Professional Documents
Culture Documents
經濟數學(網路資料)
經濟數學(網路資料)
謝賢老師編授
壹、 矩陣與行列式
◎定義: n m 階矩陣為一包括 n 列和 m 行的數字的方形排列,若以 A 代表
此矩陣,則
例:
2 0 1
3 2
1
1 1 1 3
A ,B
1 2 3 3 1 1 1
1 3 5
分別為 4 3 和 2 4 矩陣
A (aij ) nm
2 1 2 1
例: A 3 2 , B 2
5
1 1 1 3
2 2 1 1 0 2
則 A B 3 2 2 5 5 7
1 1 1 3 2 2
10 5 2 1 12 4
5 A B 5 A ( 1) B 15 10 2 5 13 5
5 5 1 3 4 8
1
2 1 2 1 4 2 2 1
A A 3 2 3 2 6 4 2 3 2 2 A
1 1 1 1 2 2 1 1
乘積 AB 為 n k 矩陣 C
1 0 0
0 1 2
例: A , B 2 1 1 求 AB 及 BA
2 0 1
0 3 1
1 0 0
0 12 2 1 1
AB
2 01
0 3 1
1 1 1 X 1 5
例:解下列聯立方程式: 1 2 1 X 2 2
2 1 3 X 3 0
2
5 1 1
2 2 1
X1 X 2 X 3 5
0 1 3 43
X1 2X 2 X 3 2 X 1*
2 X X 3 X 0 1 1 1 9
1 2 3
1 2 1 9
2 1 3
1 5 1
1 2 1
2 0 3 23
X 2*
9 9
1 1 5
1 2 2
2 1 0 21
X 3*
9 9 1
貳、微分
◎ 微分公式: Y f ( X )
Y f ( X X ) f ( x ) dY
f ( X ) lim
X X 0 X dX
2Y d 2Y
f ( X )
X 2 dX 2
◎ 若 f ( X ) X n , X R f ( X ) nX n1 , X R
◎ 設 f ( X ) 與 g ( X ) 皆存在:
d
f ( X ) g ( X ) df ( X ) dg ( X )
dX dX dX
d
f ( X ) g ( X ) f ( X ) dg ( X ) g ( X ) df ( X ) 乘法公式
dX dX dX
d f ( X ) f ( X ) g ( X ) f ( X ) g ( X )
, g ( X ) 0 除法公式
dX g ( X ) g( X )2
◎ 鏈鎖律(chain rule):
d
設函數 f 與 g 皆可微分 f ( g ( X )) f ( g ( X )) g ( X )
dX
◎ 反函數 (inverse function):
設函數 f 與 g 滿足 f(g(Y))=Y 函數 g 為 f 之反函數
g(f(X)=X 且 g=f 1
f ( f 1 (Y )) Y
1
f ( f ( X )) X
3
y
◎ 偏微分: y f ( X 1 , X 2 ) f1 ( X 1 , X 2 )
X 1
y
y f ( X1, X 2 ) f2 ( X1, X 2 )
X 2
d
例: 3 X 2 2Y 6 X
dX
◎ 全微分: y f ( X 1 , X 2 )
y y
dy dX 1 dX 2
X 1 X 2
例: TE=P Q
dTE dP 2 dQ P
◎ 自然對數(e)與自然指數(ln):
y ex
1
lnx
1 x
d X
(2) e eX
dX
d
(3)設 f 存在 (e f ( X ) ) e f ( X ) f ( X )
dX
(4) e X Y e X eY , X , Y R
1
(5) e X
eX
d 1
(6) ln X , X 0
dX X
4
d 1
(7) n X , X 0
dx X
d f ( X
(8) n f (X )
dX f (X )
(9) ln X Y ln X ln Y
X
(10) ln ln X ln Y
Y
(11) ln X Y Y ln X
(12) e ln X X 且 ln e X X
(13) Y X e X lnY
◎ 切線與射線:
y
y=f(x) 給定切線上任一點(X, Y)
y f (X0)
f ( X )
X X0
y0
(x0,y0) 射線角度值 tan
α X0
◎函數的高階導數:
d 2Y d dY d 3 y d d 2Y
、
dX 2 dX dX dX 3 dX dX 2
f ( X ) f ( X 0 ) f ( X 0 X ) f ( X 0 )
f ( X 0 ) lim lim
X X0 X X0 X 0 0 X
◎函數的臨界點及反曲點:
) f ( X 0 ) 0(或f ( X 0 )不有在 ,
(一) 若 X 0 Df (函數定義域 , )
則 X X 0 為函數 f 之臨界點
(二)
Y
f/(x)>0 函數 f 在 a, b為嚴格遞增
X 1 X 2 則f ( X 1 ) f ( X 2 )
f(x2)
f(x1)
a X1 X2 b X
5
函數 f 在 a, b為嚴格遞減
Y
X 1 X 2 則f ( X 1 ) f ( X 2 )
/
f (x)<0
f(x1)
f(x2)
a X1 X2 b X
(三)
Y Y
上凹 上凹 f/(x)<0
concave upward f//(x)>0
f/(x)>0
f//(x)<0
X X
Y concave downward Y
f/(x)<0
f//(x)<0
下凹 f/(x)>0
f//(x)<0
X X
下凹
上凹 反曲點 上凹
(inflection point)
0 C x
6
f ( X ) 0 X a, b 函數f在 a, b為下凹
故 f 函數遞增遞減性, f 函數凹性
f - + f(C)為局部極小值
f + - f(C)為局部極大值
f - -
f + + f(C)為非局部極值
y
f(C1)
f(C2)
C1 C2 x
局部 局部
最大值 最小值
第二導數檢驗定理: f (C ) 0
f (C ) 0 f (C ) 為局部極小值
f (C ) 0 f (C ) 為局部極大值
f (C ) 0 本定理失敗
參、積分
(一) 不定積分(Indefinite integral)
: f ( X )dX 而 F ( X ) f ( X ) f為 F 之導函數、F 為 f 之
d
dX
f ( X )dX f ( X )
d
dX f ( X )dX f ( X ) C
1
◎ X dX n X C
f(x)
b
a f ( x) dx
a b x
C dX C (b a )
b
◎ 性質: a
C f ( X )dX C ba f ( X )dX
b
a
b
a f ( X )dX ca f ( X )dX bc f ( X )dX , C a, b
f ( X )dX ba f ( X )dX
b
a
設f ( X ) 0 ba f ( X )dX 0
8
肆、齊次函數與尤拉定理
(一) n 階齊次函數 (homogeneous function of degree n)
◎ 定義: y f ( X1, X 2 )
若 f (X 1 , X 2 ) n f ( X 1 , X 2 ), 0
則稱 y f ( X 1 , X 2 ) 為n 階齊次函數
(二) 尤拉定理 (Euler Theorem)
◎定義:若 y f ( X 1 , X 2 ) 為H .O.D.n
f f
則 ny X1 X2
X 1 X 2
◎ 証明: f (X 1 , X 2 ) n f ( X 1 , X 2 )
f X 1 f X 2
對入微分: nn1 f ( X 1 , X 2 )
X 1 X 2
f f
令 1: X1 X 2 n : f ( X1, X 2 )
X 1 X 2
(三) 齊序函數 (同位函數) (homothetic function)
◎ 定義: (一階齊次函數的正單調上升轉換稱之)
df
若 g ( X 1 , X 2 ) 為 H.O.D 1 且 f 0
dg
則y f ( g ( x1 , x2 )) h( X 1 , X 2 ) 稱之。
例: 若有齊次偏好,所得 1000 元,買 40 本書,60 張 CD, 當
所得為 1500 時,而書,CD 價格不變,會買 60 本書,
90 張 CD
CD
I.C.C.
90
60
I=1000 I=1500
40 60 book
伍、古典規劃分析:最適化(Optimization)
(一) 未受限制下的極大與極小
◎ 單變數函數(X)
1. 極大: Max y f (X )
9
dy f ( X )dX 0 F .O.C.
dY X 1* 由F .O.C.求得 2個解
f ( X ) 0 *
dX X 2 由S.O.C.判斷選一個
d 2Y 0 S.O.C.
d 2Y
d Y f ( X )dX 0 f ( X 1 ) 0 X 1 MaxY
2 2 *
2
dX
F .O.C. f ( X ) 0
2. 極小: Min y f (X )
S .O.C. f ( X ) 0
(二) 多變數函數( X 1 , X 2 )
1. Max Y f ( X 1 , X 2 )
( Min )
F .O.C. dY 0
f1 ( X 1 , X 2 )dX 1 f ( X 1 , X 2 )dX 2 0
Y
X 0 f1 ( X 1 , X 2 ) 0 X 1*
Y
1
0 f2 ( X1, X 2 ) 0 X 2*
X 2
S.O.C.
◎ 有限制條件下之極值分析:
M a x y f ( X 1 , X 2 ) L a g r a n g em e t h o d
( Min )
S .t. g ( X 1 , X 2 ) C
S t e1p: M a x L( X 1 , X 2 , ) f ( X 1 , X 2 ) g ( X 1 , X 2 ) C
S t e 2p : F .O.C.
L
0 f1 ( X 1 , X 2 ) g1 ( X 1 , X 2 ) 0 X 1*
X 1
L
0 f 2 ( X 1 , X 2 ) g 2 ( X 1 , X 2 ) 0 X 2*
X 2
10
L
0 g ( X 1 , X 2 ) C 0 *
S t e 3p: S.O.C. d 2 L 0 Boarder Hessian Matrix
正負相間(Max)
全為正 (Min)
陸、古典規劃分析應用:
Optimization
(1) max (Q) PQ C(Q)
Q
(2) min C=W L r k
L, K 3 個主要
問題類型
s.t.Q F ( K , L)
g ( x) 0, x 0 s.t px x p y y I
11
(1) the objective function is “ continuous”
(2) the feasible set is “nonempty, close and bounded”
(2) Local and Global Optima
Global Solution : f ( x * ) f ( x ), x S
Local Solution : f ( x ** ) f ( x ), x Be( x ** )
f / x1 f1
F.O.C f : Gradient vector of f
f / x2 f 2
f ......... f1n f
S.O.C H 11 Hessian of f f ij i
fn1........ f nn x j
12
now, max f( x1 , x2 ) F .O.C f
x1 0
x1 , x2 f 0
x2
S.O.C 2 f 0 f11 0
x12
(負定)
2 f 0
x22
2 f
( f 2 f
2 f f12
) ( 2) ( ) 即 11 0
x1
2
x2 x1x2 f 21 f 22
a a1n
A 11
a n1 a nn
symmetric: aij a ji
a ............a1n X 1
X A X=( X 1 ........ X m ) 11
an1 ..............ann X m
n n
= aij xi x j
i 1 j t
a a x
X AX ( X 1 X 2 ) 11 12 1
a21 a22 x2
13
= a11x12 2a12 x1 x2 a22 x22
a12 a12 a2 2
= a11( x12 2 x1 x2 122 X 22 ) ( 12
2
X 2 a22 X 22 )
a11 a11 a11
a11 a12
a a a 22 2
= a11 ( x1 12 x2 ) 2 21 X2
a11 a11
-Negative definite
a11 a12
a11 0 and 0
a 21 a 22
- Positive definite:
a11 a12
a11 0 and 0
a 21 a 22
續 Hessian;
General Case
a11 a12
Negative definite: a11 0 0
a 21 a 22
a ni ... a nn
a11 a12
Positive definite: a11 0 0
a 21 a 22
14
a11 .... a1n
MIN…… ... ... ... 0
a n1 ... a nn
f
f
f ( x ) X 1 1
F.O.C Df .... ... ..... Gradient Veotor
x f
X n f n
F .O.C Df 0
Necessary conditions S .O.C H is negative semidefini te
positive
d
F.O.C 0 P MC
dp
d 2 d 2C
S.O.C 0 0
dq 2 dq 2
max ( x) pf ( x) w x
*
2.
q
f
F.O.C 0 p* Wi 0
xi Xi
VMPi Wi
15
S.O.C H is negative definite f is concave.
II. The Constrained Case
f ( x)
max
x
g
s.t g( x ) =b Xi dxi 0.....在有限制下,求最大點
Lagrangian Function:
m a xL ( x, ) f ( x) ( g ( x) b)
g ( x )
, x constraint gualification: U
xi
L f ( x ) g
0 I 1,2, , , n 0
Xi Xi Xi
g
f ( xi )
F.O.C xi
f ( xj ) g
xj
L
b g ( x) 0
d 2 L( x )
D 2 L( x )
d x2
S.O.C (d x)T D 2 L( x)(dx) 0
d x s.t. Dg( x )d x 0 全微分
◎ Bordered Hessian
1
... ... ... ...
2
L 2L 2L
...
xn xn xi xn2
(min)
S.O.C. for max
16
The naturally ordered principled mincrs of the bordered
(all be negative) guaslconcave
Hessianmatrix alternate in sign, the sign of the first being positive
i.e
0 g1 g2 g3
0 g1 g2 g1 L 2
2
L
2
L
2
Lagrangian funotion: L( x, ) w x ( f ( x ) g )
*
max
x
f
L * * f ( x * )
xi MRTS
wi
F.O.C. ( x , ) wi 0 I 1,2,...n
xi xi wj f
xj
L * *
( x , ) g f ( x) 0
◎ Nonlinear Programming
Max f( x ) inequality constraint
x
s. f . g (x ) b g ( x) 0
x 0 x0
f ( x )
*
F.O.C *
X * 0
xi
i
X i* 0
17
f ( x 2 )
0
xi
Max f(x)
x
s.l
Langrangian Function:
n
L( x, ) f ( x ) i g (ix )
i 1
Max f ( X1, , , X n )
x1... xn
Ex s.t. g ( x) b
x1 0, x2 0,....... xu 0
L( x1 , x2 , , , xn , , u1 , u2 , , , un )
= f ( x) g ( x) b) u1 x1 u2 x2 ... un xn )
F.O.C
L f g
u1 0
x1 x1 x1
L f g
u2 0
xn xn xn
L
* * 0, 0
L
u1 x1 0, u1 0, x1 0 因有 ineguediy,
u1
…. 所以要多考慮這些可能
L
un x n 0, un 0, xn 0
un
ex
“☆” min w1 x1 w2 x2
s.t x1 x2 y
x1 0 x2 0
L( X 1 , X 2 , , M 1 , M 2 ) w1 x1 w2 x2 ( x1 x2 y ) M 1 X 1 M 2 X 2
18
L
X w1 M 1 0...........(1)
1
L w2 M 2 0.....( 2)
F.O.C X 2 檢查這些條件是否都符合
L
( x1 x2 y ) 0.....(3)
M 1 X 1 0, M 2 X 20
∥ ∥
四 L L
種 1 0 2 0
U1 U 2
可
能 限制式中 X 1 0, X 2 0 共有四種組合
情 Case 1 X 1 0, X 2 0 y 0 ( 2 , x2 0 代入 (2) 式)
況
Case 2 X 1 0, X 2 0, step2 2 0, W2 0 W2
( 1 , x1 0, 代入(1)式 )
step2 x2 y, w1 1 W1 1
0
W1 W2 ..... 用第 2 種生產要素
Case 3 X 1 0, X 2 0, W2 W1.... 用第 1 種生產要素
Case 4 X 1 0, X 2 0, 1 2 0 W1 W2
Ex C(W1 , W2 , y ) minW1 y, W2 y
C W1 y W2 y if W1 W2
C W2 y W1 y W1 W2
C W y W y W1 W2
1 2
Kuhn-Tucker Formulation
m a x f (X ) m i nf ( X )
s.t g( X ) 0 s.t. g ( X ) 0
L( X , ) f ( X ) ( g ( X b))
Kuhn-Tucker Conditions
L L
X 0( m a x()Xm,1i n) 0, X i X 0
i i
L L
0, i 0, 0
i 1
m i n W1 X 1 W2 X 2
19
x1 , x2
s.t. X1 X 2 y
X 1 0, X 2 0
L W1 X 1 W2 X 2 ( X 1 X 2 y )
(K-T conditions):
L L
W1 0, X 1 0, X 1 0
X 1 X 1
L L
W2 0, X 2 0, X 2 0
X 2 X 2
L L
X1 X 2 Y 0 0 0
Utility Maximization Problem
max u(x, y)
x, y
s.t PX x Py y I
x 0, y 0 x 0, y 0
Comparative Statics
Implicit Functions
Implicit Functions Theorem
f11 f n1
0 X j = h i ( ...... m )
*
If D=
f1n f nn
xi *
* 0即X i*受1 .....am 之影響為正或負
aj
20
f11 ........... f n1 dx1 ( f n11d1 ...... f n1m d m ) f n11 ... f n1m d1
n
f ........ f n dx ( f n da ..... f n d ) f n .... f n d
1 n n n 1 1 nm m n 1 n m m
∥ ∥ ∥ ∥
D dxi Dij d j
<Cramer's Rule>
(無限制式) ex max P. f ( X 1 , X 2 ) W1 X 1 W2 X 2
F.O.C
pf1 w1 0
x1
1
1 pf1 w1 0
x1
Totally differentiate F.O.C with respect to W1 :
f1 x * f x2*
P x
w1
P 1
x2
w1
1 0
1
P 2f x *
f x *
1 P 2 2 1 0
x1 w1 x2 w1
x1* x2*
pf11 w pf12 w 1
1 1
x *
x *
pf 21 1 pf 22 2 0
w1 w1
x1* 1
Pf Pf 12 w1
11
Pf 21 Pf 22 x2*
w1 0
By Cramer's Rule
1 pf12
x1
*
0 pf 22 f 22
0
w1 pf11 pf12 p( f11 f 22 f122 )
pf 21 pf 22
pf11 1
x *
pf12 0 f 21
2
0
w1 pf11 pf12 p( f11 f 22 f122 )
pf 21 pf 22
21
x2* f11
同理 0
w2 p( f11 f 22 f122 )
x1* f12
sign( f 12) 0
w2 p( f11 f 22 f122 )
(有限制式)
max pf ( X 1 X 2 ) W1 X 1
x1 x2
X 2 X 2
s.t.
L P ( X 1 X 2 ) W1 X 1 ( X X 2 )
F.O.C
L
pf1 w1 0
X 1 X 1 X 1 (W1 , P1 X 2 )
* 0
L
pf 2 0 X 2 X 2 (W1 P1 X 2 )
* 0
X 2
L
X 02 X 2 0 * (W1 , P1 X 20 )
S.O.C L L
X 1 X 2
0 g g
x1 x2
H g L
x1 x 2 X 12 X 1X 2
g x2 2
2
x1x2 x22
0 1 0 0 1
= 1 0 pf11 pf12
0 pf 21 pf 22
= pf11 0 (p p11 0)
>0 <0
max TL f 11 0
H 0
F .O.C又又 0
From
22
L
X 1 Pf ( X * X * ) W 0 x1* x2*
Pf pf 1 0
L
1 1 2 1
w1 w1
11 12
Pf 2 ( X 1 X 2 ) W * 0
* *
F .O.C
X 2 pf 21 x1 pf 22 x2 0
* * *
對W 1
L X 20 X 2 0
w1 w1 w1
pf ( x1 x2 ) w1 x1
* pf ( x1* ( w1 , p, x20 ), ( w1 , p, x20 )) w1 x1* ( w1 , p, x20 )
把 x1*和 x 2* 算出,代入利潤函數中,即可得:…*profit Function
But 此題中 X 2 X 20 可直接代入 為 one decision 的問題,不需如此
麻煩。
23