Optimal Regulation with

Unknown Demand and Cost

Functions
Mark Armstrong - Journal of Economic Theory (1998)

Apresentação: Jonas Rocha Lima Amaro - nov/2023

Professor: Victor Miguel Perez Vilcarromero
Introdução
Motivação
Introdução
Motivação

• Concessionária com serviço monopolista pública ou privada

Introdução
Motivação

• Concessionária com serviço monopolista pública ou privada

• CEDAE: q(p) ∈ [Pop * qmed, Pop * qmed], c = Kcen trat + Cop

Introdução
Motivação

• Concessionária com serviço monopolista pública ou privada

• CEDAE: q(p) ∈ [Pop * qmed, Pop * qmed], c = Kcen trat + Cop

• O interesse social é de pagar o menor valor que atenda às suas demandas

Introdução
Con guração
fi
Introdução
Con guração

• Principal: Regulador
fi
Introdução
Con guração

• Principal: Regulador
• Agente: Monopolista
fi
Introdução
Con guração

• Principal: Regulador
• Agente: Monopolista
• Contrato: {p, T(p)}
fi
Introdução
Con guração

• Principal: Regulador
• Agente: Monopolista
• Contrato: {p, T(p)}
• Informação Privada:
Demanda, θ, e Custo, c.

max [w − (1 − α)(π(p) + T(p))]

p
𝔼
fi
Introdução
Inspirações
Introdução
Inspirações

• Desenho de mecanismo para rmas multiproduto: The Organization and

Scope of Agents: Regulating Multiproduct Industries, J. Dana (1993)

fi
Introdução
Inspirações

• Desenho de mecanismo para rmas multiproduto: The Organization and

Scope of Agents: Regulating Multiproduct Industries, J. Dana (1993)

‣ p*
L
= cL e p*
H
> cH

fi
Introdução
Inspirações

• Desenho de mecanismo para rmas multiproduto: The Organization and

Scope of Agents: Regulating Multiproduct Industries, J. Dana (1993)

‣ p*
L
= cL e p*
H
> cH

• Desenho de mecanismo para demanda e custo desconhecidas: Regulating a

monopolista with unknown demand and cost functions, T. Lewis e D.
Sappington (1988)
fi
Introdução
Inspirações

• Desenho de mecanismo para rmas multiproduto: The Organization and

Scope of Agents: Regulating Multiproduct Industries, J. Dana (1993)

‣ p*
L
= cL e p*
H
> cH

• Desenho de mecanismo para demanda e custo desconhecidas: Regulating a

monopolista with unknown demand and cost functions, T. Lewis e D.
Sappington (1988)

‣ Parametriza curvas “iso-preço” e resolve o problema do regulador usando

tais curvas. Em alguns casos p* < c
fi
Roteiro

Modelo Contínuo
Modelo Discreto
Aplicação
Modelo Contínuo
Modelo Contínuo
Descrição
Modelo Contínuo
Descrição

• A esperança é sobre f(θ, c) contínua

θ c

∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T
Modelo Contínuo
Descrição

• A esperança é sobre f(θ, c) contínua

θ c

∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T

• R é a “rent” ótima para a empresa tipo (θ, c)

Modelo Contínuo
Descrição

• A esperança é sobre f(θ, c) contínua

θ c

∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T

• R é a “rent” ótima para a empresa tipo (θ, c)

• R(θ, c) ≥ 0
Modelo Contínuo
Exemplo Linear
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
• Dados o menu {p, T(p)} a rma vai escolher p que maximize seu lucro
fi
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
• Dados o menu {p, T(p)} a rma vai escolher p que maximize seu lucro
(a + θ − p)(p − c0 − c) − K + T(p)
fi
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
• Dados o menu {p, T(p)} a rma vai escolher p que maximize seu lucro
(a + θ − p)(p − c0 − c) − K + T(p)
q(p) p − C′(q)

fi
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
• Dados o menu {p, T(p)} a rma vai escolher p que maximize seu lucro
(a + θ − p)(p − c0 − c) − K + T(p)
q(p) p − C′(q)
{sp + (a − p)(p − c0) − K + T(p)} − t

s = θ + c; t = θc + ac + c0θ

fi
Modelo Contínuo
Exemplo Linear

• q(p) = a + θ − p; C(q) = (c0 + c)q + K

• com θ e c distribuídos na função probabilidade conjunta f(θ, c)
• Dados o menu {p, T(p)} a rma vai escolher p que maximize seu lucro
(a + θ − p)(p − c0 − c) − K + T(p)
q(p) p − C′(q)
{sp + (a − p)(p − c0) − K + T(p)} − t
ϕ(s)
s = θ + c; t = θc + ac + c0θ

fi
Modelo Contínuo
Exemplo Linear
Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p
Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)


Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)

• Além disso, condição de racionalidade é dada por ϕ(s) − t ≥ 0

Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)

• Além disso, condição de racionalidade é dada por ϕ(s) − t ≥ 0
• o subsídio é de nido T(p) = sp + (a − p)(p − c0) − K − ϕ(s). Então o problema do regulador é

fi
Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)

• Além disso, condição de racionalidade é dada por ϕ(s) − t ≥ 0
• o subsídio é de nido T(p) = sp + (a − p)(p − c0) − K − ϕ(s). Então o problema do regulador é
θ c

∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p

fi
Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)

• Além disso, condição de racionalidade é dada por ϕ(s) − t ≥ 0
• o subsídio é de nido T(p) = sp + (a − p)(p − c0) − K − ϕ(s). Então o problema do regulador é
θ c

∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p

• sujeito à (i) ϕ convexo e (ii) p(s) = ϕ′(s)



fi
Modelo Contínuo
Exemplo Linear

ϕ(s) = max{sp + (a − p)(p − c0) − K + T(p)}

p

• Pela condição do envelope p(s) = ϕ′(s)

• Além disso, condição de racionalidade é dada por ϕ(s) − t ≥ 0
• o subsídio é de nido T(p) = sp + (a − p)(p − c0) − K − ϕ(s). Então o problema do regulador é
θ c

∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p

• sujeito à (i) ϕ convexo e (ii) p(s) = ϕ′(s)

• além disso, é esperado que q(p) = a + θ − p(s) ≥ 0


fi
Esse problema é difícil
Modelo Contínuo
Desa os
fi
Modelo Contínuo
Desa os

• Se α < 1 e o suporte de (s, t) é

convexo, então existem rmas
inviáveis com probabilidade
positiva
fi
fi
Modelo Contínuo
Desa os

• Se α < 1 e o suporte de (s, t) é

convexo, então existem rmas
inviáveis com probabilidade
positiva
fi
fi
Modelo Contínuo
Desa os

• Se α < 1 e o suporte de (s, t) é

convexo, então existem rmas
inviáveis com probabilidade
positiva

• Essa exclusão do ótimo com

probabilidade positiva é mais
forte que a su cientemente
grande como proposto por
Lewis e Sappington
fi
fi
fi
Modelo Contínuo
Desa os

• Se α < 1 e o suporte de (s, t) é

convexo, então existem rmas
inviáveis com probabilidade
positiva

• Essa exclusão do ótimo com

probabilidade positiva é mais
forte que a su cientemente
grande como proposto por
Lewis e Sappington

• s → 2 ⇒ p(s) → ∞ ⇒ p(s) > a + θ ⇒ q(p) < 0

fi
fi
fi
Modelo Contínuo
Desa os
fi
Modelo Contínuo
Desa os

• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais

fi
Modelo Contínuo
Desa os

• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais

• Sendo o mais benevolente com as rmas, α = 1, pode ser ótimo que toda rma produza
dado que a > c0 seja su cientemente grande. Assim o preço seria dado por
1
p(s) = c0 + s
2

fi
fi
fi
fi
Modelo Contínuo
Desa os

• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais

• Sendo o mais benevolente com as rmas, α = 1, pode ser ótimo que toda rma produza
dado que a > c0 seja su cientemente grande. Assim o preço seria dado por
1
p(s) = c0 + s
2
• Se p* = [C′], que é o melhor esforço que o regulador pode fazer, então o preço não é
nem viável, nem ideal, mesmo que a gente assuma que o lucro não tem custo social algum
𝔼


fi
fi
fi
fi
Modelo Discreto
Modelo Discreto
Descrição
Modelo Discreto
Descrição

P(q(p) = qL(p)) = β; P(c = cL) = γ

Modelo Discreto
Descrição

Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda

baixo
βγ (1 − β)γ
custo

alto β(1 − γ) (1 − β)(1 − γ)

custo
Modelo Discreto
Descrição

Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda
qH(p) > qL(p); cH > cL
baixo
βγ (1 − β)γ
custo

alto β(1 − γ) (1 − β)(1 − γ)

custo
Modelo Discreto
Descrição

Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda
qH(p) > qL(p); cH > cL
baixo
βγ (1 − β)γ
custo

O problema da exclusão é alto β(1 − γ) (1 − β)(1 − γ)

resolvido pelas probabilidades custo
discretas
Modelo Discreto
Descrição
Modelo Discreto
Descrição

vi(p) → v′i(p) = − qi(p)


Modelo Discreto
Descrição

vi(p) → v′i(p) = − qi(p)

πij(p) = qi(p)(p − cj) − K, com i, j = L, H

Modelo Discreto
Descrição

vi(p) → v′i(p) = − qi(p)

πij(p) = qi(p)(p − cj) − K, com i, j = L, H

O “surplus” total dado por wij(p)

= vi(p) + πij(p) tem máximo global em todo
caso por hipótese com o máximo em p = cj . O “single-crossing” é assumido
na demanda e no custo

Modelo Discreto
Descrição

vi(p) → v′i(p) = − qi(p)

πij(p) = qi(p)(p − cj) − K, com i, j = L, H

O “surplus” total dado por wij(p)

= vi(p) + πij(p) tem máximo global em todo
caso por hipótese com o máximo em p = cj . O “single-crossing” é assumido
na demanda e no custo

↑ p ⇒ ↑ πiH(p) − πiL(p) e ↑ p ⇒ ↑ πHj(p) − πLj(p)


Modelo Discreto
Análise
 Modelo Discreto
Análise

• Cada preço do contrato está associado a um subsídio Tij de modo que é

de nida Rij := πij(pij) + Tij a “rent” da rma de tipo-ij
fi
fi
 Modelo Discreto
Análise

• Cada preço do contrato está associado a um subsídio Tij de modo que é

de nida Rij := πij(pij) + Tij a “rent” da rma de tipo-ij

• São destacadas as condições de racionalidade para custo alto RiH ≥ 0 e as

de incentivo Rij ≥ Ri′j′ + πij(pi′j′) − πi′j′(pi′j′) para i, j, i′, j′ = L, H










fi
fi
 Modelo Discreto
Análise

• Cada preço do contrato está associado a um subsídio Tij de modo que é

de nida Rij := πij(pij) + Tij a “rent” da rma de tipo-ij

• São destacadas as condições de racionalidade para custo alto RiH ≥ 0 e as

de incentivo Rij ≥ Ri′j′ + πij(pi′j′) − πi′j′(pi′j′) para i, j, i′, j′ = L, H

• As condições de racionalidade para custo baixo são estritamente satisfeitas

com as demais e o “single-crossing”










fi
fi
Modelo Discreto
Análise
Modelo Discreto
Análise

• Pelas condições de “single-crossing”, os preços que satisfazem as condições

de incentivo satisfazem
Modelo Discreto
Análise

• Pelas condições de “single-crossing”, os preços que satisfazem as condições

de incentivo satisfazem

pLL ≤ pLH ≤ pHH

pLL ≤ pHL ≤ pHH
Modelo Discreto
Análise

• Pelas condições de “single-crossing”, os preços que satisfazem as condições

de incentivo satisfazem

pLL ≤ pLH ≤ pHH

pLL ≤ pHL ≤ pHH
Rij ≥ Ri′j′ + πij(pi′j′) − πi′j′(pi′j′)
≥ Rij + πi′j′(pij) − πij(pij) + πij(pi′j′) − πi′j′(pi′j′)
















Modelo Discreto
Análise
Modelo Discreto
Análise

Lema
Modelo Discreto
Análise

Lema

• Se πHL(p) − πLH(p) é crescente em p, então a compatibilidade de incentivos

implica

pLL ≤ pLH ≤ pHL ≤ pHH

Modelo Discreto
Análise

Lema

• Se πHL(p) − πLH(p) é crescente em p, então a compatibilidade de incentivos

implica

pLL ≤ pLH ≤ pHL ≤ pHH

• Por outro lado, se πHL(p) − πLH(p) é decrescente em p, então a

compatibilidade de incentivos implica

pLL ≤ pHL ≤ pLH ≤ pHH

Aplicação
Aplicação
Variáveis
Aplicação
Variáveis

• qL(p) = a − p
Aplicação
Variáveis

• qL(p) = a − p
D
• qH(p) = a + δ − p
Aplicação
Variáveis

• qL(p) = a − p
D
• qH(p) = a + δ − p
• cL = c0
Aplicação
Variáveis

• qL(p) = a − p
D
• qH(p) = a + δ − p
• cL = c0
C
• cH = c0 + δ
Aplicação
Variáveis

D
• qL(p) = a − p πHj(p) − πLj(p) = δ (p − cj)
D
• qH(p) = a + δ − p
• cL = c0
C
• cH = c0 + δ
Aplicação
Variáveis

D
• qL(p) = a − p πHj(p) − πLj(p) = δ (p − cj)
D
• qH(p) = a + δ − p
D C
• cL = c0 πHL(p) − πLH(p) = δ (p − c0) − δ (p − a)
C
• cH = c0 + δ
Aplicação
Benchmarking
Aplicação
Benchmarking

• Informação completa: p*
ij
= cj
Aplicação
Benchmarking

• Informação completa: p*
ij
= cj

• Incerteza na demanda: p*
L
= p*
H
= c0
Aplicação
Benchmarking - Incerteza no Custo
Aplicação
Benchmarking - Incerteza no Custo

max γ[wL(pL) − (1 − α)RL)] + (1 − γ)[wH(pH) − (1 − α)RH)]

Aplicação
Benchmarking - Incerteza no Custo

max γ[wL(pL) − (1 − α)RL)] + (1 − γ)[wH(pH) − (1 − α)RH)]

• No ótimo RH = 0 e RL = RH + πL(pH) − πH(pH)

max γ[wL(pL) − (1 − α)(πL(pH) − πH(pH))] + (1 − γ)wH(pH)
Aplicação
Benchmarking - Incerteza no Custo

max γ[wL(pL) − (1 − α)RL)] + (1 − γ)[wH(pH) − (1 − α)RH)]

• No ótimo RH = 0 e RL = RH + πL(pH) − πH(pH)

max γ[wL(pL) − (1 − α)(πL(pH) − πH(pH))] + (1 − γ)wH(pH)

• p*
L
= cL e p*
H
maximiza
γ
wH(p) + [(1 − α)(πH(p) − πL(p))]
1−γ
Aplicação
Benchmarking - Incerteza no Custo

max γ[wL(pL) − (1 − α)RL)] + (1 − γ)[wH(pH) − (1 − α)RH)]

• No ótimo RH = 0 e RL = RH + πL(pH) − πH(pH)

max γ[wL(pL) − (1 − α)(πL(pH) − πH(pH))] + (1 − γ)wH(pH)

• p*
L
= cL e p*
H
maximiza
γ
wH(p) + [(1 − α)(πH(p) − πL(p))]
1−γ
• Note que p*
H
> cH
↓ πHL − πLH ↑
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH

• A partir do Lema que impõe uma ordem aos preços, é natural imaginar uma
ordenação de tipos

LL ≽ HL ≽ LH ≽ HH
Aplicação
↓ πHL − πLH

• A partir do Lema que impõe uma ordem aos preços, é natural imaginar uma
ordenação de tipos

LL ≽ HL ≽ LH ≽ HH
• Um tipo terá o critério de racionalidade ativo. A hipótese natural seria o HH,
mas autor veri cou que só funciona com LH

• Apesar de RHH = 0 produzir separação de tipos, aconteceria que RLH < 0

fi
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
β(1 − γ)wLH(pLH)
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
β(1 − γ)wLH(pLH)
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
β(1 − γ)wLH(pLH)
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
β(1 − γ)wLH(pLH)
𝔼
 Aplicação
↓ πHL − πLH

• Deixando ativos mais alguns critérios de incentivo é possível chegar na

seguinte expressão

[w − (1 − α)R] = (1 − β)γ[wHL(pHL) + (1 − α){πLH(pLH) − πHL(pLH)}]

+βγ[wLL(pLL) + (1 − α){πLH(pLH) − πHL(pLH) + πHL(pHL) − πLL(pHL))}]
+(1 − β)(1 − γ)[wHH(pHH) + (1 − α){wLH(pLH) − πHH(pLH)})]
β(1 − γ)wLH(pLH)
𝔼
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH

• Primeiro o caso fácil: aplicando a condição de primeira ordem em relação à

pLL, já temos o primeiro preço ótimo p*LL
= c0
Aplicação
↓ πHL − πLH

• Primeiro o caso fácil: aplicando a condição de primeira ordem em relação à

pLL, já temos o primeiro preço ótimo p*LL
= c0

• Além disso, a condição de primeira ordem não funciona para pHH porque
pHH ≥ pLH forçaria que pLH ≤ cH, cenário que o autor veri cou ser
impossível

fi
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH

• Otimizando ΦHL, retirada da função objetiva, temos um candidato, ρHL, para

pHL
ΦHL(p) = (1 − β)γwHL(p) + (1 − α)βγ(πHL(p) − πLL(p))
Aplicação
↓ πHL − πLH

• Otimizando ΦHL, retirada da função objetiva, temos um candidato, ρHL, para

pHL
ΦHL(p) = (1 − β)γwHL(p) + (1 − α)βγ(πHL(p) − πLL(p))
β D
ρHL = argmaxΦHL(p) = c0 + (1 − α) δ
p 1−β
Aplicação
↓ πHL − πLH

• Otimizando ΦHL, retirada da função objetiva, temos um candidato, ρHL, para

pHL
ΦHL(p) = (1 − β)γwHL(p) + (1 − α)βγ(πHL(p) − πLL(p))
β D
ρHL = argmaxΦHL(p) = c0 + (1 − α) δ
p 1−β
• Note que ρHL se desvia de cL a medida que o “rent” tem importância menor
na função objetivo, ↓ α, e a baixa de manda se torna mais provável, ↑ β
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH

•Otimizando ΦLH, que leva em conta pLH = pHH

Aplicação
↓ πHL − πLH

•Otimizando ΦLH, que leva em conta pLH = pHH

ΦLH(p) = β(1 − γ)wLH(p) + (1 − β)(1 − γ)[wHH(p)
+(1 − α)(πLH(p) − πHH(p))] + (1 − α)γ(πLH(p) − πHL(p))
Aplicação
↓ πHL − πLH

•Otimizando ΦLH, que leva em conta pLH = pHH

ΦLH(p) = β(1 − γ)wLH(p) + (1 − β)(1 − γ)[wHH(p)
+(1 − α)(πLH(p) − πHH(p))] + (1 − α)γ(πLH(p) − πHL(p))

( )
C γ C D C
ρLH = argmaxΦLH(p) = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ
p 1 − γ
Aplicação
↓ πHL − πLH

Proposição 1

1. Se ρHL
≤ ρLH então os preços ótimos são dados por p*
LL
= cL,
p*
HL
= ρHL > c , p*
L LH = p*
HH
= ρ LH ≥ cH

2.Se ρHL > ρLH e se as equações possuem máximo global, então os preços
ótimos satisfazem p*
LL
= cL e p*
HL
= p*
LH
= p*
HH
≥ cH
Aplicação
↓ πHL − πLH
 Aplicação
↓ πHL − πLH

C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ

(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
 Aplicação
↓ πHL − πLH

C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ

• Se α = 1, então p*
ij
= cj

(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
 Aplicação
↓ πHL − πLH

C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ

• Se α = 1, então p*
ij
= cj

D
• Se δ → 0, novamente ρHL < ρLH

(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
 Aplicação
↓ πHL − πLH

C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ

• Se α = 1, então p*
ij
= cj

D
• Se δ → 0, novamente ρHL < ρLH
D
• Se δ = 0, então cai no caso de incerteza da demanda: p*
L
= p*
H
= c0

(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
πHL − πLH ↑
Aplicação
πHL − πLH ↑
Aplicação
πHL − πLH ↑

• Seja Φ de nida como

fi
Aplicação
πHL − πLH ↑

• Seja Φ de nida como

Φ(p) := (1 − β)(πHL(p) − πHH(p)) + (1 − α)(1 − β)(πLH(p) − πHL(p)) + β(πLH(p) − πLL(p))
fi
Aplicação
πHL − πLH ↑

• Seja Φ de nida como

Φ(p) := (1 − β)(πHL(p) − πHH(p)) + (1 − α)(1 − β)(πLH(p) − πHL(p)) + β(πLH(p) − πLL(p))

• No caso linear Φ é crescente se, e somente se

fi
Aplicação
πHL − πLH ↑

• Seja Φ de nida como

Φ(p) := (1 − β)(πHL(p) − πHH(p)) + (1 − α)(1 − β)(πLH(p) − πHL(p)) + β(πLH(p) − πLL(p))

• No caso linear Φ é crescente se, e somente se

D
δ 1 1
≤ −
δ C 1−β 1−α
fi
Aplicação
πHL − πLH ↑

Proposição 2

1. Se Φ é crescente então os preços ótimos são dados por p*

LL
= cL e
p* = p*
HL
= p*
LH
= p*
HH
≥ cH, no qual p* maximiza

(1 − β)wHH(p) + β(1 − γ)wLH(p) + (1 − α)(1 − β)(1 − γ)(πLH(p) − πHH(p)) + γΦ(p)

2.Se Φ é decrescente (com derivada estritamente negativa em p = cH), então é

ótimo ter pLH < cH
Conclusões
Conclusões

• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
Conclusões

• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas

• A forma da solução depende se os incentivos privados estão alinhados com os incentivos

sociais
Conclusões

• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas

• A forma da solução depende se os incentivos privados estão alinhados com os incentivos

sociais

• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal
Conclusões

• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas

• A forma da solução depende se os incentivos privados estão alinhados com os incentivos

sociais

• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal

• Quando não estavam alinhados, a análise é complexa e preço submarginal pode ser ótimo
Conclusões

• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas

• A forma da solução depende se os incentivos privados estão alinhados com os incentivos

sociais

• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal

• Quando não estavam alinhados, a análise é complexa e preço submarginal pode ser ótimo
• O modelo foi criado para que nem a demanda nem custo sozinhas superassem o custo
marginal, mas em conjunto criasse esse resultado interessante
Você deve estar ciente de que todos aqueles
por quem você espera ser obedecido esperam
também que você tome decisões por eles.

Xenofonte pg 87
Boas Festas