\ = 1 el sistema {129) se transforma en:
y su solucin es:
En consecuencia: di m L = l.
Nota bene. Solamente es posible elegir un nico vector propio V
linealmente independiente asociado al valor propio 1, precisamente:
=
Al no coincidir multiplicidad algebrica (m== 2) y geomtrica (di m L 1),
nos guiamos de la proposici6n 10 (cf. pg. 279) para encontrar las soluciones
(130)
y su solucin es:
En consecuencia: di m L == l.
Tomando por ejemplo k= 1, conseguimos el vector propio:
(131)
(
-: ) ~ ,, ( ~) +e, (-:;~ ++o,(~) '
)
-30 -6 -33/4 1
de donde:
3. PROBLEMAS PROPUESTOS
l. Encuentre la solucin general de los siguientes sistemas de ecuaciones dife-
renciales homogneos 2x2:
) Y'(t) ~ (:
-1 4)
2 -1 Y(t).
1 -1
b) Y'(t) ~ (12 o
1 -2") Y(t).
3 2 1
~
2
e) Y'(t) ~ ("1 O
1 )1) Y(t). d) Y'(t) (: 1 _:) Y(t).
1 1 o o
SOLUCIN DE LOS PROBLEMAS PROPUESTOS 289
y'(t)
a) z'(t)
~
~
-2y(t) +z(t),
-5y(t) +4z(t),
Y'(t) ~ ( ~ ~ -~) Y(t),
b) -1 2 4
y(O) ~ 1, z(O) ~ 3.
y,(O) ~ 7,y,(O) ~ 5,y,(O) ~ 5.
e)
Y(t) = -!t- ~. d)
y(t) = -llt- 15,
z(t) =-~t. z(t) = -11!- 10.
5. APNDICE: ESTABILIDAD
1/110
~/10
1 1
i" o,
1
y2
J
2
1
-2 -1 -1 1
_,
FIGURA 1. La solucin equilibrio del sistema (133) es inestable.
-2
Y'(t) = l (134)
(
-2 11
1 -2 #O,
1
y por tanto, la nica solucin de equilibrio del sistema es:
RESUMEN
En este captulo nos hemos centrado en la resolucin de sistemas de ecua-
ciones diferenciales lineales de primer orden con coeficientes constantes:
',('))
(
Z2(t)
Z(t) ~ . ,
,,(t)
(138)
expandiendo el determinante anterior obtenemos un polinomio en ) de or-
den n, y la ecuacin resultante se denomina: ecuacin carocteristica de la
matriz A.
En concreto:
Z 1 (t} = eAtW, (A- M)W, ~ 0,
Z 2 (t) = eM(W2 + tW1], (A- >.I)W2 = Wt,
BIBLIOGRAFA